EL TRIMESTRE ECONÓMICO, vol. LXXXIII (4), núm. 332, octubre-diciembre de 2016, pp.

679-723

Mapa y jerarquía espacial de la pobreza en México.

Un nuevo procedimiento para identificar el patrón
espacial de los problemas sociales*
Mapping Poverty and its Spatial Hierarchy in Mexico.
A New Method for Identifying the Spatial Pattern
of Social Problems

Jesús A. Treviño C.**

ABSTRACT

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 tra-
ditional 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, con-
centration is the presence of high global values, regardless of their location, and ag-
glomeration is the concentration of spatially contiguous high local values. Both
agglomeration and concentration are merged through a geographical overlay pro-
cedure 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.

* Artículo recibido el 14 de mayo de 2015 y aceptado el 10 de febrero de 2016.

** Profesor de posgrado, Facultad de Arquitectura, Universidad Autónoma de Nuevo León (correo
electrónico: [email protected]). Los errores remanentes son responsabilidad del autor.
679
680 EL TRIMESTRE ECONÓMICO 332

For the first time in the study of the spatial pattern of poverty, the resulting spa-
tial 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 municipios in 2010. The suggested meth-
odology 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.

Key words: spatial analysis, agglomeration, concentration, conglomerates, poverty.

JEL classification: R58, C1, I3.
RESUMEN
Esta investigación presenta y aplica un nuevo procedimiento para jerarquizar espa-
cialmente la pobreza. El método propuesto combina simultáneamente variables de
magnitud e intensidad utilizando técnicas estadísticas recientes (remuestreo y auto-
correlación espacial) y tradicionales, así como rutinas de superposición espacial de
los Sistemas de Información Geográfica.
Mientras magnitud e intensidad se refieren a datos absolutos y relativos, respec-
tivamente, cada variable puede estar concentrada o aglomerada en el espacio. En
este estudio, concentración es la presencia de valores globales altos, independiente-
mente de su localización, y aglomeración es la concentración de valores locales altos
espacialmente contiguos. Ambas, aglomeración y concentración, son fusionadas
mediante un procedimiento de superposición geográfica para crear conglomerados
de magnitud o intensidad de pobreza. Los casos al interior de estos conglomerados
son clasificados por procedimientos gaussianos (discontinuidades naturales) o pa-
retianos (puntas y colas) para crear una jerarquía espacial.
Por primera vez en el estudio de la pobreza, la jerarquía espacial resultante es
producto de la combinación simultánea de los procesos de concentración y aglome-
ración medidos en términos absolutos y relativos. Los beneficios del procedimiento
en una política pública espacialmente orientada son ilustrados abordando la focali-
zación espacial de la pobreza en los 2 456 municipios mexicanos en el 2010. La meto-
dología propuesta en esta investigación puede adaptarse fácilmente para identificar
los patrones espaciales de otros problemas sociales, tales como crimen, industria,
enfermedades, contaminación o justicia ambiental en diferentes áreas o países.

Palabras clave: análisis espacial, aglomeración, concentración, conglomerados, po-

breza. Clasificación JEL: R58, C1, I3.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 681

INTRODUCCIÓN

E l interés por estudiar el patrón espacial de la pobreza es creciente, tanto

en la academia (Partridge y Rickman, 2006) como en la política pública
(Bedi, Coudouel y Simler, 2007; Coneval, 2014). El término patrón espacial
en esta investigación se refiere a la localización o distribución geográfica de
una variable en un año específico (situación) y al cambio locacional de la
misma variable en un periodo dado (proceso).1 La localización de la variable,
a su vez, tiene dos características: magnitud e intensidad. Magnitud, gene-
ralmente expresada en términos 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 análisis del patrón espacial (o simplemente, análisis espacial) se
enfoca en la identificación de la jerarquía espacial de las áreas considerando
la localización e intersección de la intensidad y la magnitud de la pobreza.
El cambio locacional de esta variable no puede abordarse con la información
disponible al nivel municipal en el estudio de caso mexicano.
La identificación del patrón espacial de la pobreza demanda una distin-
ción clara entre magnitud e intensidad. Mientras magnitud se refiere a la
cantidad, número, tamaño o volumen de la pobreza espacialmente exten-
dida, intensidad tiene que ver con la gravedad o seriedad del problema es-
pacialmente intensiva (Goodchild y Lam, 1980). El patrón espacial de la
magnitud o la intensidad puede ser concentrado o aglomerado. El patrón
espacialmente concentrado se refiere a la jerarquía de áreas considerando
el nivel o grado de incidencia o magnitud de la variable (i. e., muy alto,
alto, medio, bajo), sin importar su localización geográfica. Por otro lado, el
patrón geográfico aglomerado se refiere a la clasificación de áreas de mag-
nitud o intensidad similar que son contiguos en el espacio, sin considerar
la distribución, orden o jerarquía general de los valores. Los estudios sobre
concentración y aglomeración son (o deberían ser) complementarios, no
sustitutos. Esta conclusión, aunque lógica a la luz de estas definiciones,
no está explícitamente presente en la literatura revisada, con la excepción
del trabajo de Visvalingam (1983).

1 Esta definición operativa es compatible con definiciones más amplias que consideran el patrón es-
pacial como una expresión o manifestación material de procesos socioeconómicos esenciales subyacen-
tes —i. e., simulación espacial en O’Sullivan y Perry (2013), justicia espacial en Soja (2010), o desarrollo
desigual en Gottdiener y Hutchison (2011)—.
682 EL TRIMESTRE ECONÓMICO 332

El estudio de la dimensión espacial de la pobreza, en general, y la identi-

ficación de su jerarquía espacial, en particular, es importante por las siguien-
tes razones:

i) Es la forma más eficiente de enfrentar la dimensión territorial de los

retos y problemas sociales, tales como la provisión de educación secun-
daria y superior o servicios de salud especializados.
ii) Es una tarea inevitable en un país con un territorio muy amplio. La pro-
visión de infraestructura social al estado de Chihuahua (247 460 km2),
por ejemplo, es un esfuerzo espacial similar al de proporcionar ese equi-
pamiento al Reino Unido (242 900 km2). Lo mismo puede decirse para el
estado de Sonora (179 355 km2) en relación a la República del Uruguay
(176 215 km2).
iii) Incrementa la visibilidad de la pobreza al identificar las áreas donde
viven los pobres en condiciones socioeconómicas y biofísicas adversas.
iv) Analiza e incorpora el impacto socioeconómico de las estrategias de des-
arrollo regional o nacional.
v) Teniendo lo anterior en mente, el diseño de programas, la selección de
áreas y la identificación de beneficiarios de la política social son prerre-
quisitos para la formulación de políticas.

Esta investigación, considerando la relevancia del estudio del patrón espa-

cial de la pobreza y con base en las definiciones esbozadas arriba, proporcio-
na una jerarquía espacial de las áreas de pobreza en México en las secciones
siguientes. La primera sección enfoca el problema de la prioridad de las áreas
en términos de valores globales altos y valores locales altos de la intensidad y
magnitud. Esta primera sección, además, contiene los pasos metodológicos
sustantivos para elaborar una jerarquía espacial de la pobreza. La segunda
sección compara el procedimiento propuesto con otras técnicas empleadas
para la identificación de conglomerados. La evaluación destaca los beneficios
y omisiones de una bibliografía ilustrativa para acentuar las ventajas del mé-
todo sugerido en esta investigación. La tercera sección aborda el estudio de
caso en tres partes. La primera parte presenta las preguntas de investigación
e hipótesis de trabajo orientadas al estudio de caso; la segunda aplica la me-
todología propuesta al caso mexicano y la tercera coteja los resultados con
las hipótesis planteadas. Finalmente, la cuarta sección subraya los hallazgos
principales, las limitaciones del estudio y las líneas futuras de investigación.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 683

En síntesis, 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 investigación identifica una jerarquía espacial de la pobreza
en México combinando simultáneamente concentración y aglomeración de
valores absolutos y relativos. Los datos utilizados provienen de la infor-
mación disponible más reciente sobre pobreza al nivel municipal (2010).
El estudio señala que la identificación de áreas prioritarias puede y debería
mejorarse o validarse con criterios de estadística espacial y no espacial. Es-
tos criterios pueden integrarse mediante un análisis de superposición espa-
cial, tal como se muestra en este trabajo.

I. PROCEDIMIENTO PROPUESTO
Esta sección muestra que la pobreza se conglomera en áreas que son más
extensas que las aglomeraciones identificadas con estadística espacial. Tam-
bién presenta un portafolio de técnicas para identificar estos conglomera-
dos y jerarquizar las áreas que los constituyen. 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.

1. Valores globales y locales altos

Este trabajo considera dos tipos de valores altos: valores globales altos (vga)
y valores locales altos (vla). Por un lado, los vga se obtienen con estadística
no espacial; son valores por encima de la media en distribuciones normales o
superiores a la mediana en distribuciones asimétricas a la derecha (asimetría
positiva). Son valores altos en términos del conjunto global de los datos. Por
otro lado, los vla son calificados sólo considerando los valores localizados
dentro de cierta distancia, rango espacial o vecindad.2 Dichos valores son
identificados en estadística espacial mediante permutaciones.
Tal como se desglosa a detalle enseguida, los vga se calculan tomando en
cuenta el conjunto completo de datos, sin considerar la localización de los
casos o unidades de observación. Por otro lado, los vla se identifican te-
niendo como referencia algún criterio predefinido de contigüidad o vecin-
dad. Como resultado, algunos (no todos) vga pueden traslaparse con vla.
2 Estas definiciones se basan en Zhang et al. (2009). Se utiliza “valores altos” en vez de “casos atípi-
cos” porque esta investigación se enfoca en los valores significativamente altos y no en valores extremos.
684 EL TRIMESTRE ECONÓMICO 332

Ambos tipos de valores altos (vga y vla) representan procesos espaciales

distintos que deberían integrarse analíticamente.
Mientas los vga resultan del proceso de concentración general (concen-
tración), los vla son consecuencia de ese mismo proceso de concentración
en áreas contiguas (aglomeración). Así presentado, parecería que la aglome-
ración es un subconjunto del proceso de concentración general. No es así.
La georreferenciación (territorialización o espacialización) de la variable de
interés muestra que el carácter local de la aglomeración genera una dife-
renciación espacial del proceso de concentración general que amerita ser
atendida. Por ejemplo, la concentración general indica que la pobreza está
altamente concentrada en unas cuantas áreas; el proceso de aglomeración,
por otro lado, señala que algunas de esas áreas son contiguas en el espacio.
Conviene advertir, sin embargo, que algunas áreas contiguas en el espacio
que son altas desde el punto de vista local pueden ser bajas en el conjunto
global de datos. Esta característica impide que el proceso de aglomeración
sea simplemente el proceso de concentración en áreas contiguas.
Con base en pruebas empíricas preliminares, esta investigación 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 situación demanda un procedimiento que si-
multáneamente considere valores globales y locales altos. Es una estrategia
metodológica poco afortunada utilizar únicamente la estadística espacial o
procedimientos no espaciales para identificar conglomerados de pobreza.
Las líneas siguientes abordan la definición e identificación de vga usando
estadística no espacial (i. e., remuestreo, discontinuidades naturales o pun-
tas y colas consecutivas). Enseguida se presenta la identificación de valores
locales altos utilizando la estadística espacial (i. e., autocorrelación espacial).
Finalmente, la sección sugiere la superposición de valores globales altos y
valores locales altos para identificar conglomerados de pobreza.
a) Valores globales altos (vga) en el proceso de concentración. Identifi-
cación de los vga por remuestreo. Los vga pueden identificarse de muchas
maneras dependiendo del objetivo del estudio. Este trabajo aplica tres pro-
cedimientos con distinto fin: remuestreo, discontinuidades naturales y pun-
tas y colas consecutivas. Se utiliza el remuestreo para la identificación de los
vga en el conjunto de datos e identificar las áreas que concentran la variable
de interés, independientemente de su localización. Los dos procedimientos
restantes, discontinuidades naturales y puntas y colas, se reservan para clasi-
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 685

