ANÁLISIS CUANTITATIVO DEL IMPACTO DE LAS INUNDACIONES EN BOLIVIA Miembros del Equipo: Oscar A. Ishizawa Juan José Miranda Luis Felipe Jiménez Andrea Villamil Xijie Lv Remy Paul Jean Jardillier Itzel de Haro López Financiado por Diciembre, 2017 © 2017 Banco Internacional de Reconstrucción y Fomento/Banco Mundial 1818 H Street NW, Washington DC 20433 Teléfono: 202-473- 1000; Sitio web: www.worldbank.com. Reservados algunos derechos. Esta obra ha sido realizada por el personal del Banco Mundial con contribuciones externas. Las opiniones, interpretaciones y conclusiones aquí expresadas no son necesariamente reflejo de la opinión del Banco Mundial, de su Directorio Ejecutivo ni de los países representados por este. El Banco Mundial no garantiza la exactitud de los datos que figuran en esta publicación. Las fronteras, los colores, las denominaciones y demás datos que aparecen en los mapas de este documento no implican juicio alguno, por parte del Banco Mundial, sobre la condición jurídica de ninguno de los territorios, ni la aprobación o aceptación de tales fronteras. Derechos y autorizaciones El material contenido en este trabajo está registrado como propiedad intelectual. El Banco Mundial alienta la difusión de sus conocimientos y autoriza la reproducción total o parcial de este informe para fines no comerciales en tanto se cite la fuente. Cualquier consulta sobre derechos y licencias, incluidos los derechos subsidiarios, deberá dirigirse a la siguiente dirección: World Bank Publications, The World Bank Group, 1818 H Street NW, Washington, DC 20433, EE. UU.; fax: 202-522- 2625; correo electrónico: pubrights@worldbank.org. Diseño: Blue Robin Designs Las Fotos: El Banco Mundial Fotos de portada: Sólo 17 familias viven en la comunidad Cóndor Huaycha. Para que los niños tengan que ir a la escuela del pueblo Tunas Vinto, tienen que caminar tres horas. Paria Soracachi es un municipio en el Altiplano, muy cerca de la ciudad de Oruro. Es un área actualmente afectada por sequías, sin embargo algunas comunidades en el municipio fueron afectadas por inundaciones en 2014 y 2015. ÍNDICE 1. Introducción...................................................4 2. Caracterización de las inundaciones...........6 2.1 Índice de precipitación..........................................6 Datos utilizados..........................................................................7 Cálculo del índice......................................................................8 2.2 Índice de intensidad..........................................10 Datos utilizados.......................................................................11 Cálculo del í ndice..................................................................12 2.3 Índice de inundación por desborde................16 Datos utilizados.....................................................................16 Cálculo del índice...................................................................18 3. Estrategia empírica.....................................18 3.1 Datos utilizados...................................................18 3.2 Adaptación de los índices.................................21 Índice de precipitación..........................................................21 Índice de intensidad...............................................................23 Índice de inundación por desborde....................................23 3.3 Especificación econométrica.............................24 Photo credit: World Bank 4. Resultados.....................................................26 4.1 Índice de precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 6 4.2 Índice de intensidad.........................................28 4.3 Índice de inundación por desborde.............30 Conclusiones................................................34 Referencias..........................................................35 Apéndices..................................................37 4 1. Introducción El Estado Plurinacional de Bolivia 1, comparado con otros países de la región, es considerado uno de los países más vulnerables ante desastres por eventos naturales adversos 2. Las principales amenazas naturales son de origen hidrometeorológico (sequías, heladas, lluvias severas y granizadas) y fenómenos relacionados, como inundaciones y deslizamientos. De acuerdo con el Índice de Riesgo Municipal 3 desarrollado por la Unidad de Análisis de Políticas Sociales y Económicas (UDAPE) del Ministerio de Planificación del Desarrollo, el 43  % de la población habitaba áreas expuestas a inundaciones en 2012, siendo estos fenómenos (ya fueran provocados por precipitaciones o por otros factores) el evento natural de mayor frecuencia en Bolivia, seguidos por sequías y granizadas 4. Dada su frecuencia y la población expuesta, las inundaciones causan importantes pérdidas económicas relacionadas, sobre todo, con la infraestructura y la producción agropecuaria. En 2015, por ejemplo, el Gobierno de Bolivia estimó que las pérdidas ocasionadas por inundaciones ascendieron a USD 450 millones 5 (BOB 3132 millones), y más de 300 000 personas se vieron afectadas. Dado este contexto, la gestión de riesgos de desastres ha sido una prioridad en la agenda del Gobierno de Bolivia, que estableció importantes avances en el marco normativo e institucional del país. Por ejemplo, en 2012, mediante la Ley n.° 300, Marco de la Madre Tierra y Desarrollo Integral para Vivir Bien, se estableció como objetivo la prevención y la reducción de las condiciones de riesgo y de vulnerabilidad de la población en Bolivia (artículo  12). En 2014, se promulgó la Ley n.°  602, Ley de Gestión de Riesgos, la cual proporciona el marco para la gestión de riesgos de desastres y la adaptación al cambio climático en la planificación del desarrollo a nivel sectorial y territorial. Los desastres asociados a eventos naturales adverso, y en particular las inundaciones, tienen un impacto negativo y estadísticamente observable en el corto plazo 6. Sin 1  En lo que resta del documento, se utilizará solamente el nombre de “Bolivia” para referirse al Estado Plurinacional de Bolivia. 2  Según Kreft et al. (2016), en un reporte publicado para Germanwatch, Bolivia ocupó el séptimo puesto entre los países más afectados por eventos meteorológicos extremos en 2014. Asimismo, Dilley et al. (2005) coloca a Bolivia en el grupo de los países más expuestos a amenazas naturales. 3 El Índice de Riesgo Municipal (IRM) es una medida referencial de la exposición de los municipios a las amenazas naturales y de su debilidad para hacer frente a los desastres cuando ocurren. El índice varía entre el 0 % (nivel mínimo de riesgo) y el 100 % (nivel máximo). En la práctica, el IRM es una herramienta de base de datos y visualización que permite a los funcionarios de gobierno comprender rápidamente los niveles de riesgo e identificar las estructuras estratégicas (hospitales, escuelas, caminos, etc.) que están expuestas en los escenarios de riesgo. 4  Según estadísticas del Observatorio Nacional de Desastres (OND) del Viceministerio de Defensa Civil (VIDECI), de los principales eventos naturales registrados en Bolivia entre 2002 y 2012, el 34,9 % fueron inundaciones, seguidas por sequías y granizadas con un 28,3 % y un 15 %, respectivamente. 5  A los efectos de este documento, todas las cifras en dólares estadounidenses (USD) se han calculado al tipo de cambio promedio para 2016, que equivale a 6,96 bolivianos (BOB) por USD. (Fuente: https://www. bcb.gob.bo/tiposDeCambioHistorico/, consultada el 21 de diciembre de 2016). 6 Jha et al. (2012), en el capítulo 2, analizan los efectos directos de las inundaciones en las fases previa y posterior al evento, así como durante este, y su impacto a largo plazo en algunos indicadores sociales y en el medioambiente. 5 embargo, la evidencia empírica sobre dichos impactos en Bolivia, desde un punto de vista estadístico y causal, es muy limitada. Para los eventos ocurridos durante 2013 y 2014, UDAPE (2015) realizó un ejercicio de contabilización de las pérdidas directas e indirectas asociadas con eventos meteorológicos utilizando la metodología de CEPAL 7 para evaluar los impactos socioeconómicos y ambientales de los desastres. Como ya se mencionó, estos eventos ocasionaron pérdidas por alrededor de USD 450  millones (BOB 3132 millones) y afectaron a más de 300,000  personas. Por otro lado, Arenas (2014), a modo de complemento de la metodología previa, evaluó la magnitud e intensidad de los desastres hasta el año 2100 en escenarios de cambio climático. Básicamente, en ese estudio se determinó que los daños futuros a infraestructura pública por efectos del cambio climático (a raíz de fuertes precipitaciones e inundaciones) tendrían un costo de USD 93  000  millones (BOB 647 280 millones), lo que representaría un gasto promedio anual de USD 3113  millones (BOB 21 666 480 000). El costo económico por pérdidas agropecuarias ascendería a USD  82  000  millones (BOB 570 720 millones), lo que representaría un promedio anual de USD 2726 millones (BOB 18 973 millones). Cabe aclarar que en los estudios mencionados es difícil atribuir de manera específica el daño asociado únicamente a los desastres y no a factores que ocurrieron de manera simultánea. Más a ún, dichos estudios no evalúan el impacto en variables de bienestar, como pobreza o ingreso del hogar 8. La pobreza y los ingresos de los hogares son indicadores de los impactos de medio y largo plazo que pueden tener los desastres. Por tanto, este estudio tiene como objetivo evaluar el impacto de las inundaciones en Bolivia en el ingreso per cápita de los hogares y en otros indicadores socioeconómicos de bienestar por medio de métodos estadísticos que permitan aislar de manera explícita otros factores que pueden influir en los resultados. Dada la dificultad de caracterizar de manera exacta el impacto de una inundación — además de las limitaciones encontradas con la información disponible—, en este estudio, se analizan diversos índices comúnmente utilizados en la literatura económica que representan distintas formas de abordar el impacto de las inundaciones. La idea principal detrás de la utilización de distintos índices es que las inundaciones tienen diversas causas y características que definen la manera en la que afectan a la población o a la economía de un país. Si bien todos los índices utilizados buscan modelar el impacto de una inundación, cada uno de ellos otorga distinto peso a los factores que la causan y a las características para hacerle frente de la zona en la que ocurre. Los resultados muestran que los diferentes índices son coherentes a través de las distintas caracterizaciones y apuntan a un efecto negativo y significativo de la precipitación excesiva, las lluvias intensas y los desbordes de ríos tanto en el ingreso per cápita como en la pobreza de los hogares. 