DISTRIBUCIÓN DEL EMPLEO EN HERMOSILLO: ECONOMETRÍA ESPACIAL

COMO HERRAMIENTA DE PLANEACIÓN URBANA*/

**/
Liz Ileana Rodríguez Gámez

Resumen

La econometría espacial es una disciplina de rápido crecimiento. Como modelo predictivo

sus origines hacen pensar en ella como una técnica exitosa. No obstante, el adjetivo
“espacial” le confiere importantes retos al utilizarla como herramienta de planeación
urbana. Por ello, el objetivo es conocer la viabilidad de la estadística y econometría
espacial como herramienta en las tareas de planeación. Se utiliza como ejemplo la
densidad de empleo en la ciudad de Hermosillo, con el fin de ubicar el centro de negocios
(CBD), la apropiada función de densidad, y evaluar la (re)localización de sub-centros
identificados por el Instituto Municipal de Planeación (IMPLAN). Para ello, se utilizará un
un análisis exploratorio y de econometría espacial; con Sistemas de Información
Geográfica (SIG) se contrastan los resultados obtenidos y los sub-centros de IMPLAN. La
información estadística corresponde al censo económico 2004 de INEGI, por AGEB. Los
resultados y discusión se enfocan hacia un modelo predictivo que capture la dimensión
espacial de la distribución del empleo en la ciudad; siendo la función logarítmica la que
presenta un mejor ajuste captando la forma de spatial error. Se concluye que los sub-
centros identificados por el IMPLAN forman parte ya del área de alta densidad de empleo,
conformando un gran núcleo. Se ofrecen localizaciones alternativas de nuevos sub-
centros para ser considerados en el Plan Municipal de Desarrollo Urbano (2010-2012).

Palabras clave: Econometría Espacial, Funciones de Densidad, Ciudad Mono-céntrica,

Empleo, Planeación.

*/
Trabajo presentado en el Primer Congreso de Egresados COLEF, en la temática de “Planeación
urbano-regional”, realizado en Tijuana, B. C., del 9 al 11 de septiembre de 2009.
**/
Profesora-investigadora del Centro de Estudios del Desarrollo, El Colegio de Sonora.
Actualmente en programa de superación académica. Enviar correspondencia a The University of
Arizona, Department of Geography & Regional Development, P.O. Box 210076, Tucson, AZ 85721,
USA. Correo electrónico: lizrdgz@email.arizona.edu; lrodriguez@colson.edu.mx
1. Introducción
En recientes décadas las ciudades han experimentado una fase de expansión urbana. El
crecimiento urbano se ha caracterizado por una concentración de la población en el área
urbana y la expansión de la misma. Esta expansión urbana se acompaña también de una
reorganización al interior del área, siguiendo las decisiones de localización de empresas y
hogares. En países desarrollados, las ciudades han experimentado holeadas de sub-
urbanización de la actividad económica. Este fenómeno tiene un impacto en la estructura
urbana, pues las ciudades no solo están organizadas exclusivamente en torno a un
distrito central de negocios (CBD, por sus siglas en inglés), sino que registran cada vez
más una estructura poli-céntrica.
Es por ello, que actividades económicas estrategias juegan un rol importante en
este proceso localizándose selectivamente en sub-centros (por ejemplo, la localización de
parques industriales u oficinas gubernamentales). Sin embargo, más allá de debilitar el
CBD, éste influye en el nuevo reordenamiento urbano, reforzando la supremacía del
centro en un proceso de centralización. Este es el caso que se ejemplifica en la ciudad de
Hermosillo, hallazgos que se encontraron utilizando técnicas de estadística y econometría
espacial, analizando la auto-correlación y la identificación del CBD con técnicas de
exploración espacial. La ciudad tienen una fuerte estructura monocentric que se refuerza
cada vez más ante la ausencia de políticas de consolidación de sub-centros.

