An analysis of residential demand for water using micro time‐series data

Abstract

Residential water demand is estimated as a function of temperature, rainfall, house value, water price, and household size using monthly cross‐section and time‐series meter readings from 261 residential households in Raleigh, North Carolina, between May 1969 and December 1974. Tests for validity of assumptions are made, and a methodological approach is used that provides unbiased estimates of parameters and standard errors with data that exhibit serially correlated residuals. Demand relations are estimated for total residential, winter, and sprinkling demands. Sprinkling use per period per customer for each year is estimated by subtracting winter (November–April) from summer (May–October) use. Household size explained the largest proportion of the variation in the data. Estimated sprinkling demand was found to be highly responsive to changes in water price and the level of the climatic variables, while total residential demand and winter demand were less responsive to price changes.

Estimación de la demanda de agua para uso residencial urbano usando un modelo discreto-continuo y datos desagregados a nivel de hogar: el caso de la ciudad de Manizales, Colombia

“…Algunos modelos se han estimado con observaciones de consumo de agua agregados por ciudad, y pocos se han estimado usando observaciones a nivel de hogar. Aunque datos desagregados a nivel de hogar parecen ser los adecuados para la estimación de la demanda (Danielson, 1979), éstos generalmente no están disponibles en países en desarrollo (Nauges & Whittington, 2010).…”

“…En Latinoamérica, solo Jaramillo-Mosqueira (2005) El consumo de agua para uso residencial urbano considera como determinantes de la demanda tanto el ingreso como el precio (Moncur, 1987;Dandy, Nguyen & Davies, 1997;Gaudin, Griffin & Sickles, 2001;Arbués et al, 2003;Worthington & Hoffmann, 2006;Olmstead et al, 2007). La demanda también podría estar influenciada por variables demográficas de los hogares como cantidad de personas que los conforman y número de hombres y mujeres; variables relacionadas con características de la vivienda como antigüedad, nú-mero de cuartos de baño, tamaño del lote, área de la construcción; y variables de clima como temperatura y precipitación (Danielson, 1979;Foster & Beattie, 1979;Nieswiadomy & Molina, 1989;Espey, Espey & Douglass, 1997;Hanemann, 1998;Höglund, 1999;Arbués et al, 2003;Dalhuisen et al, 2003;Olmstead et al, 2007;Worthington & Hoffman 2008;Sebri, 2014). Con excepción de la demanda de agua para consumo humano, la demanda para uso residencial es una demanda derivada del uso de bienes y servicios que necesitan este recurso, específicamente lavadoras y uso de baños (Olmstead et al, 2007).…”

“…Tanto la endogeneidad como la restricción por segmentos lineales requieren el uso de métodos econométricos apropiados, los cuales son exigentes tanto en su especificación como en su estimación. Además, se considera como apropiado el uso de bases de datos desagregadas a nivel de hogar para la estimación de la demanda de agua (Danielson, 1979), las cuales generalmente no están disponibles en países en desarrollo (Nauges & Whittington, 2010). En la estimación econométrica de funciones de demanda de agua se han usado variables instrumentales (Terza & Welch, 1982;Nieswiadomy & Molina, 1989;Schleich & Hillenbrand, 2009), modelos de efectos fijos (Pint, 1999) y modelos de elección discreta-continua (MDC) (Hewitt & Hanemann, 1995;Miyawaki et al, 2011).…”

A Hybrid Agent-Based Model for Estimating Residential Water Demand

“…In estimating water demand, studies have used a variety of methods and econometric models, depending on the nature and availability of data [44][45][46]. Water demand estimation is usually formed as a generic model of the form C = f (P , Z), which relates water consumption C to some price measures P and other factors Z [8].…”

Unintended consequences of increasing block tariffs pricing policy in urban water

“…These studies differ in the types of data used (aggregate or disaggregate household level data), model specification, and estimation technique [Danielson, 1979;Jones and Morris, 1984;Chicoine et al, 1986;Nieswiadomy and Molina, 1988, 1989, 1991. More recently, price elasticity has been estimated using more advanced estimation tools that deal with the endogeneity problem associated with IBT pricing [Hewitt and Hanemann, 1995;Nauges and Blundell, 2002;Olmstead et al, 2005].…”