7  Comisión Económica para América Latina. 8  En el análisis se incluyeron otras variables de interés, como desempleo y asistencia escolar, pero los resultados no fueron concluyentes debido, en buena parte, a la poca variabilidad temporal de las variables. Por lo tanto, dichos resultados no se han incluido en el documento. 6 El resto del estudio se divide en cuatro secciones. En la primera sección, se describen los tres índices utilizados en el estudio, la información empleada para calibrarlos y la forma en la que se calculan sus valores. En la segunda sección, se describe la metodología para evaluar el impacto de las inundaciones en el ingreso de los hogares y en la pobreza. Aquí también se muestra cómo se adaptan los índices para combinarlos con la información socioeconómica y la construcción de sus distintas variantes. En la tercera sección, se describen los resultados para las distintas variantes de los índices y se incluye una comparación de las predicciones de cada una en distintos escenarios. En la última sección, se presentan las principales conclusiones de este estudio. 2. Caracterización De Las Inundaciones En la literatura económica, es común caracterizar las inundaciones de un lugar específico como la variación de la precipitación en un período determinado con respecto al promedio histórico. En América  Latina, se ha utilizado este indicador en diversos estudios, como el caso de Colombia (Brando y Santos, 2015), Ecuador (Rosales, 2014) o Brasil (Rocha y Soares, 2014). Esta medición evalúa el efecto de las inundaciones extremas en el lugar, además de que permite controlar la capacidad de adaptación en zonas expuestas con frecuencia a altos niveles de precipitación. En adelante, denominaremos este indicador “índice de precipitación”. Otra forma de caracterizar las inundaciones es incorporar la intensidad de las lluvias medida según el número de horas que llueve de manera constante y ajustada según el nivel de actividad económica de la zona expuesta a esta precipitación, es decir, una precipitación excesiva solo ocasiona daños económicamente significativos si la lluvia se da en zonas productivas o habitadas (Strobl, Heinen y Khadan, 2015). Este método se denominará “índice de intensidad”. Además de estos dos índices, las inundaciones se miden por los desbordes de los ríos utilizando el modelo GLOFRIS 9, el cual modela situaciones en las que los daños de una inundación fueron provocados por el desborde de un río más que por niveles extraordinarios de lluvia. Si bien estos últimos provocan subidas en los caudales que pueden generar un desborde, la relación entre inundaciones por desborde y lluvia intensa no siempre es directa o proporcional. Denominaremos este tercer método “índice de inundación por desborde”. Es importante señalar que en esta sección se describe principalmente la construcción de los valores brutos de cada uno de los índices mencionados. Más adelante, cuando se presente la metodología utilizada para la evaluación, se detallarán las diferentes variantes 9  Global Flood Risk with IMAGE Scenarios. 7 de cada índice y la forma en la que se adaptó cada uno de ellos para armonizarlo con la información socioeconómica. 2.1 Índice de precipitación En esta sección, se analizan el índice de precipitación, los datos utilizados y la metodología para calcularlo. Este primer índice es el más simple y se basa en la idea de que, a mayor lluvia, mayor es la probabilidad de inundación. Teniendo en cuenta que la precipitación intensa y excesiva es, a menudo, el principal factor que da lugar a inundaciones, mediciones precisas de la precipitación permiten hacer aproximaciones adecuadas sobre las inundaciones. El índice básicamente compara el valor absoluto de la precipitación actual o reciente con el promedio histórico de una unidad de observación (que, en nuestro caso, corresponde al municipio) y se establece un valor relativo con respecto a la desviación estándar histórica. En la literatura reciente, es común utilizar 1  desviación estándar como umbral para definir una inundación (véase, por ejemplo Rocha y Soares [2014], Brando y Santos [2015] y Rosales [2014]). Los datos principales para la generación del índice son los registros de precipitación calibrada que se remontan a 1940, proporcionados por el Gobierno de Bolivia. Además, con el fin de incorporar áreas remotas donde la cobertura meteorológica es escasa, se utilizan datos de precipitación infrarrojos del Climate Hazard Group (CHG). Esta medición se basa en una metodología innovadora para fusionar datos de precipitación in situ con datos satelitales infrarrojos, lo cual permite optimizar tanto la precisión como la representatividad geográfica de las estimaciones. Datos utilizados Estaciones de monitoreo Este índice tiene como base los datos de precipitación de las estaciones meteorológicas del país, gestionadas por el Servicio Nacional de Meteorología e Hidrología (SENAMHI). Hay un total de 235 estaciones con datos de precipitación para el período de estudio (2005-2014). Sin embargo, no todas las estaciones tienen datos de calidad coherente a lo largo de estos años. Por ello, se estableció un criterio de filtrado para retener sólo las estaciones que tuvieran, por lo menos, datos de 90 meses de observaciones (de los 96 posibles en el período). Esto redujo el número total de estaciones a 144 (ilustradas en la Figura 1). El mapa con la ubicación de las 235 estaciones confirmó que no hubo pérdida de representatividad geográfica al descartar las estaciones que no calificaron para el análisis. 8 Figura 1. Ubicación de las estaciones de monitoreo utilizadas estación Precipitaciones infrarrojas del CHG (CHIRPS) Para la creación de este índice, se aprovechó el más reciente desarrollo de datos de precipitación por celdas o pí xeles denominado “CHIRPS” 10, el cual utiliza imágenes satelitales, precipitación promedio de las estaciones meteorológicas y otros predictores de lluvia, tales como elevación, latitud y longitud, para construir promedios de precipitación mensual en alta resolución (celdas de 0,05 grados cuadrados, aproximadamente 5 km 2). La base de datos está disponible a partir de 1981 y presenta promedios de precipitación de entradas diarias, en grupos de cinco o diez días, mensuales o anuales. En este estudio, se utilizó el conjunto de datos mensuales ya que la unidad temporal de análisis es el mes. Cálculo del índice CHIRPS+ En Bolivia, el número de estaciones a las que el CHG tiene acceso es limitado, y esa cifra ha disminuido considerablemente desde 2010. Como se observa en la Figura  2, de 1980 a la fecha, el número de estaciones que proporcionaron información a CHIRPS ha sido muy inestable, con variaciones entre 10 y 40. La cobertura geográfica de estas estaciones también es limitada, lo que pone en duda su representatividad (Figura 3). En 10 CHIRPS es un esfuerzo combinado del Servicio Geológico de Estados Unidos (USGS, United States Geological Survey) y la Universidad de California, Santa Bárbara (UCSB). En 2012, el USGS y la UCSB combinaron nuevos recursos de imágenes satelitales, precipitación promedio de las estaciones meteorológicas y otros predictores de lluvia, tales como elevación, latitud y longitud, para construir promedios de precipitación mensual en alta resolución (celdas de 0,05 grados cuadrados, aproximadamente 5 km2) a nivel global para crear la Climatología de Amenazas Climáticas por Precipitación (CHPClim) (Funk et al., 2007). Se utilizaron estos promedios mensuales mejorados para el período 1980-2009 a fin de eliminar el sesgo sistemático de la precipitación mensual basada en satélites, que es un método para ajustar los efectos de precipitación relacionados con el terreno (Funk et al., 2007). Por último, se utilizó un método de interpolación de la distancia 9 inversa para combinar observaciones de precipitación de las estaciones con las estimaciones objetivas de precipitaciones por satélite para producir la base de datos infrarrojos del CHG con estaciones (CHIRPS). comparación con el número de estaciones utilizadas por el CHG para CHIRPS, en este estudio se utilizan muchas más estaciones con fuentes de datos coherentes. Por ello, se utilizó un procedimiento complementario con el fin de combinar los valores de las estaciones del VIDECI con CHIRPS. Figura 2. Número de estaciones CHIRPS en Bolivia Figura 3. Distribución de estaciones CHIRPS en 2010 302 en el marco, 40 en el país El procedimiento para fusionar ambos conjuntos de datos se llevó a cabo por medio de un software desarrollado por el CHG llamado GeoCLIM. Si bien los detalles de la metodología utilizada escapan el alcance de este estudio 11, es importante explicar sus características más relevantes. En primer lugar, los datos combinados de precipitación se definen de la siguiente manera: 11 La metodología detallada del procedimiento de fusión se puede encontrar en Funk et al. (2015). 