ANÁLISIS MULTIVARIADO DE LA SITUACIÓ ANÁ SITUACIÓN SOCIO--HABITACIONAL DE LA PROVINCIA DE SOCIO BUENOS AIRES. Aplicación de técnicas de estadística espacial con Sistemas de Información Geográfica (SIG) para la determinación de áreas socio-habitacionales.

Lic. Luis M. HUMACATA Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica (GESIG) Programa de Estudios Geográficos (PROEG) Universidad Nacional de Luján [email protected]

Hipótesis de investigación 

La situación socio-habitacional de la provincia de Buenos Aires en el año 2001, muestra una fragmentación espacial de las condiciones de vida de la población evidenciando las desigualdades territoriales del área de estudio.



Los aspectos socio-económicos, habitacionales, de pobreza, del régimen de tenencia de la vivienda, de la infraestructura de servicios y de educación permiten diferenciar características internas del área de estudio mediante los valores medidos en la población de los 134 partidos.



La construcción de regiones homogéneas pone en evidencia las heterogeneidades espaciales internas en el área de estudio.



El análisis espacial cuantitativo brinda modelos de correlación espacial que permiten descubrir, cuantificar y mapear estas diferencias espaciales.

Objetivo general Realizar un análisis socio-espacial con Sistemas de Información Geográfica (SIG) y Sistemas de Ayuda a la Decisión Espacial (SADE) de la situación socio-habitacional de la provincia de Buenos Aires para definir áreas homogéneas como modelo territorial que evidencie las heterogeneidades espaciales en el interior del área de estudio.

Objetivos particulares:   









Creación y sistematización de la base de datos digital incorporada al SIG. Determinar la distribución espacial de las variables mediante cartografía temática. Determinar el comportamiento de cada variable mediante métodos gráficos para detectar valores anómalos en la distribución de los datos. Definir el comportamiento entre dos variables mediante un análisis bivariado por diagrama de dispersión para identificar la distribución espacial de las relaciones bivariadas. Determinar, mediante métodos clasificatorios, el comportamiento estructural de las variables consideradas para lograr una clasificación espacial del área de estudio. Lograr una regionalización socio-habitacional de la provincia de Buenos Aires aplicando el análisis espacial cuantitativo con Sistemas de Información Geográfica. Formalizar una herramienta de planificación basada en Sistemas de Información Geográfica (SIG) y Sistemas de Ayuda a la Decisión Espacial (SADE).

Aspectos conceptuales y metodológicos de la investigación Una definición de Geografía 

Ciencia que estudia la diferenciación de áreas sobre la superficie terrestre.



La región geográfica se transforma en el objeto de análisis para abordar las manifestaciones espaciales.



Se considera el abordaje geográfico en una focalización espacial.



La diferenciación areal surge de un procedimiento de construcción.



La metodología de construcción por agregación de sitios puede basarse en técnicas cuantitativas: se privilegia el uso de métodos clasificatorios en los datos espaciales medidos.



Se intenta la construcción de modelos: son construcciones simplificadas de la realidad espacial que permiten comprenderla en sus rasgos fundamentales y pueden actuar como una guía para la planificación territorial.

Determinación de variables y de unidades espaciales 

Las unidades espaciales consideradas en nuestro estudio corresponden a los 134 partidos que integran la provincia de Buenos Aires.



Los datos estadísticos utilizados provienen del Censo Nacional de Población, Hogares y Viviendas del año 2001 (INDEC).



Se han seleccionado variables que permiten analizar aspectos demográficos, educacionales, de habitabilidad, del régimen de tenencia de la vivienda, del tipo de vivienda y de la infraestructura de servicios.