2. Localización del empleo

El modelo mono-céntrico clásico de un área urbana presentado por Henderson (1985)
asume que la mayor parte de la actividad económica se localiza en el centro de la ciudad,
alrededor del cual los valores de la tierra, el empleo y la densidad de habitantes decrece
con la con la distancia. Para Levernier & Cushing (1994) el modelo mono-céntrico
representa la forma urbana del pasado, mientras que las áreas urbanas modernas tienden
a ser poli-céntricas en donde el empleo se localiza en el distrito central de negocios de la
ciudad (CBD por sus siglas en inglés) y en otras localizaciones denominadas sub-centros.
Este cambio en la concepción teórica del área urbana es resultado de los procesos
de sub-urbanización. Este ha sido asociado con el incremento de servicios relacionados a
los negocios y la ubicación de oficinas principales de importantes compañías en el
corazón de la ciudad (CBD) o en los sub-centros en ciudades poli-céntricas (Le Gallo,
Guillain, & Boiteux-Orain, 2006). Este proceso se ha documentado ampliamente,
[2]
especialmente en grandes aglomeraciones urbanas de América del Norte; sin embargo,
pocos estudios se han llevado a cabo en zonas urbanas de tamaño medio (Le Gallo,
Baumont, & Ertur, 2004).
Diferentes enfoques se han aplicado para analizar los patrones espaciales de
empleo en el contexto urbano, sobre todo para identificar centros de empleo y sub-
centros. Estos varían de la identificación visual de los centros de empleo hasta métodos
más sofisticados de análisis de regresión y métodos no paramétrico (Vega & Reynolds-
Feighan, 2008). Uno de ellos utiliza el análisis de regresión para identificar sub-centros y
herramientas de Sistemas de Información Geográfica (SIG) en la evaluación y
caracterización de cada sub-centro.
La mayoría de estas técnicas calculan medidas de densidad de empleo como
función de la distancia respecto al CBD. A partir de ello, se identifican sub-centros
utilizando un análisis de conglomerados jerárquico -nearest neighbor (Modarres, 2003;
citado por (Vega & Reynolds-Feighan, 2008); otros estudios sólo usan el análisis
exploratorio de datos para identificar sub-centros de empleo (Le Gallo, Baumont, & Ertur,
2004; Le Gallo, Guillain, & Boiteux-Orain, 2006).
La teoría sugiere que -en una ciudad mono-céntrica- alrededor del CBD los valores
del suelo, así como la densidad de población y empleo decrecen con la distancia; sin
embargo los resultados difieren considerando el sector económico y la forma urbana.
Algunos estudios utilizan la econometría para estimar el gradiente o tasa de cambio a la
cual la densidad decrece con la distancia (Guillain & Le Gallo).
Muchas formas funcionales han sido utilizadas para modelar la densidad urbana.
Entre todas, la función exponencial de Clark ha sido utilizada ampliamente (Wang, 2006,
p. 98). La función asume una estructura mono-céntrica: la ciudad tienen solo un centro, en
donde el empleo está concentrado. En este caso utilizaremos tres funciones para evaluar
una estructura mono-céntrica con el fin de encontrar la que mejor se ajuste a la ciudad de
Hermosillo y a su distribución de empleo. La tabla 1 ofrece una descripción de las
funciones comúnmente utilizadas para estimar la densidad: la logarítmica, a la potencia y
exponencial.
Donde es la densidad de empleo de la observación , calculada como el número
de empleados por hectárea; es la densidad de empleo en el CBD (intercepto o

constante); es el gradiente de densidad y mide la tasa a la cual la densidad de empleo

[3]
disminuye con la distancia, es la distancia de la observación respecto al CBD, y es

el termino de erro con las propiedades usuales para todo . Todas las distancias
se miden en metros lineales desde el centro de cada uno de las áreas al CBD.

Tabla 1. Funciones de densidad lineal

Forma Función Transformación

Logarítmica

A la potencia

Exponencial

Fuente: Elaboración propia en base a Wang (2006).