ficar los casos dentro de los conglomerados que identifica esta investigación.
Esta decisión no implica que estos dos procedimientos no se puedan utilizar
como alternativas para identificar los vga en vez del remuestreo, tal como se
ilustra en Pavlova et al. (2014) y Jiang y Yin (2014). La decisión de utilizar
el remuestreo para identificar los vga que representan el proceso de concen-
tración general radica, por un lado, en su carácter general y, por otro, en su
rigor estadístico. Al compararse con el remuestreo, las discontinuidades na-
turales y puntas y colas generan resultados más desagregados y útiles para la
identificación de estratos o clases de la variable (pobreza). La descripción del
remuestreo y los pormenores de su aplicación al estudio de caso se presentan
a continuación. La explicación y aplicación específica de los procedimientos
mencionados se detallan en la clasificación de los conglomerados.
Remuestreo. Los valores globales altos son valores no espaciales que son
mayores al límite superior del intervalo de confianza de la media obtenido
por remuestreo, para una probabilidad determinada (e. g., p = 95%, con una
cola).3 Los intervalos de confianza no son fiables si la distribución de los da-
tos es asimétrica. Después de verificar los resultados de las pruebas usuales
de normalidad (e. g., la significancia de la asimetría y la prueba de Kolmo-
gorov-Smirnov), esta investigación aplica dos procedimientos robustos de
remuestreo para lidiar con el problema de la asimetría: el remuestreo para
intervalo de sesgo ajustado y acelerado (bca, por sus siglas en inglés) y re-
muestreo para intervalo sesgado (Tilting) (Chihara y Hesterberg, 2011: 112
y Hesterberg et al., 2010: 16-19 y 16-32).
El punto de partida en el remuestreo es una muestra original represen-
tativa de la población.4 El remuestreo con remplazo de la muestra original
(no de la población) crea una distribución de muestras semejante a la que
se obtendría si se tomaran varias muestras de la población original (distri-
bución muestral). La forma y dispersión de la distribución remuestreada
debería asemejarse a la distribución muestral. El remuestreo no resuelve los
problemas de sesgo o asimetría en los datos originales. El remuestreo de in-
tervalos para percentiles y el remuestreo de intervalos t no son confiables si
la distribución del remuestreo no es normal. Por lo tanto, las dos opciones
3 Hay varias alternativas para identificar los valores globales altos en distribuciones asimétricas, tales
como los gráficos de cajas de bigotes o los valores-z modificados con base en la mediana de las desvia-
ciones absolutas (median absolute deviation, z-MAD).
4 En inglés, bootstraps son las agarraderas para calzarse las botas. El término se utiliza como sinóni-
mo de remuestreo con reemplazo. Este sinónimo es una metáfora basada en Las sorprendentes aventuras
del barón Munchausen para decir “recobrarse o levantarse por esfuerzo propio”.
686 EL TRIMESTRE ECONÓMICO 332

robustas en esta investigación son el remuestreo BCa y el remuestreo para

intervalo sesgado (Tilting). La regla es muy simple: si nuestro programa
de computadora proporciona estos remuestreos robustos y su muestra es
representativa con más de 10 observaciones, siempre usaremos BCa o Tilt-
ing aplicando 10 000 o más remuestras.5 Ambos procedimientos generan
resultados similares y mejoran la precisión de los intervalos de confianza
ajustando los percentiles para corregir el sesgo y la asimetría (Hesterberg
et al., 2010: 16-32). En las distribuciones normales, todos los procedimien-
tos generan resultados similares: remuestreo para intervalos de percentiles,
remuestreo de intervalos t, BCa y Tilting. En esta investigación, todos los
valores mayores al límite superior con una probabilidad p = 95% con una
cola, son considerados valores altos (de magnitud e intensidad). El remues-
treo Tilting es utilizado en esta investigación para identificar los valores
globales altos que caracterizan el proceso de concentración.
¿Por qué complicarse la vida con el remuestreo cuando es posible usar
procedimientos no paramétricos convencionales para distribuciones asi-
métricas, tales como cajas de bigotes o valores z-mad? Los métodos de
remuestreo en la práctica funcionan significativamente mejor que los méto-
dos alternativos. Además, el remuestreo permite inferencias sobre la pobla-
ción, mientras que los métodos alternativos se enfocan en (se reducen a) la
muestra original. En el estudio de caso, el remuestreo identifica con bases
estadísticas qué valor es significativamente alto. Esta sola característica no
sólo justifica el remuestreo en esta investigación, sino en otros casos con ta-
reas similares. Por ejemplo, Tian (2013), en sus comentarios y correcciones
a O’ Donoghue y Gleave (2004), sugiere este procedimiento para determi-
nar la significancia estadística del cociente de localización.
b) Valores locales altos (VLA) del proceso de aglomeración espacial. Iden-
tificación de los VLA por autocorrelación espacial local. La autocorrelación
espacial es una técnica estadística que mide la presencia y fortaleza de la
interdependencia de los valores de una variable específica con referencia
a los valores de la misma variable en las áreas aledañas o contiguas. Es la
autocorrelación de una variable consigo misma en el espacio, generalmente
medida por el índice global (I) o local (Ii) de Moran (Burt, Barber y Rig-

5 Este trabajo utiliza SPLUS v.8.0 y su biblioteca de remuestreo que contiene las opciones BCa y
Tilting. El paquete SPSS v.22 sólo proporciona la opción BCa. El límite de 10 o más observaciones no
ha sido suficientemente probado, pero parece aceptable para el remuestreo (Hesterberg, comunicación
personal).
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 687

by, 2009: 544). Una variable está autocorrelacionada si presenta un patrón

espacial sistemático. En el Índice de Moran (I o Ii), este patrón puede ser
identificado con el cero o con valores positivos o negativos. La hipótesis
nula (H0) supone autocorrelación espacial cero y sugiere que el patrón es-
pacial es aleatorio o que la variación espacial de los datos no tiene ninguna
relación con su distribución espacial.
Una autocorrelación espacial positiva indica que los valores similares
(altos o bajos) tienden a colocalizarse o a ser más similares que los más dis-
tantes. Existe autocorrelación espacial positiva si datos similares en inten-
sidad (o magnitud) están cerca unos de otros. La autocorrelación espacial
negativa, por otro lado, indica que las características o valores disímiles,
como en un damero, tienden a estar cerca unos de otros: valores altos tien-
den a estar rodeados de valores bajos, y viceversa. Estas relaciones son la
base del Diagrama de Dispersión de Moran (Anselin, 1995; 1996 y Anselin
et al., 2004). En el Diagrama de Moran, los valores en las abscisas están en
unidades de desviación estándar, con media cero y varianza uno. En el eje
de las ordenadas están los valores con rezago espacial (así se les llama a los
valores de las áreas contiguas) de la variable estandarizada que aparece en el
eje de las abscisas.
El Diagrama de Moran clasifica la autocorrelación espacial en dos cate-
gorías: aglomeraciones espaciales y casos espaciales atípicos (no deben con-
fundirse con los casos atípicos globales superiores a las dos desviaciones
estándar). Cada cuadrante en el diagrama corresponde a un tipo diferente
de autocorrelación espacial (diagrama 1).
El cuadrante inferior a la izquierda (III) y el superior a la derecha (I) in-
dican autocorrelación positiva, pero de distinto tipo. Mientras el cuadrante
III contiene áreas con valores bajos rodeados de áreas con valores bajos (LL:
Low-Low), el cuadrante I incluye áreas con valores altos rodeados por áreas
con valores altos (HH: High-High).6
Estas diferencias entre los cuadrantes I y III muestran que las aglome-
raciones identificadas por la autocorrelación espacial positiva pueden ser
focos rojos (cuadrante I) o aglomeraciones de bienestar (cuadrante III).
En contraste, las áreas del cuadrante superior izquierdo (II) y del inferior
derecho (IV) sugieren autocorrelación espacial negativa. Los casos en los
cuadrantes II y IV son casos espaciales atípicos. Mientras el cuadrante II
6 Se conservan la terminología y las siglas en inglés para la fácil identificación de la literatura corres-
pondiente, para la traducción al español y para la interpretación del estudio de caso.
688 EL TRIMESTRE ECONÓMICO 332

DIAGRAMA 1. Margaritas para LISA. Taxonomía espacial de la pobreza:

focos rojos, núcleos de bienestar e islas de pobreza y bienestar a

FUENTE: elaboración del autor con base en Anselin (1995).

a El título Margaritas para LISA busca asociar rápidamente el Diagrama de Dispersión Moran con los
indicadores de autocorrelación espacial (LISA). Los centros y pétalos de las margaritas en HH y LL repre-
sentan gráficamente casos que son estadísticamente significativos desde el punto de vista local: VLA en el
cuadrante I y VLB en el cuadrante III. El Índice Local de Moran (Ii) es significativo para todas las obser-
vaciones que constituyen las margaritas en estos dos cuadrantes. En cambio, en LH y HL sólo el núcleo o
centro es estadísticamente significativo. Los pétalos de las margaritas en los cuadrantes II y IV son VLA
y VLB, respectivamente, no significativos estadísticamente. En estos valores periféricos el índice Ii no es
estadísticamente significativo.

contiene valores bajos rodeados por valores altos (islas de bienestar), el cua-
drante IV contiene valores altos rodeados por valores locales bajos (islas de
pobreza).
Esta descripción de la autocorrelación espacial muestra que los valores
locales pueden ser casos atípicos espaciales (LH o HL), focos rojos (HH) o
aglomeraciones de bienestar (LL). El índice local de Moran (Ii), un indicador
de autocorrelación espacial local (LISA, por sus siglas en inglés), proporciona
la significancia estadística de las observaciones individuales en el Diagrama
de Dispersión de Moran. Ii no sólo proporciona la significancia estadística
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 689

de los casos en las aglomeraciones espaciales (cuadrantes I y III) y los casos

atípicos espaciales (cuadrantes II y III), sino que también identifica los ca-
sos que no son estadísticamente significativos.
La significancia estadística del índice global I y local Ii se confronta con
la hipótesis nula (H0) de ausencia de autocorrelación espacial (la variable
sigue una distribución espacial aleatoria). H0 puede rechazarse o aceptarse
bajo el siguiente principio: no significativo, no se rechaza. Por ejemplo, un
índice global I significativo para una probabilidad p < 0.05 indica que la
ausencia de autocorrelación espacial (H0) se rechaza. Se concluye que el pa-
trón espacial de la variable es aglomerado en el espacio. El programa Geo-
Da (disponible gratuitamente) genera el Diagrama de Dispersión de Moran
y proporciona los valores y la significancia del índice global (I) y local de
Moran (Ii), los índices más utilizados para detectar los valores locales altos
(Srinivasan, 2008: 615).
Los municipios que repiten la misma letra en esta clasificación son fo-
cos (HH—foco rojo) o núcleos de baja pobreza (LL—alto bienestar). Los
municipios que mezclan letras (HL o LH) son áreas individuales diferentes a
sus vecinos (casos atípicos espaciales). Hay una quinta categoría que debe
considerarse en esta clasificación: los municipios que no son estadística-
mente significativos. Como el interés central en este estudio es determinar
los distintos grados de prioridad de las áreas de pobreza, la investigación se
concentra en los focos rojos (HH) y las islas de pobreza (HL), localizados en
el cuadrante I y IV, respectivamente.
c) Identificación de conglomerados de intensidad o magnitud. Pensamien-
to fuera de la caja: superposición de vga con vla. El análisis de superpo-
sición ya ha sido utilizado para integrar distintas variables de intensidad
(e. g., educación y pobreza en Choudhury y Räder, 2014), pero, hasta donde
sabemos, no ha sido utilizado para integrar simultáneamente la concentra-
ción y aglomeración de valores absolutos y relativos. Esta integración es muy
importante considerando el hecho de que algunos vga detectados por el aná-
lisis de concentración (por remuestreo o estadística descriptiva) pueden pasar
desapercibidos en el análisis de aglomeración que identifica los vla (por Ii
en la autocorrelación espacial), y viceversa. Los vla no son necesariamente
valores altos desde el punto de la perspectiva nacional o global (diagrama 2).7
7 Es importante mencionar que la posibilidad de tener VLA (focos rojos HH y casos del tipo HL) se
incrementa si la base de datos original se suaviza o estandariza de manera que disminuya la influencia de
los casos globales atípicos (Zhang et al., 2008).
690 EL TRIMESTRE ECONÓMICO 332

DIAGRAMA 2. Empates y discrepancias en la superposición de valores

globales altos y valores locales altosa
b)

a)

Altos a) Valor local bajo por encima del

umbral de los valores globales
b) Valor local alto por encima del
umbral de los valores globales
c) Valor local alto por debajo del
umbral de los valores globales
Valores globales

Umbral para valores globales

c)

Bajos

Caso A Caso B
FUENTE: elaboración del autor.
a Caso A: Valor local bajo a) en un grupo de valores globales altos. No todos los valores globales
altos son valores locales altos. Esto ocurre cuando el valor local es inferior al valor promedio de las
áreas circundantes. Éste es el caso aun cuando los valores locales y globales sobrepasan el valor crítico
obtenido por remuestreo de la media. Caso B: Valor local alto c) en un grupo de valores globales bajos.