El área de estudio

VARIABLES NOMINALES VARIABLES NOMINALES

VARIABLES DIMENSIONALES VARIABLES DIMENSIONALES

Infraestructura Infraestructura de de servicios servicios Régimen Régimen de de tenencia tenencia de de la la vivienda vivienda

Situación Situación sociosociohabitacional habitacional

Educación Educación

Habitabilidad Habitabilidad

Pobreza Pobreza

Demográficas Demográficas

VARIABLES OPERATIVAS VARIABLES OPERATIVAS -Sum inistro de agua por re d pública. -Sum inistro de agua por motobombeador. -Sum inistro de agua por bomba manual. -Sum inistro de agua por pozo. -Sum inistro de agua por otro medio. -Descarga a red pública. -Descarga a cámara séptica. -Descarga a pozo. -Sin inodoro. -Propie tario. -Inquilino. -A préstamo. -Máx imo nive l educativo alcanzado: primario comple to. -Máx imo nive l educativo alcanzado: se cundario comple to. -Máx imo nive l educativo alcanzado: te rciariounive rsitario comple to. -Total de viviendas. -Habitantes por viviendas. -Habitantes en departamentos. -Habitantes en ranchos. -Habitantes en hote l o pe nsión. -Habitantes en viviendas tipo B. -Habitantes en viviendas tipo A. -Habitantes en inquilinatos. -Habitantes en vivienda móvil. -Habitantes en local no construido para habitación. -Población con Ne cesidades Básicas Insatisfe chas. -Vivie ndas con Ne cesidades Básicas Insatisfe chas. -Población total. -Población de 0 a 14 años. -Índice de masculinidad. -Índice de de pende ncia potencial. -Población mayor a 65 años.

Procedimientos aplicados 

Recopilación de la información gráfica: búsqueda de la información gráfica correspondiente al área de estudio.



Recopilación de la información alfanumérica: búsqueda de información correspondiente a variables relativas a cuestiones demográficas, pobreza, educación, régimen de tenencia de la vivienda e infraestructura de servicios.



Sistematización de los datos socio-habitacionales en formato alfanumérico para las 134 unidades espaciales del área de estudio, año 2001.



Tratamiento matricial de la información I: Matriz de Datos Originales (MDO), Matriz de Datos Índice (MDI), Matriz de Datos Estandarizados (MDZ).



Realización de cartografía temática por variables: Se realizó una colección de mapas correspondientes a las variables seleccionadas. Estos mapas fueron realizados luego de los procedimientos de estandarización de la información, con lo cual se obtuvo una cartografía perfectamente comparable.



Análisis exploratorio de datos espaciales: análisis univariado, bivariado y aplicación de métodos de autocorrelación espacial (I de Morán y LISA). Uso de gráficos interactivos (box-plot y diagramas de dispersión 2D).



Clasificación espacial por método de promedios estandarizados. Utilización de variables de beneficio, costo. Mapeo de resultados.



Tratamiento matricial de la información II: Matriz de Correlaciones de Variables (MCV). Obtención de macrovariables.



Tratamiento matricial de la información III: Matriz de Correlaciones de Unidades Espaciales (MCUE). Obtención de regionalizaciones.

ANÁ AN ÁLISIS DE LA DISTRIBUCIÓ DISTRIBUCIÓN ESPACIAL DE VARIABLES MEDIANTE CARTOGRAFÍ CARTOGRAFÍ A TEMÁ TEMÁTICA 

Nos permite visualizar las diferencias espaciales y llegar a una caracterización de las distribuciones espaciales.



Se realiza la estandarización de datos mediante el puntaje z para obtener datos comparables.

Donde xi es el valor que posee cada unidad espacial, m es el promedio de la variable y d es el desvío estándar.



Se determinaron similares intervalos de clase en todos los mapas. Cada intervalo está representado a través de la variable visual color, cuya intensidad disminuye a medida de que los valores son menores. Para 5 clases Intervalos de clase

Ocurrencias esperadas

Categorias

1,5σ

6,8 %

M uy bajo

ANÁ AN ÁLISIS EXPLORATORIO DE DATOS ESPACIALES MEDIANTE GRÁ GRÁFICOS INTERACTIVOS 

Aproximación al estudio de la estructura de la información socio-espacial en el área de estudio.



Se considera una etapa previa a la realización del análisis multivariado.



Se puede definir como el conjunto de técnicas que describen y visualizan las distribuciones espaciales, identifican localizaciones con valores atípicos, descubren esquemas de asociación espacial, agrupamientos (clusters) y sugieren estructuras espaciales o formas de heterogeneidad espacial.