10 Donde: • CHIRPS+ es el dato combinado de precipitación de la celda i . ⁱ • CHIRPS es el dato de precipitación de la celda i calculado por el CHG a partir de ⁱ imágenes satelitales. • α es el peso asignado al dato de precipitación de la celda i calculado por el CHG. ⁱ • b es un factor de sesgo asociado a la celda i y estimado usando datos de ⁱ precipitación de las 144 estaciones e imágenes satelitales. La incorporación de α , que es definida en la siguiente ecuación, asegura que el proceso ⁱ de fusión no recrea simplemente el valor de la estación, sino que también toma en cuenta el valor estimado a partir de las imágenes satelitales. Tales decisiones tienen la intención de mitigar el efecto de las observaciones inexactas de la estación sobre la estimación final de la precipitación. Donde: • ρ CHIRP es la correlación esperada entre los datos de precipitación de las estaciones y los valores calculados por el CHG a partir de imágenes satelitales. Sobre la base de resultados de validación, se fija el valor de ρ CHIRP en 0,5 es decir, cada fuente de información tiene el mismo impacto en el esquema de peso final. • ρ ns es la correlación esperada entre el factor de sesgo asociado a la celda i y los datos de la estación más cercana a dicha celda. Por su lado, el factor de sesgo b es interpretado como el medio a través del cual ambos ⁱ conjuntos de datos se combinan. En esencia, b es un promedio ponderado de las ratios ⁱ entre las observaciones de las cinco estaciones más cercanas (en un área de influencia de 500 km) y los datos de precipitación infrarrojos del CHG. 11 Donde : • c ij es el dato de precipitación j calculado a partir de las imágenes satelitales por el CHG que está asociado a la estación j y a la celda i . • s ij es la precipitación observada por la estación j (dentro del área de influencia). • ϵ es un número pequeño para asegurarse de que la ratio esté correctamente definida en caso de que c ij =0. Entonces, el factor de riesgo b se calcula como un promedio ponderado de 5 ratios. Los ⁱ pesos utilizados están en función de la distancia entre las estaciones y la celda i , y de la curva de correlación cero 12. La idea detrás de la ecuación es simple: a cada estación se le asigna un peso proporcional a su distancia a la red; cuanto menor es la distancia a la estación, mayor es el peso. Los resultados del modelo, que denominamos “CHIRPS+”, para la temporada de lluvias (noviembre a marzo) del año 2007 y 2014 se ilustran en la Figura  4. Como se observa, al combinar ambas fuentes de información (del VIDECI y CHIRPS), se logra tener datos de precipitación más detallados y desagregados para todo el país. En el gráfico, se muestra que, en los años 2007 y 2014, se registraron importantes lluvias, las cuales se concentraron en la zona central de Bolivia, seguida por la zona norte de país. Figura 4. Estimaciones de CHIRPS+ para la temporada de lluvias 2007 y 2014 Temporada de lluvias 2007 Temporada de lluvias 2014 2007 2014 12  La curva de correlación cero indica la distancia con la que la correlación entre dos puntos de interés es cero. 12 2.2 Índice de intensidad El índice de intensidad utiliza datos de inundaciones previas para definir una ecuación que relacione la duración con la intensidad de la lluvia y permita establecer un umbral a partir del cual la precipitación provoca inundaciones. La “duración” se define como el tiempo (en horas) entre el comienzo y el final del período de lluvia para cada evento de inundación, y la “intensidad” como la suma de los mililitros de agua registrados durante un evento de lluvia en un área determinada —en este caso, en el municipio—. La metodología está basada en Strobl, Heinen y Khadan (2015) y busca incorporar dos elementos en la caracterización de las inundaciones: (i) la variación de los niveles de lluvia en períodos cortos, la cual se pierde al tomar promedios o totales de precipitación, y (ii) el nivel de actividad económica que determina los daños potenciales de una inundación. Este indicador fue desarrollado por Strobl, Heinen y Khadan (2015) para medir el impacto de las inundaciones en los índices de precios en Jamaica. De manera intuitiva, este índice incorpora la intensidad bajo la noción de que no sólo es importante la cantidad de lluvia registrada, sino también el período en el que esta cae de manera continua. Por ejemplo, no es lo mismo tener un registro de lluvia anual de 600 mm distribuida entre 500 mm en un mes y 100 mm en el resto del año, que si todos los meses la lluvia fuera de 50 mm. Este índice se ajusta según el nivel de actividad económica, lo que implica que la precipitación excesiva sólo ocasiona daños económicamente significativos si se da en zonas productivas o habitadas. Dadas las características ambientales y los patrones de lluvia en Bolivia, la correlación entre el índice de precipitación y el índice de intensidad es alta. Datos Utilizados Inundaciones históricas (OND) La definición de inundaciones históricas para el cálculo del índice de intensidad se obtuvo de los datos del Observatorio Nacional de Desastres (OND) del VIDECI. Esta base de datos contiene información sobre las declaratorias de emergencia por eventos naturales en Bolivia de 2002 a 2012 a nivel distrital. Los datos empleados en este documento son la fecha de acaecimiento, su ubicación (municipio), el tipo de evento y su causa 13. En la siguiente tabla, se muestra el acaecimiento de los principales eventos y el número de familias afectadas. 13 La base de datos del OND incluye también la fecha de registro, el departamento, la provincia, el municipio, el lugar e información sobre las consecuencias (muertos, familias damnificadas). 13 Tabla 1. Estadísticas de los principales eventos naturales en Bolivia basadas en datos del OND. Tipo de evento Número de eventos % Familias Damnificadas % Sequía 1472 14,02 320 517 28,25 Inundación pluvial 1963 18,69 200 728 17,69 Inundación fluvial 2004 19,08 195 499 17,25 Granizada 1833 17,45 169 576 14,95 Helada 1916 18,24 157 407 13,89 Otros 1315 12,52 90 318 7,97 Total 10 503 100 1 134 045 100 Como se observa, las inundaciones son los eventos de mayor frecuencia y los que generan mayor cantidad de familias damnificadas en Bolivia (período 2002-2012). Para el cálculo del índice, se emplearon solamente los eventos de inundación causados por precipitaciones, sin contar aquellos debidos al desborde de ríos. Datos de precipitación (TRMM) Los datos sobre precipitación se obtuvieron de los registros satelitales de la Misión de Medición de Lluvias Tropicales (TRMM, Tropical Rainfall Measuring Mission), los cuales están disponibles en el sitio web de la Administración Nacional de la Aeronáutica y del Espacio (NASA, National Aeronautics and Space Administration) 14. Cada archivo de la TRMM contiene información sobre el nivel máximo de precipitación, medido en milímetros por hora (mm/h), por períodos de tres  horas 15 (la unidad de datos más pequeña) y a un nivel de celda de 0,25° x 0,25°. Luces nocturnas (NTL) del DMSP-OLS Para una mejor estimación del impacto de las inundaciones, se asume que sólo habrá un impacto económico en las áreas inundadas si en ellas existe actividad humana o activos que se hayan visto afectados o, más precisamente, si existe superposición espacial entre la inundación y la actividad económica. El cálculo de este índice utiliza las luces nocturnas libres de nubes del Programa de Satélites Meteorológicos de Defensa (DMSP, Defense Meteorological Satellite Program) de la Fuerza Aérea de Estados Unidos como un indicador de actividad económica. Básicamente, cada celda o pí xel tiene asociado un número que representa la intensidad de las luces: 14  Enlace: http://trmm.gsfc.nasa.gov/ 15 Períodos: 0-3 h, 3-6 h, 6-9 h, 9-12 h, 12-15 h, 15-18 h, 18-21 h, 21-24 h. 14 0 (sin luz) a 63 (intensidad máxima) 16. Con el fin de evitar un problema de endogeneidad en los valores utilizados, se utiliza la intensidad de la lluvia en el año previo al evento de lluvia en cuestión (pues, si se utiliza el mismo período que el de la lluvia, es probable que el nivel de intensidad de luz sea menor debido a la precipitación y no necesariamente porque la zona en análisis tenga un menor nivel de actividad económica). Cálculo del í ndice La primera etapa para el cálculo del índice es la selección de los eventos que servirán de base para calibrar el modelo. De la base de datos del OND, se obtuvieron 1963 inundaciones por lluvias entre 2002 y 2012. Estos eventos se agruparon por fecha de acaecimiento y municipalidad para evitar la duplicación de datos sobre el nivel de precipitación a nivel municipal en un día determinado. Después de esta agrupación, quedaron un total de 709 eventos. Para cada uno de estos eventos, se consiguieron los datos de precipitación de la TRMM de los tres días anteriores y los tres días posteriores al evento, siguiendo la metodología de Strobl, Heinen y Khadan (2015). Para consolidar los datos a nivel municipal, se redujo la resolución de los archivos de 0,25° a 0,0083° (1 km 2, la cual es la misma resolución que la de las bases de datos de NTL). Finalmente, se calculó el nivel máximo de precipitación (intensidad) en milímetros por hora (mm/h) y la duración del evento de lluvia para cada uno de los 340 municipios. Siguiendo a Strobl, Heinen y Khadan (2015), la duración (D) y la intensidad (I) se relacionan mediante la siguiente ecuación: I=α*D β Donde α y β son los dos parámetros por estimar. Nótese que la relación entre intensidad y duración es no lineal, por lo que no es posible utilizar métodos de estimación lineales. Sin embargo, si se aplican logaritmos a ambos lados de la formula previa, es posible transformarla en una ecuación lineal: log(I)=log(α)+β*log(D) Los parámetros se estimaron mediante el método de mínimos cuadrados ordinarios (MCO) y tomando como muestra los 709 eventos. Se obtuvieron los siguientes valores: 16 Para las series del período 1999-2009, se utilizaron las luces nocturnas de cuatro  satélites: F14, F15, F16 y F18. Debido a las diferencias entre los sensores y a la falta de calibración en vuelo, las luces anuales estables no pueden utilizarse directamente para un análisis temporal. En este estudio, se utilizó un procedimiento de intercalibración desarrollado por Wu et al. (2013) para mejorar la comparabilidad entre satélites, que además permite disminuir el problema de saturación urbana de luces nocturnas. 