{"id":5193,"date":"2016-01-02T21:28:21","date_gmt":"2016-01-03T03:28:21","guid":{"rendered":"http:\/\/cienciauanl.uanl.mx\/?p=5193"},"modified":"2016-01-06T08:45:54","modified_gmt":"2016-01-06T14:45:54","slug":"jerarquia-espacial-de-la-pobreza-propuesta-de-un-metodo-nuevo-con-datos-para-mexico","status":"publish","type":"post","link":"https:\/\/cienciauanl.uanl.mx\/?p=5193","title":{"rendered":"Jerarqui\u0301a espacial de la pobreza. Propuesta de un me\u0301todo nuevo con datos para Me\u0301xico"},"content":{"rendered":"
\n
\n
\n

\"pobreza_mano_gris\"<\/a><\/p>\n

JESU\u0301S A. TREVIN\u0303O C.*<\/p>\n

\n
\n
\n

CIENCIA UANL \/ AN\u0303O 18, No. 76, NOVIEMBRE-DICIEMBRE 2015<\/p>\n

Art\u00edculo en PDF<\/a><\/p>\n

\n
\n
\n

El intere\u0301s por estudiar el patro\u0301n espacial de la pobreza es creciente, tanto en la academia (1) como en la poli\u0301tica pu\u0301blica. (2,3) El te\u0301rmino \u201cpatro\u0301n espacial\u201d en esta investigacio\u0301n (4) se refiere a la localizacio\u0301n o distribucio\u0301n geogra\u0301fica de una variable en un an\u0303o especi\u0301fico (situacio\u0301n) y al cambio locacional de la misma variable en un periodo dado (proceso).a<\/sup> La localizacio\u0301n de la variable, a su vez, posee dos caracteri\u0301sticas: magnitud e intensidad. Magnitud, generalmente expresada en te\u0301rminos absolutos, se refiere a la presencia nacional o interregional de la variable (pobreza, en el estudio de caso). Intensidad, por otro lado, mide la importancia local (intralocal) de la variable. En este trabajo, el ana\u0301lisis del patro\u0301n espacial (o simplemente, ana\u0301lisis espacial) se enfoca en la identificacio\u0301n de la jerarqui\u0301a espacial de las a\u0301reas al considerar la localizacio\u0301n e interseccio\u0301n de la intensidad y la magnitud de la pobreza. El cambio locacional de esta variable no puede abordarse con la informacio\u0301n disponible al nivel municipal en el estudio de caso mexicano.<\/p>\n

La identificacio\u0301n del patro\u0301n espacial de la pobreza demanda una distincio\u0301n clara entre magnitud e intensidad. Mientras magnitud se refiere a la cantidad, nu\u0301mero, taman\u0303o o volumen de la pobreza (espacialmente extendida); intensidad alude\u00a0a la gravedad o seriedad del problema (espacialmente intensiva). (8) El patro\u0301n espacial de la magnitud o la intensidad puede\u00a0concentrarse o aglomerarse. El patro\u0301n espacialmente concentrado se refiere a la jerarqui\u0301a de a\u0301reas, al considerar el nivel o\u00a0grado de incidencia o magnitud de la variable (esto es, Muy\u00a0alto, Alto, Medio, Bajo), sin importar su localizacio\u0301n geogra\u0301fica. Por otro lado, el patro\u0301n geogra\u0301fico aglomerado se refiere\u00a0a la clasificacio\u0301n de a\u0301reas de magnitud o intensidad similar\u00a0contiguos en el espacio, sin considerar la distribucio\u0301n, orden\u00a0o jerarqui\u0301a general de los valores. Los estudios sobre concentracio\u0301n y aglomeracio\u0301n son (o debieran ser) complementarios, no sustitutos. Esta conclusio\u0301n, aunque lo\u0301gica a la luz de\u00a0estas definiciones, no esta\u0301 expli\u0301citamente presente en la bibliografi\u0301a revisada, con la excepcio\u0301n del trabajo de Visvalingam. (9) El estudio de la dimensio\u0301n espacial de la pobreza, en general, y la identificacio\u0301n de su jerarqui\u0301a espacial, en particular, importa por las siguientes razones:<\/p>\n

\n
\n
\n

a) Es la forma ma\u0301s eficiente de enfrentar la dimensio\u0301n\u00a0territorial de los retos y problemas sociales, como la provisio\u0301n de educacio\u0301n secundaria y superior o servicios de salud especializados.<\/p>\n

b) Es una tarea inevitable en un pai\u0301s con un territorio muy amplio. La provisio\u0301n de infraestructura social al estado de Chihuahua (247,460 km2), por ejemplo, es un esfuerzo espacial similar al de proporcionar ese equipamiento al Reino Unido (242,900 km2). Lo mismo puede decirse para Sonora (179,355 km2), en relacio\u0301n a la repu\u0301blica del Uruguay (176,215 km2).<\/p>\n

c) Incrementa la visibilidad de la pobreza al identificar las a\u0301reas donde viven los pobres en condiciones socioecono\u0301micas y biofi\u0301sicas adversas.<\/p>\n

d) Analiza e incorpora el impacto socioecono\u0301mico de las estrategias de desarrollo regional y nacional.<\/p>\n

e) Al tener lo anterior en mente, es un prerrequisito para la formulacio\u0301n de poli\u0301ticas, el disen\u0303o de programas, la seleccio\u0301n de a\u0301reas e identificacio\u0301n de beneficiarios de la poli\u0301tica social.<\/p>\n

