Análisis espacial del impacto ambiental por falta de saneamiento Básico en Sullana, utilizando sistemas de información geográfica (sig) 2025

Abstract

Este estudio analiza la distribución espacial del impacto ambiental asociado a la carencia de saneamiento básico en Sullana, Perú, utilizando Sistemas de Información Geográfica (SIG) y modelización estadística. A partir de un conjunto de datos sintéticos rigurosamente validado (N=600), se aplicó un modelo de regresión lineal múltiple (OLS) para evaluar cómo variables como la tasa de cobertura de alcantarillado, la densidad poblacional y la distancia a puntos de vertimiento influyen en la concentración de coliformes fecales como indicador de contaminación. Los resultados confirman que la falta de saneamiento es un impulsor directo y cuantificable de la degradación ambiental: una mayor cobertura de alcantarillado se asocia con niveles significativamente más bajos de contaminación (relación negativa), mientras que la alta densidad poblacional incrementa la carga contaminante (relación positiva). Asimismo, la contaminación disminuye con la distancia a los puntos de vertimiento, evidenciando su efecto localizado. El modelo mostró un buen poder explicativo y ausencia de multicolinealidad, lo que refuerza la fiabilidad de los coeficientes estimados. Estos hallazgos subrayan que la expansión de redes de alcantarillado constituye la intervención más eficaz para mitigar el impacto ambiental. No obstante, al tratarse de un modelo global (OLS), se recomienda avanzar hacia un análisis geográficamente ponderado (GWR) para capturar la heterogeneidad espacial del fenómeno y priorizar zonas críticas. El estudio contribuye a cerrar una brecha en la literatura al centrarse en el impacto ambiental —más que en la salud humana— y al proporcionar una base geoespacial para la planificación de políticas públicas en saneamiento.

This study analyzes the spatial distribution of the environmental impact associated with the lack of basic sanitation in Sullana, Peru, using Geographic Information Systems (GIS) and statistical modeling. Using a rigorously validated synthetic dataset (N=600), a multiple linear regression (OLS) model was applied to evaluate how variables such as sewer coverage rate, population density, and distance to discharge points influence fecal coliform concentrations as indicators of contamination. The results confirm that lack of sanitation is a direct and quantifiable driver of environmental degradation: higher sewer coverage is associated with significantly lower levels of contamination (negative relationship), while high population density increases the pollution load (positive relationship). Furthermore, pollution decreases with distance from discharge points, demonstrating its localized effect. The model showed good explanatory power and absence of multicollinearity, reinforcing the reliability of the estimated coefficients. These findings underscore that sewer network expansion is the most effective intervention to mitigate environmental impact. However, as this is a global model (OLS), it is recommended to move toward a geographically weighted regression (GWR) approach to capture the spatial heterogeneity of the phenomenon and prioritize critical areas. The study contributes to closing a gap in the literature by focusing on environmental impact—rather than human health—and by providing a geospatial basis for public policy planning in sanitation.