Migración interregional en Chile: Una

Perspectiva Espacial
Francisco Rowe
Universidad Católica del Norte, Antofagasta, Chile.
Patricio Aroca1
Universidad Católica del Norte, Antofagasta, Chile.

Resumen

Este trabajo estudia la migración interregional para Chile usando datos

agregados y tomando especial consideración de la autocorrelación espacial
asociada a las regiones de origen y destino. Un modelo espacial es adaptado y
estimado para datos chilenos para los periodos 1987-1992 y 1997-2002. Los
resultados muestran que existe una significativa autocorrelación espacial en las
regiones de origen y destino del proceso migratorio. Adicionalmente, los
resultados muestran que ignorar la autocorrelación espacial en el proceso de
estimación tendrá como consecuencia una subestimación de los efectos de las
variables sobre la probabilidad de migrar. Esto es especialmente importante para
la variable nivel de población de la región de origen y destino y sus implicancias
sobre el proceso de concentración que ocurre en torno a las regiones del centro
del país.

Abstract

The paper study the Chilean interregional migration using aggregate data
and taking into account the spatial autocorrelation that is associated to
origin and destination regions. A spatial model is tailored and estimated
for Chilean data for periods 1987-1992 and 1997-2002. The results show
that there is a significant spatial autocorrelation at the origin and
destination region in the migration process. In addition, the results shows
that ignoring the spatial autocorrelation in the estimation process will
lead to an underestimation of the effects of the variables on the
probability to migrate, this is especially important for the variable
population at origin and destination region and its implication over the
concentration process around the central regions.

JEL: J61, O15, O18, R11, R23

Palabras Claves: Migración Interregional, Dependencia Espacial,
Autocorrelación Espacial, Utilidad Aleatoria.

                                                            
1 Se reconoce y agradece el apoyo financiero del proyecto FONCECYT 1060781 y de la
Iniciativa Cientifica Milenio “Ciencia Regional y Politicas Publicas”.
 2

Migración interregional en Chile: Una

Perspectiva Espacial

1. Introducción

Para modelar la decisión y comprender los factores que llevan a un

individuo a migrar, ha sido recurrente en la investigación económica, en la

geografía, y otras áreas, el uso de los modelos de elección discreta, en los cuales

se asume que un individuo migra con el objetivo de mejorar su nivel de

bienestar, basado en las percepciones de una mezcla de características

personales y de las regiones de origen y destino, estos modelos fueron

inicialmente desarrollados para estudios de demanda de transporte (Ben-Akiva

& Lerman, 1985; Train, 1986). Pero constantemente, en las investigaciones de

migración, se ha destacado la importancia que tiene la estructura del espacio y la

interacción espacial en el proceso migratorio (Fotheringham A. S., 1981;

Fotheringham A. S., 1982; Boots & Kanaroglou, 1988; Cushing & Poot, 2003).

En los primeros intentos de consideración de la dimensión espacial, se

incorporó la variable distancia a los modelos tradicionales, para capturar efectos

espaciales. Estos modelos se denominaron: modelos gravitatorios2.

Por otra parte, los modelos de elección discreta fueron desarrollados en un

contexto a-espacial (Pellegrini & Fotheringham, 2002), y como la decisión de

migrar tiene importantes connotaciones espaciales, se hace necesario extender

estos modelos, de modo que incorporen las complejidades que introduce el

espacio. Adicionalmente, Pellegrini & Fotheringham (2002), hacen una extensa

revisión de los problemas que implica aplicar modelos de elección discreta (a-

espaciales), como el Modelo Logit Multinomial3 (MLM), el Probit Multinomial

                                                            
2En Fotheringham A. S. (1981); Fotheringham A. S. (1982), se expone que los
parámetros estimados vinculados a la variable distancia pueden ser relacionados a la
interacción espacial, a la estructura espacial o ambos.
3 El MLM tiene el inconveniente de asumir que las alternativas son independientes,

llamado la Independencia de las Alternativas Irrelevantes (IAI).

 3

(MPM) y el Logit Anidado (MLA). Adicionalmente, también se ha reportado

que los modelos de elección discreta tradicionales, no capturan patrones de

sustitución espacial (Hunt, Boots, & Kanaroglou, 2004).

Dadas las limitaciones para incorporar la dimensión espacial en la

explicación del proceso migratorio, en los modelos tradicionales con datos

agregados, se han realizado esfuerzos para lidiar con este problema y considerar

explícitamente la estructura e interacción espacial, los cuales serán analizados en

detalle más adelante. Hunt et al (2004), hacen una sintesis de las posibles formas

de incorporar el espacio en los modelos de elección discreta en el contexto de

migración, identificado tres formas de agregar medidas espaciales en la utilidad

sistemática de los modelos tradicionales4. La primera, realizada por Boots &

Kanaroglou (1988), agregando una medida de centralidad de las zonas,

resultando ser un coeficiente significativo en el modelo aplicado al caso de

Toronto, esta variable también fue incorporada en un algunos estudios de

migración para el caso de Chile, cuyo coeficiente resultó ser altamente

significativo y con el signo esperado por sus autores (Aroca et al 2001; 2002;

2004). La segunda y tercera, corresponden a la inclusión de medidas de

accesibilidad5 en la utilidad sistemática, éstas miden el grado de desigualdad o

igualdad de las alternativas. Borgers & Timmermans (1987), incluyen medidas

de accesibilidad para establecer la estructura y patrones de sustitución

espaciales. Por otra parte, Fotheringham (1981; 1982; 2002) con su enfoque

denominado modelo de destinos competitivos, sugiere que los modelos

                                                            
4 Hunt et al (2004) también destacan el uso de los llamados modelos de valor extremo
generalizado, los cuales consisten en descomponer la parte estocástica de la función de
utilidad, dividiéndose en componentes para cada nido y un componente único para cada
alternativa. Esto permite patrones de sustitución entre alternativas. En Ferguson &
Kanaroglou, (1995; 1996; 1997), se destacan otras formas adicionales de incorporar el
espacio.
5 La inclusión de medidas de accesibilidad eliminan la propiedad de IAI, de los MLM,

ya que la utilidad sistemática en este caso, requerirá de información de las otras

alternativas en el conjunto de elección. Sin embargo, esto tiene sus desventajas por la
dudable consistencia con la teoría de utilidad aleatoria (Hunt et al 2004).
 4

gravitatorios restringidos y no restringidos son malas especificaciones, porque

no capturan adecuadamente la relación de interacción y la distribución de las

áreas de destino en el espacio, considerando que los individuos perciben los

destinos como grupos y no de manera separada. Las aplicaciones del enfoque de

destinos competitivos en el contexto de migración, indican que las aplicaciones

de modelos a-espaciales como el MLM y MLA llevan a obtener coeficientes

sesgados y erróneos cuando los efectos espaciales son significativos y se ignoran

en el proceso de estimacion (Pellegrini & Fotheringham, 2002).