Esta investigacio\u0301n, una vez presentada la relevancia del estudio del patro\u0301n espacial y, con base en las definiciones esbozadas arriba, proporciona una jerarqui\u0301a espacial de las a\u0301reas de pobreza en Me\u0301xico en las secciones siguientes. La segunda seccio\u0301n enfoca el problema de la prioridad de las a\u0301reas en te\u0301rminos de valores globales altos y valores locales altos de la intensidad y magnitud. Esta segunda seccio\u0301n, adema\u0301s, contiene los pasos metodolo\u0301gicos sustantivos para elaborar una jerarqui\u0301a espacial de la pobreza. La tercera seccio\u0301n\u00a0presenta las preguntas de investigacio\u0301n e hipo\u0301tesis de trabajo orientadas al estudio de caso. Esta tercera parte tambie\u0301n coteja los resultados con las hipo\u0301tesis planteadas. Finalmente, la cuarta seccio\u0301n subraya los hallazgos principales y las limitaciones del estudio.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n

En si\u0301ntesis, el escrito presenta un procedimiento nuevo para identificar y analizar patrones espaciales y lo ilustra con la pobreza en el estudio de caso mexicano. La investigacio\u0301n identifica una jerarqui\u0301a espacial de la pobreza en Me\u0301xico, al combinar simulta\u0301neamente concentracio\u0301n y aglomeracio\u0301n de valores absolutos y relativos. Los datos utilizados son la informacio\u0301n disponible ma\u0301s reciente sobre pobreza al nivel municipal (2010). El estudio sen\u0303ala que la identificacio\u0301n de a\u0301reas prioritarias puede y deberi\u0301a mejorarse o validarse con criterios de estadi\u0301stica espacial y no espacial. Estos criterios se integrari\u0301an mediante un ana\u0301lisis de sobreposicio\u0301n espacial, tal como se muestra en las secciones siguientes.<\/p>\n

\n
\n
\n

Procedimiento propuesto<\/strong><\/p>\n

Esta seccio\u0301n muestra que la pobreza se conglomera en a\u0301reas ma\u0301s extensas que las aglomeraciones identificadas con estadi\u0301stica espacial. Tambie\u0301n presenta un portafolio de te\u0301cnicas para identificar estos conglomerados y jerarquizar las a\u0301reas que contienen. El punto de partida en estas tareas es que hay valores globales altos que no coinciden con los valores locales altos, y viceversa, tal como se describe enseguida.<\/p>\n

Valores globales altos y valores locales altos<\/strong><\/p>\n

Este trabajo considera dos tipos de valores \u201caltos\u201d: valores globales altos (VGA) y valores locales altos (VLA). En general, los VGA se obtienen con estadi\u0301stica no espacial; son valores por encima de la media en distribuciones normales o superiores a la mediana en distribuciones asime\u0301tricas a la derecha (asimetri\u0301a positiva). Son valores altos en te\u0301rminos del conjunto global de los datos. Por otro lado, los valores locales altos se califican so\u0301lo al considerar los localizados en cierta distancia, rango espacial o vecindad.b<\/sup> Los valores locales altos se identifican en estadi\u0301stica espacial mediante permutaciones.<\/p>\n

Como se desglosa enseguida, los VGA se calculan tomando en cuenta el conjunto completo de datos, sin considerar la\u00a0localizacio\u0301n de los casos o unidades de observacio\u0301n. Por otro lado, los VLA se identifican teniendo como referencia algu\u0301n criterio predefinido de contigu\u0308idad o vecindad. Como resultado, algunos (no todos) VGA pueden traslaparse con VLA. Ambos tipos de valores altos (VGA y VLA) representan procesos espaciales distintos que deberi\u0301an integrarse anali\u0301ticamente. Mientas los VGA resultan de un proceso de concentracio\u0301n general (concentracio\u0301n), los VLA son consecuencia de ese mismo proceso de concentracio\u0301n en a\u0301reas contiguas (aglomeracio\u0301n). Asi\u0301 presentado, pareceri\u0301a que la aglomeracio\u0301n es un subconjunto del proceso de concentracio\u0301n general. No es asi\u0301. La georreferenciacio\u0301n (territorializacio\u0301n o espacializacio\u0301n) de la variable de intere\u0301s muestra que el cara\u0301cter local de la aglomeracio\u0301n genera una diferenciacio\u0301n espacial del proceso de concentracio\u0301n general que amerita atenderse. Por ejemplo, la concentracio\u0301n general indica que la pobreza se concentra, altamente, en unas cuantas a\u0301reas; el proceso de aglomeracio\u0301n, por otro lado, sen\u0303ala que algunas de esas a\u0301reas son contiguas en el espacio. Conviene advertir, sin embargo, que algunas a\u0301reas contiguas en el espacio que son altas desde el punto de vista local pudieran ser bajas en el conjunto global de datos. Esta caracteri\u0301stica impide asegurar que el proceso de aglomeracio\u0301n es simplemente el proceso de concentracio\u0301n en a\u0301reas contiguas.<\/p>\n