Análisis univariado: mediante el gráfico (box-plot) y mapa de caja (box-map) resaltando los valores anómalos de cuatro variables que definen características de extrema favorabilidad y de extrema desfavorabilidad.



Análisis bivariado: utilizando el diagrama de dispersión (scatter diagram), permitirá agrupar las unidades espaciales con respecto a sus cuadrantes en el espacio de relaciones en una perspectiva 2D. Nos permite realizar las primeras clasificaciones parciales en base a variables de beneficio y costo.

Aproximación univariada

Aproximación bivariada Población con Necesidades Básicas Insatisfechas vs. Población sin inodoro Cuadrante I – espacio - - (inferior izquierdo).

Cuadrante III – espacio + + (superior derecho).

Cuadrante II- espacio - + (superior izquierdo).

Cuadrante IV – espacio + - (inferior derecho).

CUADRANTES I

II

III

IV

TOTAL

PARTIDOS Cant. % San Nicolás, Pergamino, Colón, Bartolomé Mitre, Rojas, General Arenales, Salto, Capitán 71 53 Sarmiento, San Antonio de Areco, Carmen de Areco, Junín, Chacabuco, Florentino Ameghino, Suipacha, Lincoln, San Isidro, Mercedes, Vicente López, Bragado, Tres de Febrero, Chivilcoy, Avellaneda, Alberti, Lanús, La Plata, Rivadavia, 9 de Julio, Monte, Carlos Casares, Chascomus, Trenque Lauquen, Saladillo, General Belgrano, Las Flores, General Alvear, Pellegrini, Bolivar, Castelli, Pila, Tres Lomas, Rauch, Azul, Olavarría, Guaminí, Salliquello, Carhue, Ayacucho, Maipú, Coronel Suárez, Tandil, Laprida, Benito Juárez, Saavedra, Puán, Villa Gessel, Adolfo Gonzalez Chavez, Coronel Pringles, Lobería, Necochea, General Pueyrredón, Tornquinst, Tres Arroyos, San Cayetano, Coronel Dorrego, Bahía Blanca, Coronel de Marina Rosales, Monte Hermoso, Morón, Ituzaingó, Hurlingham, Pinamar. Luján, General Las Heras, Navarro, Carlos Tejedor, Lobos, Pehuajó, Tapalqué, Dolores, 10 7,5 General Guido, General La Madrid. Ramallo, San Pedro, Zárate, Campana, Exaltación de la Cruz, Leandro N. Alem, General 43 32 Villegas, San Andrés de Giles, General Pinto, Escobar, Tigre, Pilar, Moreno, General Viamonte, Merlo, La matanza, Marcos Paz, Lomas de Zamora, Quilmes, Berazategui, Almirante Brown, Florencio Varel a, Berisso, Cañuelas, San Vicente, Brandsen, 25 de Mayo, General Paz, Roque Pérez, Tordillo, General Lavalle, General Juan Madariaga, Valcarce, Villarino, Patagones, General Rodríguez, Ezeiza, Estaban Echeverrí a, Presidente Perón, San Miguel,José C. Paz, Malvinas Argentinas, San Fernando. Baradero, General San Martín, Ensenada, Hipólito Irigoyen, Daireaux, La Costa, Mar 10 7,5 Chiquita, General Alvarado, Magdal ena, Punta Indio. 134 100

Mapa síntesis. Clasificación espacial en base a los cuadrantes del diagrama de dis persión.

Población con suministro de agua por red pública vs. Población con suministro de agua por motobomberador. Cuadrante I – espacio - - (inferior izquierdo).

Cuadrante III – espacio + + (superior derecho).

Cuadrante II- espacio - + (superior izquierdo).

Cuadrante IV – espacio + - (inferior derecho).

