Costo de la contaminación del aire por material particulado generado por el
transporte vehicular en Lima Metropolitana
Cost of air pollution by particulate matter generated by vehicular transport in Metropolitan
Lima
DOI: http://dx.doi.org/10.21704//ne.v6i2.1944
* Autor de correspondencia: Cindy Silva Vivanco. Email: : [email protected]
© El autor. Publicado por la Universidad Nacional Agraria La Molina, Lima, Perú.
El artículo es de acceso abierto y está bajo la licencia CC BY
Forma de citar el artículo: Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021). Costo de la contaminación
del aire por material particulado generado por el transporte vehicular en Lima Metropolitana. Natura@economía,
6(2), 146-.166 http://dx.doi.org/10.21704/ne.v6i2.1944
Cindy Silva Vivanco1*; Raymundo Jesus Mogollon Ñañez1; Sabrina Estefanía Diaz1* Víctor
Carlos Michel Chumpitaz Añi1
1* Uniersidad Nacional Agraria La Molina, Lima, Perú.
* Autor de correspondencia:[email protected]
Recepción: 22/06/2021; Aceptación: 15/12/2021; Publicación: 30/12/2021
Resumen
Las altas concentraciones de material particulado (MP) representan un riesgo sobre la salud
humana, siendo una de sus mayores fuentes la ota vehicular existente en la ciudad de Lima
Metropolitana (LM). Debido a este problema se han establecido diversas medidas regulatorias
para mitigar esta alta contaminación. Este artículo tiene por objetivo estimar el costo
económico de la contaminación del aire por material particulado generado por el transporte
vehicular en Lima Metropolitana. Este es el punto de partida para el diseño e implementación
de medidas de política en un contexto de eciencia. Para ello, se utilizaron los factores de
la función concentración-respuesta a n de estimar el número de casos de mortalidad y
morbilidad asociados a la concentración de MP. Los resultados muestran que el costo uctuó
entre 0,21% y 0,29 % del Producto Bruto Interno (PBI) de LM, fracción signicativamente
menor con relación a otras ciudades densamente pobladas. No se identicó una tendencia
en el costo, lo cual parecería estar más vinculado a las dinámicas atmosféricas y geográcas
que a otros factores como crecimiento poblacional, aumento de la ota vehicular o medidas
regulatorias del transporte vehicular.
Palabras clave: Contaminación ambiental; material particulado; transporte vehicular; Lima
Metropolitana.
Natura@economía
ISSN 2226-9479 (Versión electrónica)
Website: http://revistas.lamolina.edu.pe/index.php/neu
Natura@economía 6(2): 146-166 (2021)
ARTÍCULO ORIGINAL
147
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Abstract
High concentrations of particulate matter (PM) represent a risk to human health, one of its
greatest sources is the existing vehicle eet in Metropolitan Lima City (ML). Due to this
problem, various regulatory measures have been established to mitigate this high level of
contamination. This article aims to estimate the economic cost of air pollution by particulate
matter generated by vehicular transport in Metropolitan Lima. This is the starting point for
the design and implementation of policy measures in an eciency context. For this purpose,
the factors of the concentration-response function were used in order to estimate the number
of cases of mortality and morbidity associated with the concentration of PM. The results show
that the cost uctuated between 0.21% and 0.29% of the Gross Domestic Product (GDP) of
LM, a signicantly lower fraction in relation to other densely populated cities. No cost trend
was identied, which would seem to be more linked to atmospheric and geographic dynamics
than to other factors such as population growth, increase in the vehicle eet, or regulatory
measures for vehicle transport.
Keywords: Environmental pollution; particulate matter; vehicle transport; Metropolitan
Lima.
1. Introducción
Durante las últimas décadas, la
contaminación del aire ha representado
un grave problema para las ciudades de
países en desarrollo. El acelerado proceso
de industrialización y urbanización han
provocado la intensicación de emisiones
y concentraciones de contaminantes
atmosféricos (Mannuci y Franchini, 2017;
Fotourehchi, 2016; WHO, 2006). La
literatura epidemiológica establece una
relación entre la contaminación del aire y la
salud humana, lo cual se maniesta a través
de una variedad de enfermedades (Landrigan
et al., 2018; Cohen et al., 2017; Wang et al.,
2016; Evans et al., 2013; WHO, 2006). Esto
sugiere que una gran parte de la población
que vive en países en desarrollo está
potencialmente expuesta a complicaciones
en la salud por este motivo.
Lima Metropolitana (LM) es una de las
treinta grandes ciudades a nivel mundial
con las concentraciones más altas de
contaminantes del aire. Más del 75 % del
año, presenta signicativos niveles de
concentración de diversos contaminantes
a los que aproximadamente el 80 % de la
población está expuesta (WHO, 2020; Bell et
al., 2011). En efecto, en algún momento LM
tuvo los peores indicadores de concentración
de material particulado (MP)(PAHO, 2020).
Los altos niveles de concentración de MP en
LM se atribuyen principalmente al transporte
vehicular, que es responsable de más del
87 % de las emisiones de contaminantes
(MINAM, 2019). Así también, en una
investigación de Ilizarbe et al. (2020) usando
modelos receptores para la contaminación
del aire en LM se determinó que una de las
principales fuentes de contaminación por
MP es la actividad vehicular.
En LM, los principales contaminantes
asociados al transporte vehicular son ozono
(O3), monóxido de carbono (CO), dióxido
de azufre (SO2), óxidos de nitrógeno (NOX),
compuestos orgánicos volátiles (COV) y M.
La variabilidad de las concentraciones suele
depender de la temporada (Jelić y Bencetić,
2010) y en LM se acentúa en ciertas áreas
por condiciones geográcas y atmosféricas
que la ciudad presenta (Silva et al. 2017). La
investigación de Rojas et al. (2020) indica
que ante una reducción signicativa de la
cantidad de vehículos (transporte urbano y
particular) en LM la concentración de PM10
y PM2.5 en el 2020 se redujo en un 58 % y
43 % respectivamente en relación a sus
concentraciones históricas (2017 – 2019).
De todos los contaminantes, el MP es el único
que supera los umbrales de concentración,
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
148
Julio - Diciembre 2021
incluso en zonas donde se asienta la mayor
parte de la población de LM (Pacsi, 2016;
MINSA, 2012). Esto es alarmante, ya
que el daño causado por el MP en la salud
humana es más severo que cualquier otro
contaminante (Landrigan et al., 2018;
Cohen et al., 2017; WHO, 2006) debido a
que el MP puede alcanzar las porciones más
profundas de las vías respiratorias, llegando
incluso al torrente sanguíneo (Landrigan et
al., 2018; Mannucci y Franchini, 2017). De
hecho, se ha encontrado relación entre las
concentraciones de MP y diversos efectos
en la salud como derrames cerebrales,
enfermedades respiratorias y cáncer (PAHO,
2020).
El MP está constituido por partículas con
un diámetro menor a 10 micras (conocidos
como PM10) y por partículas con un diámetro
menor a 2,5 micras (conocidos como PM2.5),
Las partículas que tienen un tamaño entre
10 y 2,5 micras forman parte de la fracción
gruesa del material particulado (PM10-2.5).
Asimismo, el PM10 es generado a partir de
procesos mecánicos, mientras que el PM2.5 a
partir de procesos de combustión. El PM10 es
originado por la resuspensión del polvo de
las carreteras, las cuales son generadas por el
viento o vehículos en movimiento, mientras
que las partículas nas (PM2.5) se derivan
directamente del proceso de combustión
vehicular, industria y generación de energía
(Vu et al., 2019; Tapia et al., 2018; Mannucci
y Franchini, 2017; Krzyżanowski et al.,
2005). Se ha vinculado la exposición al PM2.5
a enfermedades cardiovasculares (Liu et al.,
2017), diabetes (Lim et al., 2018; Peden,
2018) y en comparación al PM10, el PM2.5 es
el responsable de la mayor cantidad de casos
por problemas respiratorios (Koutrakis et
al., 2005).
Así, las altas concentraciones de MP
representan un peligro para la sociedad de
LM. Para enfrentar este problema y otros
vinculados al transporte vehicular, desde
los años 90 el gobierno peruano y el Comité
de Gestión de la Iniciativa de Aire Limpio
para Lima y Callao establecieron diversas
medidas regulatorias (CIAL, 2004; CIAL,
2010; CIAL, 2017); en la cual se propusieron
diferentes mecanismos para la reducción de
emisiones de contaminantes atmosféricos,
como el de establecer límites máximos
permisibles (LMP) para las emisiones
vehiculares, las cuales posteriormente han
sido modicadas a niveles más rigurosos.
Asimismo, se implementaron regulaciones
e incentivos para la reducción del contenido
de componentes dañinos en los combustibles
vehiculares. En paralelo, se instalaron
centros de inspección y scalización
técnica vehicular y subsecuentemente se
han aplicado reformas sobre los impuestos
al consumo de combustibles dañinos, entre
otros (Figura 1).