\n
\n
\n

Con base en resultados empi\u0301ricos preliminares, esta investigacio\u0301n sugiere y constata que hay valores globales altos no detectados localmente y hay valores locales altos inadvertidos globalmente (en la perspectiva nacional, en el estudio de caso). Esta situacio\u0301n demanda un procedimiento que simulta\u0301neamente considere valores globales y locales altos. Es una estrategia metodolo\u0301gica poco afortunada utilizar u\u0301nicamente la estadi\u0301stica espacial, procedimientos no espaciales para identificar conglomerados de pobreza. Las li\u0301neas siguientes abordan la definicio\u0301n e identificacio\u0301n de valores globales altos con estadi\u0301stica no espacial (como remuestreo, discontinuidades naturales o puntas y colas consecutivas). Enseguida se presenta la identificacio\u0301n de valores locales altos utilizando la estadi\u0301stica espacial (es decir, autocorrelacio\u0301n espacial). Finalmente, la seccio\u0301n sugiere la sobreposicio\u0301n de valores globales y locales altos para identificar conglomerados de pobreza.<\/p>\n

Identificacio\u0301n de conglomerados de intensidad o magnitud. Pensamiento fuera de la caja: sobreposicio\u0301n de valores globales altos con valores locales altos<\/strong><\/p>\n

El ana\u0301lisis de sobreposicio\u0301n ya se ha utilizado para integrar\u00a0distintas variables de intensidad (por ejemplo, educacio\u0301n y pobreza); (11) pero, hasta donde sabemos, no se ha utilizado para integrar simulta\u0301neamente la concentracio\u0301n y aglomeracio\u0301n de valores absolutos y relativos. Esta integracio\u0301n es muy relevante, si se considera el hecho de que algunos valores globales altos detectados por el ana\u0301lisis de concentracio\u0301n (por remuestreo o estadi\u0301stica descriptiva) pueden pasar desapercibidos en el ana\u0301lisis de aglomeracio\u0301n que identifica los valores locales altos (por autocorrelacio\u0301n espacial local), y viceversa. Los valores locales altos no son necesariamente valores altos desde el punto de la perspectiva nacional o global. (3)<\/p>\n

\n
\n
\n

En suma, esta investigacio\u0301n sostiene que no todos los valores locales altos coinciden con valores globales altos, ni e\u0301stos u\u0301ltimos concuerdan con lo primeros. Los valores globales altos, identificados por remuestreo en esta investigacio\u0301n, tienen un li\u0301mite estadi\u0301sticamente definido (el li\u0301mite superior del intervalo de la media remuestreada, generalmente con una probabilidad del 95% con una cola). Por otro lado, los valores locales altos, identificados mediante autocorrelacio\u0301n espacial, pueden existir si el valor del a\u0301rea de referencia es mayor que el promedio de los valores en las a\u0301reas aledan\u0303as, aunque este\u0301n por debajo del umbral que define a los valores globales altos. La autocorrelacio\u0301n local tambie\u0301n pudiera omitir valores globales altos, si el a\u0301rea de referencia esta\u0301 rodeada por valores globales que en promedio son au\u0301n ma\u0301s altos. La identificacio\u0301n de conglomerados de intensidad, por un lado, y de magnitud, por otro, es posible mediante la sobreposicio\u0301n de valores globales altos y valores locales altos. El ana\u0301lisis de sobreposicio\u0301n en los sistemas de ana\u0301lisis geogra\u0301fico integra matema\u0301ticamente (por unio\u0301n o interseccio\u0301n) las capas de concentracio\u0301n y aglomeracio\u0301n para crear una nueva capa que contenga el conglomerado resultante. Los nu\u0301cleos an\u0303aden a su periferia valores globales altos contiguos para formar conglomerados. Este procedimiento se aplica primero a valores relativos. Despue\u0301s, como una tarea independiente y separada, el ana\u0301lisis se repite para valores absolutos.<\/p>\n

\"fig_1_esquema_metodologico_pobreza\"<\/a><\/p>\n

\n
\n
\n

Identificacio\u0301n de a\u0301reas prioritarias por sobreposicio\u0301n de conglomerados de magnitud e intensidad<\/strong><\/p>\n

En este paso se aplican diagramas de Venn para representar los conglomerados de intensidad y magnitud. Los casos de mayor prioridad se localizan en la interseccio\u0301n de estos dos subconjuntos. Esta interseccio\u0301n consta de conglomerados de\u00a0valores altos tanto de magnitud como de intensidad. Por esta razo\u0301n, ellas reciben la prioridad mayor (prioridad uno).<\/p>\n