3. Región de estudio
Hermosillo es una ciudad pequeña en comparación con las zonas urbanas que suelen ser
analizados en los estudios urbanos (ciudades de América del Norte, las principales
ciudades de Europa, Asia, o en los países en desarrollo ciudades como Brasilia,
Montevideo, y el área metropolitana de la Ciudad de México). Sin embargo Hermosillo es
considerada una ciudad media de acuerdo a los estándares urbanos en México que ha
registrados un importante crecimiento físico y demográfico a partir de los años ochentas.
Siendo la capital del estado de Sonora, la ciudad concentra comercios y servicios
especializados (gubernamentales, financieros, educativos, entre otros), que la convierte
en un punto central articulador de las regiones del estado.
De acuerdo con El Plan Municipal de Desarrollo Urbano (2006-2009) la ciudad ha
registrado dos tipos de crecimiento urbano: un crecimiento concéntrico hasta fines de los
años sesenta y un crecimiento de tipo poli-céntrico a partir de los años ochentas (PMDU,
2006:I-43). Es en éste segundo periodo en que la ciudad ha crecido rápidamente, para el
el año 2010 se espera que su ritmo de crecimiento (expansión) promedie 4.5% año con
año; mientras que la población en el mismo periodo se espera crezca 3.3%,
manteniéndose una baja en la densidad de habitantes: 48 habitantes por hectárea. Lo
anterior implica que la estructura urbana ocupada ha crecido a mayor velocidad que la
población, pues en la década anterior la densidad fue de 39 habitantes por hectárea.

[4]
 En términos de planeación, la ciudad de Hermosillo presenta importantes retos
pues, de seguir esta tendencia de crecimiento físico y demográfico, para el año 2030 el
centro de población tendrá alrededor de 23,000 hectáreas, lo que implica un incremento
del equivalente al 60% de la zona urbana del año 2000. Sin embargo también existen
grandes oportunidades. Su categoría de ciudad -perteneciendo a la tercera jerarquía del
sistema Urbano Nacional-, su ubicación que pese a la expansión urbana mantienen a la
ciudad en su municipio, y el tamaño de la población que de acuerdo a estimaciones de
CONAPO no sobrepasará el millón de habitantes hasta el año 2030. Estas características
ofrecen la oportunidad de conducir el desarrollo urbano y la ordenación del territorio en
forma adecuada en los próximos años; así como preparar la estructura urbana para su
futura metro-polización.
Información del II Conteo de Población indica que la ciudad cuenta con 641,791
habitantes (INEGI, 2005), concentrando del 26.8% de la población del estado. La ciudad
de extiende sobre una superficie de 15,480 hectáreas que agrupa 364 agebs. En términos
de actividad económica, la ciudad concentra el 32.5% del empleo de acuerdo con el
Censo Económico, 2004 (INEGI, 2004). Aun cuando la industria manufacturera es de las
más importantes en el estado, es la actividad comercial y de servicios la que representa
un mayor dinamismo.
El PMDU 2006-2009 señaló como estrategia para la ciudad de Hermosillo seguir
un modelo de red regional, en el cual se deberán considerar los siguientes componentes:
ejes estructurales, centros y sub-centros, sectorización de la ciudad y polos de desarrollo
industrial (PMDU, 2006:III-18). Al respecto solo menciona que el centro de la ciudad, es la
parte más antigua en torno al cual se desarrolló el modelo de ciudad central y que
actualmente sigue teniendo importante actividad económica, y acumula comercios y
servicios; se divide en cuatro secciones: centro comercial, centro cívico, centro de
gobierno, centro universitario.
Sin duda que, la falta de planeación en el pasado, así como el crecimiento
anárquico y explosivo, se reflejan también en la carencia de un plan de desarrollo urbano
claro y consistente. Por mencionar solo un ejemplo, el actual PMDU carece de
definiciones precisas de lo que es en centro o sub-centro y/o la evaluación de la
estructura urbana de la ciudad. Con la intención de conformar la estructura poli-céntrica
planteada, sin tener criterios claros en el plan, el IMPLAN se propone la consolidación o
impulso de sub-centros urbanos, de la siguiente forma:
[5]
 • SUB-CENTROS DE PRIMER ORDEN
• SUB-CENTROS DE SEGUNDO ORDEN definidos como nodos en donde se
interceptan los ejes estructurales, algunos de los cuales serán sub-centros
especializados; y
• SUB-CENTROS TERMINALES que juegan un importante papel en el
funcionamiento del transporte público, la distribución de equipamientos y
servicios urbanos.
Los sub-centros de primer y segundo orden son señalados por el PMDU como sub-
centros urbanos, contemplándose un programa especifico para ello, así como uno más
para los sub-centros terminales. Sin embargo la ausencia de conceptos, criterios,
metodologías restan credibilidad al plan y a una política urbana, que al parecer obedece a
la planeación formal, más que a un intento de real ordenamiento territorial.