Una crítica reciente a la estadística espacial, usando la famosa metáfora del

elefante y los cinco ciegos, ilustra las limitaciones del conocimiento local en
estos términos: “La imagen mental del elefante en la mente de los ciegos […]
refleja las verdades locales, que de hecho son parcialmente correctas, pero no
muestran al elefante en su totalidad” (Jiang, 2015: 10). Esta crítica olvida la
segunda parte del ejemplo clásico sobre los árboles y el bosque: es cierto que
la atención en los árboles impide ver el bosque, pero también es cierto que la
observación del bosque sacrifica la visión de los árboles. En el contexto de
este trabajo, es cierto que los valores locales no muestran la perspectiva global,
pero también es cierto que los valores globales ocultan la problemática local.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 691

Estas observaciones manifiestan las limitaciones metodológicas de pro-

cedimientos que sólo utilizan estadística espacial o estadística no espacial en
la identificación de clusters o jerarquización de una variable en el espacio.
Algunos ejemplos son el uso único de la estadística espacial en la identifica-
ción de centros o subcentros urbanos —Baumont, Ertur y Le Gallo (2004:
153) y Arribas-Bel y Sanz-Gracia (2014)— o sólo la estadística descriptiva
para la ubicación de clusters industriales (Ketels y Sölvell, 2005). Conviene
anotar dos observaciones prácticas en estadística espacial: i) el recurso me-
todológico de relajar o restringir el nivel de significancia —mencionado en
Baumont, Ertur y Le Gallo (2004)— no resuelve necesariamente la omisión
de VGA, puesto que sólo incrementa la probabilidad de incluir más áreas
aledañas (diagrama 3). Si se utilizara este procedimiento para identificar los
núcleos y periferias de pobreza, el número de áreas contiguas incluidas sólo
se expandiría horizontalmente (sería mayor), pero algunos VGA dentro de
estos anillos de tolerancia pudieran omitirse porque no son localmente sig-
nificativos. En esta opción, la inclusión potencial de valores globales altos
DIAGRAMA 3. Efecto de los criterios liberal o restrictivo en la detección
de valores locales altos y posible omisión de valores globales altosa
Alto

a) Valor global alto no

significativo localmente
Valores

b) Umbral de referencia
determinado por el límite
superior del intervalo
que contiene a la media
1 o 0.1% remuestreada
(restrictivo)

5%
(liberal)
Bajo

FUENTE: elaboración del autor.

a La línea vertical negra gruesa señala el área de referencia. Las líneas verticales delgadas representan
los valores de las áreas vecinas. Las flechas circulares indican las áreas contiguas incluidas en un foco rojo
(valores HH) bajo el criterio liberal o restrictivo.
692 EL TRIMESTRE ECONÓMICO 332

que se hayan omitido no es segura y, de darse el caso, sería por azar; y ii) la
ausencia de valores (valor cero) en algunas observaciones abre la posibili-
dad para que valores locales bajos sean considerados valores locales altos.
El “salto” desde cero lleva a que un valor local bajo parezca alto cuando en
realidad es bajo en el contexto del resto de valores aledaños (diagrama 4).
Esta situación no existe en el estudio de caso pero conviene tenerla presente
para posibles adaptaciones del procedimiento. Estas limitaciones justifican
la necesidad de integrar la estadística no espacial (remuestreo) y estadística
espacial (autocorrelación espacial) para medir y articular la magnitud e in-
tensidad de dos procesos geográficos diferentes (concentración y aglome-
ración).
DIAGRAMA 4. Efecto de polígonos con valor cero en la identificación de valores
locales altosa
Altos
Valores globales

Umbral para valores globales

Observaciones incluyendo Observaciones excluyendo

áreas con valor cero áreas con valor cero

a) b)

Valor cero

Bajos

FUENTE: elaboración del autor.

a La línea vertical negra y gruesa señala el área de referencia. Las líneas verticales delgadas representan
los valores de las áreas vecinas. El inciso a) es el valor mínimo identificado como valor alto por la presencia
de cedros en las áreas circundantes y el b) representa una base de datos sin ceros, valor mínimo identificado
como valor bajo por la presencia de valores mayores en las áreas circundantes.

En suma, esta investigación sostiene que no todos los VLA coinciden con
VGA, ni estos últimos concuerdan con los primeros. Por un lado, los VGA,
identificados por remuestreo, tienen un límite estadísticamente definido
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 693

(el límite superior del intervalo de la media remuestreada, generalmente

con una probabilidad de 95% con una cola). Por otro lado, los VLA, iden-
tificados mediante autocorrelación espacial, pueden existir si el valor del
área de referencia es mayor que el promedio de los valores en las áreas ale-
dañas, aunque estén por debajo del umbral que define a los valores globales
altos —opción c) en el diagrama 2—. La autocorrelación local también
podría omitir valores globales altos si el área de referencia está rodeada
por valores globales que en promedio son aún más altos —opción a) en el
diagrama 2—.
La superposición de vga y vla agranda los focos rojos o las islas de po-
breza en dos situaciones posibles: i) cuando los vga sean aledaños al foco
rojo HH, o ii) cuando los vga se traslapen con los valores bajos en los pétalos
de las islas HL (cuadrante Ia y cuadrante IVb identificadas con un óvalo en
el diagrama 5). En todos los demás casos la aglomeración inicial HH o HL
identificada con autocorrelación espacial, después de la superposición de
capas, es igual al conglomerado final porque los vga y vla se traslapan (Ib,
Ic y IVa en el diagrama 5) o los vga están distantes del núcleo —c) y d) en
el diagrama 6—.
En la superposición de capas conviene destacar los siguientes criterios
prácticos adicionales:

i) Las manchas continuas de vga que se traslapen con la periferia de los

vla (HH), o pertenezcan a la misma, forman parte del conglomerado con
núcleo HH (Ia, Ib y Ic en el diagrama 5).
ii) En esta investigación, no forma parte del conglomerado el resto de la
mancha continua de vga que se extiende más allá de la periferia inme-
diata de la aglomeración —diagrama 6, a) y b)—. Esta restricción puede
relajarse a conveniencia para incluir en el conglomerado la segunda co-
rona de vga que aquí se excluye.
iii) Los vga en el resto del país —diagrama 6, c) y d)— identifican áreas de
alta concentración de la pobreza sin ser vla.
iv) Los vla que no son vga o que se traslapan con ellos son registrados en
cualquiera de los cuatro cuadrantes del Diagrama de Dispersión de Mo-
ran (diagrama 4 y 5).

Desde el punto de vista de los conglomerados de pobreza, tiene senti-

do que la política social incluya áreas localmente importantes aunque no
694 EL TRIMESTRE ECONÓMICO 332

DIAGRAMA 5. Identificación de conglomerados combinando los procesos

de aglomeración y concentracióna

FUENTE: elaboración del autor.

a La formación de conglomerados es indicada con un óvalo (Ia y IVb). VGA: valores mayores al límite
superior del intervalo de la media remuestreada en distribuciones con asimetría positiva. VLA: casos identi-
ficados por el índice local de Moran (Ii) con significancia estadística determinada mediante permutaciones
condicionadas.

sean globalmente significativos. Sin embargo, sería absurdo que tal política
incluyera sólo áreas importantes desde el punto de vista local al tiempo
que excluyera áreas aledañas que sólo son relevantes desde la perspectiva
nacional por no contener valores locales altos. Ejemplo de esta omisión
importante son los valores globales altos no significativos localmente que
constituyen los conglomerados que se forman a partir de los focos rojos e
islas de pobreza.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 695

DIAGRAMA 6. VGA que forman y no forman

parte de un conglomerado

FUENTE: elaboración del autor.

En suma, la identificación de conglomerados de intensidad, por un lado,

y de magnitud, por otro, es posible mediante la superposición de valores
globales altos y valores locales altos (HH y HL). El análisis de superposición
en los Sistemas de Análisis Geográfico integra matemáticamente (e. g., por
unión o intersección) las capas de concentración y aglomeración para crear
una nueva capa que contenga el conglomerado resultante. Los núcleos (fo-
cos rojos HH o casos atípicos espaciales HL) añaden a su periferia valores
globales altos contiguos para formar conglomerados. Este procedimiento se
aplica primero a valores relativos. Después, como una tarea independiente y
separada, el análisis se repite para valores absolutos.
d) Identificación de áreas prioritarias por superposición de conglomera-
dos de magnitud e intensidad. 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 intersección de estos dos subconjun-
tos. Esta intersección contiene conglomerados de valores altos tanto de
magnitud como de intensidad. Por esta razón, ellas reciben la prioridad
mayor (prioridad uno).
e) Relevancia espacial de las áreas que no se intersectan y que se locali-
zan al interior de los conglomerados. Una vez identificados los municipios
localizados en la intersección, las áreas remanentes al interior de cada con-
glomerado pueden estratificarse. Esta estratificación proporciona una cla-
sificación de áreas que complementa a los municipios de mayor prioridad.
La identificación de las áreas de mayor prioridad y la estratificación de las
áreas que no se intersectan proporcionan una jerarquía espacial que puede
guiar la asignación de recursos sociales, la toma de decisiones en política
696 EL TRIMESTRE ECONÓMICO 332

pública o estudios futuros sobre el patrón espacial de la pobreza. Entre las

alternativas para estratificar o asignar prioridad a los conglomerados fuera
de la intersección sobresalen dos procedimientos de clasificación: disconti-
nuidades naturales y puntas y colas.
Discontinuidades naturales o clasificación de Jenks. Este procedimiento
busca quiebres o saltos en los datos observados para agrupar casos en clases.
Con base en interacciones estadísticas (optimización de Jenks), este método
identifica la mejor opción definida como la clasificación que minimiza la
distancia entre los valores similares al interior de cada clase y maximiza la dis-
tancia entre ellas. Aunque este método requiere de una distribución normal,
generalmente se aplica a información asimétrica previamente estandarizada
manipulando temporalmente los casos extremos, como en Crews y Peralvo
(2008: 70).
Puntas y colas consecutivas con base en Jiang (2015). Los principales pa-
sos en este método especialmente diseñado para distribuciones muy asimé-
tricas son:

i) Encontrar la media del total de valores (absolutos o relativos). En una

distribución sesgada a la derecha (asimetría positiva), los valores igual o
superiores a la media son el pico o punta y los que están por debajo de
la media son la cola. Nótese que los términos “puntas” y “colas” se re-
fieren a la distribución rango-tamaño y no a la función de densidad de la
probabilidad. La punta o pico contiene los pocos valores altos, mientras
que la cola contiene la mayoría de los valores menores (gráfica 1).
ii) La punta se subdivide de nuevo en pocos valores grandes y muchos va-
lores pequeños, con base en la media aritmética de los valores conteni-
dos en ella. Esto genera otra punta y cola “anidadas” dentro de la punta
identificada en el paso previo, como ocurre con las muñecas rusas que
contienen dentro de sí otra muñeca y dentro de ésta otra y otra.
iii) El proceso continúa para cada punta sucesivamente identificada hasta
que las proporciones de valores en la punta y la cola sean aproximada-
mente las mismas o ya no haya valores que subdividir.