\n
\n
\n

Relevancia espacial de las a\u0301reas que no se intersectan y que se localizan al interior de los conglomerados<\/strong><\/p>\n

Una vez identificados los municipios localizados en la interseccio\u0301n, las a\u0301reas remanentes al interior de cada conglomerado pueden estratificarse. Esta estratificacio\u0301n proporciona una clasificacio\u0301n de a\u0301reas que complementa a los municipios de mayor prioridad. La identificacio\u0301n de las a\u0301reas de mayor prioridad y la estratificacio\u0301n de las a\u0301reas que no se intersectan proporcionan una jerarqui\u0301a espacial que gu\u00eda la asignacio\u0301n de recursos sociales, la toma de decisiones en poli\u0301tica pu\u0301blica o estudios futuros sobre el patro\u0301n espacial de la pobreza. Hay varias alternativas para estratificar o asignar prioridad a los conglomerados fuera de la interseccio\u0301n. En este escrito se considera la estratificacio\u0301n de puntas y colas (p\/c), especialmente disen\u0303ada para distribuciones asime\u0301tricas como la pobreza. (13)<\/p>\n

Relevancia espacial de las a\u0301reas que se localizan fuera de los conglomerados<\/strong><\/p>\n

Las a\u0301reas fuera de los conglomerados tienen una importancia\u00a0espacialmente diferenciada, porque contienen valores globales altos. Estos valores globales altos, si fuera necesario, tambie\u0301n se clasificari\u0301an por los me\u0301todos sugeridos para las a\u0301reas en los conglomerados, dependiendo de la forma de su distribucio\u0301n (sime\u0301trica o asime\u0301trica).<\/p>\n

\n
\n
\n

La jerarqui\u0301a espacial resultante puede confrontarse con los procedimientos que utilizan valores cri\u0301ticos, como el de Sedesol, (14) o criterios mixtos. (15) Los resultados tambie\u0301n se comparari\u0301an con variaciones del procedimiento propuesto. Por ejemplo, si se utilizan datos estandarizados de magnitud el nu\u0301mero de a\u0301reas en los nu\u0301cleos correspondientes podri\u0301a incrementarse.<\/p>\n

La figura 1 sintetiza de manera gra\u0301fica los principales pasos metodolo\u0301gicos descritos en esta seccio\u0301n.<\/p>\n

\n
\n
\n

Estudio de caso<\/strong><\/p>\n

Preguntas de investigacio\u0301n e hipo\u0301tesis de trabajo<\/strong><\/p>\n

En un escrito sobre me\u0301todos, la estructura lo\u0301gica, las aportaciones, bondades y desventajas del procedimiento demandan la atencio\u0301n principal. Lo que importa es la sustancia del contenido y, en este caso, la novedad que se presume. En este trabajo se plantean preguntas de investigacio\u0301n e hipo\u0301tesis de trabajo asociadas para facilitar el proceso de investigacio\u0301n, la organizacio\u0301n del escrito y la comunicacio\u0301n de sus resultados. En realidad las preguntas de investigacio\u0301n e hipo\u0301tesis de trabajo agrega poco al valor de la investigacio\u0301n y es ma\u0301s un asunto de preferencia del investigador y del estilo de redaccio\u0301n. (16) Las preguntas de investigacio\u0301n y la especificacio\u0301n de las hipo\u0301tesis correspondientes en este estudio no son muy distintas a las planteadas por estudios similares para una variable georreferenciada, aunque con procedimientos e inquietudes distintos: (17)<\/p>\n

1. \u00bfEsta\u0301 la pobreza aleatoriamente distribuida entre los municipios de Me\u0301xico?<\/p>\n

Hipo\u0301tesis: H0: La pobreza esta\u0301 distribuida aleatoriamente entre los municipios de Me\u0301xico. H1: No se acepta H0.<\/p>\n

Implicacio\u0301n. Si no se rechazara H0, la poli\u0301tica contra la pobreza espacialmente focalizada no tendri\u0301a ningu\u0301n sentido, puesto que la pobreza estari\u0301a aleatoriamente distribuida.<\/p>\n

2. \u00bfHay aglomeraciones de municipios pobres o focos rojos espaciales de pobreza compuestos por varios municipios?<\/p>\n

Hipo\u0301tesis: H0: No hay aglomeraciones de municipios pobres. H1: Hay municipios con altos niveles de pobreza rodeados por municipios igualmente pobres.<\/p>\n

Implicacio\u0301n. Si no se rechazara H0 no existiri\u0301an aglomeraciones de a\u0301reas de pobreza ni necesidad de intervenir o focalizar espacialmente los recursos y esfuerzos sociales.<\/p>\n

\"tabla_I_prioridades_politica_espacial\"<\/a><\/p>\n

\n
\n
\n

3. \u00bfPueden los municipios ser ordenados o jerarquizados considerando simulta\u0301neamente la intensidad de la pobreza, el nu\u0301mero de pobres y su distribucio\u0301n espacial?<\/p>\n