4. Métodos
Asumiendo la presencia de auto-correlación y heterogeneidad espacial en la distribución
del empleo en la ciudad, serán utilizados métodos de estadística y econometría espacial.
Por ello, la metodología consta de dos métodos: 1) análisis espacial exploratorio de datos
(ESDA & LISA, por sus siglas en inglés) para comprobar la presencia de auto-correlación
y su aplicación como herramienta en la identificación del CBD; y 2) econometría espacial
con el fin de detectar la forma en la cual el CBD influye en la distribución del empleo en la
ciudad. El software utilizado para desarrollar este análisis es GeoDa 0.9.5-i (Beta),
desarrollado por Luc Anselin, el cual se encuentra en versión libre en la red.

4.1. Datos
La información necesaria para identificar patrones de distribución del empleo y la
localización de censos y sub-centros de empleo es la relacionada a número de personas
laborando en la ciudad. Como este es un análisis intra-urbano se requiere de información
de los lugares en donde los empleados trabajan y una clasificación geográfica de la
ciudad para la que se agregaran los datos. Por ello se utiliza la información de personal
ocupado del Censo Económico, 2004 del Instituto Nacional de Estadística Geografía e
Informática (INEGI), trabajando con la mínima unidad geográfica en que se reporta esta
información: el área geo-estadística básica (AGEB).

[6]
 El estudio considera el empleo en cada Ageb para determinar la densidad de
empleo. La información del tamaño del territorio fue proporcionada también por INEGI. La
medida de hectárea (Ha) fue la mejor para estimar la densidad de empleo, considerando
los valores del empleo y la diversidad de tamaño de los Ageb´s en la ciudad.

4.2. Análisis Exploratorio de Datos Espaciales (ESDA)

El primer paso envuelve la identificación del CBD (localización y tamaño) o los diferentes
sub-centros de empleo que se identifiquen. Para hacer esto, la densidad de empleo
(trabajador por hectárea) y su distribución por Ageb será la variable principal. El indicador
de densidad de empleo en el ageb se define como:

Ec. 1

De acuerdo a la ecuación 1, el CBD es el Ageb con la densidad de empleo más alta. En

este trabajo se utilizará el ESDA como técnica para la identificación de un clúster de
zonas contiguas para las cuales el empleo total excede un pre-determinado cut-off, y la
densidad de empleo en cada zona es más elevada que todas las zonas adyacentes y está
por encima del cut-off predeterminado (Le Gallo, Baumont, & Ertur, 2004).
La auto-correlación se evalúa a través del estadístico I de Moran, éste detecta
cuáles áreas circundantes tienen similares o disimilares atributos (Wang, 2006, p. 172). El
índice es análogo a un coeficiente de correlación, y su valor oscila entre -1 (auto-
correlación espacial negativa) y 1 (auto-correlación espacial positiva). Lo anterior significa
que, si la I de Moran es positiva, se identifica un clúster de áreas con valores similares;
mientras que cuando el valor de I sea negativo se identifica un clúster de valores
disimilares. Un valor de cero del estadístico indica la ausencia de auto-correlación
espacial y por tanto un patrón de distribución aleatorio. La I de Moran es definida en la
ecuación 2.