2. Modelo Teórico

Para modelar la decisión de migrar de un individuo, se asume una estrucura

de preferencia bien comportada que puede ser representada por una funcion de

utilidad. Por lo que si las utilidades asociadas a cada region son una

transformacion monotonica de las preferencias, entonces, la eleccion de un

individuo estara asociada a la region que le reporta el mayor nivel de utilidad.

Los niveles de utilidad asociado a cada region dependeran de las características

de éstas, cada uno de los atributos regionales le proporciona un nivel de

bienestar, y la valoracion conjunta de ellos determina la eleccion del destino de

la migracion (Ben-Akiva & Lerman, 1985; Train, 1986; Deaton & Muellbauer,

1980).

De esta forma, asumiendo que un individuo n en un origen i puede

evaluar la utilidad asociada de cualquier alternativa disponible en el conjunto de

elección, y que seleccionará la alternativa j, entre R alternativas, que le reporte el

máximo nivel de utilidad, siendo esto representado por la utilidad U j . Pero

dado que existen factores no observados, la utilidad se expresa como: 

U j = V j + ε j ∀ j ∈ {1, 2,..., R}          (1) 

 5

Así, la utilidad se descompone en una parte observada o determinística V j ,

que puede ser estimada, y otra parte no observada no incluída en el componente

sistemático de la utilidad, conocido como el error aleatorio ε j

(McFadden,

1976). La parte determinística de la función de utilidad es asumida lineal en los

atributos de las alternativases decir, V j = X j β j . Por otra parte, debido a que

ε j es aleatorio y su valor depende de la especificación de V j , las

probabilidades de elección del individuo, siguiendo a Aroca & Maloney (2005),

se establecen de la siguiente forma: 

Pj = Pr(U j − U i − C > 0)         (2) 

Pj = Pr(ε i − ε j > X j β j -X i βi − C )       (3) 

Por lo tanto, si una región de destino es elegida al ser evaluada a través de

sus atributos, y si el migrante tiene suficientes recursos para moverse, entonces

migración de trabajadores deberia ser observada.

En (3), P es un vector de dimensiones R × 1 de probabilidades de migrar

hacia una región de destino en particular, desde un origen dado, X es una

matrix de R × k , conteniendo las variables independientes agrupadas en dos

conjuntos. El primer conjunto de variables, tienen relación con señales del

mercado laboral esperadas por los trabajadores. El segundo conjunto, asociadas

a la disponibilidad de bienes públicos en la región "amenidades". C es una

matriz R × h , que corresponde al costo de traslado de una región a otra (ver

Greenwood, 1997).

La parte aleatoria de la utilidad es desconocida, se asume una distribución

de probabilidad, si se asume que los ε son identica e independientemente

distribuidos bajo valor extremo tipo 1, se obtiene como resultado el modelo

logit. En otro caso, si se asume una distribución normal surge el modelo probit,

que no implica el supuesto restrictivo de la Independencia de las Alternativas

 6

Irrelevantes (IAI) asumida por el modelo logit. Entonces, el modelo

econometrico a estimar para datos agregados seria:

Pr -1 ( Pj ) = X j β j - X i βi - C + u j
   

Donde Pr-1 es la funcion inversa de la distribucion de probabilidades de ε y

uj es el error aleatorio.

Establecido de esta manera el modelo base, los efectos espaciales pueden

incorporarse a traves de dos formas; a nivel de tomadores de decisión6 o a nivel

de alternativas. En este trabajo, se elige incorporar los efectos espaciales a nivel

de alternativas en los modelos de elección, con datos agregados7. La dimesión

espacial se puede incorporar en la parte sistemática de la función de utilidad,

método aplicado por Boots & Kanaroglou (1988), Borgers & Timmermans

(1987) y Fotheringham (1983), la complicación de realizar este ajuste en MLM,

es que se puede afectar el fundamento comportamental de los modelos de

elección (Hunt et al 2004). Adicionalmente, como sugiere Bolduc et al (1989;

1992; 1995; 1996 y 1997) la interacción espacial se puede modelar a traves de la

parte estocastica de la función de utilidad.

3. La Importancia e Inclusión del Espacio en el Contexto de Migración

Interregional

En las investigaciones de migración interregional, se ha destacado la

importancia de los efectos espaciales, por lo cual el objetivo de la siguiente

sección es identificar el o los patrones espaciales que estén presentes en el

proceso de migración en Chile.

                                                            
6Fleming (2004) hace una buena revisión de las dificultades en la estimación de
incorporar los efectos espaciales a nivel de individuo.
7 Hunt et al (2004), realizan una revisión extensa de las alternativas para incorporar el

sustitución espacial en los modelos de elección, al igual que Pellegrini & Fotheringham
(2002), en el contexto de migración.
 7

3.1. Indicios en Chile

Cuando se realiza un análisis descriptivo de los datos para los periodos

1987-1992 y 1997-2992, se observa un hecho interesante vinculado al espacio

(ver Figura 1 y 2), las regiones con mayor población y que se encuentran

relativamente en el centro del país (RM, IV, V, VI, VII, VIII, IX y X), son las

que poseen tasas de inmigración y emigración más bajas, en contraste con

regiones que se encuentran en los extremos (I, II, III, XI y XII) y con una

reducida población que registran altas tasas inmigración y emigración8, patrón

que se mantiene para el período 1997-2002 (Ver Figura 2). Cabe destacar estos

hechos, ya que implican claramente un factor persistente relacionado al espacio

influyendo en el proceso migratorio en Chile.

Figura 1: Tasas de Inmigración y Emigración 1987‐1992 
16.00
XII

14.00

12.00
XI
I
II III
10.00
Tasa de Emigración

8.00 IV
IX
VII
X VI
6.00 V
VIII

4.00 RM

2.00

0.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00

Tasa de Inmigración 
 
 

Adicionalmente, Aroca et al (2001) observan que para los períodos 1977-

1982 y 1987-1992, los movimientos de la población son principalmente hacia

                                                            
8 Para detalles del cálculo de las tasas ver Plane & Rogerson (1994).
 8

regiones vecinas y la Región Metropolitana. Esta situación se mantiene para el

período de 1997-2002, aunque con algunas diferencias, debido a que en este

período la Región Metropolitana registra una leve baja en su tasa de inmigración

y un alza en su tasa de emigración, sugiriendo que ha disminuido su atractivo

como destino relativo al período 1987-1992, además se observa un notable

incremento en la tasa de inmigración hacia la IV región y leves en V y VI,

definidas en Aroca (2007) como regiones atractivas para vivir.