Como regla de dedo, “los porcentajes [de casos] en las puntas deben ser
menores a 40%. Esta condición puede extenderse para muchos aspectos
geográficos hasta 50% o más si la punta retiene menos de 40% en niveles
jerárquicos posteriores” (Jiang y Yin, 2013: 8).
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 697

GRÁFICA 1. Puntas y colas en el procedimiento de clasificación de puntas/colas

de una distribución paretiana con asimetría a la derecha
f

Mediana

Moda Media
< 40% de los valores
en la distribución total
x
Cola
(< media) Punta
(≥ media)

FUENTE: elaboración del autor con base en Jiang (2015). Nótese que la punta en esta gráfica correspon-
de a la cola en la distribución gaussiana.

e) Relevancia espacial de las áreas que se localizan fuera de los conglo-

merados. Las áreas fuera de los conglomerados tienen una importancia
espacialmente diferenciada porque contienen valores globales altos. Estos
valores globales altos, si fuera necesario, también pueden clasificarse por los
métodos sugeridos para las áreas que no se intersectan dentro de los conglo-
merados, dependiendo de la simetría o asimetría de su distribución —véase
punto d) previo—.
En suma, un enfoque que diferencie y combine los procesos de concen-
tración y aglomeración de valores relativos y absolutos tiene varias alter-
nativas para asignar un orden espacial a la variable de interés. La opción
sugerida en este trabajo puede confrontarse con los procedimientos que
utilizan valores críticos, como el utilizado por Sedesol (2013), o criterios
mixtos (Graw y Husmann, 2014). Los resultados también podrían compa-
rarse con variaciones del procedimiento propuesto. Por ejemplo, si se uti-
lizan datos estandarizados de magnitud, el número de áreas en los núcleos
correspondientes podría incrementarse.
El diagrama 7 sintetiza de manera gráfica los principales pasos metodo-
lógicos descritos en esta sección.
698 EL TRIMESTRE ECONÓMICO 332

DIAGRAMA 7. Esquema metodológico para identificar la jerarquía

espacial de la pobreza
Intensidad (A) o magnitud (B)

LISA: HH y HL

Aglomeración

Remuestreo
Concentración

Sobreposición
Sobreposición

Jerarquía espacial (puntas/colas)

A B
2
Diagramas
2 1 3 de Venn
4
5

FUENTE: elaboración del autor.

II. COMPARATIVO DEL PROCEDIMIENTO PROPUESTO CON OTRAS TÉCNICAS EMPLEADAS

PARA LA IDENTIFICACIÓN DE CONGLOMERADOS

En general, tres enfoques con diversas variantes sobresalen en la literatura

que identifica las concentraciones o aglomeraciones de variables sociales,
incluyendo la pobreza: i) enfoque del valor crítico de valores globales para
áreas individuales, ii) enfoque de valores locales altos para áreas contiguas,
y iii) enfoque de valores globales altos para variables relativas y absolutas
en polígonos contiguos o aislados. Esta investigación propone un cuarto
enfoque: superposición de vga y vla de variables absolutas y relativas.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 699

1. Valores críticos

Es un método muy controvertido y tiene muchas versiones en la literatura

actual. En particular, dos características definen el enfoque del valor crítico
e identifican sus problemas principales:

i) Valor crítico por ensayo y error. Esta versión determina valores críticos
para identificar áreas con base en un proceso de ensayo y error, guiado por
el conocimiento local (McMillen, 2001). Limitaciones: este proceso lleva a
la selección de diversos valores críticos para áreas específicas de estudio, por
lo que se limita la comparabilidad de resultados en el tiempo y el espacio
(Riguelle, Thomas y Verhetsel, 2007: 198).
ii) Valor crítico con técnicas estadísticas. Existen versiones que imponen
un valor crítico global único para todas las subáreas con asistencia estadísti-
ca formal. La selección de este valor crítico único puede definirse por medio
de estadística paramétrica o no paramétrica con base en una probabilidad
específica (e. g., p = 95%), no requiere de un conocimiento pleno del área de
estudio y típicamente utiliza datos relativos —e. g., selección de áreas por
encima del 90º percentil, como en Ketels y Sölvell (2005)—.

2. Identificación de valores locales altos según áreas contiguas

Este enfoque utiliza la autocorrelación espacial para explorar las áreas ale-
dañas a cada observación con el fin de identificar vla. Este procedimien-
to puede registrar vla que no alcancen un umbral global predefinido pero
puede omitir vga en las circunstancias que se revisan en este escrito. Li-
mitaciones: aunque en autocorrelación espacial pueden utilizarse valores
absolutos, los estudios generalmente emplean sólo variables relativas (i. e.,
Riguelle, Thomas y Verhetsel, 2007). También existe la posibilidad de que
algunos vga no sean detectados por el escrutinio estadístico que detecta los
valores locales altos.

3. Identificación de valores globales altos para variables relativas

y absolutas en polígonos contiguos o aislados

Este procedimiento es una variación reciente del enfoque de valor crítico

con técnicas estadísticas (Van Den Heuvel et al., 2012). El procedimiento
700 EL TRIMESTRE ECONÓMICO 332

sólo incluye las áreas donde existe la variable y se resume en dos pasos con-
secutivos:
i) Establecer valores críticos para datos absolutos (número de pobres) y
relativos (coeficiente de localización, LQ por sus siglas en inglés). Seleccio-
nar, por ejemplo, las áreas con un LQ > 1 o si el valor absoluto es superior
a la media (mediana, en distribuciones asimétricas). Descartar para el resto
del análisis las áreas por debajo de estos valores críticos.
ii) En las áreas seleccionadas en el paso previo, combinar las áreas con-
tiguas y establecer nuevos criterios de selección. Los autores citados arriba
descartan la posibilidad de utilizar la autocorrelación espacial porque sólo
opera con una variable y el procedimiento necesita combinar simultánea-
mente dos variables (valores relativos y absolutos de una misma variable).
Los autores optan por valores críticos de conveniencia, según las necesida-
des de la investigación (Van Den Heuvel, 2012: 7-8). En su ejemplo para
todas las áreas del segundo paso (combinadas e individuales), los autores es-
tablecen como valor crítico el 90o percentil para los valores absolutos (sólo
las áreas en 10% superior califican en este paso). El valor crítico para el LQ
es el segundo o 90o percentil, dependiendo de cuál se alcance primero. Si el
LQ es 1.9 en el 90o percentil, el valor crítico lo determina dicho percentil.
Este ejemplo indica que un LQ = 2 está en un nivel superior al 90o percentil.
Los criterios de selección en este procedimiento se parecen mucho al enfo-
que no espacial de “agrupación de tres estrellas” de Ketels y Sölvell (2005:
16), pero aplicado a valores absolutos y relativos en una preselección de
áreas contiguas combinadas y de áreas aisladas.
Limitaciones: el método sólo aplica criterios globales aunque se com-
binen áreas contiguas. Por esta razón, el procedimiento detecta aglome-
raciones de vga, no de vla. Esto puede llevar a que se omita la selección
de áreas importantes en el ámbito local que no alcanzan el umbral global
predefinido.

4. Superposición de vga y vla de variables absolutas y relativas, propios

de esta investigación

Ningún estudio revisado combina simultáneamente los procesos de con-

centración y aglomeración en variables absolutas y relativas. Hay versiones
mixtas en estudios previos que aplican parcialmente el enfoque propuesto
en esta investigación. La reseña y evaluación de la bibliografía ilustrativa
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 701

muestra que no hay un procedimiento que combine todo a la vez (cuadro 1).
Los procedimientos que sólo utilizan estadística no espacial, como Ketels y
Sölvell (2005), omiten el efecto de la autocorrelación espacial, relevante en
el ámbito local. Los procedimientos que sólo utilizan estadística espacial,
como Riguelle, Thomas y Verhetsel (2007), corren el riesgo de omitir vga
que son relevantes en una política nacional.
Los procedimientos que utilizan tablas cruzadas para incluir tanto el
proceso de concentración espacial como de aglomeración espacial, como
Carroll, Reid y Smith (2008), omiten la magnitud o la intensidad en uno
de los dos procesos. Estos autores identifican clusters regionales potencia-
les para la industria combinando valores absolutos y relativos en tablas de
doble entrada. Al efecto cruzan vga del cociente de localización (LQ, una
medida local expresada en términos globales) y vla de magnitud (número
de empleados). La tipificación de Carroll, Reid y Smith (2008) omite el pro-
ceso de aglomeración en la variable relativa y el proceso de concentración
en la variable absoluta.
Las investigaciones que combinan magnitud e intensidad sólo conside-
ran la concentración y omiten la aglomeración (Chainey y Desyllas, 2008;
Van Den Heuvel et al., 2012 y Graw y Husmann, 2014). Por una lado, en
un estudio sobre el proceso de concentración de la criminalidad, Chainey
y Desyllas (2008) combinan valores relativos (niveles alto, medio y bajo
de la tasa de robos) y absolutos (niveles alto, medio y bajo del número de
robos). Esta clasificación de la criminalidad omite el proceso de aglome-
ración tanto en la magnitud como en la intensidad. El trabajo de Graw y
Husmann (2014), por otro lado, utiliza técnicas de los sistemas de infor-
mación geográfica, juicio de experto y criterios estadísticamente definidos
para clasificar variables de magnitud e intensidad. Esta investigación, sin
embargo, también pasa por alto el proceso de aglomeración. Finalmente, la
metodología propuesta por Van Den Heuvel et al. (2012), descrita previa-
mente, también omite el proceso de la aglomeración espacial.
Los estudios que analizan la concentración y la aglomeración simul-
táneamente en variables de intensidad (LQ) mediante técnicas estadísticas
tradicionales y autocorrelación espacial, omiten la magnitud, como De Do-
minicis, Arbia y De Groot (2013). Una tabla de doble entrada facilita la
interpretación de estas omisiones, sintetiza la bibliografía ilustrativa de esta
reseña y muestra comparativamente las bondades de la metodología pro-
puesta (cuadro 1).
702 EL TRIMESTRE ECONÓMICO 332

Cuadro 1. Comparación de procedimientos sobre la elaboración de

conglomerados en bibliografía ilustrativaa
Proceso espacial
Tema del estudio Concentración (no espacial) Aglomeración (espacial)
Absolutos Relativos Absolutos Relativos
Industria
Ketels y Sölvell, 2005 X √ X X
Industria
Riguelle, Thomas y Verhetsel, 2007 X X X √
Industria
Van Den Heuvel et al., 2012 √ √ X X
Marginación
Graw y Husmann, 2014 √ √ X X
Crimen
Chainey y Desyllas, 2008 √ √ X X
Industria
Carroll et al., 2008 X √ √ X
Industria
De Dominicis, Arbia y De Groot, 2013 X √ X √
Pobreza
Esta investigación √ √ √ √
FUENTE: elaboración del autor.
a Una vez establecidos los criterios de evaluación, el término “bibliografía ilustrativa” es preferido
al de “bibliografía representativa” en la perspectiva metodológica de este trabajo y en una época de
información abundante.

La metodología sugerida en esta investigación incorpora tanto el proceso

de concentración como el de aglomeración en variables absolutas y relati-
vas. El procedimiento sugerido registra las deficiencias y evita las omisiones
en la bibliografía revisada mediante la superposición de capas, al tiempo
que incorpora ideas y técnicas estadísticas de temas diversos para identi-
ficar conglomerados y establecer una jerarquía espacial de la pobreza. Las
limitaciones del procedimiento se presentan en las conclusiones del estudio
de caso.

