Socio-Economic and Institutional Drivers of Willingness to Pay for Sustainable Arsenic Mitigation in Rural India

Resumen Técnico: Determinantes Socioeconómicos e Institucionales de la Disposición a Pagar por la Mitigación Sostenible del Arsénico en la India Rural

Planteamiento del Problema
A pesar del amplio reconocimiento de los graves riesgos para la salud pública asociados con el agua subterránea contaminada con arsénico, la adopción de tecnologías de mitigación en las regiones afectadas, particularmente en la India rural, sigue siendo persistentemente baja. Este estudio aborda la desconexión crítica entre la conciencia de los riesgos del arsénico y el comportamiento real de adopción a nivel de hogar. Mientras que los enfoques tradicionales suelen enfatizar la concienciación y los riesgos percibidos para la salud como los principales impulsores, esta investigación postula que la adopción está moldeada por una compleja interacción de limitaciones socioeconómicas, confianza institucional, jerarquía social y cargas experienciales relacionadas con el acceso al agua. El estudio se centra en el Bihar rural, un importante punto crítico donde los niveles de arsénico en el agua subterránea superan frecuentemente las directrices de la OMS, para investigar los determinantes de la Disposición a Pagar (DAP) por tecnologías de mitigación sostenibles.

Metodología
El estudio emplea un marco analítico integrado que combina el análisis estadístico tradicional con técnicas de aprendizaje automático (ML) interpretable para modelar el comportamiento de la DAP de los hogares.

• Recopilación de Datos: Se recopilaron datos primarios de 340 hogares en tres aldeas afectadas por el arsénico (Suarmarwa, Rampur Diara y Bhawani Tola) en el bloque de Maner, distrito de Patna, Bihar. La encuesta capturó características demográficas, condiciones de subsistencia, cargas de acceso al agua, confianza institucional, participación social y percepciones de riesgo.
• Definición de Variables: La variable dependiente, la DAP, se dicotomizó en "Baja/Sin DAP" (≤ ₹25) y "DAP Alta" (> ₹25) basándose en la distribución observada de las respuestas. Las variables independientes incluyeron sociodemografía (casta, educación, ocupación), indicadores económicos (ingresos, tenencia de tierras), métricas de acceso al agua (distancia, tiempo, labor), confianza institucional (gobierno, ONGs, PRIs) y percepciones de riesgo (salud, económico, social).
• Enfoque Analítico:
  1. Análisis Estadístico: Se utilizaron estadísticas descriptivas, tablas de contingencia y pruebas de Chi-cuadrado para evaluar asociaciones. Se empleó la correlación de rango de Spearman para evaluar relaciones monotónicas, teniendo en cuenta la naturaleza ordinal de los datos.
  2. Modelado de Aprendizaje Automático: Se evaluó un conjunto de algoritmos de clasificación, incluyendo Regresión Logística (LR), Máquinas de Vectores de Soporte (SVC, NuSVC, Linear SVC), Bosque Aleatorio (RF), Gradient Boosting, Árboles de Decisión, K-Vecinos más Cercanos, Naïve Bayes y Perceptrón Multicapa (MLP). Los modelos fueron entrenados con el 75% de los datos y validados con un conjunto de retención del 25%.
  3. Métricas de Desempeño: Los modelos fueron evaluados mediante precisión, exactitud (precision), exhaustividad (recall), puntuación F1, Área Bajo la Curva ROC (AUC) y el Kappa de Cohen. La puntuación F1 sirvió como la métrica principal para la selección de modelos, con el fin de equilibrar los falsos positivos y los falsos negativos.
  4. Explicabilidad: Se aplicaron las Explicaciones de Shapley Aditivas (SHAP) al modelo de referencia de Regresión Logística para cuantificar la magnitud y la dirección de las contribuciones de las características, asegurando que los resultados del ML se alinearan con la inferencia estadística y ofrecieran interpretabilidad relevante para las políticas.