Figura 2: Tasas de Inmigración y Emigración 1997‐2002 
16.00
XII

14.00

12.00
III XI
I
10.00
Tasa de Emigración

II

8.00

IX
IV
6.00 VII X VI V
VIII

RM
4.00

2.00

0.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00

Tasa de Inmigración
 

Para capturar los aspectos espaciales observados en el proceso de

migración en Chile, Aroca et al (2001) y Aroca & Hewings (2002), incluyen una

variable en la parte sistemática de la función de utilidad, en una formulación

logit, que caracteriza la ubicación relativa de las regiones en el espacio,

anteriormente desarrollada y aplicada por Boots & Kanaroglou (1988),

resultando ser en el caso de Chile estadísticamente significativa, mejorando el

ajuste del modelo y sugiriendo que individuos en regiones de origen localizadas

en la periferia tienen una mayor probabilidad de migrar a regiones de destino

 9

localizadas en el centro del país. Esta última evidencia plantea la importancia de

la estructura espacial en el proceso de migración (Fotheringham A. S., 1981;

Boots & Kanaroglou, 1988).

3.2. Efectos Espaciales

El análisis anterior plantea un nuevo e importante elemento para explicar el

proceso de migración en Chile, debido a que es posible observar dos patrones

distintos de migración, pero ambos persistentes, uno correspondiente a regiones

con altas tasas de inmigración y emigración en la periferia, y otro con bajas tasas

de inmigración y emigración en regiones relativamente al centro del país y más

pobladas, lo cual podría implicar la presencia de un proceso de autocorrelación

espacial, debido a que factores de regiones adyacentes a las regiones de destino

en el centro pueden estar provocado un incremento en su atractivo como grupo,

en contraste con las regiones de la periferia las cuales han experimentado altas

tasas de emigración y han visto reducida sus tasas de inmigración (I,II,III,XI y

XII), desde el primer período. Esta idea fue sostenida en un estudio para Canadá

de viajes al trabajo, donde Griffith & Jones (1980, pag. 190), notaron que los

"flujos desde un origen son reforzados o disminuidos de acuerdo con la

propensión de emigración de sus vecinos cercanos" y que "flujos asociados con

un destino son reforzados o disminuídos de acuerdo con el potencial atractivo

de sus vecinos cercanos".

Siguiendo algunos de estos argumentos, LeSage & Pace (2007) cuestionan

los modelos gravitatorios para explicar flujos de origen y destino, planteando

que es muy limitada la capacidad de la variable distancia para capturar las

influencias de la dependencia espacial en flujos interregionales. Este hecho,

implicaria que la potencial omisión de algún componente espacial puede traer

como consecuencias que los parámetros del modelo resulten sesgados, y

consecuentemente, distorsionen la inferencia estadística (Bolduc et al 1989).

 10

Anselin (1988) plantea dos efectos espaciales principales encontrados en

trabajos empiricos: la autocorrelación espacial y la heterogeneidad espacial. La

autocorrelación espacial, puede ser definida como una coincidencia de valores

similares de la variable en estudio en localidades vecinas. La heterogeneidad

espacial, significa que el comportamiento de la variable estudiada, no es

estacionaria sobre el espacio, lo cual en un modelo de regresión tendra como

consecuencia estimadores no eficientes.

La autocorrelación espacial global de una variable, como la tasa de

inmigración o emigración de las 13 regiones del país, puede ser estimada a

través del I de Moran, el que se calcula como:

r
∑∑ w z z ij i j

Ii =
i j
            (4) 
S ∑z 2
i

Donde r es el número de regiones, los w ij son elementos de una matriz

binaria de pesos espaciales r × r 9, S es la suma de todos los elementos de la

matriz de pesos espaciales y zi representa las proporciones estandarizadas de

migrantes desde cada región de origen hacia las distintas regiones de destino.

Valores positivos del I de Moran indican autocorrelación espacial positiva;

valores similares de la variable tienden a estar agrupados en el espacio. Por el

contrario, valores negativos del I de Moran indican que valores distintos de la

variable son agrupados en el espacio.

En la Tabla 1 se pueden observar los I de Moran de las tasas de

inmigración y emigración para ambos períodos en estudio, la segunda y tercera

columnas contienen los valores del I de Moran de las tasas brutas, y las

columnas cuarta y quinta, contiene la estandarización bayesiana denominada en

                                                            
9 La matriz de pesos espacial será analizada con mayor detalle en la sección 3.
 11

inglés "empirical bayes10" que es sugerida para proporciones debido a la

inestabilidad de la varianza, como consecuencia de la utilización de distintas

poblaciones bases (Anselin, Lozano, & Koschinsky, 2006). Desde la Tabla 1, se

puede observar I de Moran positivos y significativos al 1% y 5% de

significancia. Lo que sugiere la presencia de interaccion espacial en el proceso

migratorio de los trabajadores en Chile, la cual deberia ser modelada

explícitamente si se intenta explicar la decision de migrar de los trabajadores.

Tabla 1: I de Moran de Inmigracion y Emigracion 
Tasas Tasas Bayesianas
Tasas 1987‐1992 1997‐2002 1987‐1992 1997‐2002
Emigración  0,5810* 0,5378** 0,5808* 0,5376**
Inmigración  0,5660** 0,5937* 0,5660* 0,5935*
Significancia *1%, **5%. Se utilizó el programa GEODA, para evaluar la significancia estadística aplicandose 9999
permutaciones.
 

4. Datos

Para la estimación se utilizaron los datos de los Censo de Población y

Vivienda realizados en los años 1992 y 2002. La condicion de migrante se

construye a partir de la consulta a los encuestados acerca del lugar donde residia

5 años antes el cual se compara con la residencia actual (los datos se muestran

en la Tabla A-1 y A-2 del Anexo A). También, se utilizaron datos de tamaño de

la población, como aproximación a la disponibilidad de bienes públicos11

(Greenwood, 1997).

Adicionalmente, se utilizaron variables del mercado laboral, relacionadas a

las expectativas de los individuos que migran. Como una primera medida

asociada a la demanda de trabajo, se utilizó la tasa de desempleo, medida por la

tasa de desempleo regional del primer año de análisis en cada período (1987 y

                                                            
10Se utiliza esta estandarización, porque permite corregir el estadístico de
autocorrelación espacial I de Moran para proporciones y tasas.
11 Se utilizó la población por región en el período inicial, con la finalidad de eliminar

problemas de simultaneidad.
 12

1997, respectivamente). La razón de esto radica, en que ha sido argumentado

que la tasa de desempleo tiene efecto retardado en la decisión de migrar (Molho,

1986). La información fue obtenida desde la Encuesta Nacional de Empleo

realizada por el Instituto Nacional de Estadísticas (INE), utilizando información

del último trimestre (Octubre y Diciembre). Otra medida asociada al mercado

laboral, es el ingreso promedio per cápita regional, utilizándose datos obtenidos

por la encuesta de Caracterización Socioeconómica Nacional (CASEN), en los

anhos 1990 y 2000 (ver Apéndice B).