15 Los parámetros estimados son estadísticamente significativos al 1  %, pero la evidencia empírica en otros países de menor tamaño que Bolivia indica que el parámetro estimado ̂ es negativo (es decir, a mayor intensidad, menor duración). No obstante, según la opinión de especialistas en el tema, esta relación no necesariamente se aplica a Bolivia, ya que hay zonas del país, como el llano, donde la intensidad y la duración tienen una relación positiva. Cuando eliminamos el factor asociado al llano del análisis, la relación negativa no es más válida. De esta manera, la relación entre duración (D) e intensidad (I) es dada por la siguiente expresión: 1.96 I=0,090*D En el siguiente gráfico, se muestran los puntos en log-valores — log(I)y log(D) —, y la línea de regresión lineal, lo que indica el buen ajuste del modelo (alto R 2). Figura 5. Regresión lineal (log-valores) 16 Una vez obtenida la línea de regresión, se ajusta su posición en el eje vertical para obtener el umbral. Los puntos que se encuentran por encima de este umbral se consideran eventos de lluvia con inundaciones, y los que se encuentran por debajo, eventos de lluvia sin inundación. Dicho de otra manera, este umbral nos permite eliminar los eventos de inundación no significativos para calcular el índice. Dado que la regresión proporciona el valor promedio, y siguiendo a Strobl et al. (2015), se definió un umbral del 10 % debajo de la línea de predicción lineal para dividir eventos con lluvia y sin ella. Este umbral del 10  %, representado por la línea roja, se muestra claramente en la Figura 6. Figura 6. Línea de regresión y umbral del 10 % En la Tabla 2, se resume el porcentaje de eventos por debajo y por encima del umbral (“no inundado” e “inundado”, respectivamente) para distintos valores de percentil utilizados (5 %, 10 %, 15 % y 20 %). Como se observa, la variabilidad entre los umbrales del 5 % y del 10 % no es sustancial, y la diferencia de eventos que se consideran inundaciones es de sólo el 3  % (al igual que entre el 15  % y el 20  %, donde la diferencia es también de alrededor del 3 %). En la sección de análisis, se evaluaron diferentes niveles de percentil. 17 Tabla 2. Resultados para diferentes valores del percentil. Percentil No inundado (%) Inundado (%) 5 % 5,08 94,92 10 % 8,18 91,82 15 % 11,28 88,72 20 % 14,95 85,05 Como se detalla en la tabla anterior, en el percentil 10 %, el 91,82 % de las 709 inundaciones utilizadas en la regresión lineal están por encima del umbral y, por ende, son consideradas inundaciones. Estos 651 eventos sirven de base para construir el índice. Para cada uno de estos eventos, se suma la precipitación registrada en cada celda del municipio en el que ocurrió la inundación en un año determinado del período de estudio (2002-2012). Una vez obtenida la intensidad de la inundación, se ajusta por las NTL (es decir, actividad económica) para calcular la exposición. Este ajuste es importante para estimar de forma correcta el posible daño ocasionado por una inundación, pues, independientemente, de su intensidad, si ocurre en un lugar inhabitado, el daño estimado debería ser cero. Debido a que las inundaciones del año t pueden destruir infraestructura y afectar la intensidad de la luz, se utilizan los resultados de precipitación del año t ajustados según la cantidad de luz del año anterior ( t-1 ) para cada celda. Los datos de NTL se multiplican por la intensidad de cada celda para obtener el índice. Esta metodología se resume en la siguiente fórmula, la cual permite calcular el índice para un año y una celda: Donde: • I t,i es el valor del índice de la celda i en el año t . • NTL t-1,i es el valor de NTL de la celda i en el año t-1 . • TRMM j,i es el nivel máximo de precipitación (mm/h) del período de tres horas j en el conjunto T t de la celda i . • T t es el conjunto de los períodos de tres horas en el año t. I t es el conjunto de los períodos de tres horas que pertenecen a una inundación en el año t. 18 Finalmente, se suma el índice de todas las celdas pertenecientes a cada municipalidad para obtener el índice a nivel municipal. Es importante señalar aquí que los órdenes de magnitud de los dos factores tienen un impacto en el índice final. Por ejemplo, si la cantidad de luz es insignificante comparada con la cantidad de agua, la exposición no será capturada. Por ello, antes de multiplicar, se deben definir los niveles y, llegado el caso, normalizar los factores con el fin de permitir comparabilidad entre los índices. 2.3 Índice de inundación por desborde En el caso de Bolivia, existen varios tipos de inundaciones: repentinas, costeras de lago, urbanas, fluviales y pluviales 17. De todos estos tipos, la inundación fluvial o por desborde de ríos es la más frecuente y mortal de ellas 18. Este índice busca modelar las inundaciones por desborde utilizando la información de GLOFRIS. Datos utilizados Escenario de Riesgo Global de Inundación con Imágenes (GLOFRIS) El índice de inundación por desborde se construyó a partir de los mapas de inundaciones anuales desarrollados en el marco del Escenario de Riesgo Global de Inundación con Imágenes (GLOFRIS, Global Flood Risk with IMAGE Scenarios) para crecidas de los ríos. Este marco propone un modelo de cascada de bases de datos globales del clima actual, un modelo hidrológico global, un modelo de enrutamiento de inundaciones global y, lo más importante, un modelo de reducción de escala de inundación 19. GLOFRIS, con una resolución espacial de 0,00833 grados decimales (aproximadamente, 1 km en el ecuador), supone un avance significativo con respecto a anteriores modelos de inundación por desborde de río (con una resolución de alrededor de 0,5 grados decimales o 60 km en el ecuador). La mayor resolución proporcionada por GLOFRIS ahora puede combinarse de manera significativa con indicadores de exposición y vulnerabilidad para la evaluación de daños. Para producir los extremos de las inundaciones anuales mediante GLOFRIS, los módulos de hidrología y de enrutamiento se calibran con datos diarios de precipitación global y temperatura, y se ejecutan para un período de 30  años. El resultado de este ejercicio es el volumen máximo diario de inundación que representa la cantidad de agua (en decímetros) que se encuentra potencialmente fuera de los márgenes de los ríos. Además de la extensión de la inundación, las capas indican el volumen pico del flujo de salida del 17  VIDECI reconoce diferentes tipos de inundaciones. 18  Según los datos del Observatorio Nacional de Desastres del VIDECI. Ver Tabla 1 del presente documento. 19 La metodología detallada de los mapas de inundación GLOFRIS se puede encontrar en Winsemius et al. (2013). Los mapas de inundación GLOFRIS de inundación anual están disponibles para el período 2000-2010 en la resolución espacial de 30 segundos de arco (aproximadamente, 1 km2). 19 río desde la orilla (en decímetros). En la Figura  7, se muestra, por ejemplo, que durante el año 2007 hubo importantes inundaciones por desborde de ríos en la zona central-norte de Bolivia, en comparación con el año 2010, que fue principalmente seco y sin mayores eventos de inundación por desborde de ríos. Figura 7. Mapas de inundación GLOFRIS 2007, 2010 Inundación 2007 Inundación 2010 profundidad (dm) profundidad (dm) 2007 2010 Luces nocturnas (NTL) del DMSP-OLS Al igual que con el índice de intensidad, la modelación de este índice utiliza datos sobre luces nocturnas en el año previo a las lluvias con el fin de ajustar las mediciones de la inundación por desborde de ríos según el nivel de exposición de la actividad económica y de asentamientos humanos. Cálculo del índice El índice de inundación está basado en el supuesto de que los daños potenciales están relacionados de manera lineal con la extensión de la inundación. Esto es congruente con las curvas de daños estimados por inundaciones utilizadas por la Agencia Federal para el Manejo de Emergencias (FEMA, Federal Emergency Management Agency) de los Estados Unidos con el software de inundación HAZUS. En este sentido, para cada localidad i (celda de 1 km 2), se hace una multiplicación simple de la profundidad de la inundación con las actividades económicas expuestas, representadas por las luces nocturnas en el año anterior a la inundación (véase la ecuación debajo). Esto se basa en la premisa de 20 que los daños potenciales sólo podrían materializarse si hay asentamientos humanos, activos de infraestructura y actividades económicas. Este procedimiento se caracteriza por la siguiente ecuación: Donde • IID j,t es el índice de inundación por desborde del municipio en el año . • P i,t es la profundidad de la inundación en la celda en el año t . • NTL i,t-1 es la intensidad de las luces nocturnas en la celda en el año t-1 . Al igual que el índice previo, este indicador también se normaliza con el fin de permitir comparabilidad entre los índices. 