Desde el año 2010 se inició la operación
de los sistemas de transporte urbano de alta
capacidad denominados el Metropolitano
de Lima y el Metro de Lima y Callao, los
cuales han permitido el reordenamiento y
la modernización de la ota vehicular de
transporte público, trasladando a más del
30 % de la población limeña y minimizando
los tiempos de viaje (CPI, 2020; Tapia et al.,
2018).
Todas estas medidas han conllevado a un
considerable descenso en las emisiones de
ciertos contaminantes, de los cuales sólo
el MP ha presentado valores que superan
los Estándares de Calidad Ambiental para
Aire (ECA-aire) a nivel local (Pacsi, 2016;
Espinoza, 2018). De esta forma, la reducción
del MP constituye un tema de particular
interés en políticas públicas orientadas
a minimizar el efecto contaminante del
transporte vehicular en LM.
Desde la perspectiva económica, es
importante traducir el efecto del MP en
la salud humana en términos monetarios,
que resulta útil para la toma de decisiones.
Son escasos los estudios que han
cuanticado monetariamente el efecto de
la contaminación por PM10 en LM, tales
como Sánchez (2017), Larsen y Strukova
(2006) y Kroeger (2004). Estos artículos,
al igual que muchos similares (Liao et al.,
2020; Liangliang et al., 2020; Hadei et al.,
2020; Yu et al., 2019; Han et al., 2019; Wei
149
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
et al., 2018; Quan y Shiqiu, 2015; Meisner
et al., 2015; Golub et al., 2014; WB, 2013;
Yaduma et al., 2013; Guo et al., 2010) solo
consideran un año o un periodo muy corto a
n de tener una idea del costo económico que
genera la presencia del material particulado
en la salud humana. Esto puede generar una
imagen distorsionada de su importancia
social, y potencialmente generar indicadores
cuestionables en políticas públicas.
En el caso de varias zonas de LM, las
concentraciones de PM10 y PM2.5 han tenido
una tendencia decreciente (Pacsi, 2016),
a pesar del continuo incremento de las
emisiones de ambos contaminantes y de
la ota vehicular. En base a información
del Instituto Nacional de Estadística e
Informática (INEI 2017a; INEI 2017b),
durante el periodo 2000-2020 la población
de LM aumentó en 20 %, mientras que la
ota vehicular creció en 14 % (INEI, 2020a).
Entonces, a priori, debería existir una
relación inversa entre la tendencia del costo
económico y las concentraciones de MP.
Sin embargo, el daño a la salud dependerá
de la población expuesta y su crecimiento,
dispersión de los contaminantes según las
variables climáticas y/o geográcas, entre
otros. Es importante construir una tendencia
de ese costo que permita explicar esa relación
y así, generar información útil para el diseño
e implementación de políticas públicas en el
sector transporte.
El objetivo de esta investigación es calcular
el costo económico de la exposición a
niveles de concentración del PM10 y PM2.5
en la salud humana atribuido al transporte
vehicular en LM durante el periodo 2010-
2019. De la literatura revisada, no se ha
encontrado estudios económicos similares
para un periodo prolongado, por lo que el
resultado de nuestra investigacion constituye
una contribución no solo a la literatura local,
además, a la toma de decisiones en política
ambiental orientada al transporte vehicular
en LM.
Para cumplir el objetivo se estima la
población afectada o expuesta mediante
el método tradicional de evaluación de
impactos en la salud empleando funciones
concentración-respuesta (CR), los niveles de
concentración de MP y otras características
poblacionales, las cuales son posteriormente
traducidas y agregadas en términos
monetarios mediante el enfoque de capital
humano y el costo por enfermedad.
Métodos
El análisis de esta investigación cubre el
periodo 2010-2019, para el cual fue posible
Figura 1. Medidas de control aplicadas al transporte vehicular en Lima Metropolitana en
el periodo 2001-2019
Elaboración propia en base a CIAL (2010) y Tapia et al. (2018).
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
150
Julio - Diciembre 2021
adquirir la mayor cantidad de información
que permitió realizar las estimaciones. El
desarrollo de esta sección consiste en los
siguientes pasos: (i) caracterizar la región de
estudio, comentándose las particularidades
del transporte vehicular en LM y su relación
con la contaminación del aire, (ii) establecer
relaciones entre los efectos en la salud y el
nivel de concentración de PM10 y PM2.5, y
(iii) cuanticar el costo económico de los
casos según efecto nal en la salud.
Caracterización de la región de estudio y las
emisiones de PM
Lima Metropolitana es la capital del Perú y se
localiza en la costa central del país. Tiene una
extensión de 2,819 km2 y está conformada por
43 distritos. En el transcurso de las últimas
décadas, LM ha experimentado un rápido
proceso de industrialización y urbanización,
por lo que es considerada el centro de
desarrollo socioeconómico más importante
del país. El Producto Bruto Interno (PBI) de
LM fue US$ 59,000 millones en el año 2019,
lo que representó un incremento de más de
46 % respecto del año 2010 (INEI, 2020b;
WB, 2020). La población de LM creció 12
% durante el periodo 2010-2019, de 8,2 a
9,3 millones de habitantes (INEI, 2017a;
2017b).
Asimismo, la ota vehicular de LM se
expandió de 1,8 a 2,8 millones de unidades
durante el periodo 2010-2018 (INEI, 2020a),
y es responsable de más del 58 % de las
emisiones de MP en la ciudad (MINAM,
2019). Estas últimas son exacerbadas por
una serie de características inherentes al
transporte vehicular en LM: vehículos cuya
antigüedad excede los 20 años (MINAM,
2019; Sánchez, 2017; CIAL, 2010), elevado
congestionamiento vehicular estimado
en 19 millones de viajes por día en el año
2019 (INEI, 2020c), amplias distancias
de viaje, y el inadecuado mantenimiento
de los vehículos y vías (MINAM, 2019;
Krzyżanowski et al., 2005).
Los fenómenos atmosféricos y aspectos
geográcos explican la dispersión de las
emisiones de MP. Los vientos locales de
dirección sur-suroeste, generados por el
Anticiclón del Pacíco Sur (APS), trasladan
el MP provocando que se acumule en el este
y noreste de la ciudad, las zonas con mayor
altitud son donde se presentan las más altas
concentraciones de MP. Por el contrario,
la zona oeste registra las concentraciones
más bajas (Silva et al., 2017). Los niveles
máximos y mínimos de PM10 se observan
durante el verano e invierno, respectivamente.
Estas uctuaciones estacionales de los
contaminantes son explicadas por las
condiciones meteorológicas, así como el
proceso de inversión térmica (Silva et al.,
2018; Silva et al., 2017; Jelić y Bencetić,
2010). En el caso del PM2.5 en LM, los
mayores niveles de concentración se han
observado durante el otoño-invierno, cuyas
oscilaciones podrían depender del distrito
en donde se haya registrado (Silva et al.,
2017; Pacsi, 2016). Hay evidencia que las
variaciones semanales y diarias de MP están
relacionadas con el ujo vehicular, ya que
en las horas punta se registran las mayores
concentraciones (Silva et al., 2017; Pacsi,
2016).
Con respecto a la tendencia temporal de la
concentración de MP en LM, hay consenso
en que ha sido decreciente hasta tiempos
recientes, pero no hay consenso en que ha
sido un efecto generalizado en todas las
estaciones de monitoreo. Usando data del
periodo 2007-2014 en todas las estaciones
de monitoreo, Pacsi (2016) señala que la
variación multianual del PM10 y P M2,5 muestra
una tendencia descendente moderada para el
primero y leve para el segundo. A partir de
la serie histórica de PM10, Espinoza (2018)
encontró una disminución moderada en
casi todas las estaciones de monitoreo para
el periodo, aunque identicó un aumento
progresivo a partir del año 2014. Por otro
lado, en base a la tendencia de largo plazo
del estimador Theil-Sen, Silva et al. (2017)
encontraron evidencia de reducción en las
concentraciones anuales de PM10, aunque
solo en dos estaciones de monitoreo durante
el periodo 2010-2015.
151
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Estimación de los casos según efecto nal
en la salud
En la literatura, la asociación entre los casos
de morbilidad o mortalidad por PM10 o
PM2.5 se realiza con información del nivel
de concentraciones del contaminante, no de
sus emisiones. Para tal efecto, es costumbre
utilizar la expresión (1) la cual es de uso
frecuente en la literatura (Liao et al., 2020;
Liangliang et al., 2020; Hadei et al., 2020;
Yu et al., 2019; Han et al., 2019; Wei et
al., 2018; Yaduma et al., 2013), donde es
el número de casos del efecto nal j en la
salud humana, Pob es la población expuesta
a niveles que superan determinado umbral
del PM, T es la tasa de casos del efecto j, y el
término (1-1⁄RRj) corresponde a la fracción
atribuible de la población por exposición al
MP, siendo RRj el factor de riesgo relativo
del efecto j, el cual se obtiene de la función
concentración-respuesta (CR).