Siguiendo a Greenwood (1997), se utilizó la variable distancia como una

aproximación de los costos de migración, entre los cuales se cuenta a: el costo

de moverse, el costo de oportunidad que se incrementa con la lejanía de los

destinos, y los costos de comunicación con la famila en la región de origen,

incluyendo el costo de visita. La distancia es medida entre el centroide de una

región de origen i y el centroide de una región de destino j en kilometros, la

matriz de distancia se muestra en el Apéndice C. En general, en la literatura se

espera que el costo de moverse, tenga un impacto negativo en la migración con

efecto decreciente por lo cual también se incluye la distancia al cuadrado

(Armstrong & Taylor, 2000).

5. Estimación y Resultados

En primer lugar, se estima un MPM para datos agregados, a través de

Mínimos Cuadrados Ponderados (MCP)12, que resulta de asumir normalidad en

la estructura de errores en la ecuación estimada. La razón que justifican la

elección de un MPM en vez de un MLM, esta fundamentada en que este último

impone el supuesto restrictivo de la IAI (Hunt et al, 2004), y debido a que como

se mostró en la sección 3.2, existen importantes factores vinculados al espacio

                                                            
12 Para ver mayores detalles ver Gourieroux (2000).
 13

que no han sido medidos o no pueden ser observados influyendo sobre el

proceso de migración en Chile13 en la parte sistemática de la función de utilidad

que hacen predecir que este supuesto no es una propiedad de los datos.

Una vez realizada la estimacion, se utiliza el estadístico I de Moran para

detectar la presencia de autocorrelación espacial sobre los residuos de ambos

modelos estimados: el MPM y el MPM con efectos espaciales (Anselin, 1988),

con la finalidad de evaluar si persiste la omisión de factores espaciales.

De esta manera, se propone como la especificación más adecuada para

describir la eleccion de la region de destino de los trabajadores migrantes al

Modelo Probit Espacial con Errores Autorregresivos (MPEEA), capturando dos

tipos efectos espaciales.

Tabla 2: Modelos Estimados: Variable Dependiente Pr − 1 Pj ( )

Período
1987‐1992 1997‐2002
Variables MPM MPM(E) MPEEA MPM MPM(E) MPEEA
Constante ‐8.2483 * ‐8.0797 * ‐7.6982 * ‐7.3530 * ‐7.5970 * ‐6.1889 *
‐(6.34) ‐(6.42) ‐(6.73) ‐(5.66) ‐(6.05) ‐(5.48)
Población j 0.0189 * 0.0176 * 0.0146 * 0.0157 * 0.0145 * 0.0123 *
(10.56) (9.39) (6.71) (11.69) (10.69) (9.27)
Población i ‐0.0087 * ‐0.0075 * ‐0.0138 * ‐0.0049 * ‐0.0041 * ‐0.0071 *
‐(4.48) ‐(3.84) ‐(6.41) ‐(3.67) ‐(3.1) ‐(5.7)
Desempleo j  0.0104 0.0086 0.0077 0.0111 0.0021 ‐0.0041
(1.62) (1.35) (1.01) (0.8) (0.15) ‐(0.31)
Desempleo i 0.0087 0.0103 0.0224 * ‐0.0203 ‐0.0077 0.0002
(1.17) (1.44) (2.77) ‐(1.44) ‐(0.52) (0.01)
Ingreso j 0.3222 * 0.3707 * 0.2881 ** 0.1859 *** 0.2586 ** 0.1525
(2.89) (3.23) (2.4) (1.81) (2.54) (1.58)
Ingreso i 0.4153 * 0.3457 * 0.4009 * 0.4387 * 0.3956 * 0.3484 *
(3.49) (3.06) (3.56) (3.97) (3.69) (3.35)
Distancia ‐0.0265 * ‐0.0273 * ‐0.0197 * ‐0.0206 * ‐0.0201 * ‐0.0138 ***
‐(3.71) ‐(3.94) ‐(2.65) ‐(2.93) ‐(2.95) ‐(1.82)
Distancia al cuadrado 0.0003 0.0003 0.0002 ‐0.00001 ‐0.00003 ‐0.0001
(0.99) (1.17) (0.84) ‐(0.04) ‐(0.09) ‐(0.27)
Medida de centralidad ( S ij ) 0.0010 * 0.0006 0.0011 * 0.0007
(2.73) (1.26) (2.9) (1.54)
λj 0.2127 * 0.2024 *
(6.4) (11)
λi 0.3484 * 0.3369 *
(9.79) (18.6)

R cuadrado 0.8517 0.8586 0.9872 0.8255 0.8375 0.9874

R cuadrado ajustado 0.8436 0.8499 0.9864 0.8160 0.8274 0.9867
Observaciones 156 156 156 156 156 156
Los valores entre parentesis corresponden a los estadísticos t y la significancia correspondiente a cada coeficiente se denota al *1%, **5% y ***10%.

Las estimaciones correspondientes al MPEEA, fueron realizadas en MATLAB, modificando la función semm2_gmm escrita por Bucholtz, estableciendo
la condición de que la probabilidad de permanecer en la región de origen sea uno menos la suma de las probabilidades de emigrar a cualquiera de las
12 regiones restantes  

                                                            
13
Esta es una medida de centralidad, desarrollada inicialmente por Boots &
Kanaroglou (1988) y aplicada a Chile por Aroca et al (2001; 2002), que resultó ser en
ambos casos estadísticamente significativa.
 14

Los resultados de todos los modelos estimados se presentan en la Tabla 2,

en la subseccion siguiente se describe en detalle el proceso de estimacion

utilizado para el caso de un modelo probit multinomial (MPM) y un MPM

considerando efectos espaciales no estocasticos (MPM(E)). En la subseccion

que sigue se agrega al modelo los efectos espaciales estocasticos

denominandolo Modelo Probit Espacial con Errores Autorregresivos (MPEEA).

5.1. Estimación Modelo Probit Multinomial

En la Tabla 2 se muestran las estimaciones del MPM definido como en la

ecuación (3), para los dos periodos bajo estudio. Los elementos en las matrices

P , X i , X j y C , correspondientes a la proporción de trabajadores que

permanecen en la región fueron establecidas iguales a cero, asegurando que los

parámetros capturen sólo la influencia de interés sobre la probabilidad de

migración interregional (LeSage & Pace, 2007). La probabilidad de permanecer

en la región puede ser obtenida estableciendo la condición que la suma de las

probabilidades debe ser igual a uno, así uno menos la probabilidad de migrar a

cualquiera de las 12 regiones de destino, definen la probabilidad de quedarse en

la región de origen como lo muestra la ecuación (5).

r −1
Pi = 1 − ∑ Pj ∀i ≠ j (5)
j =1

Los resultados del MPM, en la Tabla 2, muestran que los coeficientes

asociados a la poblacion en la region de destino y origen, utilizadas como

aproximación de disponibilidad de bienes públicos, resultan ser estadísticamente

significativas y con el signo esperado, para ambos periodos. Esto sugiere un

efecto atracción hacia j , a medida que mayor es la población en la región de

destino j mayor es la probabilidad de migrar hacia ella, de forma similar una

mayor población en la region de origen i implica un efecto de retención,

 15

disminuyendo la probabilidad de emigrar. Estos dos efectos ha sido destacados

en la literatura y se ha relacionado la población principalmente con la

disponibilidad de bienes públicos (Greenwood, 1997).