3. Estrategia Empírica 3.1 Datos utilizados El análisis del impacto de las inundaciones medidas por medio de los índices descritos en la sección anterior se llevó a cabo con datos de las Encuestas de Hogares realizadas por el Instituto Nacional de Estadística (INE) para el período 2005-2014, con excepción del año 2010 20. Las encuestas contienen información a nivel hogar sobre el ingreso, empleo, educación y estadísticas vitales de los miembros que lo componen, así como datos sobre las condiciones y los servicios de la vivienda que habitan. El máximo nivel de desagregación para el cual se pueden identificar los hogares es el municipal, por tanto, la municipalidad constituye nuestra principal unidad de análisis, y todos los índices de precipitación se calcularon a nivel municipal. Si bien no es estadísticamente representativo 21, cabe señalar que este nivel de desagregación es importante porque permite aislar la heterogeneidad no observable e invariante en el tiempo (por ejemplo, características idiosincráticas de los municipios que explican las diferencias en los ingresos del 20  Por lo general, las encuestas de hogares se realizan en noviembre y diciembre, es decir, dentro de la temporada de lluvias (que va de noviembre a marzo), por lo que vale la pena preguntarse si no se están sobreestimando los impactos de las inundaciones. Creemos que, incluso en caso de que exista un sesgo originado en la recolección de los datos, este no debería, a priori, estar correlacionado con ninguno de los tres índices utilizados para caracterizar las inundaciones. En consecuencia, el sesgo no debería ser absorbido por los coeficientes asociados a los índices —que miden el impacto—, sino por el término de error. 21  La falta de representatividad puede introducir errores en la estimación de los impactos debido a problemas en la muestra Sin embargo, las ganancias que se obtienen al elegir la municipalidad como unidad de análisis compensan los problemas gracias a la heterogeneidad en Bolivia. 21 hogar dentro de una región que ha tenido un período de alto crecimiento económico y de reducción de la pobreza) y, por ende, estimar con mayor precisión el impacto de las inundaciones en el ingreso per cápita y en otros indicadores socioeconómicos. Asimismo, un mayor nivel de desagregación aprovecha la alta variabilidad de los índices utilizados para caracterizar las inundaciones, lo cual contribuye a mejorar la identificación de la dirección y la magnitud de los impactos. En los diez años analizados, existen 56 971 observaciones a nivel hogar. En la muestra se encuentran representados 301 municipios de los 339 en los que está dividido Bolivia. El número de observaciones por año aumenta considerablemente a partir de 2011, cuando se rediseñó la encuesta 22. En la Figura  8, se puede observar que los departamentos de La Paz, Santa Cruz y Cochabamba cuentan con una mayor proporción de observaciones. Esto se debe a que son los departamentos con mayor población. Figura 8. Número de observaciones por año y departamento 12,000 10,000 8,000 6,000 4,000 2,000 0 2005 2006 2007 2008 2009 2011 2012 2013 2014 Chuquisaca La Paz Cochabamba Oruro Potosí Tarija Santa Cruz Beni Pando La principal medición del impacto se llevó a cabo sobre el ingreso per cápita mensual de los hogares a precios de 2010. Con base en los valores de esta variable, se eliminaron 570  observaciones extremas (aproximadamente, el 1  % del total de las observaciones), con lo cual el número de observaciones del análisis se redujo a 56   401 23. Además, se incluyeron variables de control, como el género del jefe de familia, el nivel máximo de 22  Con el objetivo de producir estadísticas representativas a nivel departamental. 23  La exclusión de observaciones extremas (outliers) es justificada por dos razones. Primero, el objetivo de este estudio es evaluar el impacto de las inundaciones en el grueso de la población, por lo que excluir los hogares con niveles de ingresos extremos no sería un problema. Segundo, la exclusión de outliers es una práctica común en los estudios empíricos, ya que su inclusión podría sesgar la estimación de los parámetros de interés (ya que podrían ser producto de un error de medición). 22 estudios y el sector de ocupación económica del jefe del hogar, la clasificación de la zona en la que se encuentra la vivienda (urbana o rural), el material de los techos de esta y la fuente de agua. De manera complementaria, de los reportes del Ministerio de Economía y Finanzas Públicas se obtuvieron también los presupuestos de las transferencias enviadas a los municipios, los cuales se estandarizaron por población. 24 Estos controles permiten aislar otras potenciales causas que explican las diferencias en los ingresos del hogar. En la Tabla 3, se resumen las estadísticas descriptivas para la variable dependiente y los controles. Esta muestra elimina las observaciones extremas (el 1  % de los hogares con mayores ingresos). Como referencia, las cerca de 600 observaciones eliminadas tienen un ingreso promedio per cápita de más de BOB 11 000 (USD 1580) en el periodo de análisis, que es más de once veces el promedio del resto de la muestra (BOB 969 o USD 139). Las principales características que se destacan en la Tabla 3 son las siguientes: en el 25 % de los hogares, el jefe de familia es mujer, al igual que el 41 % de las personas que completaron la educación secundaria. El 31 % de la muestra es rural, y en el 22 % de la muestra la agricultura es la actividad económica principal. La mayor parte de los hogares encuestados (58 %) recibe agua a través de la cañería de red. Tabla 3. Estadísticas descriptivas Variable Media Desviación estándar M í n. M á x. Ingreso per cápita real del hogar (BOB) 969 942 0 6,197 Presupuesto municipal per cápita 824,57 3065,87 244,3322 71 110,68 Género (1 = mujer) 0,25 0,43 0 1 Educación (1 = Secundaria + Superior) 0,41 0,49 0 1 Urbano/rural (1 = rural) 0,31 0,46 0 1 Material de los techos (1 = teja + hormigón) 0,36 0,48 0 1 Fuente de agua (1 = cañería de red) 0,58 0,49 0 1 Agricultura (=1) 0,22 0,42 0 1 Minería (=1) 0,15 0,36 0 1 Estas estadísticas muestran variaciones importantes por departamento. En el caso del ingreso per cápita del hogar, por ejemplo, mientras que Santa Cruz, Tarija y Pando tienen 24 (Información para el periodo 2005-2014):http://vmpc.economiayfinanzas.gob.bo/coparticipacion. asp?tipo=1&g=2014&flag=0, del Viceministerio de Presupuesto y Contabilidad Fiscal, Ministerio de Economía y Finanzas Publicas. 23 ingresos medios de alrededor de BOB 1100 (USD 158) al mes, en Potosí el promedio es de BOB 625 (USD 90), apenas el 65 % de la media del total de la muestra. 3.2 Adaptación de los índices Para la caracterización de las inundaciones, los índices descritos en la sección anterior se combinaron a nivel municipal sumando los valores de las celdas o píxeles que componen cada municipio. Una vez obtenido el valor de los índices a nivel municipal, se construyeron para cada uno de ellos variantes estandarizadas y dicotómicas. Las versiones estandarizadas permiten la comparación entre los tres índices, en tanto que las versiones dicotómicas permiten entender el impacto de una inundación adicional. Hay que recordar que cada índice se expresa en diferentes unidades (que son a veces difíciles de interpretar debido a los esquemas de ponderación utilizados), por lo que la comparabilidad de los índices es más simple y directa cuando se utilizan las versiones estandarizadas. Índice de precipitación En el caso del índice de precipitación, se crearon cuatro variantes: precipitación, estandarización y dos variables dicotómicas. La primera variante ( precipitación ) suma, para cada municipio y año, los valores de la precipitación mensual estimada en cada celda solamente para los meses de la temporada de lluvias (es decir, de enero a marzo y de noviembre a diciembre) con el fin de reducir el impacto en la varianza anual de los meses en los que hay poca precipitación y, así, poder identificar mejor las variaciones relevantes entre municipios. En la Figura 9, se ilustra la precipitación mensual histórica de la muestra. La línea azul punteada representa la precipitación promedio anual cuando se toman en cuenta todos los meses, mientras que la roja punteada muestra la precipitación promedio sólo durante la temporada de lluvias. El área sombreada ilustra el valor de la variable precipitación . 24 Figura 9. Precipitación mensual promedio (mm) Precipitación Mensual Promedio (mm) 200 180 160 140 Precipitación (mm) 120 100 80 60 40 20 0 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic El valor de la precipitación municipal en la temporada de lluvias se estandarizó utilizando la distribución histórica (1990-2004). El objetivo de esta estandarización fue incorporar al análisis la capacidad de los municipios para hacer frente a una cantidad determinada de lluvia en función de la precipitación a la que están habituados. Es decir, se asume que lo que podría generar pérdidas no es el nivel de lluvia, sino la precipitación en exceso con respecto al promedio histórico. Esta variante del índice ( estandarización ) mide el número de desviaciones estándar por encima o por debajo de la media histórica de la precipitación para un año y municipio determinados, y se calcula con la siguiente fórmula: Donde: • I it es el número de desviaciones estándar por encima o por debajo de la media histórica de la precipitación anual para el municipio i en el año t. • a it es la precipitación anual para el municipio i en el año t . • â i es la precipitación media histórica. • σ ait la desviación estándar. La variable estandarizada sirve de base para construir variables dicotómicas que toman el valor de 1 (hogares tratados) cuando la precipitación se encuentra una determinada 25 desviación estándar por encima de la media histórica y de 0 en otros casos. La idea detrás de esta caracterización es que existe un nivel máximo de lluvia (particular para cada municipio) con el que los municipios están acostumbrados a lidiar y que, por lo tanto, no tiene efectos negativos. Sin embargo, una vez sobrepasado ese nivel crítico, no existen los medios para controlar el exceso de precipitación, por lo cual se generan pérdidas económicas y sociales. Para este estudio se optó por utilizar dos niveles críticos de precipitación que van en línea con la literatura reciente sobre el tema: 0,5 y 1 desviaciones estándar por encima de la precipitación media histórica (Brando y Santos [2015], Rosales [2014], Rocha y Soares [2014]). En la Figura  10, se ilustra cómo cambia el número de hogares tratados por año cuando se modifica el límite para definir el tratamiento. A menor desviación estándar, mayor es el número de eventos considerados inundaciones. Figura 10. Comparación de total de hogares y hogares tratados 12,000 10,000 8,000 6,000 4,000 2,000 0 2005 2006 2007 2008 2009 2011 2012 2013 2014 0.5 desviación estándar 1 desviación estándar Índice de intensidad Las primeras dos variantes utilizadas para este índice son la agregación a nivel municipal del índice con un umbral del 10  % y del 5  %, respectivamente. Como ya se mencionó, el número de eventos considerados inundaciones varía un 3   % entre ambos umbrales. Además, se incorpora una variante normalizada del índice con el fin de reducir el impacto de valores extremos de precipitación en el cálculo del impacto en el ingreso. La normalización se realizó sobre el índice calculado con un umbral del 10 % tomando como base la distribución de la totalidad de la muestra para los años disponibles (2002-2012). 