Ec. 2

Donde , se refiere al valor observado x en la ubicación (Ageb) , es

el promedio de los a través de las ubicaciones, y es una medida espacial de

contigüidad reflejada a través de un peso relativo (Petrucci, Salvati, & Seghieri, 2003, p.
[7]
10). La contigüidad y/o conectividad entre las observaciones se calcula a través de una
matriz en donde cada observación es conectada a un grupo de observaciones vecinas
acorde con un patrón espacial definido exógenamente (Le Gallo, Baumont, & Ertur, 2004).
A través de una matriz espacial de pesos se modela la contigüidad y/o
conectividad entre las observaciones y se evalúa la correlación espacial. Los criterios más
generales para establecer la matriz de peso son la contigüidad y la distancia. Lo cierto es
que existen pocos lineamientos para la selección del criterio correcto, en la mayoría de los
casos el criterio depende de las características geográficas del área de estudio. Por ello,
la selección de la matriz de pesos es a menudo citada como una de las mayores
debilidades de ésta técnica (Anselin, 2002).
En un estudio de densidad de empleo en ciudades medias se muestra que el
criterio más adecuado para seleccionar la matriz de peso es en base a la contigüidad y
específicamente a la selección de un número predeterminado de vecinos (Le Gallo,
Guillain, & Boiteux-Orain, 2006). Esta matriz es calculada por la distancia entre los centros
de cada área, e implica que cada área está conectada con el mismo número de áreas
vecinas . La forma general de la matriz es definida en la ecuación 3.

Ec. 3

Donde es un elemento estandarizado de la matriz, y es la distancia crítica o

cut-off definida para cada unidad . De manera más precisa, es el ié-simo vecino de

menor distancia entre la unidad y el resto de unidades de tal manera que cada unidad
tiene exactamente vecinos (Le Gallo, Baumont, & Ertur, 2004). De acuerdo con esto, la
matriz de peso se basa en el número promedio de vecinos por área.

4.3. Indicadores locales de asociación espacial (LISA)

Los indicadores locales de asociación espacial (LISA por sus siglas en ingles) es una
ponderosa herramienta para identificar la auto-correlación o heterogeneidad a nivel local
en el área de estudio. Esta fue propuesta por Luc Anselin para capturar la inestabilidad de
los grupos o clústeres locales en el área geográfica de estudio. En este caso el indicador I

[8]
de Moran para un área i mide la asociación ente el valor de i y los valores de sus áreas
cercanas, éste se define como:

Ec. 4

Donde es la varianza, mientras que el resto de la notación es la misma que

en la ecuación 2. Un valor positivo del estadístico de Moran, significa que altos valores

están rodeados por áreas con altos valores de la variable en estudio (high-high) o bajos
valores están rodeados por áreas de bajos valores (low-low). Un valor negativo de

significa que bajos valores esta rodeados por altos valores (low-high) o altos valores
están rodeados por bajos valores (high-low). Lo anterior sugiere dos clases de auto-
correlación espacial positiva o clusterización (high-high and low-low), y dos clases de
correlación espacial negativa (high-low and low-high) (Anselin, Syabri, & Smirnov, 2002).

5. Econometría espacial
El análisis de la estructura urbana se desarrolla utilizando funciones de densidad de
empleo para modelar su distribución en la ciudad, incluyendo la distancia del CBD como
variable independiente. Las formas funcionales de la densidad de empleo que se
analizaran aquí ya han sido descritas en la tabla 1. Bastara con recordad que el intercepto
y el gradiente de densidad son elementos que caracterizan el patrón de

densidad en la ciudad. El gradiente de densidad tiene a menudo un valor negativo. Un

bajo valor del intercepto indica una densidad a la baja alrededor del centro de la

ciudad; un bajo valor de representa un patrón de densidad plano.

Como es señalado por varios autores, la confiabilidad de la inferencia hecha a
través de funciones de densidad es afectada por la presencia de auto-correlación espacial
(Guillain & Le Gallo). Por esa razón es apropiado detectar la correcta forma de la auto-
correlación espacial y discriminar entre los modelos de rezago espacial (spatial lag) y
error espacial (spatial error). Para ello Anselin (2000) sugiere una prueba basada en
Multiplicadores de Lagrange (LM, por sus siglas en inglés).
La forma general del modelo de rezago espacial (también llamado modelo espacial
autorregresivo) considerando una función logarítmica de la densidad de empleo se
[9]
describe en la ecuación 5. Esta tiene un componente de rezago espacial en el cual
es la matriz de peso estandarizada. Esta corresponde al promedio de la variable E en
los lugares vecinos . Además es el parámetro autorregresivo en el modelo espacial

que mide la intensidad de las interacciones entre varias observaciones de .