CUADRANTES I II

III IV

TOTAL

PARTIDOS Cant. % General Villegas, Marcos Paz, Carlos Tejedor, Rivadavia, Olavarri a, Magdalena. 6 4.5 San Nicolas, Ramallo, Pergamino, Colón, San Pedro, Baradero, Bartolomé Mitre, Rojas, Zárate, Salto, 77 57.5 Campana, Capitán Sarmiento, San Antonio de Areco, Junín, General Pinto, Chacabuco, Florentino Ameghino, Lincoln, San Isidro, Mercedes, General San Martín, Vicente López, Bragado, Tres de Febrero, Chivilcoy, Avellaneda, Lanús, Lomas de Zamora, Quilmes, Berazat egui, Ensenada, La Plata, Berisso, 9 de Julio, 25 de Mayo, Carlos Casares, Pehuajó, Chascomus, Trenque Lauquen, Saladillo, Las Flores, General Alvear, Pellegrini, Bolivar, Castelli, Hipólito Yrigoyen, Tres Lomas, Rauch, Dolores, Azul, Saliquello, Adolfo Alsina, General Guido, Ayacucho, Maipú, Tandil, Laprida, Benito Juárez, Saavedra, Puán, Villa Gessel, Balcarce, Adolfo Gonzal es Chaves, Coronel Pringles, Lobería, Necochea, General Pueyrredón, Tornquist, Tres Arroyos, San Cayetano, General Alvear, Coronel Dorrego, Bahía Blanca, Villarino, Coronel de Marina L. Rosales, Patagones, San Fernando.

General Arenales, Alberti, Guaminí, Coronel Suarez, Monte Hermoso, Morón, Punta Indio. Exaltación de la Cruz, Carmen de Areco, Leandro N. Alem, San Andrés de Giles, Escobar, Tigre, Pilar, Luján, Suipacha, Moreno, General Viamonte, Merlo, La Matanza, General Las Heras, Navarro, Almirante Brown, Florencio Varela, Cañuelas, San Vicente, Lobos, Brandsen, General Paz, Monte, Roque Pérez, General Belgrano, Pila, Tapalqué, Daireaux, Tordillo, La Costa, General Lavalle, General La Madrid, General Juan Madari aga, Mar Chiquita, General Rodríguez, Ezeiza, Estaban Echeverrí a, Presidente Perón, Ituizangó, Hurlingham, San Miguel, José C. Paz, Malvinas Argentinas, Pinamar.

7

5

44

33

134

100

Mapa síntesis. Clasificación espacial en base a los cuadrantes del diagrama de dispe rsión.

Población en departamentos vs. Población con máximo nivel educativo alcanzado: terciario-universitario completo Cuadrante I – espacio - - (inferior izquierdo).

Cuadrante II- espacio - + (superior izquierdo).

Cuadrante III – espacio + + (superior derecho).

Cuadrante IV – espacio + - (inferior derecho).

CUADRANTES I

II

III

IV

TOTAL

PARTIDOS Cant. Ramallo, Colón, San Pedro, Baradero, Arreci fes, General Arenal es, Salto, Capitán Sarmiento, Carmen 74 de Areco, Leandro N. Alem, General Villegas, San Andrés de Giles, General Pinto, Escobar, Tigre, Chacabuco, Florentino Ameghino, Suipacha, Moreno, Bragado, General Viamonte, Merlo, Marcos Paz, Navarro, Berazat egui, Florencio Varela, Carlos Tejedor, Cañuelas, San Vicente, Rivadavia, 25 de Mayo, General Paz, Carlos Casares, Roque Pérez, Las Flores, General Alvear, Pellegrini, Bolivar, Castelli, Pila, Hipólito Yrigoyen, Tapalqué, Tres Lomas, Daireaux, Rauch, Tordillo, Guaminí, Salliqueló, Adolfo Alsina, General Guido, General Lavalle, Ayacucho, Maipú, General La Madrid, Coronel Suárez, General Juan Madari aga, Laprida, Benito Juárez, Saavedra, Puán, Mar Chiquita, Adolfo Gonzál ez Chaves, Coronel Pringles, Lobería, Coronel Dorrego, Villarino, Patagones, General Rodríguez, Ezeiza, Esteban Echeverría, Presidente Perón, José C. Paz, Malvinas Argentinas, Magdalena, Zárate, La Matanza, Almirante Brown, San Cayetano, General Alvarado, Hurlingham, San Miguel. San Nicolás, Pergamino, Campana, Junín, San Isidro, General San Martín, Vicente López, Tres de Febrero, Chivilcoy, Avellaneda, Lanús, Lomas de Zamora, Quilmes, Ensenada, La Plata, Azul, Olavarría, La Costa, Tandil, Villa Gessel, Balcarce, Necochea, General Puetrredón, Tres Arroyos, Bahía Blanca, Coronel de Marina L. Rosales, Monte Hermoso, Morón, Pinamar, San Fernando. Rojas, San Antonio de Areco, Exaltación de la Cruz, Pilar, Luján, Lincoln, Mercedes, Alberti, General Las Heras, Berisso, Lobos, Brandsen, 9 de Julio, Monte, Pehuajó, Chascomús, Trenque Lauquen, Saladillo, General Belgrano, Dolores, Tornquist, Ituzaingó, Punta Indio.