26 Para ello, se utiliza la siguiente fórmula: Donde: • es el índice normalizado de intensidad (umbral del 10 %) de la municipalidad c en el año t . • es la media de la muestra . • T son los años del estudio (2002-2012 en el caso de Bolivia). • C es el conjunto de los códigos de las municipalidades. • es el valor del índice en el año t para la municipalidad c . • es la desviación estándar . Al igual que en el índice de precipitación, se incorpora una variante dicotómica que toma un valor de 1 cuando el índice de intensidad es superior a cero (es decir, cuando hubo una inundación), y de 0 en otros casos. Índice de inundación por desborde Para el índice de inundación por desborde, se calcularon tres variantes. La primera es el índice original agregado a nivel municipal. La segunda es el índice normalizado, que toma como base la distribución de todos los eventos para los años disponibles, lo cual reduce el impacto de eventos extremos. Dicho índice se descrito mediante la siguiente fórmula: Donde: • es el índice normalizado de inundación por desborde de la municipalidad c en el año t . • es la media de la muestra . • T son los años del estudio (2000-2010 en el caso de Bolivia). • C es el conjunto de los códigos de las municipalidades. 27 • es el valor del índice en el año t para la municipalidad c . • es la desviación estándar . La última es una variable dicotómica que, al igual que en el índice de intensidad, toma un valor de 1 cuando el índice de inundación por desborde es superior a cero (es decir, cuando hubo una inundación), y de 0 en otros casos. En la Tabla 4, se muestran la media, la desviación estándar y los valores máximos y mínimos para cada uno de los índices empleados. Tabla 4. Caracterización de inundaciones Variable Media Desv. est. M í n. M á x. Precipitación 665,30 325,37 122,80 2586,73 Estandarización 0,51 1,25 (2,74) 5,59 Tratamiento 0,5 DE 0,51 0,50 0 1,00 Tratamiento 1 DE 0,33 0,47 0 1,00 Índice de intensidad 10 % 470 751 801 010 0 4 900 130 Índice de intensidad 5 % 471 767 801 338 0 4 900 130 Índice de intensidad normalizado 2,27 4,30 (0,26) 26,05 Índice de intensidad discreto 0,92 0,27 0 1,00 Inundación por desborde 42,29 195,42 0 2329,00 Inundación por desborde normalizado 0,65 3,38 (0,08) 40,15 Inundación por desborde dicotómica 0,72 0,45 0 1,00 3.3 Especificación econométrica El cálculo del impacto de las inundaciones en el ingreso de los hogares se realizó con datos anuales (dada la temporalidad de las encuestas de hogares). La base de datos de las encuestas de hogares es una base transversal en la que cada año cambia la selección de hogares entrevistados. Existe información municipal para todos los años, pero este es sólo el caso de las regiones más importantes, principalmente capitales de departamento. Lo que quiere decir que en práctica contamos con un pseudo-panel a nivel municipal. Dado que no contamos con un panel de datos totalmente equilibrado, se calculó un modelo lineal (OLS) con efectos fijos por municipio y año que permite controlar, por características particulares, a cada municipio o a cada año que definen el valor de ingreso base y, así, aislar la variación en el ingreso que depende de la intensidad o del nivel de 28 precipitación. La estrategia de estimación está caracterizada por la siguiente ecuación 25: Donde: • es el ingreso per cápita del hogar en el año . • es el índice de inundación. • es la matriz de variables de control. • son los efectos fijos por año. • son los efectos fijos por municipio. • es el término de error. Las observaciones se ponderaron con el factor de expansión especificado en la encuesta. El cálculo se llevó a cabo para cada una de las variantes de los índices especificadas en la sección anterior, a fin de tener una imagen cabal de las características de los eventos de lluvia extrema o de desborde que inducen pérdidas en el ingreso. En la misma línea, se calcularon pérdidas con distintos grupos de controles para identificar los factores que contribuyen a exacerbar o mitigar las pérdidas derivadas de una inundación. En la Tabla 5, se resumen los controles utilizados en cada una de las regresiones. Básicamente el primer modelo sólo incluye efectos fijos por municipalidad y año. El segundo modelo añade características importantes a nivel del hogar. Finalmente, el tercer modelo —que corresponde a nuestra especificación preferida— agrega el tipo de actividad económica principal del hogar, bajo el supuesto de que hay ciertas actividades económicas que pueden verse potencialmente más afectadas por las inundaciones (como la actividad agrícola) en comparación con otros sectores (como el de servicios). 25 De manera complementaria, se realizaron diversas pruebas de robustez que incluyeron efectos fijos adicionales por tipos de cuenca, tanto a nivel 2 (el cual tiene, en total, 14 cuencas) como a nivel 3 (el cual tiene, en total, 66 cuencas). Los resultados son muy similares a los efectos fijos a nivel municipal, y las diferencias se notan a partir del cuarto o quinto decimal. Dicho de otra manera, los efectos fijos a nivel municipal recogen la mayor parte de la variación de las variables no observadas que pueden existir por cada cuenca. Véase el Apéndice A para obtener mayor detalle (los resultados en las tabla 12, 13 y 14 son comparables con los resultados en las tablas 7, 9 y 11, respectivamente). 29 Tabla 5. Grupos de controles 1 2 3 EF + controles municipio y EF 2 + actividad económica hogar Efectos fijos por municipio x x x Efectos fijos por año x x x Presupuesto municipal per cápita x x Género (1 = mujer) x x Educación (1 = Secundaria + Superior) x x Urbano/rural (1 = rural) x x Material de los techos (1 = teja + hormigón) x x Fuente de agua (1 = cañería de red) x x Agricultura (=1) x Minería (=1) x 30 4. Resultados 4.1 Índice de precipitación Los resultados para el índice de precipitación (Tabla 6) muestran un efecto negativo y significativo de la precipitación. Tan solo para la variable continua de precipitación, se estima una pérdida en el ingreso anual per cápita de BOB 15 (USD 2,15) por cada 100 mm de precipitación observada durante la temporada de lluvias. Dicho valor promedio representa el 1,5 % del ingreso per cápita del hogar promedio y casi el 10 % del ingreso de los hogares en el decil más bajo de la distribución. Sin embargo, esta medición es limitada, pues asume que la pérdida ocasionada por cada 100  mm de precipitación es igual para todas las regiones, independientemente de sus patrones habituales de lluvia. La variable estandarizada presenta, en este caso, una mejor estimación al incorporar el concepto de que 100 mm de lluvia tendrán un efecto distinto en un municipio en Beni (uno de los departamentos con mayores niveles de precipitación) que en uno en Potosí (un departamento propenso a sequías). En este caso los resultados sugieren que un aumento en una desviación estándar por encima de la media disminuye en BOB 18 (USD 2,6) el ingreso anual per cápita de un ciudadano promedio. Por otra parte, los dos últimos índices (Tratamiento 0,5 DE y Tratamiento 1 DE) muestran el efecto en el ingreso de los hogares afectados por lluvias extremas por encima del promedio histórico municipal en 0,5 o 1 desviaciones estándar. Los resultados sugieren que las precipitaciones muy por encima de lo habitual generan pérdidas anuales per cápita de entre BOB 28 y BOB 32 (USD 4 y USD 4,6), dependiendo del umbral que se utilice. Esto representa una caída en el ingreso del 4 % para un hogar promedio y de casi el 20 % para los hogares más pobres. 