Hipo\u0301tesis: H0: La ausencia de una metodologi\u0301a que articule simulta\u0301neamente los valores globales altos y valores locales altos de variables en te\u0301rminos relativos y absolutos demuestra que su existencia no es posible; su inexistencia asi\u0301 lo evidencia. H1: No se acepta H0. La ausencia de una metodologi\u0301a como la descrita so\u0301lo es sen\u0303al de la evolucio\u0301n incompleta del pensamiento espacial integrado a temas sociales.<\/p>\n

Implicacio\u0301n. Si no se rechazara H0 se tendri\u0301an dos problemas importantes: (1) el uso u\u0301nico de valores relativos subestimari\u0301a el problema de la pobreza en las a\u0301reas densamente pobladas y lo sobrestimari\u0301a en a\u0301reas pequen\u0303as o escasamente habitadas (lo contrario ocurre para el uso u\u0301nico de valores absolutos), y (2) La falta de correspondencia entre los valores globales altos y locales altos, adema\u0301s, no so\u0301lo omite la complementariedad de los procesos de concentracio\u0301n y de aglomeracio\u0301n sino que identifica conglomerados incompletos. Estos dos problemas complican el trabajo te\u0301cnico y la existencia de criterios objetivos para asignar los recursos sociales (como ocurre actualmente).<\/p>\n

RESULTADOS<\/strong><\/p>\n

La jerarqui\u0301a espacial en los municipios de Me\u0301xico se obtiene mediante dos tareas complementarias: la identificacio\u0301n de los municipios en la interseccio\u0301n de los conglomerados de magnitud (figura 2) e intensidad (figura 3) y la asignacio\u0301n de prioridad espacial a las a\u0301reas restantes (tabla I).<\/p>\n

\n
\n
\n

A\u0301reas de mayor prioridad<\/strong><\/p>\n

Sobreposicio\u0301n de los conglomerados de intensidad y magnitud. Como es de esperarse en la mayori\u0301a de los problemas sociales, el estudio del caso mexicano rechaza la hipo\u0301tesis nula de aleatoriedad espacial (hipo\u0301tesis 1) y concluye que la intensidad y la magnitud, cada una por su lado, tienen un patro\u0301n espacial concentrado y aglomerado (hipo\u0301tesis 2). El i\u0301ndice global de Moran (I) confirma que la intensidad de la pobreza esta\u0301 aglomerada en el pai\u0301s (I= 0.6796; p = 0.0001; para 9,999 permutaciones). El valor de este i\u0301ndice para la magnitud muestra un resultado similar (I= 0.279; p= 0.0001; para 9,999 permutaciones).<\/p>\n

Cuarenta y cuatro municipios mexicanos, en el a\u0301rea de interseccio\u0301n de estos conglomerados de magnitud e intensidad (tabla II), son los municipios cuadriculados en la figura 2 o figura 3. 65% de estos cuarenta y cuatro municipios contienen 70% de la pobreza en las a\u0301reas de prioridad ma\u0301s alta y se localiza completamente en el estado de Chiapas. Ocosingo, Chiapas, tiene \u201cel valor ma\u0301s alto entre los ma\u0301s altos\u201d de magnitud e intensidad. Atendiendo simulta\u0301neamente a los valores absolutos y relativos de la magnitud e intensidad de la pobreza, Ocosingo deberi\u0301a tener la prioridad ma\u0301s alta en la poli\u0301tica pu\u0301blica respectiva.<\/p>\n

Municipios fuera del a\u0301rea de interseccio\u0301n<\/strong><\/p>\n

Una vez identificada la interseccio\u0301n entre los dos conglomerados, el estudio sugiere una jerarqui\u0301a espacial de los municipios restantes. Las a\u0301reas de magnitud e intensidad fuera de la interseccio\u0301n se clasifican con el me\u0301todo de puntas y colas (p\/ c), el ma\u0301s apropiado para distribuciones de gran asimetri\u0301a, (13) El procedimiento de (p\/c) genera tres estratos para la magnitud y so\u0301lo un estrato para la intensidad. Ambos, las a\u0301reas en la interseccio\u0301n y la estratificacio\u0301n de las que esta\u0301n fuera de ella proporcionan una jerarqui\u0301a espacial de la pobreza en Me\u0301xico en 2010 (hipo\u0301tesis 3: es posible elaborar una metodologi\u0301a que combine simulta\u0301neamente valores globales altos y valores locales altos de variables en te\u0301rminos relativos y absolutos) (tabla II).<\/p>\n

Notas finales<\/strong><\/p>\n

Esta investigacio\u0301n confirma la existencia de focos rojos de pobreza mediante el uso de autocorrelacio\u0301n espacial (i\u0301ndice local de Moran). Estos focos, al combinarse con valores globales altos identificados por remuestreo, forman conglomerados de intensidad o magnitud de pobreza, a partir de aglomeraciones que se extienden a su periferia. La combinacio\u0301n de valores globales altos y valores locales altos no so\u0301lo muestra que la pobreza no esta\u0301 aleatoriamente distribuida en el espacio, sino que se conglomera en a\u0301reas ma\u0301s amplias que las identificadas solamente con estadi\u0301stica espacial.<\/p>\n