ΔKj=(Pob)(Tj)(1-1⁄RRj)(1)
En general, la función CR relaciona el
aumento en los niveles de concentración
de un contaminante ambiental con el
aumento de las probabilidades de desarrollar
diversos efectos en la salud. Esta relación
adopta diversas formas funcionales (Peng
y Dominici, 2008). En esta investigación se
utiliza la forma básica log-lineal, especicada
en la expresión (2), la cual es utilizada
por su sencillez, donde es denominado el
coeciente de la función CR, y caracteriza la
forma y la magnitud de la curva CR, PMf es
el nivel concentración promedio actual del
contaminante, siendo su umbral (μg/m3).
RRj=exp[βj(PM-PM0)] (2)
Cabe mencionar que los efectos por
exposición pueden ocurrir en un corto o
largo lapso y que la población afectada
puede presentar enfermedades preexistentes
las cuales estarían siendo exacerbadas por
el MP. En esta investigación se asume que
los efectos nales ocurren en un mismo año
y que esta población expuesta no presenta
enfermedades precedentes.
Selección de los factores CR
La elección de los j efectos en la salud estuvo
en función a la identicación y selección de
los factores CR factibles de ser aplicados a
LM. Para ello, se revisaron diversos estudios
epidemiológicos que hayan calculado
estos factores, cuya selección fue realizada
según algunos criterios. Primero, se prerió
aquellos factores de CR que fueron estimados
mediante estudios de cohorte (exposición
de largo plazo), en los que la asociación
entre el MP y su efecto en la salud humana
fue monitoreada durante un largo periodo,
asegurando así la variación suciente en los
componentes que inuyen en esta medición
(condiciones atmosféricas y geográcas,
poblacionales, dispersión y capacidad de
transporte del contaminante, entre otros),
lo cual permitiría mejores resultados (Peng
y Dominici, 2008). La segunda opción fue
emplear factores CR provenientes de estudio
de series de tiempo o de exposición de corto
plazo (Tapia et al., 2020; Cordova et al.,
2020). Segundo, se descartaron efectos que
agrupen diversas enfermedades a n de
evitar doble contabilidad.
Considerando estos criterios, la Tabla 1
muestra las funciones CR seleccionadas y sus
efectos nales, divididos por PM2.5 y PM10 y
según riesgo de mortalidad o morbilidad. No
todos los estudios contienen los coecientes
β, necesarios para evaluar el cambio inicial
en los niveles de concentración del PM,
no obstante, estos pueden ser estimados
mediante la información de los RR, cuya
información generalmente corresponde a
un cambio en la concentración de 10 μg/m3.
Por lo tanto, a partir de la función CR en (2)
se obtuvo la estimación del para un cambio
en la concentración de 1 μg/m3 mediante
.
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
152
Julio - Diciembre 2021
Tabla 1. Factores seleccionados de la función concentración-respuesta para cada efecto en la salud,
dividido por contaminante PM2.5 y PM10
Riesgo Efecto en la salud (j) Factores CR (Media y 95% IC) Fuente Tipo de estudio
β (%) RR (%)
PM2.5
Mortalidad
Enfermedades en el sistema
respiratorio a0,029 (0,0005-0,0051)
(1 μg/m3)1,03 (1,01-1,05)
(10 μg/m3)Tapia et al.
(2020) Series de tiempo
Enfermedades en el sistema
circulatorio a0,0059 (0,0008-0,0107)
(1 μg/m3)1,06 (1,01-1,11)
(10 μg/m3)Tapia et al.
(2020) Series de tiempo
Cáncer al pulmón b0,0084 (0,0034-0,0133)
(1 μg/m3)1,05 (1,02-1,08)
(5.8 μg/m3)Evans et al.
(2013) Cohorte
Morbilidad
Infecciones respiratorias agudas
(< 5 años) b0,0583 (0,0039-0,0068)
(1 μg/m3)1,06(1,04-1,07)
(10 μg/m3)Cordova et al.
(2020) Series de tiempo
Neumonía (< 5 años) b0,0157 (0,0104-0,0207)
(1 μg/m3)1,17 (1,11-1,23)
(10 μg/m3)Cordova et al.
(2020) Series de tiempo
Asma (< 5 años) b0,0095 (0,0077-0,0113)
(1 μg/m3)1,10 (1,08-1,12)
(10 μg/m3)Cordova et al.
(2020) Series de tiempo
Admisiones hospitalarias por
enfermedades respiratorias c0,006 (0,0044-0.0079)
(1 μg/m3)NS Liao et al.
(2020) Cohorte
Admisiones hospitalarias por
enfermedades cardiovasculares
y cerebrovasculares c
0,007 (0,0046-0,0091)
(1 μg/m3)NS Liao et al.
(2020) Cohorte
Visitas de emergencia por
problemas respiratorios b0,0010 (0,0005-0,0016)
(1 μg/m3)1.01 (1.01- 1.02)
(10 μg/m3)Zhang et al.
(2017) Cohorte
Atenciones en consulta externa
(>15 años) c0,0049 (0,0027-0,0070)
(1 μg/m3)NS Liao et al.
(2020) Cohorte
Bronquitis crónica c 0,0045 (0,0013-0,0077)
(1 μg/m3)NS Yu et al. (2019) Cohorte
PM10
Mortalidad
Enfermedades en el sistema
respiratorio b0,0039 (0,0000-0,0095)
(1 μg/m3)1,04 (0,99-1,10)
(10 μg/m3)Chen y Hoek
(2020) Cohorte
Enfermedades en el sistema
circulatorio b0,0113 (0,0058-0,0174)
(1 μg/m3)1,12 (1,06-1,19)
(10 μg/m3)Chen y Hoek
(2020) Cohorte
Cáncer al pulmón b0,0077 (0,0039-0,0122)
(1 μg/m3)1,08 (1,04-1,13)
(10 μg/m3)Chen y Hoek
(2020) Cohorte
Morbilidad
Bronquitis aguda c 0,0055 (0,002-0,009)
(1 μg/m3)NS Aunan y Pan
(2004) Cohorte
Admisiones hospitalarias por
enfermedades cardiovasculares
c
0,007 (0,0003-0,001)
(1 μg/m3)NS Aunan y Pan
(2004) Cohorte
Admisiones hospitalarias por
enfermedades respiratorias c 0,0120 (0,008-0,014)
(1 μg/m3)NS Aunan y Pan
(2004) Cohorte
Atenciones en consulta externa
(>15 años) c 0,0034 (0,0019-0,0049)
(1 μg/m-3)NS Xu et al. (1995) Series de tiempo
Atenciones en consulta externa
(<15 años) c0,0039 (0,0014-0,0064)
(1 μg/m3)NS Xu et al. (1995) Series de tiempo
Enfermedades crónicas en las
vías respiratorias inferiores (
>11 años) c
0,0031 (0,003-0,003)
(1 μg/m3)NS Aunan y Pan
(2004) Cohorte
Enfermedades crónicas en las
vías respiratorias inferiores (<
11 años) c
0,0044(0,004-0,005)
(1 μg/m3)NS Aunan y Pan
(2004) Cohorte
a Disponibles los RR y β
b Solo disponible los RR, coeciente estimado
c Solo están disponible los β
NS: No se han suministrado los factores de riesgo relativo.
153
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Concentraciones de MP y población
expuesta en Lima Metropolitana
En LM, las concentraciones de MP son
registradas en las estaciones de monitoreo
de la Calidad del Aire de Servicio Nacional
de Meteorología e Hidrología del Perú
(SENAMHI) y el Ministerio de Salud
(MINSA). Estas estaciones se localizan de
forma asimétrica en 16 de los 43 distritos de
LM.
Para estimar la población expuesta a las
concentraciones de PM2.5 en LM, se utilizó
el estudio de Vu et al. (2019), donde
mediante técnicas de teledetección satelital
se elaboraron mapas de distribución espacial
anual de la concentración de PM2.5, según
intervalo, para el periodo 2010-2016. Esta
información fue superpuesta con mapas
distritales construidos por los autores a
n de asignar la población expuesta según
rango de concentraciones por año. Se utilizó
el promedio del intervalo, considerándose
sólo a aquellos que excedieron el umbral
de concentración de 25 μg/m3 (MINAM,
2017). Asimismo, se corroboró la presencia
de espacios no habitados en algunos distritos
con la ayuda de la herramienta Google Earth.
Para el periodo 2017-2019 se asumió una
distribución espacial similar al año 2016.
Respecto al PM10, sólo estuvo disponible un
mapa de distribución de la concentración
según temporada (verano e invierno) del año
2011, el cual fue elaborado por el MINSA
(2012). Ante ello, una opción fue utilizar
alguna de las ratios de concentraciones
de PM2.5/PM10 en LM disponibles en la
literatura (Pacsi, 2016; Silva et al., 2017; Vu
et al., 2019) a n de inferir la distribución
de concentraciones anuales de PM10. Sin
embargo, emplear esta ratio equivale a
asumir que los mapas de concentraciones
anuales del PM10 y PM2.5 son iguales.