III. ESTUDIO DE CASO

1. Preguntas de investigación e hipótesis de trabajo

En un escrito sobre métodos, la estructura lógica, las aportaciones, bon-

dades y desventajas del procedimiento demandan la atención 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 investigación e hipótesis
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 703

de trabajo asociadas para facilitar el proceso de investigación, la organi-

zación del escrito y la comunicación de sus resultados. En realidad el uso
de preguntas de investigación e hipótesis de trabajo agrega poco al valor de
la investigación y es más un asunto de preferencia del investigador y del
estilo de redacción (Yeager, 2008: 52). Las preguntas de investigación y la
especificación de las hipótesis correspondientes en este estudio no son muy
distintas a las planteadas por estudios similares para una variable georefe-
renciada, aunque con procedimientos e inquietudes distintos (Anselin, Mu-
rray y Rey, 2007):

i) ¿Está la pobreza aleatoriamente distribuida entre los municipios de

México?
Hipótesis: H0: La pobreza está distribuida aleatoriamente entre los muni-
cipios de México. H1: No se acepta H0.
Implicación. Si no se rechazara H0, la política contra la pobreza espacial-
mente focalizada no tendría ningún sentido, puesto que la pobreza estaría
aleatoriamente distribuida.
ii) ¿Hay aglomeraciones de municipios pobres o focos rojos espaciales de
pobreza compuestos por varios municipios?
Hipótesis: H0: No hay aglomeraciones de municipios pobres. H1: Hay
municipios con altos niveles de pobreza rodeados por municipios igual-
mente pobres.
Implicación. Si no se rechazara H0, no existirían aglomeraciones de áreas
de pobreza ni necesidad de intervenir o focalizar espacialmente los recursos
y esfuerzos sociales.
iii) ¿Pueden los municipios ser ordenados o jerarquizados considerando
simultáneamente la intensidad de la pobreza, el número de pobres y su dis-
tribución espacial?
Hipótesis: H0: La ausencia de una metodología que articule simultánea-
mente vga y vla de variables en términos relativos y absolutos, demuestra
que su existencia no es posible; su inexistencia así lo evidencia. H1: No se
acepta H0. La ausencia de una metodología como la descrita sólo es señal
de la evolución incompleta del pensamiento espacial integrado a temas so-
ciales.
Implicación: Si no se rechazara H0, se tendrían dos problemas impor-
tantes: a) el uso único de valores relativos subestimaría el problema de la
pobreza en las áreas densamente pobladas y lo sobrestimaría en áreas pe-
704 EL TRIMESTRE ECONÓMICO 332

queñas o escasamente habitadas (lo contrario ocurre para el uso único de

valores absolutos), y b) además, la falta de correspondencia entre los vga y
vla, no sólo omite la complementariedad de los procesos de concentración
y de aglomeración, sino que identifica conglomerados incompletos. Estos
dos problemas complican el trabajo técnico y la existencia de criterios obje-
tivos para asignar los recursos sociales, como ocurre actualmente.

2. Resultados y prueba de hipótesis

Esta sección reporta los resultados obtenidos con el procedimiento esbozado

en la sección metodológica. Tiene tres partes principales. Siguiendo los pasos
sugeridos en el diagrama 8, la intensidad se aborda primero. Se mide con el
cociente de localización. Se aplica el remuestreo para determinar los valores
globales de intensidad que son significativamente altos. Este procedimien-
to estadístico identifica los valores globales altos independientemente de su
localización, como resultado del proceso de concentración de la pobreza. Se
remuestrean las 2 456 observaciones, como lo sugiere Tian (2013) en su op-
ción alternativa al cociente de localización estandarizado (SLQ, Standardized
Location Quotient) de O’Donoghue y Gleave (2004).8 En el caso del LQ, no
tiene sentido considerar como “valor alto” un cociente menor a uno. Esta
investigación verifica que el valor crítico definido por el límite superior de la
media remuestreada siempre sea igual o mayor a uno. Todos los LQ remues-
treados reportados como valores altos deben ser igual o mayor a uno.
La autocorrelación espacial identifica la aglomeración espacial de los VLA
(núcleos reconocidos como valores HH y HL). Los vga y vla representan
el proceso de concentración y aglomeración, respectivamente. Los valores
para estos dos procesos son sobrepuestos para identificar los conglomera-
dos de intensidad. La segunda parte sigue los mismos pasos descritos para
la intensidad a fin de identificar los conglomerados de magnitud. La sección
final sobrepone los conglomerados de intensidad y magnitud creando una
jerarquía espacial. Las áreas de pobreza con prioridad más alta se localizan
en la intersección de estos dos conglomerados. Las áreas remanentes dentro
de los conglomerados (fuera de la intersección) son estratificadas siguien-
8 Debe notarse que Tian (2013) considera el remuestreo en general como una alternativa del SLQ.
Como se establece en la metodología, el remuestreo no corrige la asimetría en la muestra original. La
significancia estadística en las distribuciones asimétricas demanda el uso de las opciones robustas BCa o
Tilting porque las opciones del percentil remuestreado y los intervalos t remuestreados no son confia-
bles para distribuciones no normales.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 705

do el procedimiento de “puntas y colas” sugerido recientemente por Jiang

(2015). El producto final es un orden territorial integrado resultante de la
combinación simultánea de la concentración y aglomeración de los valores
absolutos y relativos de la pobreza.
a) Magnitud e intensidad. La mayoría de las personas pobres vive en
áreas con baja intensidad de pobreza (gráfica 2). Por lo tanto, se espera que
en su mayoría los conglomerados de intensidad sean distintos de los con-
glomerados de magnitud. Los valores altos de intensidad están en munici-
pios de baja magnitud. En contraste, un gran número de personas pobres
vive en áreas de intensidad baja o moderada. Las áreas de alta intensidad
de la pobreza contienen sólo un pequeño número de pobres. Tal como lo
notó Visvalingam (1983) hace tres décadas, estas líneas muestran que las
políticas espacialmente orientadas que se basan solamente en intensidad
(capturada por medidas relativas, tales como porcentajes, proporciones o
tasas) exageran el problema en asentamientos pequeños y lo minimizan en
áreas con una gran masa de pobres. Por otro lado, las políticas de combate
a la pobreza solamente basadas en magnitud (expresada en números abso-
lutos) discriminan contra la gran proporción de pobres en asentamientos
pequeños. Por lo tanto, los valores absolutos y relativos deben combinarse
simultáneamente en una sola clasificación o jerarquía territorial para sus-
tentar políticas espacialmente focalizadas.
GRÁFICA 2. Pobreza. Intensidad (LQ-pobres) vs magnitud
(número de pobres)
2.50

2.00

1.50
Intensidad
(LQ)

1.00

0.50
500 000 600 000 700 000 800 000

0
0 100 000 200 000 300 000 400 000 500 000 600 000 700 000 800 000
Magnitud
(número de pobres)

FUENTE: elaboración del autor.

706 EL TRIMESTRE ECONÓMICO 332

b) Intensidad (LQ). Proceso de aglomeración y núcleos. Autocorrela-

ción espacial. El índice global de Moran (I) para intensidad (LQ), utilizan-
do una matriz de contigüidad del tipo reina, rechaza la hipótesis nula de
aleatoriedad. El índice global I indica que la intensidad de la pobreza está
espacialmente concentrada en el país (I = 0.6796, p = 0.0001; para 9 999 per-
mutaciones). El índice local de Moran (Ii), con una probabilidad p < 5%,
identifica 565 núcleos de intensidad (HH) y 20 islas de pobreza (HL). Aun-
que los municipios del tipo HH y HL son distintos, por razones prácticas,
esta investigación considera los dos tipos como núcleos de conglomerados
potenciales de pobreza.
La mayoría de los núcleos de intensidad se localiza en el sur de México,
la Sierra de Puebla y algunos municipios del sureste del país (gráfica 2).
Estas áreas son la semilla o punto de partida para la identificación de los
conglomerados de intensidad. La periferia de estos núcleos la constituyen
los valores globales altos del proceso de concentración, que se obtienen por
el remuestreo de la media de los LQ.
Proceso de concentración. Remuestreo. Los procedimientos robustos más
directos para encontrar el límite superior del intervalo de confianza de la
media son el bca o el de distribuciones sesgadas (Tilting). Como los resul-
tados de ambos procedimientos son similares, el estudio de caso toma de
los resultados del Tilting la opción más refinada. En el caso de incidencia, el
valor obtenido por el Tilting con 95% en la cola derecha, para 10 000 répli-
cas de la media inicial de los 2 456 casos, es LQ = 1.4705. Hay 1 303 munici-
pios por encima de este valor (el mapa 1 muestra su ubicación geográfica).
Algunos de los VGA empatan con los núcleos, otros son su periferia o son
meramente áreas no aglomeradas de alta concentración localizadas en el
resto del país.
Todos los 2 456 casos son incluidos. Si sólo se consideraran los casos con
LQ ≥ 1, el valor crítico sería 1.59 para 95% de confianza en la cola derecha
utilizando la opción Tilting. Como el promedio nacional (el denominador)
en LQ se obtiene con base en todos los casos, se considera conveniente to-
mar el resultado del remuestreo para el conjunto completo de datos en vez
de asumir sólo los valores donde LQ ≥ 1.
Superposición de la concentración y aglomeración. El análisis de super-
posición integra los núcleos (VLA: HH y HL de LQ) con VGA (LQ ≥ 1.4705)
para generar conglomerados de intensidad. La superposición identifica los
conglomerados de intensidad en dos pasos:
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 707

i) Preparación de los núcleos. Intersección de las áreas HH y HL con la capa

de municipios que contiene los valores LQ ≥ 1.4705. Los núcleos son los
valores HH y HL de LQ. El mapa de integración muestra los VGA que tam-
bién son núcleos porque empatan con los VLA. En esta superposición de
capas, conviene aclarar que los valores HH y HL son núcleos, aunque no
empaten con los valores globales altos.
ii) Identificación de conglomerados. Un conglomerado está constituido
por un núcleo y su periferia. La periferia son VGA (áreas en gris claro,
donde LQ ≥ 1.4705) contiguos a las áreas HH y HL (en gris oscuro en el
mapa 1). Como lo establece el paso previo, los VLA que coinciden con los
valores HH y HL son considerados núcleos.

c) Magnitud. Proceso de aglomeración y núcleos. Autocorrelación espa-

cial. Aunque los pasos metodológicos para la magnitud e intensidad son los
mismos, los resultados a nivel local son distintos. El índice global de Moran
(I) para magnitud (número de pobres), utilizando una matriz de contigüi-
dad del tipo reina, rechaza la hipótesis nula de aleatoriedad. El índice global
I indica que la magnitud de la pobreza está espacialmente concentrada en
el país (I = 0.279; p = 0.0001; para 9 999 permutaciones). El índice local de
Moran (Ii), con una probabilidad p < 5%, identifica 146 núcleos de magni-
tud (HH) y 12 islas de pobreza (HL) (mapa 1).
La mayoría de los núcleos de magnitud se localiza en áreas densamente
pobladas, tales como las ciudades capital. La periferia de estos núcleos la
constituyen los vga que tipifican el proceso de concentración; éstos son
obtenidos por remuestreo de la media de la magnitud.
Proceso de concentración. Remuestreo. Patrón espacial de la magnitud
en municipios con población igual o mayor a 23 232 pobres. En el caso de la
magnitud, el remuestreo por Tilting a 95% en la cola derecha, para 10 000
muestras, es 23 232 pobres. Como en LQ, el remuestreo utiliza todos los
2 456 casos. Hay 534 municipios por encima de este valor (mapa 2). Como
es de esperar, los VGA de magnitud se localizan en las áreas más pobladas.
Resultados similares se esperarían para la venta de Coca-Cola o de cual-
quier otra variable relacionada directamente con la población. Un patrón
similar se confirma para el proceso de aglomeración de los valores absolu-
tos de la pobreza.
Superposición de concentración y aglomeración de la magnitud. La su-
perposición integra los núcleos (HH y HL) con los VGA para identificar los
708 EL TRIMESTRE ECONÓMICO 332

MAPA 1. Conglomerados de intensidad identificados por superposición de capasa

FUENTE: elaboración del autor.

a Núcleos (HH y HL en gris oscuro) y periferias (en color gris claro). Los municipios cuadriculados
se localizan en el área de intersección de los conglomerados de intensidad y magnitud (prioridad 1, en el
cuadro 2). Las áreas fuera de la intersección son estratificadas conforme a los límites de clase en el cuadro 3
(no respresentados en el mapa). La magnitud se refiere al número de pobres en el 2010 tal como lo reporta
el Coneval.

conglomerados de magnitud (mapa 2). La superposición identifica los con-

glomerados de magnitud en dos pasos (mapa 2):

i) Intersección de áreas HH y HL con áreas que contienen 23 232 pobres o más.