Ec. 5

Este modelo captura el efecto multiplicador y el efecto difusión, los cuales decrecen con la
distancia. El efecto multiplicador captura el impacto de la variable explicada, considerando
no solo las variables independientes, sino también por las variables explicativas en otras
regiones. El efecto de difusión captura el impacto de los errores (e.g. shock externo) no
solo en una región, sino también por sus efectos en otras regiones.
Por otro lado, el modelo de error espacial es descrito en la ecuación 6. En este
modelo el componente espacial esta dentro de la forma del error etiquetada como lambda
. Este mide la intensidad de la dependencia espacial a través de los residuos. Este

modelo captura el efecto difusión en el cual un shock externo en una región especifica i,
no solo afecta a la región en sí misma, sino también afecta el valor de la variable
dependiente E en el resto de los lugares. También este efecto decrece con la distancia.
La estructura del error es descrita en la ecuación 7, donde es el coeficiente de error

espacial y , son las áreas (observaciones) en la ciudad.

Ec. 6
Ec. 7

6. Patrones espaciales de empleo en Hermosillo

6.1. Patrones espaciales

La distribución del empleo en la ciudad de Hermosillo tiene una fuerte presencia de auto-
correlación espacial. Usando el criterio de contigüidad antes descrito, el número promedio
de vecinos de cada Ageb en Hermosillo fue de 4.2, por lo que la matriz de peso
seleccionada para el análisis es K4 de acuerdo con el método sugerido por Le Gallo,
Guillain, & Boiteux-Orain (2006). Los valores obtenidos de la I de Moran son elevados y
significativos evaluando la variable densidad de empleo y su valor logarítmico.

[ 10 ]
 La I de Moran fue de 0.6522 y 0.7960 respectivamente, lo cual indica una auto-
correlación espacial positiva, ya que cero implica ausencia de auto-correlación y 1 (-1
según sea el caso) auto-correlación espacial positiva / negativa (ver gráfico 1a y 1b).
Dado que la I de Moran es positiva, se identifica un clúster de áreas con valores similares,
es decir, las zonas con alto empleo están agrupadas conjuntamente.

Gráfico 1. Resultados de la I de Moran en la densidad de empleo en Hermosillo*/

Gráfico 1a. I de Moran de E_DEN (K4)
Gráfico 1b. I de Moran de ln E_DEN (K4)

Matriz Moran´s I E(I) Mean St p-value Matriz Moran´s I E(I) Mean St p-value
K4 0.6522 -0.003 -0.003 0.0329 0.0010 K4 0.7960 -0.003 -0.003 0.033 0.0010
*/ El promedio de K en Hermosillo fue de 4.2 vecinos por ageb.
Fuente: Elaboración propia, datos de INEGI procesados en GeoDa 0.9.5-i (Beta).

Concentrándonos ahora en los indicadores locales de asociación espacial (LISA) el

grafico de dispersión del estadístico I de Moran muestra los cuatro tipos de auto-
correlación previamente definidos (HH, LL, HL, LH) y la relación que guarda la densidad
de empleo en la región con su valor en las áreas vecinas (ver gráfico 1a y 1b). Con auto-
correlación espacial positiva se detecta una fuerte presencia de dos grupos HH
(cuadrante superior derecho) y LL (cuadrante inferior izquierdo).
Poniendo atención en los mapas de LISA y en la clasificación de la ciudad de
Hermosillo en áreas de estudio (agebs), es posible identificar el patrón de distribución
espacial del empleo. Previamente los valores de la I de Moran señaló una tendencia hacia
la aglomeración (clusterización) del empleo, es decir, áreas con altas densidad de empleo
que están rodeadas por áreas de alta densidad de empleo, conformando un gran
conglomerado en donde se encuentra concentrado el empleo y su mayor densidad. Este

[ 11 ]
patrón conocido como HH se puede identificar gráficamente en la distribución de la I de
Moran o a través de un mapa (ver mapa 1a y 1b).