Por otra parte, en ambos periodos, la variable desempleo resulta no

significativa tanto en el origen como destino. Mientras que la variable ingreso

aparece significativa para el origen y destino, ambos con signos positivos. Para

la region de destino es el signo esperado, ya que mayores salarios son un factor

de atraccion para los migrantes, sin embargo, un signo positivo en la region de

origen requiere de una explicacion adicional. La literatura muestra que en paises

desarrollados, el signo asociado al ingreso en la region de origen normalmente

es negativo, es decir, la regiones con ingresos promedios mas alto tienden a

reterner a sus trabajadores. Sin embargo en paises en desarrollo la evidencia no

es tan clara. Por ejemplo, Aroca & Maloney (2005) encuentran resultados

similares para la migracion inter-estatal en Mexico, la explicacion que se da a

este resultado es que el ingreso captura dos efectos; el efecto retencion de

potenciales migrantes debido al mayor costo de oportunidad que impone salarios

mayores y un efecto liquidez, que hace que aquellos trabajadores que habian

decido migrar y no lo habian hecho por que no pudieron financiar sus costos de

traslados, con ingresos mayores pueden cubrirlos y por lo tanto el efecto

liquidez hace que la relacion entre ingreso en la region de origene y la

probabilidad de emigrar sea positiva. Por lo que se postula, que en paises

desarrollados el efecto retencion domina sobre el efecto liquidez, mientras que

en paises en desarrollo sucede todo lo contrario.

La distancia resulta significativa y con el signo esperado, es decir, los

costos de traslado reducen la migracion. Dos elementos interesantes a resaltar

respecto de este resultado. Primero, la variable utilizada es la misma en ambos

periodos, pero el coeficiente es menor en el segundo periodo, sugiriendo una

reduccion de la importancia de los costos en la decision de migrar. Por otro lado,

 16

el cuadrado de la variable no resulta signifcativo, lo que implica que el impacto

de los costos es lineal sobre la probabilidad de migrar.

A continuacion se introducira en el modelo elementos espaciales. Los

resultados robustos a las especificaciones espaciales, no volveran a analizarse,

solo se pondra atencion en los cambios ocurridos en las estimaciones producto

de las concideraciones espaciales realizadas.

A partir de los errores obtenidos en la estimacion del MPM, se procede a

testear la autocorrelación espacial, utilizando el estadístico I de Moran definido

como:

R e ′W a e
Ia = a = i, j (6)
S e ′e

Donde e es un vector R × 1 de residuos lineales, Wa es la matriz de pesos

espaciales R × R , basada en la contiguidad de la reina de orden 1, definida para

capturar la presencia de dos posible efectos en los residuos, que fueron

reportados por Griffith & Jones (1980) y Bolduc et al (1992). El primer efecto

sobre la probabilidad de migrar desde un origen i a un destino j, esta dado por

la influencia de las localizaciones vecinas al origen, a este efecto se le

denominará "dependencia en el origen". El segundo efecto denominado

"dependencia en el destino", plantea que la probabilidad de migrar desde un

determinado origen i a un particular destino j , depende de el atractivo de las

localizaciones vecinas a j .

Las matrices de pesos espaciales para capturar los estos dos efectos

espaciales, son definidas de la siguiente forma Wi = W ⊗ I r , para capturar la

dependencia en el origen, y W j = I r ⊗ W , para capturar la dependencia en el

destino, donde I r es una matriz identidad y W una matriz de pesos espaciales

estandarizada por fila, ambas de dimensiones r × r (LeSage et al 2007; 2006).

 17

Tabla 3: I de Moran para los residuos de los Modelos MPM y MPM(E) 
Período
1987‐1992 1997‐2002
MPM MPM(E) MPM MPM(E)
Destino Origen Destino Origen Destino Origen Destino Origen
I de Moran 0.4196 0.4508 0.3791 0.4652 0.2655 0.3897 0.2168 0.4388
P ‐ Value 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0010 0.0000

Los resultados de la Tabla 3, de los I de Moran, sugieren la presencia de

autocorrelación espacial, de origen y destino, en los residuos del MPM para

ambos períodos, rechazándose la hipótesis nula, de no autocorrelacion espacial,

con un 99% de confianza.

La estrategia para enfrentar la presencia de autocorrelacion espacial,

consistira primero en introducir una variable para intentar capturar el efecto

espacial presente en los residuos. Para ello se estima una medida de la estructura

espacial, denotada por s ij , y se agrega a la parte deterministica de la función de

utilidad. Esta es una medida de centralidad de la region, indicando cuando ésta

es cercana a 0 que el trabajador está evaluando migrar entre regiones ubicadas

en zonas geográficas similares, y cuando es cercana a 100 o -100 que la

migración es entre regiones ubicadas en zonas geográficas diferentes.

La columna MPM(E) de la Tabla 2 muestra la estimacion del MPM con la

incoporación de sij . El resultado es un ajuste levemente mejor al inicial con un

leve incremento de R 2 , manteniéndo la significancia y los signos, respecto a la

estimacion previa. El signo positivo del coeficiente asociado a s ij , como fue

notado anteriormente por Aroca et al (2001), indica que existe una mayor

probabilidad de migrar por parte de trabajadores, desde regiones periféricas

hacia regiones centrales, respecto al movimiento inverso.

Por otra parte, la tabla 3 muestra que la autocorrelacion es aun significativa

despues de la introduccion de la variable espacial. Una manera alternativa, dada

 18

la autocorrelacion espacial detectada, seria introducir la variable dependiente y

variables independientes rezagadas espacialmente, sin embargo, Bolduc et al

(1992), han mostrado que para el caso de variables dependiente discretas, el

modelo resultante resulta intratable. Por esta razón, el enfoque alternativos, es

incorporar la autocorrelación espacial en el proceso de estimacion, a través de

darle una estructura al término de error. 