31 Tabla 6. Efecto en el ingreso (índice de precipitación) 1 2 3 EF + controles municipio 2 + actividad EF y hogar económica -16,10*** -15,10*** -15,20*** Precipitación (100 mm) (4,350) (4,120) (4,270) -19,46*** -18,10*** -18,32*** Estandarización (4,718) (4,531) (4,753) -40,84*** -34,06*** -32,54*** Tratamiento 0,5 DE (11,40) (10,64) (10,49) -40,88*** -28,77** -28,55** Tratamiento 1 DE (11,75) (11,86) (12,16) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis Para evaluar la existencia de efectos no lineales de los patrones de precipitación, se calculó la regresión para distintos quintiles de precipitación. En la Figura  11, se puede observar un impacto negativo en el ingreso anual de los hogares a partir del segundo quintil de precipitación y la manera en que dicho efecto aumenta conforme lo hace el nivel de lluvia. Figura 11. Impacto en el ingreso por cuantil 30 20 10 2.93 0 -1.50 -3.70 -10 -10.50 -10.90 -20 -30 32 I II III IV V Con el fin de ampliar el análisis a otros aspectos relevantes, se evaluó el impacto de la precipitación en la probabilidad de que los ingresos del hogar se encuentren por debajo de la línea de pobreza. En la Tabla 7, se muestra el efecto en la probabilidad de ser clasificado como pobre al experimentar una temporada de lluvia con precipitación excesiva. Al respecto, los resultados muestran un incremento de entre 2,3 y 2,5 puntos en la probabilidad de estar por debajo de la línea de pobreza para los hogares que sufrieron niveles de lluvia por encima de 0,5 y 1 desviaciones estándar, respectivamente. La significancia estadística y el signo de todos los indicadores sugieren que los hogares que se encuentran cerca de la línea de pobreza se ven profundamente afectados por las inundaciones. Tabla 7. Efecto en la pobreza (índice de precipitación) 1 2 3 EF + controles municipio y EF 2 + actividad económica hogar 0,0106*** 0,0099*** 0,0098*** Precipitación (100 mm) (0,00347) (0,00337) (0,00348) 0,0129*** 0,0121** 0,0121** Estandarización (0,00474) (0,00470) (0,00483) 0,0272** 0,0242** 0,0229** Tratamiento 0,5 DE (0,0108) (0,0109) (0,0111) 0,0311*** 0,0253** 0,0248** Tratamiento 1 DE (0,0110) (0,0115) (0,0118) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis 4.2 Índice de intensidad Al igual que con el índice de precipitación, los resultados obtenidos en este estudio indican que un incremento en la intensidad de la lluvia ponderada por NTL (índice de intensidad) tiene un efecto negativo en el ingreso per cápita (Tabla 8). La interpretación de la variable continua del índice no es directa, pues cambios en la intensidad de la lluvia no se traducen en cambios proporcionales en el índice. Debido a que el indicador se pondera según la intensidad de la luz (la cual toma un valor de entre  0 y 63), una unidad 33 adicional en el índice no necesariamente representa un incremento en una unidad de lluvia. Sin embargo, los resultados, obtenidos al utilizar los umbrales del 5 % y del 10 %, indican un impacto negativo en el ingreso al aumentar el nivel de precipitación. Al estimar los efectos con la variable estandarizada del indicador, se encuentra que un aumento en una desviación estándar disminuye en BOB 3 (USD 0,43) el ingreso anual per cápita, mientras que la especificación dicotómica muestra una reducción de BOB 76 (USD 10,9). Esto se debe a que la segunda especificación es más compleja, ya que no sólo requiere que haya niveles de precipitación extraordinarios, sino también que la precipitación se concentre en períodos cortos. Lo anterior lleva a que la clasificación de un municipio como “tratado” (o “afectado”) sea más rigurosa para el índice de intensidad y, por lo tanto, a que las pérdidas sean mayores cuando se cumplen esas condiciones. Tabla 8. Efecto en el ingreso (índice de intensidad) 1 2 3 EF + controles municipio y 2 + actividad   EF hogar económica -0,0000217*** -0,0000137** -0,0000195*** Índice de intensidad 10% (0,00000710) (0,00000653) (0,00000597) -0,0000217*** -0,0000136** -0,0000195*** Índice de intensidad 5% (0,00000717) (0,00000659) (0,00000600) -4,041*** -2,546** -3,631*** Índice de intensidad normalizado (1,321) (1,216) (1,111) -62,13 -68,13** -76,04** Índice de intensidad discreto (40,43) (31,63) (30,28) *** p<0,01, ** p<0,05, * p<01 Errores estándar en paréntesis En contraste, el impacto de este índice en la probabilidad de ser clasificado como un hogar pobre solamente es significativo en el índice discreto. Es decir que distintos niveles de intensidad de lluvia no tienen un impacto claro en la incidencia de la pobreza. Sin embargo, el cruce del umbral de inundación sí lo tiene. Una vez sobrepasado el nivel de intensidad de lluvia que se considera inundación, la probabilidad de caer en situación de pobreza se incrementa en un 9,8 %, con lo que se concluye que las lluvias intensas impactan sustancialmente en la pobreza. 34 Tabla 9. Efecto en la pobreza (índice de intensidad) 1 2 3 EF + controles municipio y 2 + actividad   EF hogar económica 0,0000000032 -0,0000000013 0,0000000036 Índice de intensidad 10% (0,00000001) (0,00000) (0,00000) Índice de intensidad 5% 0,0000000033 -0,0000000013 0,0000000037 (0,00000001) (5,17e-09) (5,40e-09) 0,0006000000 -0,0002440000 0,0006620000 Índice de intensidad normalizado (0,00103) (0,000962) (0,00100) 0,0862*** 0,0912*** 0,0987*** Índice de intensidad discreto (0,0298) (0,0240) (0,0214) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis 4.3 Índice de inundación por desborde En el caso del índice de inundación por desborde, se obtienen resultados negativos y significativos en los índices continuos, pero no así en la variante dicotómica (Tabla 10). Esto sugiere que en el caso de las inundaciones rivereñas la intensidad de la inundación es más relevante que el simple hecho de que se produzca o no una inundación. En el caso del índice por desborde normalizado, un incremento en una desviación estándar por encima del nivel medio de inundación en zonas donde existe actividad económica relevante genera una reducción promedio en el ingreso de BOB 7 (USD 1). Cabe mencionar que, al igual que en el caso del índice de intensidad, la ponderación por NTL vuelve compleja la interpretación de los coeficientes y la comparación de magnitudes entre uno y otro. Más aún, es importante recordar que los índices modelan distintos tipos de inundaciones y, por lo tanto, estiman distintas magnitudes para el mismo evento. En la siguiente sección, se presentan dos ejemplos para entender mejor la relación entre los índices. 35 Tabla 10. Efecto en el ingreso (índice de inundación por desborde) 1 2 3 EF + controles municipio y 2 + actividad EF hogar económica -0,0938* -0,121*** -0,126*** Inundación por desborde (0,0568) (0,0426) (0,0431) Inundación por desborde, -5,433* -6,998*** -7,306*** normalizado (3,289) (2,464) (2,493) Inundación por desborde, -24,91 -14,72 -22,09 dicotómica (23,69) (20,28) (20,43) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis Como se puede observar en la Tabla 11, el índice de inundación por desborde no tiene efectos significativos sobre el nivel de pobreza. Este resultado se puede deber a una correlación entre el tipo de comunidades que se encuentran cerca de los ríos y, por lo tanto, están expuestas a este tipo de inundaciones, y la probabilidad de encontrarse por debajo de la línea de pobreza. Tabla 11. Efecto en la pobreza (índice de inundación por desborde) 1 2 3 EF + controles municipio y 2 + actividad EF hogar económica 0,0000454 0,0000569 0,0000615 Inundación por desborde (0,0000444) (0,0000385) (0,0000417) Inundación por desborde, 0,00263 0,00329 0,00357 normalizado (0,00257) (0,00223) (0,00241) Inundación por desborde, 0,00720 0,00210 0,00844 (0,0208) (0,0198) (0,0200) dicotómica *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis 36 Comparación de resultados Dada la dificultad de comparar los diversos índices tanto por definición sobre lo que representa una inundación como por su expresión aplicada, en esta sección se eligieron dos eventos específicos que permiten comparar de manera clara los tres índices. Caso 1. El municipio de Trinidad es la capital del departamento de Beni, uno de los departamentos con mayores índices de precipitación. De acuerdo con los datos utilizados para este análisis, en 2008 el municipio sufrió inundaciones durante la temporada de lluvia. En la Figura 12, se pueden observar los valores de los distintos índices para este municipio en 2008, así como las pérdidas estimadas para cada uno de ellos. Trinidad se encuentra junto a un río, por lo que es probable que la inundación haya sido por un desborde. Esto se refleja en los altos valores de las pérdidas estimadas por el índice de inundación por desborde (barra celeste). Por otro lado, si bien el nivel de precipitación fue muy elevado (casi el doble de la media nacional), esta cifra no es excesiva para los estándares del municipio (solamente 0,26  desviaciones estándar por encima de su media histórica), y, por lo tanto, los índices estandarizado o dicotómico no estiman una inundación por precipitación para esta observación. En este ejemplo, mientras que el daño estimado por el índice de desborde y de precipitación es de BOB 277 y BOB 187 (USD 39,8 y USD 26,9), respectivamente, el índice de precipitación dicotómico no detecta ningún daño. Figura 12. Caracterización de inundaciones en Trinidad, 2008 Municipio de Trinidad, 2008 0 -6.35 -6.35 -4.74 -50 -100 -150 -200 Índice Valor -189.71 Desborde 2,203 Intensidad, 5% 325,609 -250 Intensidad, 10% 325,582 -277.54 Precipitación 1,248.08 -300 Estandarización 0.26 Desborde Intensidad, 5% Intensidad, 10% Precipitación Tratamiento, 1 SD 0 Estandarización Tratamiento, 1 SD 37 Caso 2. En la Figura 13, se muestra un ejemplo contrario. En 2009, el municipio de Cobija registró niveles de precipitación extraordinarios caracterizados por una desviación de su media histórica de más de cinco veces. Los índices de intensidad y desborde, por su parte, muestran niveles muy bajos. En el gráfico, también se puede observar que el índice de precipitación tiende a sobreestimar los efectos de esta, pues asume que toda precipitación es negativa sin tomar en cuenta que la lluvia moderada contribuye a la producción ganadera y agrícola. Así, la estimación del índice estandarizado es más acertada, pues considera solamente los niveles de precipitación para los cuales el municipio no está preparado. Figura 13. Caracterización de inundaciones en Cobija, 2009 Municipio de Cobija, 2009 0 -1.79 -1.79 -13.51 -50 -28.55 -100 -102.43 -150 -200 -250 Índice Valor -300 Desborde 107.2 Intensidad, 5% 91,699.2 -350 Intensidad, 10% 91,699.2 -368.75 -400 Precipitación 2,426.0 Desborde Intensidad, 5% Estandarización 5.6 Intensidad, 10% Precipitación Tratamiento, 1 SD 1 Estandarización Tratamiento, 1 SD 38 Conclusiones En el presente estudio, se evalúa de manera cuantitativa el impacto de las inundaciones en indicadores socioeconómicos en Bolivia. Se efectuó un