Mapa 1. Mapas de indicadores locales de asociación espacial (LISA) en Hermosillo

Mapa 1a Mapa 1b

Fuente: Elaboración propia en base a INEGI, Censo Económico, 2004. Resultados de ESDA & LISA en GeoDa 0.9.5-i

En los mapas de LISA, se aprecia la zona de alta densidad de empleo (HH) que en
términos prácticos será denominado el CBD de la ciudad, en esta zona la densidad de
empleo varia de 15 a 100 empleados por hectárea. Utilizando el software GeoDa 0.9.5-i
(Beta), el área HH se muestra por default en color rojo (ver mapa 1a y 1c). En Hermosillo
esta área se localiza en el centro de la ciudad, y abarca 37 agebs (ver mapa 1a)
analizando la variable densidad de empleo, el CBD se vuelve más extenso si
consideramos con 73 agebs si consideramos su valor logarítmico (ver mapa 1c). En
contraste las áreas de baja densidad de empleo, rodeadas por área de baja densidad (LL)
se ubican en la periferia de la ciudad (azul obscuro). Estadísticamente los niveles de
significancia son buenos, por encima del 99%.

6.2. Efectos espaciales

Por construcción teórica las funciones de densidad son un tópico relacionado con
cuestiones espaciales, y obviamente el espacio tiene un efecto determinado en la
distribución del empleo, por lo que la econometría convencional no resulta eficiente en la
estimación de los parámetros. La tabla 2 muestra los resultados de la estimación de las
tres funciones de densidad sugeridas y los estimadores para ambos modelos.
Utilizando la econometría espacial en la estimación, los resultados muestran que,
independientemente de la forma de la ecuación, el gradiente de la densidad de empleo

[ 12 ]
tiene pendiente negativa y es altamente significativo, el CBD tiene gran influencia en la
distribución del empleo en Hermosillo , pues la constante captura un porcentaje

considerable de esta influencia (ver tabla 2). Es decir, la densidad de empleo decrece a
medida que nos alejamos del centro de la ciudad (ageb que registra la mayor densidad de
empleo). Bajos valores del intercepto y un gradiente de densidad plano se asocian con
patrones de expansión urbana y sub-urbanización (Wang, 2006:101); lo cual no se
registra en Hermosillo, por el contrario, la ciudad registra un patrón de centralización.

Tabla 2. Modelos de regresión espacial en Hermosillo: Función de densidad con mejor ajuste

Logarítmica A la Potencia Exponencial

Rezago Error Rezago Error Rezago Error
Componente espacial 0.423 0.503 0.815 0.838 0.813 0.816
0.000 0.000 0.000 0.000 0.000 0.000
ECBD 69.623 99.693 2.275 4.029 0.577 3.000
0.000 0.000 0.000 0.000 0.000 0.000
γ -7.689 -10.856 -0.242 -0.344 -0.00006 -0.0003
0.000 0.000 0.000 0.000 0.000 0.000
Log-lik -1264.970 -1258.683 -343.870 -346.600 -346.813 -339.544
AIC 2535.940 2521.370 693.740 697.204 699.627 683.087
SC 2547.630 2529.160 705.431 704.998 711.318 690.881
Fuente: Elaboración propia en base a INEGI, resultados procesados utilizando GeoDa 0.9.5-i (Beta).