Este paso integra en un solo mapa valores locales y globales superpuestos.
ii) Unión de áreas HH y HL (áreas en gris oscuro) con las áreas aledañas con
VGA (áreas en gris claro, con 23 232 pobres o más).

d) Áreas de mayor prioridad. Superposición de los conglomerados de in-

tensidad y magnitud. Una vez identificados los conglomerados de magnitud
e intensidad, es posible identificar y ordenar las áreas de pobreza en térmi-
nos de ambas características. Esta sección superpone los conglomerados
de datos relativos (mapa 1) y absolutos (mapa 2) para identificar las áreas
de pobreza con la prioridad más alta. El procedimiento completo es esbo-
zado en el diagrama 8. Los resultados registran 44 áreas de mayor prioridad
(prioridad 1), localizadas en nueve estados: Oaxaca, Chihuahua, Veracruz,
Guerrero, Guanajuato, Puebla, México, Tabasco y Chiapas (diagrama 8 y
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 709

MAPA 2. Conglomerados de magnitud identificados por superposición de capasa

FUENTE: elaboración del autor.

a Núcleos (HH y HL en gris oscuro) y periferias (en color gris claro). Los municipios cuadriculados
se localizan en el área de intersección de los conglomerados de intensidad y magnitud (prioridad 1, en el
cuadro 2). Las áreas fuera de la intersección son estratificadas conforme a los límites de clase en el cuadro 3
(no respresentados en el mapa). La magnitud se refiere al número de pobres en el 2010 tal como lo reporta
el Coneval.

cuadro 2). De estos 44 municipios de mayor prioridad 28 están en Chiapas

(65%). Estas 28 áreas contienen 70% (1 874 943) de los pobres localizados
en las áreas de mayor prioridad (2 678 769).
Municipios fuera del área de intersección. En este trabajo, los conglo-
merados de intensidad o magnitud, según corresponda, son resultado de
la superposición de las capas de concentración y aglomeración. Estos con-
glomerados per se son áreas importantes de pobreza relativa o absoluta. Es
razonable asignar la prioridad espacial mayor para fines de política social
a la intersección de ambos conglomerados (áreas urgentes o de prioridad
uno). Los municipios fuera (a la vez que dentro) de la intersección de los
conglomerados de intensidad y magnitud, por ser también importantes en
términos relativos o absolutos, son estratificados para sugerir una jerarquía
espacial para la toma de decisiones.
Discontinuidades naturales (Jenks) y puntas y colas. El uso de estos pro-
cedimientos requiere de algunas observaciones previas. En presencia de asi-
metría y valores atípicos extremos, el procedimiento de discontinuidades
naturales, también conocido como método de bondad de ajuste de la va-
 DIAGRAMA 8. Superposición de los conglomerados de intensidad y magnitud

FUENTE: elaboración del autor.

 TREVIÑO, Mapa y jerarquía espacial de la pobreza 711

CUADRO 2. Lista de las cuarenta y cuatro áreas donde se intersectan la magnitud

e intensidad de la pobreza en México

Huimanguillo ⎤ Tabasco Chiapas

Tacotalpa ⎥ ⎡ La Trinitaria
Ocosingo
Macuspana
⎥
⎥
⎦
⎢ Tuxtla Gutiérrez
⎢ Chiapa de Corzo
Temoaya ⎤ México ⎢ Tecpatán
Jiquipilco ⎥
⎥
⎢ San Fernando
Ixtlahuaca ⎥
⎦ ⎢ Ocozocoautla de Espinosa
⎢ Chilón
Acatlán
⎤
⎥
⎥ Puebla ⎢ Chenalhó
⎥
⎦
⎢ Comitán de Domínguez
Santa Cruz de Juventino Rosas
⎤
⎥
⎥ Guanajuato ⎢ Altamirano
⎢ Acala
⎥
⎦

⎢ San Juan Cancuc

San Marcos ⎤ Guerrero
⎥ ⎢ Zinacantán
Tecoanapa ⎥
⎥
⎢ Yajalón
Tixtla de Guerrero ⎦
⎢ Villaflores
⎢ Villa Corzo
⎤ ⎢ Venustiano Carranza
Las Choapas Veracruz
⎢ Tenejapa
⎥
⎥
⎥
⎦
Simojovel
⎢ Salto de Agua
Guadalupe y Calvo
⎤
⎥
Chihuahua ⎢ Palenque
⎢ Oxchuc
⎥
⎥
⎦

⎢ Las Margaritas
Villa de Zaachila ⎤ Oaxaca ⎢ Ixtapa
Miahuatlán de Porfirio Díaz
⎥
⎥ ⎢ Tila
Santiago Pinotepa Nacional ⎥
⎦ ⎢ Jiquipilas
⎣ Cintalapa
FUENTE: elaboración del autor.

rianza (gvf, por sus siglas en inglés) o de Jenks (por su autor), demanda mo-
dificaciones. Los casos extremos deben ser excluidos temporalmente para
aplicar las discontinuidades naturales a datos previamente transformados
(e. g., logaritmos, raíces cuadradas o valores inversos). Una vez que la clasi-
ficación es obtenida, los valores extremos son reintegrados al estrato menor
o mayor, según corresponda. Además, si la distribución es asimétrica, la
bondad de ajuste de la desviación absoluta (gadf por sus siglas en inglés) en
vez de la gvf debería utilizarse para evaluar la estratificación.
La estadística descriptiva muestra que la distribución de los valores en las
áreas fuera de la intersección es asimétrica, lo mismo para los conglomera-
712 EL TRIMESTRE ECONÓMICO 332

dos de magnitud que intensidad. Las cajas de bigotes (box-plot) en ArcGis

10.2 y la estandarización z-MAD registran casos extremos en la distribución
de la magnitud. El valor crítico para casos extremos (límite superior) es
241 325 y 191 029 pobres para las cajas de bigotes y los valores z-MAD, res-
pectivamente. La prueba K-S rechaza la hipótesis de normalidad a 5%. La
sección del conglomerado de magnitud que está fuera de la intersección es
asimétrica y presenta casos extremos.
Por otro lado, hay 902 casos en el conglomerado de intensidad que están
fuera del área de intersección, con una asimetría de -0.290 y un error están-
dar de asimetría de 0.081. El valor z resultante es -3.58, menor a -1.96, el
valor requerido para ser estadísticamente significativo a 5% en una prueba
de dos colas. La prueba K-S rechaza la hipótesis de normalidad a 5%. Las
gráficas de bigotes y los valores z-MAD no reportan casos extremos. La sec-
ción del conglomerado de intensidad que está fuera de la intersección es
asimétrica sin casos extremos.
El método de puntas y colas está especialmente diseñado para distribucio-
nes asimétricas. Es un procedimiento robusto para distribuciones estadísticas
no normales con casos extremos. El número de estratos en el procedimiento
de puntas y colas puede identificarse por una regla empírica o una condición
metodológica (Jiang y Yin, 2013: 8). Aplicando la regla empírica de que “las
puntas deben contener menos de 40% de los casos”, la magnitud tiene tres es-
tratos. Si se aplica la condición de que la mayoría (aunque no necesariamente
todas) de las clases jerárquicas cumple con el principio de “mucho más cosas
pequeñas que las más grandes”, hay cinco estratos (cuadro 3). Las siguientes
líneas se basan en la clasificación de tres estratos obtenida por la regla de 40%
del procedimiento de puntas y colas (cuadro 4). Un número similar de
estratos se obtiene con discontinuidades naturales para fines comparativos,
incluyendo y excluyendo los casos extremos de la magnitud (cuadro 3).
Como el procedimiento de puntas y colas sugerido por Jiang y Yin (2013)
es muy reciente, las discontinuidades naturales resultan ser el procedimiento
más común para clasificar (con algunas adaptaciones) distribuciones asimé-
tricas con casos extremos. La adaptación básica del procedimiento sugiere
una estandarización de datos para cumplir con el requisito de normalidad e
identificar casos extremos potenciales.9 Después de la estandarización, los
9 En esta investigación, estandarización no equivale a transformación. La estandarización de datos
(valores z o z-MAD) reescala la información sin cambiar la forma de la distribución original; la asimetría
es la misma y los casos extremos, si existen, también permanecen. La estandarización z-MAD, basada en
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 713

CUADRO 3. Sección del conglomerado de magnitud que está fuera del área
de intersección. Clasificación de puntas y colas y discontinuidades naturalesa

Puntas y Colas Discontinuidades Naturales

Estrato (regla de 40%) Con casos extremos Sin casos extremosb
Límites de clase
1 23 271-101 809 23  271-134 177 23 271-53 987
2 101 810-236 467 134 178-356 328 53 988-103 550
3 236 468-732 154 356 329-732 154 103 551-732 154
GADF 0.5382 0.5506 0.4846
FUENTE: elaboración del autor con el programa ArcGis 10.2.
a Puntas = Valores ≥ media; Colas = Valores < media. Cálculos verificados con el programa de
Puntas y Colas disponible en https://www.dropbox.com/sh/k2aaoip1y888r45/AAACV2jsvP8s0y8a-
5reRgrda
b Los casos extremos son los valores-z modificados (z-MAD) > |3.5|. Estos casos son excluidos tem-
poralmente y reintegrados en el estrato superior para aplicar la estratificación de Jenks. Los límites de
clase no cambian si se utilizan los valores absolutos originales o su z-MAD equivalente.

casos extremos son temporalmente excluidos para aplicar la estratificación

de Jenks y reintegrados posteriormente al estrato mayor o menor, según
corresponda. En la opción de discontinuidades naturales para la sección
del conglomerado de magnitud que está fuera del área de intersección, la
investigación estandariza los datos brutos en valores z-MAD para remediar
la asimetría y excluye temporalmente los casos extremos. Esta opción, sin
embargo, no genera estratos de amplitud similar a los obtenidos con el pro-
cedimiento de puntas y colas (cuadro 4).
La evaluación gvf no se aplica para el procedimiento de puntas y colas
porque esta última no está basada en la distribución normal de los valores.
Los valores gadf, la alternativa robusta a la gvf para evaluar distribuciones
asimétricas, son 0.55 y 0.48 para valores con y sin casos extremos, respecti-
vamente. Estos valores gadf sugieren que el número de clases en magnitud
identificadas por el método puntas y colas debería incrementarse (hasta alcan-
zar un GADF de 0.8, al menos) (cuadro 3). Teniendo en mente la superioridad
de este método sobre las discontinuidades naturales para clasificar distribu-
ciones asimétricas (Jiang y Yin, 2013), estos resultados muestran que el GADF
no parece apropiado para comparar la eficiencia de ambos procedimientos.

la mediana, se recomienda para distribuciones asimétricas porque es menos afectada por valores extre-
mos que los valores z, basados en la media. En distribuciones asimétricas, la z-MAD detecta más casos
extremos que los valores z. Por otro lado, la transformación de los valores, tales como logaritmos, raíz
cuadrada, transformación Box-Cox, cambia la forma de la distribución y modifica (o desaparece) la
existencia de casos extremos.
714 EL TRIMESTRE ECONÓMICO 332

CUADRO 4. Prioridades de política espacial considerando simultáneamente

la magnitud e intensidad de la pobreza en los municipios de México, 2010

Magnitud Intensidad
(número de pobres) (LQ—pobreza)
Prioridad 1 Intersección Intersección

Prioridad 2 236 468-732 154 Todas las áreas fuera de la intersección

(áreas fuera de la intersección pero pero dentro del conglomerado
dentro del conglomerado)

Prioridad 3 101 810-236 467
(áreas fuera de la intersección pero
dentro del conglomerado)

Prioridad 4 23 271-101 809
(áreas fuera de la intersección pero
dentro del conglomerado)

Prioridad 5 Todos los valores globales altos Todos los valores globales altos (LQ ≥
(≥ 23 232 pobres) fuera del 1.4705) fuera del conglomerado
conglomerado

Prioridad 6 Áreas restantes Áreas restantes

FUENTE: elaboración del autor con base en el procedimiento explicado en el texto.