Una alternativa fue utilizar el mapa del
MINSA (2012) y asumir la distribución de
la concentración de PM10 como constante
para todo el periodo en estudio. Así, la
población expuesta del año 2011 fue la suma
ponderada de la población identicada en el
verano (asumido en tres meses) e invierno
(9 meses). Esta proporción para verano
(3/12) e invierno (9/12) utilizada para todo
el periodo. El resto del proceso fue similar
al caso del PM2.5, pero considerando un
umbral de 50 μg/m3. Cabe mencionar que
los intervalos de concentración del mapa del
PM10 tuvieron márgenes considerablemente
más amplios en comparación al caso del
PM2.5, por lo que se esperarían amplios
resultados en la población expuesta para el
caso del PM10.
La información de población a nivel distrital
solo estuvo disponible para el periodo
2010-2015 (INEI, 2017a). El periodo 2016-
2019 fue proyectado en base a la tasa de
crecimiento poblacional distrital para Lima
Metropolitana (INEI, 2017b).
Tasas de casos o incidencias según efecto
nal en la salud
Esta tasa solo estuvo disponible para
algunos efectos en la salud. El resto de los
efectos tuvieron que ser construidos a partir
de información de LM o nacional, cuyos
detalles se presentan en la Tabla 2. Para
algunos efectos, no fue posible obtener
información sobre casos registrados. En
estas situaciones, se utilizó el número de
casos del último año disponible.
2.5. Costo económico de los impactos en la
salud
El costo económico de la contaminación del
aire en LM equivale a la suma del costo de
mortalidad y morbilidad, cuyo proceso se
detalla a continuación.
Costo de la mortalidad
Este costo suele ser estimado mediante el
enfoque de bienestar (valor estadístico de
la vida) y el enfoque de capital humano. El
primero mide el costo asociado al incremento
del riesgo de contraer una enfermedad
mortal. Esto equivale a la tasa marginal de
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
154
Julio - Diciembre 2021
Tabla 2. Información sobre la tasa de casos según efecto nal en la salud
Efecto en la salud (j) Estimación Fuente de
información Periodo de
estudio
Enfermedades en el sistema respiratorio Casos registrados en el Perú/
Población en el Perú aINEI (2019a);
INEI (2013) 2010-2016
Enfermedades en el sistema circulatorio Casos registrados en el Perú/
Población del Perú aINEI (2019a);
INEI (2013) 2010-2016
Cáncer al pulmón Casos registrados en el Perú/
Población del Perú aINEI (2019a);
INEI (2013) 2010-2016
Infecciones respiratorias agudas (< 5
años) Tasa de casos por 10,000 casos en
el Perú MINSA (2020) 2018-2019
Neumonía (< 5 años) Tasa de casos por 10,000 casos en
el Perú MINSA (2020) 2018-2019
Asma (< 5 años) Tasa de casos por 10,000 casos en
el Perú MINSA (2020) 2018-2019
Hospitalización por enfermedades
respiratorias Casos registrados en el Perú/
Población del Perú aINEI (2019a);
INEI (2013) 2010-2017
Hospitalización por enfermedades
cardiovasculares y cerebrovasculares Casos registrados en el Perú/
Población del Perú aINEI (2019a);
INEI (2013) 2010-2017
Visitas de emergencia por problemas
respiratorios (Casos registrados en Lima /10
años) / Población de Lima Tapia et al.
(2019) 2010-2016
Bronquitis crónica Casos registrados en Lima/
población de Lima aINEI (2019a);
INEI (2013) 2013-2017
Atenciones en consulta externa (>15
años) Casos registrados en el Perú/
Población del Perú aINEI (2019a);
INEI (2013) 2010-2017
Atenciones en consulta externa (<15
años) Casos registrados en el Perú/
Población del Perú a INEI (2019a);
INEI (2013) 2010-2017
Enfermedades crónicas en las vías
respiratorias inferiores (> 11 años) Casos registrados en Lima (adultos
>11) / población de Lima aINEI (2019b) 2013-2017
Enfermedades crónicas en las vías
respiratorias inferiores (< 11 años) Casos registrados en Lima (niños
<11) /población de Lima aINEI (2019b) 2013-2017
a La información de la población del Perú y Lima fue obtenida del compendio INEI (2017a).
sustitución entre el riesgo de mortalidad y el
ingreso (Cameron, 2010), que es calculado
con metodologías de preferencias declaradas
o reveladas (OECD, 2014). El segundo
asume que cuando un individuo fallece, sus
futuros ingresos son truncados, ocasionando
un costo social. Así, prevenir esa muerte
signicaría recuperar un ahorro positivo
para impulsar el crecimiento económico
(WB y IHME, 2016).
El enfoque basado en el bienestar es más
adecuado para los análisis de bienestar
económico, y se ha convertido en el
enfoque estándar para valorar los riesgos de
mortalidad asociados con la contaminación
en países de altos ingresos, mientras que
el enfoque basado en el capital humano es
más apropiado para el análisis nanciero y
la medición de costos de la contaminación
en los indicadores de las cuentas nacionales
(WB y IHME, 2016).
El primero requiere la aplicación de
encuestas, generalmente mediante técnicas
de preferencias declaradas. El segundo no
utiliza la disposición a pagar, y ofrecería la
cota mínima del valor buscado, aunque es
relativamente sencillo de estimar. Para el
caso peruano, solo se dispone información
de Seminario (2017), quien mediante el
enfoque de capital humano (EFH) para LM
obtuvo el costo social por fallecimiento
prematuro, estimado en S/ 465,784 para el
año 2016, como una estimación del valor
estadístico de la vida. Dada la ausencia de
mayor información, se consideró la cifra de
Seminario para todo el periodo.
Vale resultar que el EFH utiliza información
macroeconómica del ingreso nacional como
punto de partida. Al respecto, es sabido que
155
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
el Perú es uno de los países con los mayores
índices de informalidad empresarial (Choy
y Montes, 2013). Se estima que el 19% de
su PBI ocial proviene del sector informal
(CEPLAN, 2016). Esto sugiere que el
ingreso nacional esta subestimado, por ende,
el resultado de Seminario (2017).
Costo de la morbilidad
Este costo comprende los desembolsos
de mitigación de la enfermedad y los
gastos indirectos asociados a la pérdida de
productividad o del tiempo dedicado al ocio
(Hunt et al., 2016; WB y IHME, 2016). La
forma genérica para estimar el costo unitario
por caso por efecto de morbilidad anual
(CE) es mediante la suma de los costos por
hospitalización, visitas médicas, pérdida de
ingresos truncados por la inhabilitación y
el gasto en medicamentos (Sánchez, 2017),
equivalente a la expresión (3):
CE=(dh)(ch)+(nv)(cv)+(dp)(ip)+gm (3)
donde dh corresponde a días de
hospitalización, ch es el costo diario de
hospitalización, nv es el número de visitas
médicas, cv es el costo de visitas médicas,
dp representa los días perdidos por la
inhabilitación generada por la enfermedad,
ip es el ingreso promedio diario no percibido,
mientras que gm es el gasto promedio en
medicamentos.
Los costos unitarios según efecto de
morbilidad fueron tomados de estudios
locales (Rojas et al., 2019; Sánchez, 2017;
Hunt et al., 2016; MINAM, 2015; Larsen,
2004; SRB, 2001; Niederman et al., 1999),
y fuentes de información primaria (MINSA,
2020; INEI, 2020d; MINSA, 2019a:2019b).
El precio de los medicamentos se obtuvo
mediante consultas personales en unidades
comerciales de atención farmacéutica. Todas
estas cifras monetarias se asumen constantes
durante todo el periodo. Los detalles se
presentan en el Anexo 1.
Costo económico de la contaminación del
aire asociado al transporte vehicular
No todo el costo económico de la
contaminación del aire por material
particulado en LM corresponde al transporte
vehicular, sino también a otras actividades.
No hay estudios que hayan determinado
que fracción del nivel de concentración de
material particulado en LM está asociado
a la ota vehicular. Sólo hay información
de proyecciones de emisiones de diversos
contaminantes en LM, las cuales incluyen
material particulado, sean fuentes móviles
o jas (MINAM, 2019; Dawidowski et
al., 2014). Para el año 2016, MINAM
(2019) estimó las emisiones totales de
PM10 y PM2.5 en 7254 TM y 6788 TM,
respectivamente. De estos totales, el 53,7
% y 57,4 % fueron generados por fuentes
móviles, respectivamente. Dada la ausencia
de mayor información, estos porcentajes
fueron utilizados para determinar el costo
económico de la contaminación por PM10 y
PM2.5 atribuible al parque automotor en LM.
Todas las cifras monetarias fueron
convertidas a US$ mediante el tipo de
cambio promedio de 3,37 (S/US$) del año
2016 reportado por el Banco Central de
Reserva del Perú (BCRP, 2020).