No hay duda que la influencia del CBD en la estructura urbana y particularmente en la

distribución del empleo en la ciudad resulta determinante. Concentrándonos en el modelo
de rezago, el componente espacial captura la intensidad de las interacciones entre un

conjunto de observaciones de empleo . En el modelo de error, el componente espacial

está presente en el término de error , este mide la intensidad de la dependencia

espacial de los residuos. Ambos parámetros son significativos, lo cual indica la presencia
de efectos espaciales en cada caso (ver tabla 2).
La influencia del CBD es particularmente mayor en el caso del modelo de error, el
cual ajusta mejor en el caso de la función de densidad logarítmica y la exponencial, por lo
cual este es el modelo apropiado para estimar la función de densidad, pues Log-
Likelihood tiene altos valores; mientras que AIC y SC debe registrar bajos valores.
Lambda captura el efecto difusión de un shock externo o el efecto de una política de

(re)localización de la actividad económica, considerando la influencia que tienen el CBD

sobre el resto de la ciudad.
[ 13 ]
7. Conclusiones
Un significativo y consistente gradiente de densidad corrobora la influencia del CBD in la
distribución del empleo en la ciudad de Hermosillo. Su signo negativo rectifica la relación
inversa con la distancia conforme nos alejamos del centro de la ciudad, además de la
tendencia hacia la centralización de la actividad económica en el CBD. Considerando
nuestro estudio de caso, la auto-correlación espacial positiva implica que las zonas con
alto empleo están agrupadas conjuntamente.
Esta área se extiende más allá del denominado Centro de la ciudad conformado
por el centro universitario, el centro cívico, el centro gubernamental y el centro comercial
identificado por IMPLAN en el PMDU (2006-2009); e incluso abarca un área en la cual se
identificaron también los llamados sub-centros de primer orden (ver mapa 2). De los 8
sub-centros identificados por el IMPLAN, 5 se localizan en el CBD a lo largo el Boulevard
Solidaridad, el cual se ha convertido en la principal arteria de la ciudad.

Mapa 2. Centro y sub-centros de la ciudad de Hermosillo

Fuente: Elaboración propia en base a PMDU (2006-2009) y resultados de GeoDa.

[ 14 ]
Hermosillo registra un patrón de centralización del empleo y por consiguiente de la
actividad económica. Concentrándonos en el empleo total es evidente un debilitamiento
del empleo en la periferia frente al empleo en el centro, evidentemente por las actividades
relacionadas al comercio y servicios que se concentran en él. Lo anterior refuerza la
ausencia de criterios y metodologías para un diagnostico fehaciente que apoyen una
política urbana para la consolidación de sub-centros.

8. Referencias citadas
Anselin, L. (2002). Under the hood Issues in the specification and interpretation of spatial
regression models. Agricultural Economics , 27, 247-267.
Anselin, L., Syabri, I., & Smirnov, O. (2002). Visualizing Multivariate Spatial Correlation
with Dynamically Linked Windows. University of Illinois, Urbana-Champaign, IL:
Regional Economics Applications Laboratory (REAL).
Guillain, R., & Le Gallo, J. Employment density in Ile-de-France: evidence from local
regressions.
INEGI. (s.f.). Instituto Nacioanal de Estadística Geografía e Informática. Recuperado el 17
de 12 de 2008, de http://www.inegi.gob.mx
Le Gallo, J., Baumont, C., & Ertur, C. (2004). Spatial Analysis of Employment and
Population Density: The Case of the Agglomeration of Dijon 1999. Geographical
Analysis , 36 (2), 146-176.
Le Gallo, J., Guillain, R., & Boiteux-Orain, C. (2006). Changes in Spatial and Sectoral
Patterns of Employment in Ile-de-France, 1978–97. Urban Studies , 43 (11), 2075 –
2098.
Levernier, W., & Cushing, B. (1994). A New Look at the Determinants of the
Intrametropolitan Distribution of Population and Employment. Urban Studies , 31
(8), 1391-1405.
Petrucci, A., Salvati, N., & Seghieri, C. (2003). The application of a spatial regression
model to the analysis and mapping of poverty. Rome: Food and Agriculture
Organization of the United Nations.
Vega, A., & Reynolds-Feighan, A. (2008). Employment Sub-centres and Travel-to-Work
Mode Choice in the Dublin Region. Urban Studies , 45 (9), 1747-11768.
Wang, F. (2006). Quantitative Methods and Applications in GIS. Florida: Taylor & Francis.

[ 15 ]