Por otro lado, bajo la regla de 40% para las puntas, el procedimiento
puntas y colas clasifica los valores de intensidad fuera de la intersección en
un estrato único. Por lo tanto, en la sección del conglomerado de intensi-
dad que está fuera del área de intersección no se utiliza la clasificación por
discontinuidades naturales para fines comparativos. Todos los valores del
conglomerado de intensidad fuera del área de intersección tienen prioridad 2
(cuadro 4 y diagrama de Venn en el diagrama 8).10
La estratificación de puntas y colas es la mejor opción para distribu-
ciones asimétricas, como en la pobreza. Una vez que el método de las dis-
continuidades naturales es reemplazado por el procedimiento de puntas y
colas, la jerarquía espacial de los conglomerados de magnitud e intensidad
10 La intensidad fuera de la intersección pero dentro del conglomerado correspondiente, de ser ne-
cesario, puede transformarse para obtener una distribución gaussiana que se estratifique con el método
de discontinuidades naturales. Este método es el más apropiado para distribuciones simétricas, con el
debido manejo de los casos extremos (Galant, 2006). Un criterio, por ejemplo, de política sería dar igual
jerarquía espacial al estrato tres de la intensidad (obtenido por Jenks) y al estrato tres de la magnitud
(obtenido por puntas y colas). En la opción actual, la intensidad en todas las áreas fuera de la intersec-
ción, pero dentro del conglomerado, tienen prioridad 2. Es decir, las prioridades 3 y 4 de magnitud no
tienen equivalente en el conglomerado de intensidad.
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 715

está lista para orientar la política pública que se interese en los conglome-
rados de valores altos, sin importar si son globales o locales. La jerarquía
espacial de la pobreza sugerida en esta investigación se sintetiza de la si-
guiente manera:

3. Recuento para las hipótesis de trabajo

En ningún caso se acepta la hipótesis nula (H0) que da cauce empírico a cada
una de las tres preguntas de investigación.

Primera hipótesis. H0: La pobreza está distribuida aleatoriamente entre los

municipios de México. H1: No se acepta H0.

La política contra la pobreza espacialmente focalizada tiene sentido

puesto que no se acepta H0. El remuestreo indica que la pobreza no sólo se
concentra en algunos municipios del país sino que su distribución geográ-
fica no es aleatoria, tal como lo muestra el Índice Global de Moran (I). Los
argumentos sobre concentración y aglomeración son válidos lo mismo para
la intensidad como para la magnitud de la pobreza.

Segunda hipótesis. H0: No hay aglomeraciones de municipios pobres. H1:

Hay municipios con altos niveles de pobreza rodeados por municipios
igualmente pobres.

No se acepta H0 porque existen aglomeraciones de municipios pobres.

Es necesario focalizar geográficamente la política social. El Índice Local de
Moran (Ii) no sólo confirma la existencia de focos rojos, sino que al com-
binarse con VGA identificados por remuestreo evidencia que esas aglomera-
ciones se extienden a su periferia para formar conglomerados de intensidad
o magnitud de pobreza. La combinación de VGA y VLA no sólo muestra
que la pobreza no está aleatoriamente distribuida en el espacio, sino que
se aglomera en algunas áreas que son más extendidas que lo que sugiere la
estadística espacial (Ii).

Tercera hipótesis. H0: No es posible una metodología que articule simultá-

neamente los valores globales altos y valores locales altos de variables en
términos relativos y absolutos. H1: No se acepta H0.
716 EL TRIMESTRE ECONÓMICO 332

No se acepta H0. La ausencia de una metodología como la descrita sólo

es señal de la evolución incompleta del pensamiento espacial que puede me-
jorar. Esta investigación muestra que es posible elaborar una jerarquía espa-
cial que combine simultáneamente valores absolutos y relativos del proceso
de concentración y aglomeración. El método seleccionado depende del
objetivo del estudio y las características de los datos. Si el interés es tener
una jerarquía espacial de todos los municipios, el método de Jenks o el de
puntas y colas pueden ser útiles, con las precauciones estadísticas del caso.
Estas precauciones están directamente vinculadas a las características de los
datos. Si la distribución de los datos es asimétrica, con casos atípicos, el
procedimiento paretiano de puntas y colas es apropiado. Si la distribución
es simétrica sin datos atípicos, el procedimiento de Jenks puede ser útil.
Si existieran casos atípicos en una distribución simétrica, el procedimiento
de Jenks puede aplicarse excluyendo temporalmente los valores extremos.
Estos valores se reintegran después al extremo más alto o más bajo, según
corresponda.

IV. NOTAS FINALES Y LÍNEAS FUTURAS DE INVESTIGACIÓN

Esta investigación presenta un nuevo procedimiento para identificar la je-
rarquía municipal de la pobreza combinando simultáneamente magnitud e
intensidad. El estudio, por el principio de independencia de la población, se
enfoca primero en la intensidad. Identifica concentraciones de pobreza y las
integra con aglomeraciones (núcleos) para formar conglomerados de inten-
sidad (núcleos y periferias). En este proceso de jerarquización, la concen-
tración se refiere a la localización de los VGA en unos municipios de México,
independientemente de su localización geográfica. La aglomeración, por un
lado, se refiere a localización de vla en municipios contiguos. Por un lado,
los vga, identificados por remuestreo, pueden localizarse donde sea; crean
conglomerados cuando son contiguos a las aglomeraciones, identificadas
con autocorrelación espacial. Por otro lado, considerando que el tamaño
importa, los conglomerados de magnitud se obtienen repitiendo los pasos
metodológicos para crear los conglomerados de intensidad.
El punto de partida en esta investigación es la diferenciación explícita
entre concentración y aglomeración (Arbia, 2001) y los trabajos pioneros
(Linge, 1960) y recientes (Van den Heuvel et al., 2012) que combinan valo-
res absolutos y relativos. Sin embargo, para establecer un orden jerárquico
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 717

de áreas, este estudio, por primera vez en la literatura sobre análisis espa-
cial, combina simultáneamente concentración y aglomeración de los valores
absolutos y relativos de la pobreza utilizando el análisis de superposición
de capas. Se utilizan diagramas de Venn para identificar las áreas en la in-
tersección entre los conglomerados de magnitud e intensidad. Las áreas en
esta intersección tienen máxima prioridad (prioridad 1). Las áreas fuera de la
intersección se clasifican en subconjuntos o estratos de los conglomerados
de intensidad y magnitud.
Como es de esperarse en la mayoría de los problemas sociales, el estudio
de caso mexicano rechaza la hipótesis nula de aleatoreidad espacial (hipóte-
sis 1) y concluye que la intensidad y la magnitud, cada una por su lado, tie-
nen un patrón espacial concentrado y aglomerado (hipótesis 2). En el área
de intersección de estos conglomerados de magnitud e intensidad están 44
municipios mexicanos (prioridad 1). De estos cuarenta y cuatro municipios
tres cuartas partes contienen 70% de la pobreza en las áreas de prioridad
más alta, y se localiza completamente dentro del estado de Chiapas. Oco-
singo, tiene “el valor más alto entre los más altos” de magnitud e intensidad.
Atendiendo simultáneamente a los valores absolutos y relativos de la mag-
nitud e intensidad de la pobreza, Ocosingo debería tener la prioridad más
alta en la política pública respectiva.
Una vez identificada la intersección entre los dos conglomerados, el es-
tudio sugiere una jerarquía espacial de los municipios restantes del conglo-
merado. Las áreas de magnitud e intensidad fuera de la intersección son
clasificadas con el método de puntas y colas. Como lo demuestra Jiang y
Ying (2013), los resultados obtenidos con discontinuidades naturales no se
acercan a los obtenidos con el procedimiento de puntas y colas. Conside-
rando la gran asimetría de las distribuciones de magnitud e intensidad, el
procedimiento de puntas y colas es la opción más apropiada para clasificar
los valores fuera de la intersección de los conglomerados. Este procedi-
miento genera tres estratos por magnitud y sólo un estrato para la intensi-
dad. Las áreas en la intersección y la estratificación de las que están fuera
de ella (dentro y fuera de los conglomerados) proporcionan una jerarquía
espacial de la pobreza en México en el 2010 (hipótesis 3: es posible elaborar
una metodología que combine simultáneamente vga y vla de variables en
términos relativos y absolutos).
Existe un número importante de vga fuera de los conglomerados de mag-
nitud e intensidad que pueden clasificarse con los métodos sugeridos para
718 EL TRIMESTRE ECONÓMICO 332

los municipios dentro de los conglomerados, dependiendo de la simetría

o asimetría de su distribución. Esta clasificación adicional depende de las
necesidades que se manifiesten. No tiene caso multiplicar innecesariamente
una clasificación si no existe una necesidad técnica o social que la justifique.
Las tres contribuciones principales del estudio son:

i) Integra un cuerpo conceptual comparativo para identificar áreas de po-

breza con una jerarquía espacial. Este marco es relevante para definir las
políticas enfocadas espacialmente, y puede ser insumo para modelos ex-
plicativos posteriores (mínimos cuadrados ordinarios, regresión espacial
y regresión geográficamente ponderada). En el nivel estadístico, la mera
existencia de aglomeraciones y conglomerados es evidencia de la hetero-
geneidad espacial (regímenes espaciales) que debe tomarse en cuenta en
los modelos de regresión espacial y no espacial.
ii) Articula conceptual y empíricamente dos procesos espaciales (concen-
tración y aglomeración), dos técnicas estadísticas complementarias (re-
muestreo y autocorrelación espacial), un procedimiento de sistemas de
información geográfica (análisis de superposición de capas), un proce-
dimiento reciente de clasificación (puntas y colas) y dos tipos diferentes
de datos (absolutos y relativos) para elaborar una jerarquía espacial de
la pobreza. Este procedimiento también puede aplicarse a cada una
de las variables que definen la pobreza, tales como personas en caren-
cia de cierto número de necesidades básicas o por debajo de cierto nivel
de ingreso.
iii) Retoma conceptos básicos (i. e., patrón espacial, concentración, aglome-
ración) y repasa medidas de intensidad y magnitud que pueden utilizar-
se para identificar y explicar diversos patrones geográficos, tales como
pobreza, desarrollo humano, mortalidad infantil, fertilidad adolescente,
enfermedad o crimen. Los resultados también deben abordarse a la luz
de la experiencia en otros estudios de caso.

Se espera que la metodología en esta investigación ayude a crear una je-

rarquía espacial útil para focalizar territorialmente los programas sociales.
Las dos variables en esta investigación (intensidad de la pobreza y número
de pobres) pueden ser sustituidas por las consideradas en los programas Se-
desol, tales como la Cruzada contra el Hambre (gente en pobreza extrema
o en pobreza alimentaria) o Prospera. La investigación también presenta
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 719

criterios objetivos que no requieren familiaridad con el estudio de caso y

proporciona valores críticos estadísticamente respaldados.
Como en cualquier otro método, la metodología espacial sugerida tiene
sus propias limitaciones:

i) Depende de la desagregación y exactitud de la unidad espacial de análisis

(e. g., municipios, AGEB, manzanas).
ii) Es posible que los resultados no sean los mismos para datos suavizados
en el tiempo (e. g., promedios móviles) y el espacio (e. g., suavización
espacial bayesiana). Además de utilizar tasas espaciales suavizadas en
esta investigación, de estar disponibles, los estudios también pueden
utilizar la media estadística para un periodo de tiempo (i. e., la tasa pro-
medio de la pobreza para el 2003-2012) o los promedios móviles en el
tiempo. Desafortunadamente, la base de datos espacialmente desagre-
gada para la pobreza en el estudio de caso mexicano sólo existe para el
2010.
iii) Deja sin los beneficios de los programas sociales a personas en la po-
breza que no se localizan en las áreas seleccionadas. Son necesarios los
ajustes regionales basados en la historia, cultura y economía comunes.
Las regiones y sus municipios generalmente comparten características
naturales similares, factores sociales y experiencias comunes. Por ejem-
plo, 23 municipios integran la región tarahumara, pero sólo algunos son
incluidos en el conglomerado de intensidad de la pobreza tarahumara.
Por lo tanto, es necesario visitar la región y verificar lo que pasa ahí para
ver si la inclusión/exclusión de los municipios tiene sustento local. Esta
tarea está fuera del alcance del estudio de caso y queda como una asigna-
tura pendiente para estudios subsecuentes.

Los resultados principales de esta investigación no son comparables o

compatibles con los reportados en los documentos de organismos oficiales
tales como Coneval o Sedesol. En el caso de Coneval:11

11 La mención crítica a la estratificación del Coneval no es exclusiva para este organismo, sino que
se aplica a cualquier procedimiento de jerarquización espacial elaborada con procedimientos aespa-
ciales que, centrados exclusivamente en la intensidad, omiten por regla general los valores absolutos y
el proceso de aglomeración. Si las unidades espaciales (estados, municipios o AGEB) fueran mezclados
como las fichas de dominó o barajadas como las cartas de un mazo de naipes, los estratos generados por
cualquier método aespacial serían los mismos.
720 EL TRIMESTRE ECONÓMICO 332

i) Mientras esta investigación incluye simultáneamente magnitud (número

absoluto de pobres) e intensidad (LQ) en su clasificación, el Coneval no
incluye magnitud. Sólo utiliza incidencia (porcentaje de pobres) para
estratificar los municipios mexicanos.
ii) A diferencia de esta investigación, el Coneval no considera la aglomera-
ción en su clasificación.