Resultados
A pesar de que el PM2.5 es más agresivo a
la salud humana en comparación al PM10, la
concentración en exceso de este último ha
sido la responsable de la mayor cantidad de
casos de mortalidad y morbilidad en LM. La
mayor parte de ellos ocurre durante la tem-
porada de verano (Tabla 3). Lo contrario se
observa para el caso del PM2.5, puesto que
la mayor parte de los casos corresponde a la
temporada de invierno. El promedio anual
de casos de mortalidad y morbilidad aso-
ciadas PM al parque automotor fue 3800 y
381000, respectivamente.
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
156
Julio - Diciembre 2021
En términos gruesos, la mayor parte del
costo económico de la contaminación
asociada al transporte vehicular corresponde
al PM10, el cual osciló entre 110-124 US$
millones, mientras que para el caso del PM2.5
apenas 15-27 US$ millones (Figura 2). La
mortalidad es el principal componente del
costo económico para ambos contaminantes.
Entonces, en el verano se concentra la mayor
parte del costo en análisis: 72 y 82 % para
del PM10 y PM2.5, respectivamente. Si bien
ambas cifras se desprenden de los mapas de
concentración o exposición de un solo año,
la proporción debería mantenerse durante el
periodo en estudio.
Estas estimaciones muestran que las pérdidas
económicas por impactos en la salud por
MP (como fracción del PBI de la ciudad)
son leves en comparación a otros estudios.
Los amplios márgenes del costo entre
escenarios obedecen en gran medida a los
factores CR utilizados (Tabla 4). Este costo
ha concentrado entre 0,21-0,29 % del PBI
del LM, cifra signicativamente menor en
comparación a otras ciudades capitales como
Beijín (Hou et al., 2016) y Teherán (Hadian
et al., 2020) lo cuales también utilizaron el
enfoque de capital humano para calcular el
costo de la mortalidad, cuyos porcentajes
fueron 3,79-4,98 y 0,8; respectivamente.
Tabla 3. Casos acumulados de mortalidad y morbilidad (miles) en LM asociados al trans-
porte vehicular según tipo de PM y temporada para el periodo 2010-2019
PM10 PM2.5 Total
PM Total PM
(promedio anual)
Verano Invierno Verano Invierno Verano Invierno
Mortalidad 26.5 10,4 320 961 26,8 11,4 3.8
Morbilidad 2,676.6 959,9 45,661 136,983 2,722,2 1,096,9 381.9
Nota: Para calcular los casos totales (fuentes móviles (transporte vehicular) + fuentes jas), se dividen las cifras
entre 0,53 ó 0,57 según sea PM10 ó PM2.5, respectivamente
Figura 2. Costo económico anual de la contaminación del aire atribuido al transporte
vehicular por PM10 y PM2.5 según morbilidad y mortalidad para un escenario medio (2016
US$ Millones)
157
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Tabla 4. Costo económico de la contaminación del aire atribuido al transporte vehicular,
2010-2019 (2016 US$ Millones)
PM Escenario 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
PM10
Bajo 56 57 58 59 60 61 62 62 63 64
Medio 110 112 113 115 117 119 120 122 123 124
Alto 206 209 213 216 219 223 225 228 230 232
PM2.5
Bajo 6 5 4 4 5 5 7 6 6 6
Medio 24 21 15 18 20 22 27 23 23 23
Alto 39 34 25 29 33 36 46 38 38 38
Total
Bajo 62 62 62 63 65 66 68 68 69 69
Medio 134 132 129 133 137 141 148 145 146 147
Alto 245 244 238 245 252 259 271 265 268 270
% del PBI de LM
(escenario medio) 0,21 0,22 0,21 0,22 0,23 0,25 0,27 0,28 0,28 0,29
Con respecto al PIB de LM corrientes.
Nota: Para calcular el costo económico de las fuentes móviles (transporte vehicular) más fuentes jas, se dividen las
cifras entre 0,53 ó 0,57 según sea PM10 ó PM2.5, respectivamente
Discusión
Aun cuando la tendencia temporal del costo
económico es creciente (Figura 2 y Tabla
4), ello puede no reejar adecuadamente lo
ocurrido durante el periodo de estudio. Puesto
que el nivel de concentración anual del PM10
fue asumido como constante (debido a la
falta de mapas de concentración anual para
LM), de manera que la estimación de su costo
económico dependió principalmente de la
tasa de crecimiento de la población expuesta.
Esto pudo signicar una sobrestimación
del costo, aunque la aplicación enfoque de
capital humano debió reducir este exceso,
y eventualmente minimizar la distorsión.
Debe recordarse que el enfoque de capital
humano ofrece cifras subestimadas en
relación al valor estadístico de la vida
humana, el cual es conceptualmente, el
enfoque conceptualmente más apropiado
para representar la pérdida de bienestar.
Para el caso del PM2.5, para el que sí se
dispuso de mapas de concentración para
el periodo 2010-2016, los niveles de
concentración descienden hasta mediados de
la década y luego suben. Es decir, tampoco
se aprecia una tendencia denida aun cuando
la población, actividad económica, y ota
vehicular han sido crecientes en el periodo
de estudio. No se aprecia una relación clara
entre el nivel de concentración de material
particulado y su costo económico. Tampoco
es posible distinguir un patrón o tendencia
denida sobre la evolución de tal costo para
este contaminante (Tabla 4).
Vale la pena distinguir la concentración de
MP registrada en una estación de monitoreo
y aquella concentración estimada según
modelos de exposición, los cuales suelen
generar mapas de concentraciones. Los
registros de algunas estaciones de monitoreo
en LM han presentado una tendencia a la
baja durante los últimos años (Pacsi, 2016;
Espinoza, 2018). Pero ello no ha sido
reejado en los resultados de modelos de
exposición. Si un mapa de concentraciones
de PM contiene un estrecho intervalo de
50-55 μg/m3, no hay forma de evidenciar
la disminución en el tiempo de esa
concentración (por ejemplo, de 54 a 51 μg/
m3). Esta es una limitación de este tipo de
mapas para estimar de forma más precisa
la magnitud del efecto en la salud de la
población expuesta.
Por otro lado, la mayor parte de los factores
CR utilizados corresponden a estudios de
cohorte, los cuales en teoría generan los
mejores resultados. Lamentablemente, para
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
158
Julio - Diciembre 2021
el caso de LM sólo fue posible obtener
factores de la CR locales para 5 de los 21
factores CR utilizados en este estudio, los
cuales corresponden a estudios de series
de tiempo. Mejores resultados podrían
obtenerse en la medida que se disponga de
información sobre funciones CR locales.
Cabe mencionar que se han reconocido
diversas debilidades de las funciones dosis-
respuesta, como la frecuente carencia de
umbrales y omisión de no-linealidades (Cox,
2020), las limitaciones de sus coecientes
basados en modelos de regresión y los
desafíos que conlleva incluir otras variables
explicativas (van Landingham et al., 2020).
Por ende, los resultados de este estudio
constituyen una primera aproximación.
Conclusiones
Durante el periodo 2010-2019, el costo
de la contaminación por MP asociado al
transporte vehicular osciló entre 0.21-
0,29 % del PBI de LM. Este porcentaje
es sustancialmente menor con relación a
algunas ciudades densamente pobladas,
cuyos estudios emplearon el mismo enfoque
de capital humano para estimar el costo
de mortalidad, usualmente, el costo más
signicativo. Se encontró que el material
particulado vinculado al transporte vehicular
contribuye, aproximadamente, a la mitad del
costo.
La literatura sugiere que los vientos
provenientes del mar transportan la mayor
parte del MP hacia las zonas este y noreste
de LM (Espinoza, 2018; Silva et al., 2017),
actuando como una especie de “disipador” de
las concentraciones de MP en gran parte de la
ciudad. Esto podría explicar, en gran medida,
la tendencia del costo de la contaminación
por MP en LM, el cual parecería estar más
vinculado a las dinámicas atmosféricas
que, a otros factores como crecimiento
poblacional, aumento de la ota vehicular o
incluso medidas regulatorias del transporte
vehicular implementadas durante la última
década. Futuros estudios podrían contribuir
a identicar y cuanticar la incidencia de
estos factores en la concentración de PM y,
por ende, en el costo en análisis.
Por otro lado, si las zonas este y noreste
de la ciudad son las más afectadas, que
al mismo tiempo albergan a la población
más numerosa, esto abre la puerta para
un diseño de implementación de políticas
públicas focalizadas que podrían constituir
alternativas costo-efectivas para reducir la
contaminación por MP. Por ejemplo, Tapia et
al. (2018) encontraron que el reordenamiento
del tránsito vehicular en una zona del centro
de Lima redujo la concentración de PM2.5
y PM10 en 62 y 55 %, respectivamente.
La concentración de MP también podría
reducirse con medidas que contribuyan a
la mejora y/o expansión de áreas verdes,
sobre todo en una ciudad que posee la menor
cantidad de estas áreas a nivel regional.