Contribuciones Clave

1. Marco Integrado: El estudio desarrolla un marco novedoso que combina la inferencia estadística con el ML interpretable y la explicabilidad basada en SHAP para diseccionar la naturaleza multidimensional del comportamiento de la DAP.
2. Reevaluación de los Impulsores: Desafía sistemáticamente la suposición prevaleciente de que la conciencia y la percepción de los riesgos para la salud son los impulsores dominantes de la adopción. En su lugar, proporciona evidencia de que la viabilidad socioeconómica, la estructura social y la confianza institucional desempeñan papeles más sustanciales.
3. Rigor Metodológico: Al comparar modelos lineales y no lineales, el estudio demuestra que los modelos lineales interpretables (específicamente la Regresión Logística) pueden desempeñarse de manera tan robusta como los clasificadores no lineales complejos en este contexto socioeconómico, ofreciendo un equilibrio entre el poder predictivo y la interpretabilidad de las políticas.

Resultos

• Hallazgos Estadísticos: La DAP exhibió una heterogeneidad significativa entre aldeas y estuvo fuertemente asociada con la casta, la ocupación, los ingresos y la confianza institucional. Notablemente, variables como el género, la edad, el estado civil y la conciencia básica sobre el arsénico no mostraron una asociación estadísticamente significativa con la DAP. El riesgo económico percibido fue un predictor significativo, mientras que el riesgo para la salud percibido no lo fue, reforzando el hallazgo de que las limitaciones económicas suelen superar las preocupaciones de salud en la toma de decisiones.
• Desempeño de los Modelos: La Regresión Logística emergió como el modelo más robusto e interpretable, logrando una exactitud de prueba de 0.753, una puntuación F1 de 0.687, un AUC de 0.743 y un Kappa de 0.495. Aunque los modelos no lineales como NuSVC y Random Forest mostraron un desempeño competitivo, exhibieron signos de sobreajuste (por ejemplo, la exactitud de entrenamiento de Random Forest de 1.000 cayendo a 0.741 en la prueba). El desempeño moderado en todos los modelos (AUC ~0.70–0.74) sugiere que el comportamiento de la DAP es inherentemente complejo y dependiente del contexto, con un solapamiento significativo entre adoptantes y no adoptantes.
• Interpretación SHAP: El análisis SHAP identificó la casta, la clase de tenencia de tierras agrícolas (AgLHC), el riesgo social percibido y la confianza en las ONGs como los predictores más influyentes. Crucialmente, el análisis reveló efectos direccionales mixtos: mientras que un mayor riesgo económico percibido y la propiedad de activos generalmente aumentaron la DAP, niveles más altos de ciertas variables de confianza institucional y de índices de participación a veces se correlacionaron con una menor DAP, sugiriendo que las limitaciones estructurales y las ineficiencias institucionales pueden actuar como barreras incluso cuando el compromiso es alto.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos subrayan la insuficiencia de los enfoques basados únicamente en la concienciación para mejorar la adopción de tecnologías de mitigación del arsénico. El estudio concluye que las intervenciones efectivas deben abordar la asequibilidad, la credibilidad institucional y las vulnerabilidades socioeconómicas. Al demostrar que la DAP está profundamente arraigada en las jerarquías sociales y la dinámica de gobernanza, en lugar de solo en la percepción del riesgo para la salud, la investigación aboga por estrategias de intervención específicas para cada contexto y basadas en la confianza. El estudio se posiciona como un paso hacia el diseño de estrategias de mitigación económicamente viables y socialmente inclusivas, enfatizando que las soluciones sostenibles requieren abordar los desafíos socioambientales más amplios más allá de la mera provisión tecnológica. Los autores mantienen un tono modesto, reconociendo las limitaciones tales como la naturaleza transversal de los datos y el uso de medidas de preferencia declarada, y llaman a una validación futura utilizando datos longitudinales y medidas de preferencia revelada.