\"tabla_II_cuarenta_y_cuatro\"<\/a><\/p>\n

\n
\n
\n

Las tres contribuciones principales del estudio son las siguientes:<\/strong><\/p>\n

1. Integra un cuerpo conceptual comparativo para identificar a\u0301reas de pobreza con una jerarqui\u0301a espacial. Este marco es relevante para definir las poli\u0301ticas enfocadas espacialmente, y puede ser insumo para modelos explicativos posteriores (mi\u0301nimos cuadrados ordinarios, regresio\u0301n espacial y regresio\u0301n geogra\u0301ficamente ponderada). En el nivel estadi\u0301stico, la mera existencia de aglomeraciones y conglomerados es evidencia de la heterogeneidad espacial (regi\u0301menes espaciales) que debe tomarse en cuenta en los modelos de regresio\u0301n espacial y no-espacial.<\/p>\n

2. Articula conceptual y empi\u0301ricamente dos procesos espaciales (concentracio\u0301n y aglomeracio\u0301n), dos te\u0301cnicas estadi\u0301sticas complementarias (remuestreo y autocorrelacio\u0301n espacial), un procedimiento de sistemas de informacio\u0301n geogra\u0301fica (ana\u0301lisis de sobreposicio\u0301n de capas), un procedimiento reciente de clasificacio\u0301n (puntas y colas) y dos tipos diferentes de datos (absolutos y relativos) para elaborar una\u00a0jerarqui\u0301a espacial de la pobreza. Este procedimiento tambie\u0301n puede aplicarse a cada una de las variables que definen la pobreza, como personas en carencia de cierto nu\u0301mero de necesidades ba\u0301sicas o por debajo de cierto nivel ingreso.<\/p>\n

\"fig_2_conglomerados_de_magnitud\"<\/a><\/p>\n

\n
\n
\n

3. Retoma conceptos ba\u0301sicos (patro\u0301n espacial, concentracio\u0301n, aglomeracio\u0301n) y repasa medidas de intensidad y magnitud que pueden utilizarse para identificar y explicar diversos patrones geogra\u0301ficos: pobreza, desarrollo humano, mortalidad infantil, fertilidad adolescente, enfermedad o crimen. Los resultados tambie\u0301n deben abordarse a la luz de la experiencia en otros estudios de caso.<\/p>\n

Como en cualquier otro me\u0301todo, la metodologi\u0301a espacial sugerida tiene sus propias limitaciones:<\/p>\n

Depende de la desagregacio\u0301n y exactitud de la unidad espacial de ana\u0301lisis (municipios, agebs, manzanas).<\/p>\n

Los resultados puede que no sean los mismos para datos suavizados en el tiempo (promedios mo\u0301viles) y el espacio (suavizacio\u0301n espacial bayesiana). Adema\u0301s de utilizar tasas espaciales suavizadas en esta investigacio\u0301n, de estar disponibles, los estudios tambie\u0301n pueden utilizar la media estadi\u0301stica para un periodo de tiempo (la tasa promedio de la pobreza para el 2003-2012) o los promedios mo\u0301viles en el tiempo. Desafortunadamente, la base de datos espacialmente desagregada para la pobreza en el estudio de caso mexicano so\u0301lo existe para 2010.<\/p>\n

\n
\n
\n

Deja sin los beneficios de los programas sociales a personas en la pobreza que no se localizan en las a\u0301reas seleccionadas. Son necesarios los ajustes regionales basados en la historia, cultura y economi\u0301a comunes. Las regiones y sus municipios generalmente comparten caracteri\u0301sticas naturales similares, factores sociales y experiencias comunes.<\/p>\n

Los resultados principales de esta investigacio\u0301n no son comparables o compatibles con los reportados en los documentos de organismos oficiales como Coneval o Sedesol. En el caso de Coneval:<\/p>\n

Mientras esta investigacio\u0301n incluye simulta\u0301neamente magnitud (nu\u0301mero absoluto de pobres) e intensidad (LQ) en su clasificacio\u0301n, el Coneval no incluye magnitud. So\u0301lo utiliza incidencia (porcentaje de pobres) para estratificar los municipios mexicanos.<\/p>\n

A diferencia de esta investigacio\u0301n, el Coneval no considera la aglomeracio\u0301n en su clasificacio\u0301n.<\/p>\n

Se espera que la metodologi\u0301a en esta investigacio\u0301n, a pesar de sus limitaciones, ayude a crear una jerarqui\u0301a espacial objetiva y u\u0301til para los programas sociales.<\/p>\n