5.2. Modelo Probit Espacial de Error Autorregresivo (MPEEA)

Los resultados anteriores, acusan la presencia de autocorrelación espacial en

los residuos del modelo, por esta razón se propone una estructura sobre el

término de error que capture las posibles fuentes de problemas de especificación

discutidas. La formulación es un MPEEA, donde se descompone el término de

error en tres elementos, uno asociado al impacto que tiene en la decisión los

elementos no observados de la vecindad de la región elegida, un segundo

elemento relacionado con el impacto de los factores no observados de las

regiones vecinas al origen y un factor aleatorio. 

ε j = λ jW j ε j + λiWiε j + u j   u ~ N (0, σ 2 I R )     (7) 

La ecuación (7) describe la descomposición, donde λ j y λi son

parámetros escalares de la estructura de errores espaciales autoregresivos, para

destino y origen respectivamente, y u es un vector R × 1 de perturbaciones

aleatorias. Esta descomposición de la parte estocástica de la utilidad, permite

que el primer término del componente de error, sea interpretado como el

elemento que captura los efectos no medidos asociados con la vecindad de una

determinada región de destino j , el segundo aquellos efectos similares

relacionados a la región de origen i y u los efectos no observables o aleatorios

(Bolduc et al 1992). 
 19

La estimación del modelo es realizada a través de un procedimiento

iterativo similar al propuesto por Cochrane & Orcutt para series temporales, el

cual es adaptado para el caso de modelos espaciales por Kelijian & Prucha14

(1999), utilizando la técnica de Estimación de Momentos Generalizados (EMG),

quienes demuestran las propiedades de eficiencia e insesgamiento de los

estimadores y se realiza siguiendo el siguiente esquema:

1. Se obtienen los residuos MCO desde la ecuación (3).

2. Se construye el sistema de ecuaciones y el vector de condiciones de

momento, con los residuos en 1.

3. Se estiman los parámetros λi y λ j , con el sistema de ecuaciones

definido en el paso 2, a través del procedimiento de estimación de

Mínimos Cuadrados No lineales (MCN).

4. Utilizando los λi y λ j , se estiman los parámetros β del modelo

sobre las variables dependientes e independientes transformadas,

aplicando Mínimos Cuadrados Generalizados Factibles (MCGF).

5. Se construyen los nuevos residuos con los coeficientes de las

variables explicatorias estimados en 4 y se vuelve al paso 3, hasta

obtener convergencia de las estimaciones.

La columna MPEEA de la Tabla 2 muestra las estimaciones realizadas

siguiendo este procedimiento. Ambos coeficiente lambdas son significativos al

1%, en ambos períodos, sugiriendo que existen factores no observados o no

medidos en el origen y en el destino, que afectan positivamente la probabilidad

de migrar. Es decir, un λ̂ j positivo y significativo implica que la probabilidad

de migrar hacia j desde un determinado origen i , está influenciada por

factores no medidos en localizaciones cercanas a la región j . Similarmente, un

                                                            
14 Detalles de las funciones utilizadas en MATLAB ver Bucholtz (2004).
 20

λ̂i positivo y significativo tiene una interpretación similar, es decir, existe un

conjunto de factores en las regiones vecinas al origen que también influyen

positivamente sobre la probabilidad de migrar (Griffith & Jones, 1980; Bolduc

et al, 1992).

También, es importante notar como al capturar los efectos espaciales a

través de darle una estructura a los errores, provocan que el coeficiente asociado

a s ij resulte no significativo.

Adicionalmente, al comparar las estimaciones del MPEEA con las de los

MPM, es posible notar ciertas diferencias significativas en dos de los

coeficientes asociados a variables del mercado laboral. El coeficiente de la

variable desempleo i , pasa a ser estadísticamente significativa al 1%, actuando

como factor expulsor en el período 1987-1992. Por otra parte, el coeficiente

asociado a la variable ingreso j , registra una declinación en su importancia para

explicar el proceso de migración, pasando de ser significativa en el primer

período, a no significativa en el segundo. Es interesante, que los resultados para

las otras variables resultan robustos para todas las especificaciones, excepto las

asociadas al mercado laboral.

Esto puede tener una interesante interpretación asociada al espacio.

Pareciera ser primero que las variables Desempleo e Ingreso tienen una mayor

interacción espacial que las demás variables, cuyos coeficientes no sufren

cambios tan dramáticos cuando se modela la componente espacial presente en

los errores. Ello puede explicar el hecho que desempleo e ingreso en el origen

cambian su significancia una vez que se modelan los errores espacialmente.

Por otro lado, para estudiar el cambio de la magnitud de los coeficientes

sobre la probabilidad de migrar, se consideran las variaciones experimentadas

por los efectos marginales cuando se modela el espacio. En la Figura 3 y 4, se

muestran los efectos marginales de cada uno de los modelos estimados, para
 21

cada grupo de variable, para el período 1987-1992 y 1997-2002,

respectivamente.

Figura 3: Cambio en los Efectos Marginales. Años 1987-1992.

MPEEA  MPM(E) MPM

Bienes Públicos Costo de Migrar

Población i Distancia al cuadrado

Población j  Distancia

1
Mercado Laboral Medida Espacial

Ingreso i

Ingreso j

Medida de centralidad

Desempleo i

Desempleo j 

Figura 4: Cambio en los Efectos Marginales. Años 1997-2002.

MPEEA  MPM(E) MPM

Bienes Públicos Costo de Migrar

Población i Distancia al cuadrado

Población j  Distancia

1
Mercado Laboral Medida Espacial

Ingreso i

Ingreso j

Medida de centralidad

Desempleo i

Desempleo j 

 
 22

Las Figura 3 y 4 muestran que cuando se considera explícitamente el

modelamiento del espacio en la estructura de los errores, todas las medidas

asociadas a las variables registran un mayor impacto sobre la probabilidad de

migrar, en comparación con el MPM y el MPM(E). Adicionalmente, el nivel de

ajuste es considerablemente mayor cuando se ha modelado especialmente el

comportamiento residual.

Desde la perspectiva de los resultados previos, este trabajo muestra que

existe una subestimación del impacto de las variables de los modelos estimados

previamente que no consideran la interacción espacial. Esto es especialmente

crítico cuando se analiza el efecto concentrador de la migración ya que el efecto

el efecto marginal de la población en la región de destino es considerablemente

mayor en esta nueva estimación respecto a las estimaciones sin consideraciones

espaciales y mayor también respecto a las población en la región de origen, lo

cual hace predecir un incremento en la concentración de la población en torno a

la región metropolitana.

Adicionalmente, dado que el nivel de población en el origen reduce la

probabilidad de migrar y el de la región de destino la aumenta, explica el porque

las regiones de los extremos, que son las regiones, con menores niveles de

población, tienden a tener una mayor tasa de emigración que las de las regiones

del centro que en general se caracterizan por tener niveles de población mayor,

especialmente la región metropolitana y sus vecinas, hecho que verifican los

datos de la sección donde se describe la situación chilena.