En paralelo, sería necesario incrementar el
número de estaciones de monitoreo a n
de obtener más información que permita
realizar modelaciones de la concentración
anual de MP en LM. Por ejemplo, son
pocas las estaciones que registran datos de
PM2.5 (Vu et al., 2019). Con ello, se podrían
obtener resultados más precisos, aunque
ello no necesariamente conllevaría a un
cambio signicativo en los costos anuales
encontrados en este estudio y/o identicar
una tendencia clara de su evolución.
Agradecimientos
Se agradecen los comentarios de Miguel La
Rosa, Roger Loyola y Jhojan Rojas sobre una
versión preliminar de este artículo. Como es
de costumbre, cualquier error u omisión es
responsabilidad de los autores.
Conictos de intereses
Los autores rmantes del presente
trabajo de investigación declaran no tener
ningún potencial conicto de interés
personal o económico con otras personas
u organizaciones que puedan inuir
indebidamente con el presente manuscrito.
159
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Rol de los autores
Los autores han realizado la
conceptualización, Investigación, Escritura-
Preparación del borrador original,
Redacción-revisión y edición.
Fuentes de nanciamiento
Esta investigación no recibió ninguna
subvención especíca de ninguna agencia
de nanciación, sector gubernamental ni
comercial o sin nes de lucro.
Aspectos éticos / legales
Los autores declaran no haber incurrido en
aspectos antiéticos ni haber omitido normas
legales.
ORCID y correo electrónico
Cindy Silva
Vivanco
[email protected]
https://orcid.org/0000-0003-0133-7775
Raymundo
Jesus
Mogollon
Ñañez hhttps://orcid.org/0000-0003-2130-2051
Sabrina
Estefanía
Diaz https://orcid.org/0000-0001-7976-1440
Víctor
Carlos
Michel
Chumpitaz
Añi https://orcid.org/0000-0003-4253-4978
Referencias
Aunan, K., & Pan, X. C. (2004). Exposure-
response functions for health eects
of ambient air pollution applicable
for China–a meta-analysis. Science
of the total environment, 329(1-3),
3-16.
BCRP (2020). Tipo de cambio (S/ por US$)-
Bancario (promedio del periodo)
- Compra. Disponible en: https://
estadisticas.bcrp.gob.pe/estadisticas/
series/anuales/tipo-de-cambio-sol-
usd
Bell, M. L., Cifuentes, L. A., Davis,
D. L., Cushing, E., Telles,
A. G., & Gouveia, N. (2011).
Environmental health indicators and
a case study of air pollution in Latin
American cities. Environmental
research, 111(1), 57-66.
Cameron, T. A. (2010). Euthanizing the
value of a statistical life. Review
of Environmental Economics and
Policy, 4(2), 161-178.
CEPLAN. (2016). Economía informal en
Perú: situación actual y perspectivas.
Recuperado de https://www.ceplan.
gob.pe/documentos_/economia-
informal-en-peru/
Chen, J., & Hoek, G. (2020). Long-term
exposure to PM and all-cause and
cause-specic mortality: A system-
atic review and meta-analysis. Envi-
ronment international, 143, 105974.
Choy Zevallos, E. E., & Montes Farro, E.
A. (2013). La informalidad en los
sectores económicos y la evasión
tributaria en el Perú. Quipukamayoc,
18(35), 11-15, Disponible en: http://
hdl.handle.net/123456789/2895
CIAL (2004). I Plan integral de saneamiento
atmosférico para Lima - Callao 2005–
2010 (in spanish). Management
Committee Clean Air Initiative
(IAL) Lima-Callao, Lima, Peru.
CIAL (2010). II Plan integral de
saneamiento atmosférico para Lima
-Callao 2011–2015 (in spanish).
Management Committee Clean Air
Initiative (IAL) Lima-Callao, Lima,
Peru. Disponible en: http://eudora.
vivienda.gob.pe/OBSERVATORIO/
PISA_MUNICIPALIDADES/
LimaCallao/II_Plan_Integral_de_
Saneamiento_Atmosferico_Lima_
Callao_PISA_2011_2015.pdf
CIAL (2017). III Plan integral de
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
160
Julio - Diciembre 2021
saneamiento atmosférico para Lima
- Callao 2016–2020 (in spanish).
Management Committee Clean Air
Initiative (IAL) Lima-Callao, Lima,
Peru.
Cohen, A. J., Brauer, M., Burnett, R.,
Anderson, H. R., Frostad, J., Estep,
K., ... & Feigin, V. (2017). Estimates
and 25-year trends of the global
burden of disease attributable to
ambient air pollution: an analysis
of data from the Global Burden
of Diseases Study 2015. The
Lancet, 389(10082), 1907-1918.
Cordova, J. E. D., Aguirre, V. T., Apestegui,
V. V., Ibarguen, L. O., Vu, B. N.,
Steenland, K., & Rengifo, G. F. G.
(2020). Association of PM 2.5 con-
centration with health center outpa-
tient visits for respiratory diseases of
children under 5 years old in Lima,
Peru. Environmental Health, 19(1),
1-6.
Cox, L. (2020). Implications of nonlinear-
ity, confounding, and interactions
for estimating exposure concentra-
tion-response functions in quantita-
tive risk analysis. Environmental
Research, 187: 109638. https://doi.
org/10.1016/j.envres.2020.109638
CPI (2020). Transporte utilizado por
trabajadores y estudiantes en Lima
Metropolitana - noviembre 2016.
EDICIÓN Nº 002/2017. Compañía
Peruana de estudios de mercados y
opinión publica SAC. Disponible en:
https://www.cpi.pe/banco/market-
report.html
Dawidowski, L., Sanchez-Ccoyllo, O.,
y Alarcon (2014). Estimación de
emisiones vehiculares en Lima
Metropolitana. Informe Final. Lima:
SENAMHI/SAEMC. Disponible:
http://repositorio.senamhi.gob.pe/
handle/20.500.12542/161/browse?t
ype=author&value=S%C3%A1nch
ez-Ccoyllo%2C+Od%C3%B3n
Espinoza, J. (2018). Evaluación espacial y
temporal del material particulado
PM10 y PM2,5 en Lima Metropolitana
para el periodo 2015-2017. Tesis de
Pregrado en Ingeniería Ambiental.
Lima: Universidad Nacional Agraria
La Molina. Disponible en: http://
repositorio.lamolina.edu.pe/handle/
UNALM/3739
Evans, J., van Donkelaar, A., Martin, R. V.,
Burnett, R., Rainham, D. G., Birkett,
N. J., & Krewski, D. (2013). Estimates
of global mortality attributable
to particulate air pollution using
satellite imagery. Environmental
research, 120, 33-42.
Fotourehchi, Z. (2016). Health eects of air
pollution: An empirical analysis for
developing countries. Atmospheric
Pollution Research, 7(1), 201-206.
Golub, E., Klytchnikova, I., Sanchez-
Martinez, G., & Belausteguigoitia,
J. C. (2014). Environmental health
costs in Colombia: the changes from
2002 to 2010. Latin America and
Caribbean region Environment and
Water Resources occasional paper
series; World Bank, Washington,
DC. Disponible en: https://
openknowledge.worldbank.org/
handle/10986/21096
Guo, X. R., Cheng, S. Y., Chen, D. S.,
Zhou, Y., & Wang, H. Y. (2010).
Estimation of economic costs of
particulate air pollution from road
transport in China. Atmospheric
Environment, 44(28), 3369-3377.
Hadian, M., Raeissi, P., & Khalilabad, T.
H. (2020). The economic burden of
mortality and morbidity due to air
pollution in Tehran, Iran: a systematic
review. Air Quality, Atmosphere &
Health, 13(8), 1001-1011.
Hadei, M., Shahsavani, A., Krzyzanowski,
M., Querol, X., Stafoggia, M.,
Nazari, S. S. H., ... & Khosravi,
161
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
A. (2020). Burden of mortality
attributed to PM2. 5 exposure in
cities of Iran; contribution of short-
term pollution peaks. Atmospheric
Environment, 224, 117365.
Han, F., Lu, X., Xiao, C., Chang, M., &
Huang, K. (2019). Estimation
of Health Eects and Economic
Losses from Ambient Air Pollution
in Undeveloped Areas: Evidence
from Guangxi, China. International
journal of environmental research
and public health, 16(15), 2707.
Hunt, A., Ferguson, J., Hurley, F., & Searl,
A. (2016). Social costs of morbidity
impacts of air pollution. OECD
Environment Working Papers, No.
99, OECD Publishing, Paris.
Hou, Q., An, X., Tao, Y., & Sun, Z. (2016).
Assessment of resident’s exposure
level and health economic costs of
PM10 in Beijing from 2008 to 2012.
Science of The Total Environment,
563, 557-565.
Ilizarbe Gonzales, G. M., Valdiviezo,
lorgio G., Rojas Quincho, J. P.,
Cabello Torres, R. J., & Ugarte
Alvan, C. A. (2020). Chemical
Characteristics and Identication
of PM10 Sources in Two Lima
Districts, Peru. DYNA, 87(215), 57-
65. https://doi.org/10.15446/dyna.
v87n215.83688
INEI (2013). Compendio estadístico 2013.