análisis del período 2005-2014 (excepto 2010) dada la disponibilidad y comparabilidad de las encuestas de hogares. En este estudio se muestran diversos enfoques para la medición de las inundaciones, índices, que toman en cuenta las diversas causas y características que definen la manera en la que las inundaciones afectan negativamente a la población. Básicamente, el estudio propone tres índices distintos basados en estudios recientes en la literatura económica y especializada de desastres y choques climáticos. El primer índice se basa en la precipitación excesiva como un indicador de inundación. El segundo caracteriza las inundaciones por medio de incorporar no sólo el nivel de precipitación, sino también la intensidad de las lluvias —que se mide en este caso, por el número de horas que llueve de manera constante—. El tercer índice utilizado mide las inundaciones ocasionadas por el desborde de ríos utilizando el modelo global GLOFRIS más que por niveles extraordinarios de lluvia. Sobre la base de información secundaria tanto para variables socioeconómicas —como las encuestas de hogares— como para variables hidrometeorológicas —para definir inundaciones—, se concluye de manera clara que los diferentes índices afectan de forma negativa los ingresos de los hogares y el porcentaje de pobres en el país. En un extremo superior, se encuentra que las lluvias extremas (mayores a 1 desviación estándar del promedio histórico) ocasionan una reducción promedio en el ingreso per cápita mensual del hogar de aproximadamente BOB 28 (USD 4), en tanto que la pobreza se incrementa en un 2 %. De la misma manera, cuando una lluvia es muy intensa, el impacto en los hogares puede ser, en promedio, de hasta BOB 76 (USD 10,9) por hogar. Estos resultados muestran de manera contundente que es importante promover e implementar políticas de gestión y reducción del riesgo de desastres para poder mitigar los impactos negativos de eventos adversos asociados a precipitación en los más vulnerables y los pobres. Este estudio demuestra también que el uso de información secundaria permitir obtener resultados interesantes cuando se combina con metodologías recientes y novedosas. Es importante tener en cuenta que este estudio presenta el primer intento de entender y cuantificar de manera integral el impacto que tienen las inundaciones en indicadores socioeconómicos en Bolivia desde una perspectiva económica. Mayor análisis, por ejemplo sobre los impactos dinámicos a lo largo del tiempo, así como los efectos acumulados en el tiempo, merecen más investigación. 39 Referencias Andersen, L. E., & Cardona, M. (2013). Building Resilience Against Adverse Shocks: What are the Determinants of Vulnerability and Resilience. Development Research Working Paper Series (02). Andersen, L. E., & Verner, D. (October de 2009). Social Impacts of Climate Change in Bolivia: A Municipal Level Analysis of the Effects of Recent Climate change on Life Expectancy, Consumption, Poverty and Inequality. Policy Research Working Paper (5092). Arenas, J. (2014). La economía del cambio climático en Bolivia: Impactos de eventos extremos sobre infraestructura y producción agropecuaria. Washington, DC: Banco Interamericano de Desarrollo. Brando, J. F., & Santos, R. J. (2015). La Niña y Los Niños: Effects of an Unexpected Winter on Early Life Human Capital and Family Responses. Documetno CEDE, 2015-25 . Charveriat, C. (2000). Natural Disasters in Latin America and the Caribbean: An Overview of Risk. Latin American Economic Policies Newsletter, 434 . Cossío, D. A. (2011). ). Agricultura y empleo rural agropecuario en Bolivia: Consecuencias del control de precios en el sector agropecuario. Development Research Working Paper Series (10). Cunado, J., & Ferreira, S. (2014). The macroeconomic impacts of natural disasters: the case of floods. Land economics, 90 (1), 149-168. Dell, M., Jones, B. F., & Olken, B. A. (2012). Temperature Shocks and Economic Growth: Evidence from the Last Half Century. American Economic Journal: Macroeconomics , 69-65. Dilley, M., Chen, R., Deichmann, U., Lerner-Lam, A., & Arnold, M. (2005). Natural Disaster Hotspots: A Global Risk Analysis. Washington, DC: The World Bank. Elvidge, C. D., Baugh, K. E., Kihn, E. A., Kroehl, H. W., Davis, E. R., & Davis, C. W. (1997). Relation between satellites observed visible-near infrared emissions, population, economic activity and electric power consumption. International Journal of Remote Sensing, 18 (6), 1373-1379. Funk, C., Husak, G., Michaelsen, J., Love, t., & Pedreros, D. (2007). Third generation rainfall climatologies—Satellite rainfall and topography provide a basis for smart interpolation in Crop and Rangeland Monitoring Workshop. Proceedings of the JRC—FAO Workshop. Nairobi, Kenya. Funk, C., Michaelsen, J., & Marshall, M. T. (2012). Mapping recent decadal climate variations in precipitation and temperature across Eastern Africa and the Sahel. 40 En B. Wardlow, M. Anderson, & J. Verdin, Remote Sensing of Drought: Innovative Monitoring Approaches (págs. 331-358). Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., & Husak, G. (2015). The climate hazards infrared precipitation with stations—a new environmental record for monitoring extremes. Scientific Data, 2 . Jha, A., Bloch, R., & Lamond, J. (2012). Cities and Flooding: A Guide to Integrated Urban Flood Risk Management for the 21st Century. Washington, DC: The World Bank. Kreft, S., Eckstein, D., Dorsch, L., & Fischer, L. (2015). Global Climate Risk Index 2016. Bonn: Germanwatch. Loayza, N., Olaberría, E., Rigolini, J., & Christiansen, L. (2012). Natural Disasters and Growth: Going Beyond the Averages. World Development, 40 (7), 1317-1336. Morales, M. (2010). The Social Dimension of Adaptation to Climate Change in Bolivia. Washington: The World Bank. Mueller, V., & Quisiumbing, A. (2010). Short- and Long-Term Effects of the 1998 Bangladesh Flood on Rural Wages. International Food Policy Research Institute (IFPRI) (956). Rocha, R., & Soares, R. R. (2014). Water scarcity and birth outcomes in the Brazilian semiarid. Journal of Development Economics, 112 , 72-91. Rosales, M. F. (2014). Impact of Early Life Shocks on Human Capital Formation: El Niño Floods in Ecuador. IDB Working Paper Series . Strobl, E., Heinen, A., & Khadan, J. (2015). The Inflationary Costs of Extreme Weather: Evidence from the Caribbean. Thomas, T., Christiansen, L., Trung, L., & Do, Q.-T. (2010). Natural Disasters and Household Welfare. Evidence from Vietnam. World Bank Policy Research Working Paper Series . Ticehurst, S. e. (2009). Bolivia: Climate Change, Poverty and Adaptation. Oxfam. UDAPE. (2015). Evaluación de Daños y Pérdidas por Eventos Climáticos: Bolivia 2013- 2014. Editorial Greco. Winsemius, H. C., Van Beek, L. P., Jongman, B., Ward, P. J., & Bouwman, A. (2013). A framework for global river flood risk assessments. Hydrology and Earth System Sciences, 17 (5), 1871-1892. Winters, C. (June de 2012). Impact of Climate Change on the Poor in Bolivia. Global Majority E-Journal, 3 (1), 33-43. Wu, J., He, S., Peng, J., Li, W., & Zhong, X. (2013). Intercalibration of DMSP-OLS night- time light data by the invariant region method. International journal of remote sensing, 34 (20), 7356-7368. 41 5. Apéndices Tabla 12. Efecto en el ingreso (índice de precipitación) Efectos fijos por cuenca Cuenca de nivel 2 Cuenca de nivel 3 1 2 3 4 5 6 EF + controles 2 + actividad EF + controles EF EF 2 + actividad económica municipio y hogar económica municipio y hogar -16,10*** -15,10*** -15,20*** -16,10*** -15,10*** -15,20*** Precipitación (100 mm) (4,350) (4,120) (4,270) (4,350) (4,120) (4,270) -19,46*** -18,10*** -18,32*** -19,46*** -18,10*** -18,32*** Estandarización (4,718) (4,531) (4,753) (4,718) (4,531) (4,754) -40,84*** -34,06*** -32,54*** -40,84*** -34,06*** -32,54*** Tratamiento 0,5 DE (11,40) (10,64) (10,49) (11,40) (10,64) (10,49) -40,88*** -28,77** -28,55** -40,88*** -28,77** -28,55** Tratamiento 1 DE (11,75) (11,86) (12,16) (11,75) (11,86) (12,16) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis Nota: Resultados comparables con la Tabla   7. Tabla 13. Efecto en el ingreso (índice de intensidad) Efectos fijos por cuenca Cuenca de nivel 2 Cuenca de nivel 3 1 2 3 4 5 6 EF + controles 2 + actividad EF + controles 2 + actividad EF EF municipio y hogar económica municipio y hogar económica -0,0000217*** -0,0000137** -0,0000195*** -0,0000217*** -0,0000137** -0,0000195*** Índice de intensidad 10% (0,00000710) (0,00000653) (0,00000597) (0,00000710) (0,00000653) (0,00000597) -0,0000217*** -0,0000136** -0,0000195*** -0,0000217*** -0,0000136** -0,0000195*** Índice de intensidad 5% (0,00000717) (0,00000659) (0,00000600) (0,00000717) (0,00000659) (0,00000600) -4,041*** -2,546** -3,631*** -4,041*** -2,546** -3,631*** Índice de intensidad normalizado (1,321) (1,216) (1,111) (1,321) (1,216) (1,111) -62,13 -68,13** -76,04** -62,13 -68,13** -76,04** Índice de intensidad discreto (40,43) (31,63) (30,28) (40,43) (31,63) (30,28) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis Nota: Resultados comparables con la Tabla   9. Tabla 14. Efecto en el ingreso (índice de inundación por desborde) Efectos fijos por cuenca Cuenca de nivel 2 Cuenca de nivel 3 1 2 3 4 5 6 EF + controles 2 + actividad EF + controles 2 + actividad EF EF municipio y hogar económica municipio y hogar económica -0,0938* -0,121*** -0,126*** -0,0938* -0,121*** -0,126*** Inundación por desborde (0,0568) (0,0426) (0,0431) (0,0568) (0,0426) (0,0431) Inundación por desborde, -5,433* -6,998*** -7,306*** -5,433* -6,998*** -7,306*** normalizado (3,289) (2,465) (2,493) (3,290) (2,465) (2,493) -24,91 -14,72 -22,10 -24,91 -14,72 -22,10 Inundación por desborde, dicotómico (23,69) (20,28) (20,43) (23,69) (20,28) (20,44) *** p<0,01, ** p<0,05, * p<0,1 Errores estándar entre paréntesis Nota: Resultados comparables con la Tabla   11.