RESUMEN<\/strong><\/p>\n

Esta investigacio\u0301n presenta y aplica un nuevo procedimiento para jerarquizar espacialmente la pobreza. El me\u0301todo propuesto combina simulta\u0301neamente variables de magnitud e intensidad utilizando te\u0301cnicas estadi\u0301sticas recientes (remuestreo y autocorrelacio\u0301n espacial) y tradicionales, asi\u0301 como rutinas de sobreposicio\u0301n espacial de los sistemas de informacio\u0301n geogra\u0301fica. Mientras magnitud e intensidad se refieren a datos absolutos y relativos, respectivamente, cada variable puede concentrarse o aglomerarse en el espacio. En este estudio, concentracio\u0301n es la presencia de valores globales altos, independientemente de su localizacio\u0301n, y aglomeracio\u0301n es la concentracio\u0301n de valores locales altos espacialmente contiguos. Ambas, aglomeracio\u0301n y concentracio\u0301n, se fusionan mediante un procedimiento de sobreposicio\u0301n geogra\u0301fica para crear conglomerados de magnitud o intensidad de pobreza. Los casos al interior de estos conglomerados se clasifican por procedimientos gaussianos (discontinuidades naturales) o paretianos (puntas y colas) para crear una jerarqui\u0301a espacial. Por primera vez, en el estudio de la pobreza, la jerarqui\u0301a espacial resultante es producto de la combinacio\u0301n simulta\u0301nea de los procesos de concentracio\u0301n y aglomeracio\u0301n medidos en te\u0301rminos absolutos y relativos. Las bondades del procedimiento en una poli\u0301tica pu\u0301blica espacialmente orientada se ilustran y abordan la focalizacio\u0301n espacial de la pobreza en los 2456 municipios mexicanos en 2010. La metodologi\u0301a propuesta en esta investigacio\u0301n puede adaptarse fa\u0301cilmente para identificar los patrones espaciales de otros problemas sociales: crimen, industria, enfermedades, contaminacio\u0301n o justicia ambiental en diferentes a\u0301reas o pai\u0301ses.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n

Palabras clave:<\/strong> Ana\u0301lisis espacial, Aglomeracio\u0301n, Concentracio\u0301n, Conglomerados, Pobreza, Clasificacio\u0301n JEL: R; C1; I3.<\/p>\n

ABSTRACT<\/strong><\/p>\n

This research presents and applies a new procedure to elaborate a spatial hierarchy of poverty. The proposed method simultaneously combines variables of magnitude and intensity based on recent (bootstrapping & spatial autocorrelation) and traditional statistical techniques, and overlay routines of Geographical Information Systems. While magnitude and intensity refer to absolute and relative data, respectively, each variable may be concentrated or agglomerated in space. In this study, concentration is the presence of high global values, regardless of their location, and agglomeration is the concentration of spatially contiguous high local values. Both agglomeration and concentration are merged through a geographical overlay procedure to create conglomerates of magnitude or intensity of poverty. Cases inside these conglomerates are classified by gaussian (natural breaks) or paretian (heads and tails) procedures to set up a spatial hierarchy. For the first time in the study of the spatial pattern of poverty, the resulting spatial hierarchy is based on the simultaneous combination of the concentration and agglomeration processes measured in relative and absolute terms. The benefits of the procedure for an area-based public policy are illustrated by assessing the spatial targeting of poverty in the 2,456 Mexican municipalities in 2010. The suggested methodology in this research may be easily extended to identify other spatial patterns, such as crime, industry, diseases, pollution or environmental justice in different areas or countries.<\/p>\n

\n
\n
\n

Keywords:<\/strong> Spatial analysis, Agglomeration, Concentration, Conglomerates, Poverty, JEL classification: R; C1; I3.<\/p>\n

a Esta definicio\u0301n operativa es compatible con definiciones ma\u0301s amplias que consideran el patro\u0301n espacial como una expresio\u0301n o manifestacio\u0301n material de procesos socioecono\u0301micos esenciales subyacentes (por ejemplo, simulacio\u0301n espacial, (5) justicia espacial, (6) o desarrollo desigual). (7)<\/p>\n

\n
\n
\n

b Estas definiciones se basan en Zhang, et al.. (10) Se utiliza \u201cvalores altos\u201d en vez de \u201ccasos ati\u0301picos\u201d, porque esta investigacio\u0301n se enfoca en los valores significativamente altos y no en valores extremos.<\/p>\n

\n
\n
\n

c Importa mencionar que la posibilidad de tener valores locales altos se incrementa si la base de datos original se suaviza o estandariza de manera que disminuya la influencia de los casos globales ati\u0301picos. (12)<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n

REFERENCIAS<\/strong><\/p>\n<\/div>\n<\/div>\n

\n
Partridge, M.D., & Rickman, D.S. (2006). The geography of American poverty: Is there a need for place-based policies? Kalamazoo, MI: W.E. Upjohn Institute for Employment Research. Bedi, T., Coudouel, A., & Simler, K. (2007). More than a pretty picture: Using poverty maps to design better policies and interventions. Washington, DC: World Bank.<\/div>\n
\n

Mexico-Coneval. (n.d.). Medicio\u0301n de la pobreza. Pobreza a nivel municipio 2010. Disponible en http:\/\/www.coneval.gob.mx\/ Medicion\/Paginas\/Medici%C3%B3n\/Medicion-de-la-pobreza-mu- nicipal-2010.aspx [10\/may\/2014]<\/p>\n