6. Conclusión

El objetivo del artículo fue evaluar la importancia de incorporar

explícitamente la dimensión espacial en el modelamiento de la migración

interregional, debido a que en la literatura se ha destacado, que el proceso de

migración no depende únicamente de factores relacionados con las regiones de

 23

origen o destino, sino que también de factores adicionales, como la interacción

con las regiones vecinas.

En el trabajo se ha desarrollado una estrategia para trabajar con datos

agregados a partir de modelos ofrecidos por la econometría espacial y se

adaptado al estudio de flujos migratorios, incorporando elementos de las

regiones de origen y destino del emigrante.

Al modelar los efectos espaciales en el origen y el destino en un modelo

para explicar la decisión de migrar, con datos para los trabajadores de Chile para

los periodos 1987-1992 y 1997-2002, se encuentra que los efectos espaciales

resultan ser estadísticamente significativos y con signo positivo.

Adicionalmente, se obtienen estimaciones de los efectos marginales y se

concluye que ignorar los efectos espaciales tiene como consecuencia una

significativa subestimación del efecto de las variables sobre la probabilidad de

migrar en el caso chileno. Esto es especialmente importante, ya que da una

explicación adicional de porque las concentración poblacional ha seguido

aumentando en torno a Santiago, y dada la tendencia detectada entre los dos

periodos, se puede decir que el ritmo concentrador asociado a los niveles

poblacionales de las regiones es mayor en el último periodo respecto al primero.

 24

Referencias

Anselin, L. (1988). Spatial Econometrics: Methods and Models. Dordrecht.: Kluwer

Academic.
Anselin, L. (2003). Spatial Externalities, Spatial Multipliers, and Spatial Econometrics.
International Regional Science Review, Vol. 26, 2 pp. 153-166.
Anselin, L., Lozano, N., & Koschinsky, J. (2006). Rate Transformations and Smoothing.
Revised Version , pp 1-80.
Armstrong, H., & Taylor, J. (2000). Regional Economics and Policy. Oxford: Blackwell.
Aroca, P. (2007). Migración interna y desarrollo en Chile:. Impacto sobre el Crecimiento
Regional de la Migración y Conmutación Interregional en Chile (pp. 1-19). Santiago,
Chile: CELADE-División de Población.
Aroca, P. (2004). Migración Interregional en Chile: Modelos y Resultados 1987-2002.
Antofagasta.
Aroca, P., & Hewings, G. (2002). Migration and Regional Labor Market Adjusment:
Chile 1977-1982 and 1987-1992. The Annals Regional Science , 197-218.
Aroca, P., & Maloney, W. F. (2005). Migration, Trade, and Foreign Direct Investment in
Mexico. World Bank Economic Review, Oxford University Press , vol. 19(3), pp 449-
472.
Aroca, P., Hewings, G., & Paredes, J. (2001). Migración Interregional y el Mercado
Laboral. Cuadernos de Economia , 321-345.
Ben-Akiva, M., & Lerman, S. (1985). Discrete choice analysis: theory and applications
to travel demand. Cambridge, MA: MIT Press.
Bolduc, D. (1992). Generalized autoregressive model. Transportation Research, Part B ,
Vol 26 pp.155–70.
Bolduc, D., Dagenais, M. G., & Marc, G. J. (1989). Spatially Autocorrelated Errors in
Origin-Destination Models: A New Specification Applied to Aggregate.
Transpotation Research , 8. Vol. 238. No. 5. pp. 361-371. .
Bolduc, D., Fortin, B., & Fournier, M. (1996). The effect of incentive policies on the
practice location of doctors: a multinomial probit analysis. Journal of Labor
Economics , Vol. 14 pp. 703–32.
Bolduc, D., Fortin, B., & Gordon, S. (1997). Multinomial probit estimation of spatially
interdependent choices: an empirical comparison. International Regional Science
Review , Vol 20, pp. 77–101.
Bolduc, D., Laferrière, R., & Santarossa, G. (1992). Spatial Autoregresive Error
Components in travel flow models. Regional Science and Urban Economics , 22 pp.
371-385.
Bolduc, D., Laferriere, R., & Santarossa, G. (1995). Spatial autoregressive error
compocomponents to aggregate mode choice. In L. Anselin, & R. Florax, New
directionsin spatial econometrics (pp. pp. 96–108). New York: Springer.
Boots, B., & Kanaroglou, P. S. (1988). Incorporating the Effects of Spatial Structure in
Discrete Choice Models of Migration. Journal of Regional Science , Vol 28 N°4.
Borgers, A., & Timmermans, H. (1987). Dynamic models of choice behavior: some
fundamental trends. Urban dynamics and spatial choice behavior , pp. 3-26.
Bucholtz, S. J. (2004). Generalized Moments Estimation for Flexible Spatial Error
Models: A Library for MATLAB. Working Paper, George Mason University .
Cushing, B., & Poot, J. (2003). Crossing Boundaries and Borders: Regional Science
Advances in Migration Modelling. Papers in Regional Science , Vol. 83, pp. 317-
338.
Deaton, A., & Muellbauer, J. (1980). Economics and Consumer Behavior. New York.
Estados: Cambridge University Press.
Ferguson, M. R., & Kanaroglou, P. S. (1995). Utility Variability Within Aggregate
Spatial Units and its Relevance to Discrete Models of Destination Choice. In L.
Anselin, & F. Raymond, New Directions in Spatial Econometrics (pp. pp. 243-269).
Berlin: Springer-Verlag.
Ferguson, M., & Kanaroglou, P. S. (1997). An Empirical Evaluation of the Aggregated
Spatial Choice Model. International Regional Scince Review , 53-75.
Fleming, M. (2004). Estimating Spatially Dependent Discrete Choice Models. In L.
Anselin, R. Florax, & S. Rey, Advances in Spatial Econometrics: Methodology, Tools
and Applications (pp. 146-169). Berlin: Springer.
Fotheringham, A. (1983). A new set of spatial interaction models: the theory of
competing destinations. Environment and Planning A , Vol 15, pp 15–36.
 25

Fotheringham, A. S. (1982). Distance-Decay Parameters: A Reply. The Annals of the