Capítulo 6: Salud. Disponible en:
https://www.inei.gob.pe/media/
MenuRecursivo/publicaciones_
digitales/Est/Lib1097/libro.pdf
INEI (2017a). Población a nivel distrital.
Población total al 30 de junio del
2017, por grupos quinquenales de
edad, según departamento, provincia
y distrito del año 2015. Disponible en:
https://www.inei.gob.pe/estadisticas/
indice-tematico/population/
INEI (2017b). Boletín de Análisis
Demográco N° 38. Perú:
Estimaciones y Proyecciones de
Población, 1950 - 2050. Disponible
en: https://www.inei.gob.pe/media/
MenuRecursivo/publicaciones_
digitales/Est/Lib1665/libro.pdf
INEI (2019a). Compendio estadístico 2018.
Capítulo 6 Salud. Disponible en:
https://www.inei.gob.pe/media/
MenuRecursivo/publicaciones_
digitales/Est/Lib1635/cap06/cap06.
pdf
INEI (2019b). Compendio estadístico
Regional de Lima Metropolitana.
Capítulo 6 salud. Capítulo 6 Salud.
Disponible en: https://www.inei.
gob.pe/media/MenuRecursivo/
publicaciones_digitales/Est/
Lib1635/cap06/cap06.pdf
INEI (2020a) Transporte, almacenamiento,
correo y mensajería. Principales
indicadores del sector transporte.
Disponible en: https://www.inei.
gob.pe/estadisticas/indice-tematico/
prueba-11103/
INEI (2020b). Producto bruto interno por
departamentos (cifras preliminares).
Disponible en: https://www.inei.
gob.pe/estadisticas/indice-tematico/
producto-bruto-interno-por-
departamentos-9089/
INEI (2020c) Transporte, almacenamiento,
correo y mensajería. Flujo vehicular
en unidades de pago de peaje, según
departamento. Disponible en: https://
www.inei.gob.pe/estadisticas/indice-
tematico/prueba-11103/
INEI (2020d). Ingreso promedio mensual
proveniente del trabajo, según ámbito
geográco (cifras preliminares).
Disponible en: https://www.inei.
gob.pe/estadisticas/indice-tematico/
ocupacion-y-vivienda/
Jelić, D., & Bencetić Klaić, Z. (2010). Air
quality in Rijeka, Croatia. Geozi-
ka, 27(2), 147-167.
Koutrakis, P., Sax, S. N., Sarnat, J. A., Coull,
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
162
Julio - Diciembre 2021
B., Demokritou, P., Demokritou, P.,
... & Gramsch, E. (2005). Analysis of
PM10, PM2. 5, and PM2. 5–10Con-
centrations in Santiago, Chile, from
1989 to 2001. Journal of the Air &
Waste Management Association,
55(3), 342-351.
Kroeger, T. (2004). Estimación del
Costo – Benecio de medidas
para el saneamiento atmosférico.
Documento elaborado para el
CONAM.
Krzyżanowski, M., Kuna-Dibbert, B., &
Schneider, J. (Eds.). (2005). Health
eects of transport-related air
pollution. WHO Regional Oce
Europe.
Landrigan, P. J., Fuller, R., Acosta, N. J.,
Adeyi, O., Arnold, R., Baldé, A. B.,
... & Chiles, T. (2018). The Lancet
Commission on pollution and
health. The lancet, 391(10119), 462-
512.
Larsen, B. (2004). Cost of environmental
damage in Colombia: A Socio-
Economic and Environmental Health
Risk Assessment. Washington, D.C.,
USA.
Larsen, B., & E. Strukova (2006). Peru:
Cost of Environmental Damage: A
Socio-Economic and Environmental
Health Risk Assessment. Background
Report for Country Environmental
Assessment, World Bank,
Washington, D.C. October, 2005.
Liangliang, C., Jingwen, Z., Xiumiao, P.,
Shiman, R., & Zhang, Y. (2020).
Analyses of air pollution control
measures and co-benets in the
heavily air-polluted Jinan city of
China, 2013–2017. Scientic Reports
(Nature Publisher Group), 10(1).
Liao, Q., Jin, W., Tao, Y., Qu, J., Li, Y., &
Niu, Y. (2020). Health and Economic
Loss Assessment of PM2. 5 Pol-
lution during 2015–2017 in Gansu
Province, China. International Jour-
nal of Environmental Research and
Public Health, 17(9), 3253.
Lim, C. C., Hayes, R. B., Ahn, J., Shao, Y.,
Silverman, D. T., Jones, R. R., ... &
Thurston, G. D. (2018). Associa-
tion between long-term exposure to
ambient air pollution and diabetes
mortality in the US. Environmental
research, 165, 330-336.
Liu, Q., Xu, C., Ji, G., Liu, H., Shao, W.,
Zhang, C., ... & Zhao, P. (2017).
Eect of exposure to ambient PM2.
5 pollution on the risk of respiratory
tract diseases: a meta-analysis of
cohort studies. Journal of Biomedical
Research, 31(2), 130.
Mannucci, P. M., & Franchini, M.
(2017). Health eects of ambient
air pollution in developing
countries. International journal of
environmental research and public
health, 14(9), 1048.
Meisner, C., Gjorgjev, D., & Tozija, F.
(2015). Estimating health impacts
and economic costs of air pollution
in the Republic of Macedonia. South
Eastern European Journal of Public
Health (SEEJPH).
MINAM (2015). Estudio de desempeño
ambiental 2003-2013. ESDA.
Documento de trabajo. Disponible
en: https://sinia.minam.gob.pe/
documentos/estudio-desempeno-
ambiental
MINAM (2017). D.S. Nº 003-2017-MINAM.
Miércoles 7 de junio de 2017.
Disponible en: http://www.minam.
gob.pe/disposiciones/decreto-
supremo-n-003-2017-minam/
MINAM (2019). Avance: Plan de Acción
para el Mejoramiento de la Calidad
del Aire de Lima-Callao. Diagnóstico
de la Gestión de la Calidad Ambien-
tal del Aire de Lima-Callao. Comis-
ión multisectorial para la gestión de
la iniciativa del aire limpio para lima
y Callao. Disponible en: https://sinia.
163
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
minam.gob.pe/documentos/diagnos-
tico-gestion-calidad-ambiental-aire-
lima-callao
MINSA (2012). II Estudio de Saturación
Lima Metropolitana y Cal la o
en el año 2011: vigilancia conable
para la protección de la salud de las
personas y de su entorno. Elaborado
por DIGESA. Dirección General
de Sanidad Ambiental. Perú. Dis-
ponible en: https://sinia.minam.gob.
pe/documentos/estudio-saturacion-
lima-metropolitana-callao-ano-2011
MINSA (2019a). Guía de práctica clínica
para diagnóstico y tratamiento de
neumonía en las niñas y los niños.
Disponible en: http://bvs.minsa.gob.
pe/local/MINSA/4931.pdf
MINSA (2019b). Guía de práctica clínica
para diagnóstico y tratamiento de
bronquiolitis en niños menores de
dos años. Disponible en: http://bvs.
minsa.gob.pe/local/MINSA/4931.
pdf
MINSA (2020). Boletín epidemiológico
del Perú 2020. Volumen 29 -SE 47.
Disponible en: https://www.dge.
gob.pe/epipublic/uploads/boletin/
boletin_202047.pdf
Niederman, M. S., McCombs, J. S.,
Unger, A. N., Kumar, A., &
Popovian, R. (1999). Treatment
cost of acute exacerbations of
chronic bronchitis. Clinical
therapeutics, 21(3), 576-591.
OECD. (2014). The cost of air pollution:
Health impacts of road transport.
OECD Publishing.
Pacsi, S. A. (2016). Análisis temporal
y espacial de la calidad del
aire determinado por material
particulado PM10 y PM2,5 en Lima
Metropolitana. Anales Cientícos,
77(2), 273-283.
PAHO (2020). Air quality is deteriorating
in many of the world’s cities. Pan
American Health Organization.
Disponible en: https://www.paho.
org/hq/index.php?option=com_
content&view=article&
id=9558:2014-air-quality-is-dete-
riorating-in-many-of-the-worlds-
cities&Itemid=1926&lang=en
Peden, D. B. (2018). The unexpected health
eects of air pollution. North Caro-
lina medical journal, 79(5), 309-311.
Peng, R. D., & Dominici, F. (2008).
Statistical methods for environmental
epidemiology with R. R: a case study
in air pollution and health.
Quan, M., & Shiqiu, Z. (2015). Assessment
of the Trend of Heavy PM2. 5
Pollution Days and Economic Loss
of Health Eects during 2001-
2013. Acta Scientiarum Naturalium
Universitatis Pekinensis, 51(4), 694-
706.