Por otro lado, aunque la selección municipal de la Cruzada contra el

Hambre en Sedesol incluye criterios de magnitud e intensidad, la política
social federal utiliza la pobreza alimentaria, una variable distinta a la utilizada
en este trabajo. La pobreza alimentaria es un subconjunto de la pobreza mul-
tidimensional generada por el Coneval que se utiliza en esta investigación.
En general, el estudio sugiere que las investigaciones realizadas hasta hoy
sobre patrones espaciales utilizando sólo estadística espacial o únicamente
estadística no espacial sean reconsideradas con el procedimiento propuesto.
La misma invitación se extiende a las investigaciones futuras sobre el tema.

REFERENCIAS BIBLIOGRÁFICAS
Anselin, L., A. T. Murray y S. J. Rey (2013), “Spatial Analysis”, en T. D. Little (ed.), The
Oxford Handbook of Quantitative Methods: Vol. 2, Oxford University Press, Ox-
ford, Nueva York.
___ , Y. W. Kim y I. Syabri (2004), “Web-based Analytical Tools for the Exploration of
Spatial Data”, Journal of Geographical Systems, vol. 6, núm. 2, pp. 197-218.
___  (1995), “Local Indicators of Spatial Association-LISA”, Geographical Analysis,
vol. 27, núm. 2, pp. 93-115.
___  (1996), “The Moran Scatterplot as an ESDA Tool to Assess Local Instability in
Spatial Association”, en M. M. Fischer, H. J. Scholten y D. Unwin (eds.), Spatial
Analytical Perspectives on GIS, Taylor & Francis., Londres.
___  (2003), “Spatial Econometrics: Methods and Models”, en B. H. Baltagi (ed.),
A Companion to Theoretical Econometrics, Blackwell Publisching, Reino Unido,
pp. 310-330.
Arbia, G. (2001), “The Role of Spatial Effects in the Empirical Analysis of Regional
Concentration”, Journal of Geographical Systems, vol. 3, núm. 3, pp. 271-281.
Arribas-Bel, D., y F. Sanz-Gracia (2014), “The Validity of the Monocentric City Model
in a Polycentric Age: US Metropolitan Areas in 1990, 2000 and 2010”, Urban Geog-
raphy, vol. 35, núm. 7, pp. 980-997.
Baumont, C., C. Ertur y J.  L. Gallo (2004), “Spatial Analysis of Employment and
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 721

Population Density: The Case of the Agglomeration of Dijon 1999”, Geographical

Analysis, vol. 36, núm. 2, pp. 146-176.
Bedi, T., A. Coudouel y K. Simler (2007), More than a Pretty Picture: Using Poverty
Maps to Design Better Policies and Interventions, Banco Mundial, Washington D. C.
Bourdieu,  P. (2000), “Site Effects”, en P. Bourdieu, A. Accardo y P. Parkhurst Fer-
guson  (eds.), The Weight of the World: Social Suffering in Contemporary Society,
Stanford University Press, California.
Burt, J. E., G. M. Barber y D. L. Rigby (2009), Elementary Statistics for Geographers (3a
ed.), Guilford Press, New York.
Carroll, M. C., N. Reid y B. W. Smith (2008), “Location Quotients versus Spatial Au-
tocorrelation in Identifying Potential Cluster Regions”, Annals of Regional Science,
vol. 42, núm. 2, pp. 449-463.
Coneval (2014), “Medición de la Pobreza. Pobreza a nivel municipio 2010”, disponible en
http://www.coneval.gob.mx/Medicion/Paginas/Medici%C3%B3n/Medicion-de-
la-pobreza-municipal-2010.aspx
Crews, K. A., y M.  F. Peralvo  (2008), “Segregation and Fragmentation: Extending
Landscape Ecology and Pattern Metrics Analysis to Spatial Demography”, Popula-
tion Research and Policy Review, vol. 27, núm. 1, pp. 65-88.
Cromley, R., y D. Hanink (2012), “Focal Location Quotients: Specification and Appli-
cations”, Geographical Analysis, vol. 44, núm. 4, pp. 398-410.
Chainey, S., y J. Desyllas (2008), “Modelling Pedestrian Movement to Measure On-
street Crime Risk”, en L. Liu y J. Eck (eds.), Artificial Crime Analysis Systems: Using
Computer Simulations and Geographic Information Systems, Information Science
Reference, Pensilvania.
Chihara, L., y T. Hesterberg (2011), Mathematical Statistics with Resampling and R.,
Wiley, Nueva Jersey.
Choudhury, N. Y., y C. Räder (2014), “Targeting the Poorest and Most Vulnerable:
Examples from Bangladesh”, en J. Von Braun y F. W. Gatzweiler (eds.), Marginali-
ty: Addressing the Nexus of Poverty, Exclusion and Ecology, Springer Netherlands,
Dordrecht.
De Dominicis, L., G. Arbia y H. L. De Groot (2013), “Concentration of Manufactur-
ing and Service Sector Activities in Italy: Accounting for Spatial Dependence and
Firm Size Distribution”, Regional Studies, vol. 47, núm. 3, pp. 405-418.
Frizado, J., B. W. Smith,  M. C. Carroll  y N. Reid (2008), “Impact of Polygon Geom-
etry on the Identification of Economic Clusters”, Letters in Spatial and Resource
Sciences, vol. 2, núm. 1, pp. 31-44.
___ , B. Smith y M. Carroll (2007), “Identification of Economic Clusters Using ArcGIS
Spatial Statistics”, documento presentado en la Proceedings of the ESRI User Confer-
ence, disponible en https://s3.amazonaws.com/webapps.esri.com/esri-proceedings/
proc07/papers/papers/pap_1367.pdf
722 EL TRIMESTRE ECONÓMICO 332

Galant, K. (2006), “Data Classification from Cartographic Point of View”, Electronic

Journal of Polish Agricultural Universities, vol. 9, núm. 4.
Goodchild, M. F., y N. S. Lam (1980), “Areal Interpolation: A Variant of the Tradition-
al Spatial Problem”, Geo-Processing, 1, pp. 297-312.
Gottdiener, M., y R. Hutchison (2011), The New Urban Sociology, Westview Press,
Colorado.
Graw, V., y C. Husmann (2014), “Mapping Marginality Hotspots”, en J. Von Braun y
F. W. Gatzweiler (eds.), Marginality: Addressing the Nexus of Poverty, Exclusion and
Ecology, Springer Netherlands, Dordrecht.
Hesterberg, T., D. S. Moore, S. Monaghan, A. Clipson, R. Epstein, B. A. Craig y G. P.
McCabe (2010), “Bootstrap Methods and Permutation Tests”, en D. S. Moore, G.
P. McCabe y B. A. Craig (eds.), Introduction to the Practice of Statistics, 7a ed., W.
H. Freeman, Nueva York.
Holt, J. B. (2007), “The Topography of Poverty in the United States: A Spatial Analysis
Using County-Level Data from the Community Health Status Indicators Project”,
Preventing Chronic Disease, vol. 4, núm. 4, pp. 1-9.
Jiang, B. (2013), “Head / Tail Breaks: A New Classification Scheme for Data with
a Heavy-Tailed Distribution”, The Professional Geographer, vol. 65, núm. 3,
pp. 482-494.
___ , y J. Yin (2014), “Ht-index for Quantifying the Fractal or Scaling Structure of
Geographic Features”, Annals of the Association of American Geographers, vol. 104,
núm. 3, pp. 530-541.
___  (2015), “Geospatial Analysis Requires a Different Way of Thinking: The Problem
of Spatial Heterogeneity”, GeoJournal, vol. 80, núm. 1, pp 1-13.
Ketels, C., y Ö. Sölvell (2005), “Clusters in the EU 10 New Member Countries”, Eu-
rope INNOVA, disponible en http://www.europe-innova.eu
Linge, G. J. (1960), “The Concentration and Dispersion of Manufacturing in New Zea-
land”, Economic Geography, vol. 36, núm. 4, pp. 326-343.
Liu, Z. (2013), “Global and Local: Measuring Geographical Concentration of China’s
Manufacturing Industries”, The Professional Geographer, vol. 66, núm. 2, pp. 284-297.
McMillen, D. P. (2001), “Polycentric Urban Structure: The Case of Milwaukee”, Eco-
nomic Perspectives, vol. 25, núm. 2, pp. 15-27.
North, B., D. Curtis y P. Sham (2002), “A Note on the Calculation of Empirical P-Values
from Monte Carlo Procedures”, The American Journal of Human Genetics, vol. 71,
núm. 2, pp. 439-441.
O’ Donoghue, D., y B. Gleave (2004), “A Note on Methods for Measuring Industrial
Agglomeration”, Regional Studies, vol. 38, núm. 4, pp. 419-427.
O’ Sullivan, D., y G. L. Perry (2013), Spatial Simulation: Exploring Pattern and Process,
Wiley Blackwell, New Jersey.
Partridge, M. D., y D. S. Rickman (2006), The Geography of American Poverty: Is
 TREVIÑO, Mapa y jerarquía espacial de la pobreza 723

There a Need for Place-Based Policies?, W. E. Upjohn Institute for Employment

Research, Michigan.
Pavlova, S. et al. (2014), “Geographical Pattern of STDs in Texas Counties”, en J. A.
Treviño (ed.), Geography of Three Social Issues: STDs, Energy Consumption, & TOD
Impacts, UANL / UTA / Medical University / Varna, Nuevo León.
Riguelle, F., I. Thomas y A. Verhetsel (2007), “Measuring Urban Polycentrism: A Eu-
ropean Case Study and its Implications”, Journal of Economic Geography, vol. 7,
núm. 2, pp. 193-215.
Sedesol (2013), “Procedimiento de selección de los 400 municipios prioritarios de la
Cruzada Nacional Contra el Hambre”, disponible en http://www.sedesol.gob.
mx/work/models/SEDESOL/Cruzada/4_NOTA_TECNICA_DEL_PROCE-
DIMIENTO_DE_SELECCION_DE_LOS_400_MUNICIPIOS_PRIORITA-
RIOS_DE_LA_CNCH.pdf
Soja, E. W. (2010), Seeking Spatial Justice, University of Minnesota Press, Minnesota.
Srinivasan, S. (2008), “Local and Global Spatial Statistics”, en S. Shekhar y H. Xiong
(eds.), Encyclopedia of GIS, Springer, Nueva York.
Tian, Z. (2013), “Measuring Agglomeration Using the Standardized Location Quotient
with a Bootstrap Method”, Journal of Regional Analysis and Policy, vol. 43, núm. 2,
pp. 186-197.
Van den Heuvel, F. P., P. W. De Langen,  K. H. Van Donselaar y J. C. Fransoo (2012),
“Identification of Employment Concentration Areas”, European Planning Studies,
vol. 22, núm. 1, pp. 204-226.
Visvalingam, M. (1983), “Area-Based Social Indicators: Signed Chi-Square as an Alter-
native to Ratios”, Social Indicators Research, vol. 13, núm. 3, pp. 311-329.
Yeager, S. J. (2008), “Where Do Research Questions Come from and How Are They
Development?”, en G. J. Miller y K. Yang (eds.), Handbook of Research Methods in
Public Administration, 2a ed., CRC Press, Florida
Zhang, C. (2008), “An Analysis of Urban Spatial Structure Using Comprehensive
Prominence of Irregular Areas”, International Journal of Geographical Information
Science, vol. 22, núm. 6, pp. 675-686.
___ , L. Luo, W. Xu y V. Ledwith (2008), “Use of Local Moran’s I and GIS to Identify
Pollution Hotspots of Pb in Urban Soils of Galway, Ireland”, Science of The Total
Environment, vol. 398, núm. 1, pp. 212-221.
___ , Y. Tang, L. Luo y W. Xu (2009), “Outlier Identification and Visualization for
Pb Concentrations in Urban Soils and its Implications for Identification of Poten-
tial Contaminated Land”, Environmental Pollution, vol. 157, núm. 11, pp. 3 083-3 090.