Escolar Documentos
Profissional Documentos
Cultura Documentos
Perspectiva Espacial
Francisco Rowe
Universidad Católica del Norte, Antofagasta, Chile.
Patricio Aroca1
Universidad Católica del Norte, Antofagasta, Chile.
Resumen
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.
1 Se reconoce y agradece el apoyo financiero del proyecto FONCECYT 1060781 y de la
Iniciativa Cientifica Milenio “Ciencia Regional y Politicas Publicas”.
2
1. Introducción
geografía, y otras áreas, el uso de los modelos de elección discreta, en los cuales
Fotheringham A. S., 1982; Boots & Kanaroglou, 1988; Cushing & Poot, 2003).
revisión de los problemas que implica aplicar modelos de elección discreta (a-
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,
agregados, se han realizado esfuerzos para lidiar con este problema y considerar
detalle más adelante. Hunt et al (2004), hacen una sintesis de las posibles formas
significativo y con el signo esperado por sus autores (Aroca et al 2001; 2002;
espaciales. Por otra parte, Fotheringham (1981; 1982; 2002) con su enfoque
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,
2. Modelo Teórico
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
la migracion (Ben-Akiva & Lerman, 1985; Train, 1986; Deaton & Muellbauer,
1980).
Greenwood, 1997).
logit. En otro caso, si se asume una distribución normal surge el modelo probit,
Pr -1 ( Pj ) = X j β j - X i βi - C + u j
uj es el error aleatorio.
método aplicado por Boots & Kanaroglou (1988), Borgers & Timmermans
Interregional
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
(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
regiones que se encuentran en los extremos (I, II, III, XI y XII) y con una
que se mantiene para el período 1997-2002 (Ver Figura 2). Cabe destacar estos
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
8 Para detalles del cálculo de las tasas ver Plane & Rogerson (1994).
8
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
migración en Chile, Aroca et al (2001) y Aroca & Hewings (2002), incluyen una
con altas tasas de inmigración y emigración en la periferia, y otro con bajas tasas
en contraste con las regiones de la periferia las cuales han experimentado altas
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
r
∑∑ w z z ij i j
Ii =
i j
(4)
S ∑z 2
i
migrantes desde cada región de origen hacia las distintas regiones de destino.
columnas contienen los valores del I de Moran de las tasas brutas, y las
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
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
(Greenwood, 1997).
las expectativas de los individuos que migran. Como una primera medida
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
5. Estimación y Resultados
impone el supuesto restrictivo de la IAI (Hunt et al, 2004), y debido a que como
12 Para ver mayores detalles ver Gourieroux (2000).
13
que hacen predecir que este supuesto no es una propiedad de los datos.
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
ecuación (3), para los dos periodos bajo estudio. Los elementos en las matrices
probabilidades debe ser igual a uno, así uno menos la probabilidad de migrar a
r −1
Pi = 1 − ∑ Pj ∀i ≠ j (5)
j =1
aparece significativa para el origen y destino, ambos con signos positivos. Para
es tan clara. Por ejemplo, Aroca & Maloney (2005) encuentran resultados
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
como:
R e ′W a e
Ia = a = i, j (6)
S e ′e
reportados por Griffith & Jones (1980) y Bolduc et al (1992). El primer efecto
localizaciones vecinas a j .
Las matrices de pesos espaciales para capturar los estos dos efectos
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
espacial presente en los residuos. Para ello se estima una medida de la estructura
notado anteriormente por Aroca et al (2001), indica que existe una mayor
los residuos del modelo, por esta razón se propone una estructura sobre el
error en tres elementos, uno asociado al impacto que tiene en la decisión los
elemento que captura los efectos no medidos asociados con la vecindad de una
(Bolduc et al 1992).
19
iterativo similar al propuesto por Cochrane & Orcutt para series temporales, el
cual es adaptado para el caso de modelos espaciales por Kelijian & Prucha14
14 Detalles de las funciones utilizadas en MATLAB ver Bucholtz (2004).
20
et al, 1992).
través de darle una estructura a los errores, provocan que el coeficiente asociado
a s ij resulte no significativo.
las otras variables resultan robustos para todas las especificaciones, excepto las
Pareciera ser primero que las variables Desempleo e Ingreso tienen una mayor
los errores. Ello puede explicar el hecho que desempleo e ingreso en el origen
muestran los efectos marginales de cada uno de los modelos estimados, para
21
respectivamente.
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
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
comportamiento residual.
existe una subestimación del impacto de las variables de los modelos estimados
la región metropolitana.
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,
6. Conclusión
para explicar la decisión de migrar, con datos para los trabajadores de Chile para
concluye que ignorar los efectos espaciales tiene como consecuencia una
Referencias
ANEXO A
ANEXO B
ANEXO C