Rojas, F. J., Pacsi, S., Sánchez-Ccoyllo,
O. R., & Perales, M. M. (2019).
Pronóstico de Reducción de
Emisiones, de Enfermos y de
Gastos Asociados al incluir el
Gas Natural dentro de la Matriz
Energética en Perú. Información
tecnológica, 30(3), 117-126.
Rojas, J.P., Urdanivia, F.R., Garay, R.A.,
García, A.J., Enciso, C., Medina,
E.A., Toro A., Manzano, C., Leiva,
M., 2020. Eects of COVID-19
pandemic control measures on air
pollution in Lima metropolitan area,
Peru in South America. Submited.
Sánchez, G. S. (2017). Combined application
of cost–benet and multi-criteria
analysis for decision support in
air quality management policy: a
case study in Lima and El Callao,
Peru (Doctoral dissertation,
Universidad del País Vasco-Euskal
Herriko Unibertsitatea).
Seminario, L. (2017). Estimación del
Costo Social por Fallecimiento
Prematuro. Dirección General de
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
164
Julio - Diciembre 2021
Inversión Pública del Ministerio de
Economía y Finanzas. Disponible
en: https://www.mef.gob.pe/
contenidos/inv_publica/docs/
parametros_evaluacion_social/
Valor_Estadistico_Vida.pdf
Silva, J. S., Rojas, J. P., Norabuena, M.,
& Seguel, R. J. (2018). Ozone and
volatile organic compounds in the
metropolitan area of Lima-Callao,
Peru. Air Quality, Atmosphere and
Health, 11(8), 993–1008.
Silva, J., Rojas, J., Norabuena, M., Molina,
C., Toro, R. A., & Leiva-Guzmán, M.
A. (2017). Particulate matter levels
in a South American megacity: the
metropolitan area of Lima-Callao,
Peru. Environmental monitoring and
assessment, 189(12), 635.
SRB (2001). Confronting COPD in North
America and Europe: A Survey of
Patients and Doctors. New York, NY,
USA.
Tapia, V., Carbajal, L., Vásquez, V.,
Espinoza, R., Vásquez-Velásquez,
C., Steenland, K., & Gonzales, G. F.
(2018). Reordenamiento vehicular
y contaminación ambiental por
material particulado (2, 5 y 10),
dióxido de azufre y dióxido de
nitrógeno en Lima Metropolitana,
Perú. Revista Peruana de Medicina
Experimental y Salud Pública, 35,
190-197.
Tapia, V., Steenland, K., Sarnat, S. E., Vu,
B., Liu, Y., Sánchez-Ccoyllo, O., ...
& Gonzales, G. F. (2019). Time-se-
ries analysis of ambient PM 2.5 and
cardiorespiratory emergency room
visits in Lima, Peru during 2010–
2016. Journal of Exposure Science
& Environmental Epidemiology, 30,
680–688.
Tapia, V., Steenland, K., Vu, B., Liu,
Y., Vásquez, V., & Gonzales, G.
F. (2020). PM 2.5 exposure on
daily cardio-respiratory mortality
in Lima, Peru, from 2010 to
2016. Environmental Health, 19,
1-7.
Van Landingham, C., Fuller, W., &
Rosalind, A. Schoof (2020). The
eect of confounding variables
in studies of lead exposure
and IQ. Critical Reviews in
Toxicology, 50(9), 815-825, DOI:
10.1080/10408444.2020.1842851
Vu, B. N., Sánchez, O., Bi, J., Xiao, Q., Han-
sel, N. N., Checkley, W., ... & Liu, Y.
(2019).
Developing an advanced PM2. 5 exposure
model in Lima, Peru. Remote sens-
ing, 11(6), 641.
Wang, H., Naghavi, M., Allen, C., Barber,
R. M., Bhutta, Z. A., Carter, A.,
... & Coggeshall, M. (2016).
Global, regional, and national life
expectancy, all-cause mortality,
and cause-specic mortality for
249 causes of death, 1980–2015: a
systematic analysis for the Global
Burden of Disease Study 2015. The
lancet, 388(10053), 1459-1544.
WB & IHME. (2016). The cost of air
pollution: Strengthening the
economic case for action. World
Bank, & Institute for Health Metrics
and Evaluation. Disponible en:
https://lib.icimod.org/record/32239
WB (2013). Cost Assessment of
Environmental Degradation,
Institutional Review, and Public
Environmental Expenditure
Review Country Environmental
Analysis Kosovo. http://
documents1.worldbank.org/curated/
en/282361468047686579/pdf/75029
0ESW0P1310LIC00Kosovo0CEA0
Rprt.pdf
WB (2020). Tasa de crecimiento del
Producto Bruto Interno de Perú 2001-
2007. Disponible en: https://data.
worldbank.org/indicator/NY.GDP.
MKTP.KD.ZG?locations=PE
165
Silva, C., Mogollon, R., Diaz, S., Chumpitaz, V. (2021)
Natura@economía, 6(2), 146-166. DOI. 10.21704/ne.v6i2.1944
Julio - Diciembre 2021
Wei, G. R., & Shi, X. M. (2018). Evaluation
the Extent of Health Damage Caused
by PM2. 5 Particulate in Xi’an
City. Huan jing ke xue= Huanjing
kexue, 39(7), 3014-3021.
WHO (2006). Air quality guidelines:
global update 2005: particulate
matter, ozone, nitrogen dioxide,
and sulfur dioxide. World Health
Organization. Disponible en: https://
www.euro.who.int/en/health-topics/
environment-and-health/air-quality/
publications/pre2009/air-quality-
guidelines.-global-update-2005.-
particulate-matter,-ozone,-nitrogen-
dioxide-and-sulfur-dioxide
WHO (2020). Ambient (outdoor) air quality
database, by country and city.
Disponible en: https://www.who.int/
airpollution/data/cities/en/
Xu, X., Dockery, D. W., Christiani, D. C.,
Li, B., & Huang, H. (1995). Asso-
ciation of air pollution with hospital
outpatient visits in Beijing. Archives
of Environmental Health: An Inter-
national Journal, 50(3), 214-220.
Yaduma, N., Kortelainen, M., & Wossink,
A. (2013). Estimating mortality and
economic costs of particulate air pol-
lution in developing countries: The
case of Nigeria. Environmental and
Resource Economics, 54(3), 361-
387.
Yu, G., Wang, F., Hu, J., Liao, Y., & Liu, X.
(2019). Value assessment of health
losses caused by PM2.5 in Changsha
City, China. International journal of
environmental research and public
health, 16(11), 2063.
Zhang, X., Ou, X., Yang, X., Qi, T., Nam, K.
M., Zhang, D., & Zhang, X. (2017).
Socioeconomic burden of air pollu-
tion in China: Province-level analy-
sis based on energy economic mod-
el. Energy Economics, 68, 478-489.
Costo de la contaminación del aire por material particulado generado por el transporte vehicular en Lima
Metropolitana.
166
Julio - Diciembre 2021
Anexo 1. Costo unitario por caso según efecto en salud de morbilidad (anual)
Efecto en la salud de
morbilidad (j)
Costo
hospitalización Costo por
visitas médica Ingresos no
percibidos Costo
medicamentos CE (S/)
dh
(días) ch (S/) nc
(visitas) cc (S/) dp (días) ip (S/) dcm (S/) e
Infecciones respiratorias
agudas (< 5 años) 7 a 355 b1 c110 bNC NC 30 141
Neumonía (< 5 años) 7 a355 b1 c110 bNC NC 200 311
Asma (< 5 años) 7 a355 b1 c 110 bNC NC 150 261
Hospitalización
por enfermedades
respiratorias 8 f452 gNC NC 13.1 f65 NC 4,460
Hospitalización
por enfermedades
cardiovasculares y
cerebrovasculares
8 f452 gNC NC 13.1 f65 NC 4,460
Visitas de emergencia
por problemas
respiratorios 2 h195 bNC NC 2 h65 NC 519
Bronquitis crónica 10 i 355 b5 f110 b6 i65 250 1,247
Atenciones en consulta
externa (>15 años) NC NC 1 c110 b3 j65 20 324
Atenciones en consulta
externa (<15 años) NC NC 1 c110 bNC NC 20 130
Enfermedades crónicas
en las vías respiratorias
inferiores (> 11 años) 10 i 355 b 5 f110 b6 i65 250 1,247
Enfermedades crónicas
en las vías respiratorias
inferiores (< 11 años) 10 i355 b5 f110 bNC NC 250 853
Bronquitis aguda NC NC 1 c 110 b24 c65 150 1,812
NC: en este efecto esta categoría del costo no corresponde calcular.
a MINSA (2019a y b), solo el 0.03% de los pacientes son hospitalizados (MINSA, 2020);
b Sánchez (2017);
c Hunt et al. (2016);
d En base al ingreso promedio mensual en LM (INEI, 2020d);
e Información obtenida mediante comunicación personal con proveedores de servicios médicos;
f MINAM (2015);
g Gasto en hospitalización en el 2013 (MINAM, 2015), actualizado al año 2016;
h Larsen (2004);