El Modelo de Co-Beneficios The Co-Benefits Model
Galen McKinley, Miriam Zuk and Hilda Martínez May 2003
El Modelo de Co-Beneficios
Galen McKinley, Miriam Zuk, Hilda Martinez 20 de Mayo, 2003
Objetivos
• Integrar los módulos del modelo • Incorporar incertidumbre en el análisis • Crear un modelo que sea fácil de usar y fácil de manipular varios parámetros • En esta presentación:
– – – – Integración Analytica Aspectos del modelo Demostración
Integración
Analisis de Medidas Emissiones GEI Costos por Medida Calidad del Aire Concentraciones Ambienales Impactos a la Salud Casos de Mortalidad y Morbilidad Valoración Beneficios Monetarios Emissiones Locales
Beneficio/GEI
Costo/Beneficio
Beneficios Netos
Beneficios de Analytica
• Análisis integral
– Se puede ver la estructura del modelo con los ‘Diagramas de Flujo’ – La relación entre insumos y resultados es clara y está indicada con flechas – Es fácil el manejo de variables con dimensiones mútiples – Hay muchas funciones incluidas en el software
Beneficios de Analytica
• Incertidumbre
– Con Analytica, es fácil incluir incertidumbre en las variables – Hay muchas opciones de distribuciones de probabilidad incluidas – El software hace la simulación de ‘monte-carlo’ para propagar incertidumbre
• Documentación
– Se puede incluir en el modelo una descripción y unidades para todos las variables
Diagrama de Influencia
Módulo del Usuario
Módulo del Modelo
Opciones del Usuario
Opciones de Usuario
Resultados
Opciones de Resultados
• ¿Cuáles son los beneficios netos de la medida de Taxis?
Opciones de Resultados
Incertidumbre
• Con la simulación de ‘Monte Carlo’, se corre el modelo repetidamente, tomando muestras de las distribuciones de las variables con incertidumbre • Se escogen los valores de las distribuciones usando un generador de números aleatorios • Este método da una distribución de resultados, basada en las distribuciones de los insumos
Ejemplo de Monte Carlo
Distribuciones de Probabilidad de Variables
Riesgo
Riesgo
Tamaño de Muestra
• Para generar resultados confiables, es importante tener un tamaño de muestra suficientemente grande (1000) • El modelo corre más lento con un tamaño de muestra grande