Association of American Geographers , 551-553.
Fotheringham, A. S. (1981). Spatial Structure and Distance-Decay Parameters. Annals of
the Association of American Geographers , Vol. 71, pp. 425-436.
Gourieroux, C. (2000). Econometrics of Qualitative Dependent Variables. Cambridge,
UK: Cambridge University Press.
Greenwood, M. J. (1997). Internal Migration in Developed Countries. Amsterdam.
Holland: In Rosenzweig Greenwood, M. J.. 1997. Internal Migration in Developed In
Rosenzweig and Stark Eds. Handbook of Families and Population Economics. North-
Holland Publisher,.
Griffith, D., & Jones, K. (1980). Explorations Into the Relationship Between Spatial
Structure and Spatial Interaction. Environment and Planning A , Volume 12, pp.187-
201.
Hunt, L. M., Boots, B., & Kanaroglou, P. S. (2004). Spatial choice modelling: new
opportunities to incorporate space into substitution patterns. Progress in Human
Geography , 746–766.
Kanaroglou, P. S., & Ferguson, M. (1996). Discrete Spatial Choice Models for Aggregate
Destinations. Journal of Regional Science , 271-290.
Kelijian, H., & Prucha, I. (1999). A Generalized Moments Estimator for the
Autoregresive Parameter in a Spatial Model. International Economic Review , 40 pp.
509-533.
LeSage, J. P., & Llano, C. (2006). A Spatial Interaction Model With Spatially Structured
Origin and Destination Effects. Available at SSRN: http://ssrn.com/abstract=924603.
LeSage, J., & Pace, K. (2007). Spatial Econometric Modeling of Origin-Destination
flows.
LeSage, J., & Polasek, W. (2006). Incorporating Transpotation Network Structure in
Spatial Econometrics Models of Commodity Flows. Economics Series 188, Institute
for Advanced Studies. , pp. 1-34.
McFadden, D. (1976). Quantal Choice Analysis: A Survey. Annals of Economics and
Social Measurement , 363-390.
Molho, I. (1986). Theories of Migration: A Review. Scottish Journal of Political
Economy , 33, pp 396-419.
Pellegrini, P. A., & Fotheringham, A. S. (2002). Modelling spatial choice: a review and
synthesis in a migration context. Progress in Human Geography , 487–510.
Plane, D., & Rogerson, P. (1994). The Geographical Analysis of Population. New York:
Wiley.
Train, K. ( 1986). Qualitative choice analysis. Cambridge, MA: MIT Press.
 
 
 
 
 26

ANEXO A

Tabla A1: Matriz de Migrantes Laborales Chilenos: 1987-1992

Origen
         Destino I II III IV V VI VII VIII IX X XI XII RM Total
I 94800 2511 647 1497 2328 277 351 983 306 397 35 170 5143 109445
II 2400 109605 1716 3112 1521 331 320 856 258 312 31 142 4232 124836
III 788 1802 59307 3357 1391 341 281 515 206 210 24 56 2444 70722
IV 1027 2335 1926 132347 1780 358 279 466 181 283 52 79 4040 145153
V 1692 1188 665 1737 386912 1267 1233 3931 870 1412 147 1530 12480 415064
VI 297 292 188 319 1472 195577 2489 2183 1516 791 73 283 7477 212957
VII 292 314 93 210 907 1474 235871 2519 787 843 114 256 6205 249885
VIII 817 747 172 275 2839 891 2349 470168 3681 2022 289 1086 9380 494716
IX 191 193 64 103 552 385 777 3627 189742 3111 226 303 5734 205008
X 250 259 94 205 1379 404 641 2311 2834 254833 1038 1291 7205 272744
XI 52 57 28 49 258 60 82 310 226 1272 21391 118 939 24842
XII 74 82 21 47 1680 105 137 875 244 1838 145 42228 1746 49222
RM 4657 3839 1497 3853 16218 9866 14251 22741 13654 11505 818 2346 1640409 1745654
Total 107337 123224 66418 147111 419237 211336 259061 511485 214505 278829 24383 49888 1707434

Tabla A2: Matriz de Migrantes Laborales Chilenos: 1997-2002

Origen
         Destino I II III IV V VI VII VIII IX X XI XII RM Total
I 130053 3097 965 1499 2694 405 515 1709 531 596 56 198 5592 147910
II 3624 147634 2271 3360 1926 425 535 1750 419 406 43 156 5527 168076
III 985 1565 76640 2444 1123 266 206 485 272 195 29 45 1951 86206
IV 1929 3327 2752 174838 2220 486 402 757 288 401 77 130 6085 193692
V 2397 1413 958 2185 473083 1532 1315 4637 1166 1749 191 1719 18361 510706
VI 491 404 334 521 1789 242815 2289 2294 1394 896 73 269 10646 264215
VII 445 328 180 289 1027 1591 282091 3160 937 865 101 331 9900 301245
VIII 1052 748 259 400 3309 945 2251 555962 3425 2325 267 866 14607 586416
IX 349 265 168 199 736 570 619 3774 232771 3242 215 338 9145 252391
X 569 334 182 391 2226 594 857 3720 4253 318605 1089 1876 11255 345951
XI 60 31 14 66 318 72 124 458 471 1448 28908 169 1212 33351
XII 120 86 27 104 1640 142 163 936 406 1801 236 50431 1753 57845
RM 5769 4048 1723 4206 17449 9338 12476 24755 13952 11591 854 1974 2154862 2262997
Total 147843 163280 86473 190502 509540 259181 303843 604397 260285 344120 32139 58502 2250896
 27

ANEXO B

Tabla B1: Tasa de Desempleo e Ingreso Promedio Percapita para Chile

Variables   Tasa de Desempleo Ingreso Promedio per cápita Ŧ

Región  1987‐1992 1997‐2002 1987‐1992 1997‐2002
I 9.91 4.38 2479.45 2659.05
II 10.52 2.47 2350.78 3296.71
III 7.80 4.99 2485.88 2005.36
IV 13.66 4.63 1643.10 2154.39
V 7.87 7.00 2029.11 2497.17
VI 6.17 3.62 1797.50 2056.96
VII 5.90 4.64 1971.21 2236.12
VIII 9.75 5.95 1554.32 2308.39
IX 6.49 5.06 1847.68 2033.98
X 3.84 3.05 2180.94 1951.58
XI 1.90 1.45 2173.22 2778.21
XII 3.22 3.72 2298.02 4677.69
RM 12.11 5.92 2934.93 3407.07
Ŧ Los datos de ingreso se encuentran valorizados en dólares y para la estimación se utilizo
el logaritmo natural de éste.
 28

ANEXO C

Tabla C1: Matriz de Distancia entre los Centroides Regionales

Región  I II III IV V VI VII VIII IX X XI XII RM
I 0 492 1049 1378 1812 1931 2105 2357 2517 2887 3558 4158 1857
II 0 565 899 1330 1454 1625 1881 2042 2415 3064 3664 1368
III 0 332 766 890 1064 1319 1474 1853 2505 3105 804
IV 0 434 558 730 985 1142 1521 2173 2773 472
V 0 205 377 636 793 1168 1820 2420 119
VI 0 171 427 585 960 1617 2217 86
VII 0 257 416 784 1441 2041 258
VIII 0 286 658 1315 1915 515
IX 0 372 1029 1615 673
X 0 657 1250 1044
XI 0 600 1701
XII 0 2301
RM 0