Trevin\u0303o C.J. (2014). \u201cSpatial pattern of poverty. A new procedure to identify the spatial hierarchy of poverty in Me\u0301xico, 2010\u201d. En J.A. Trevin\u0303o C. (Ed.). Spatial Assessment of Poverty and Affordable Housing (pp.13-99). Monterrey, NL: Universidad Auto\u0301noma de Nuevo Leo\u0301n.<\/p>\n

O\u2019Sullivan, D., & Perry, G.L. (2013). Spatial simulation: Exploring pattern and process. Chichester, West Sussex: John Wiley & Sons Inc.
\nSoja, E.W. (2010). Seeking Spatial Justice. Minneapolis: Univer- sity of Minnesota Press.<\/p>\n

Gottdiener, M., & Hutchison, R. (2011). The new urban sociology. Boulder, CO: Westview Press.
\nGoodchild, M.F., & Lam, N.S. (1980). Areal interpolation: A variant of the traditional spatial problem. Geo-Processing, 1, 297- 312. Retrieved from http:\/\/www.geog.ucsb.edu\/~good\/papers\/46.pdf Visvalingam, M. (1983). Area-based social indicators: Signed chi- square as an alternative to ratios. Social Indicators Research, 13(3), 311-329.<\/p>\n

Zhang, C., Tang, Y., Luo, L., & Xu, W. (2009). Outlier identifi- cation and visualization for Pb concentrations in urban soils and its implications for identification of potential contaminated land. En- vironmental Pollution, (157), 3083\u20133090.<\/p>\n

Choudhury, N.Y., & Ra\u0308der, C. (2014). Targeting the Poorest and Most Vulnerable: Examples from Bangladesh. In J. Von Braun & F. W. Gatzweiler (Eds.), Marginality: Addressing the Nexus of Poverty, Exclusion and Ecology. Dordrecht: Springer Netherlands. Zhang, C., Luo, L., Xu, W., & Ledwith, V. (2008). Use of local Moran\u2019s I and GIS to identify pollution hotspots of Pb in urban soils of Galway, Ireland. Science of The Total Environment, (398), 212\u2013221. doi:10.1016\/j.scitotenv.2008.03.011<\/p>\n

Jiang, B., & Yin, J. (2014). Ht-index for quantifying the fractal or\u00a0scaling structure of geographic features. Annals of the Association\u00a0of American Geographers, 104(3), 530-541.<\/p>\n

Mexico. Sedesol. (2013). Procedimiento de seleccio\u0301n de los 400municipios prioritarios de la Cruzada Nacional Contra el Ham- bre. Disponible en http:\/\/www.sedesol.gob.mx\/work\/models\/SE- DESOL\/Cruzada\/4_NOTA_TECNICA_DEL_ PROCEDIMIENTO_DE_SELECCION_DE _LOS_400_ MUNICIPIOS_PRIORITARIOS_DE_LA_CNCH.pdf [30\/04\/ 2013]<\/p>\n

Graw, V., & Husmann, C. (2014). Mapping Marginality Hotspots.<\/p>\n

\n
\n
\n

In J. Von Braun & F. W. Gatzweiler (Eds.), Marginality: Addressing the Nexus of Poverty, Exclusion and Ecology (pp. 69- 83). Dordrecht: Springer Netherlands.<\/p>\n

Yeager, Samuel J. 2008. \u00ab4 Where Do Research Questions Come from and How Are They Developed?\u201d. En Gerald J. Miller and Kaifeng Yang (editors), Handbook of research methods in public administration, 2nd ed., USA: CRC Press.<\/p>\n

Anselin et al. (2007). Using Exploratory Spatial Data Analysis to Leverage Social Indicator Databases: The Discovery of Interesting Patterns. Social Indicators Research. 82: 287-309.<\/p>\n

Recibido: 23\/09\/15<\/p>\n

Aceptado: 23\/10\/15<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

JESU\u0301S A. TREVIN\u0303O C.* CIENCIA UANL \/ AN\u0303O 18, No. 76, NOVIEMBRE-DICIEMBRE 2015 Art\u00edculo en PDF El intere\u0301s por estudiar el patro\u0301n espacial de la pobreza es creciente, tanto en la academia (1) como en la poli\u0301tica pu\u0301blica. (2,3) El te\u0301rmino \u201cpatro\u0301n espacial\u201d en esta investigacio\u0301n (4) se refiere a la localizacio\u0301n o distribucio\u0301n geogra\u0301fica de una variable en un […]<\/p>\n","protected":false},"author":2,"featured_media":5196,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[27],"tags":[],"class_list":["post-5193","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-investigacion"],"_links":{"self":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5193","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=5193"}],"version-history":[{"count":4,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5193\/revisions"}],"predecessor-version":[{"id":5277,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/posts\/5193\/revisions\/5277"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=\/wp\/v2\/media\/5196"}],"wp:attachment":[{"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=5193"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=5193"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cienciauanl.uanl.mx\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=5193"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}