% 55

7

5

30

23

23

17

134

100

Mapa síntesis. Clasificación espacial en base a los cuadrantes del diagrama de dispe rsión.



Hemos llegado a una definición estructural del comportamiento de las variables en el espacio geográfico.



Por un lado, se aprecia una situación favorable en las dimensiones socio-habitacionales correspondientes a los partidos del primer anillo del Gran Buenos Aires y a los partidos con ciudades intermedias-grandes.



La situación desfavorable queda representada mayormente por los partidos del segundo anillo del Gran Buenos Aires y aquellos partidos del extremo sureste provincial.



En las próximas aplicaciones se pondrá énfasis en verificar este comportamiento y definir regiones geográficas con fines de planificación.

ANÁLISIS DE AUTOCORRELACIÓN ESPACIAL UNIVARIADO Y BIVARIADO 

En la autocorrelación espacial se intenta medir la correlación que una misma variable tiene en diferentes unidades espaciales contiguas.



Tres posibilidades en la medición de la autocorrelación espacial:

-Autocorrelación espacial positiva: Esta relación indica un agrupamiento de las unidades espaciales. -Autocorrelación espacial negativa: Se aprecia una dispersión de las unidades espaciales. -Sin autocorrelación: los valores se presentan de forma aleatoria. 

Con el objetivo de comprobar si la configuración espacial de la variable se produce de forma aleatoria, se procederá a verificar, a través de un test de hipótesis, la existencia de una autocorrelación espacial significativa.

Análisis de autocorrelación espacial global Autocorrelación espacial de la población con suministro de agua por red pública Cuadrante I – espacio - - (inferior izquierdo).

Cuadrante II- espacio - + (superior izquierdo).

Test de autocorrelación espacial.

Cuadrante III – espacio + + (superior derecho).

Cuadrante IV – espacio + -

Autocorrelación espacial entre Población con Suministro de agua por red pública y Población sin inodoro Cuadrante I – espacio - - (inferior izquierdo).

Cuadrante II- espacio - + (superior izquierdo).

Test de autocorrelación espacial.

Cuadrante III – espacio + + (superior derecho).

Cuadrante IV – espacio + -

CLASIFICACIÓ CLASIFICACI ÓN ESPACIAL MEDIANTE VARIABLES DE BENEFICIO Y COSTO



Consideramos variables de beneficio aquellas que en sus máximos valores expresan una situación de máxima favorabilidad.



Se consideran variables de costo aquellas que en sus máximos valores expresan una situación de máxima desfavorabilidad.

Puntaje de variables de beneficio (PVB):

Donde xi son los valores de una variable de beneficio, m el valor menor y M el valor mayor del conjunto de datos.

Puntaje de clasificación espacial de beneficio (PCEB)

Donde ∑ es la sumatoria de los valores en cada variable de beneficio y n es la cantidad de variables seleccionadas.

- Puntaje de variables de costo (PVC):

Donde xi son los valores de una variable de costo, m el valor menor y M el valor mayor del conjunto de datos.

- Puntaje de clasificación espacial de costo (PCEC)

Donde ∑ es la sumatoria de los valores en cada variable de costo y n es la cantidad de variables seleccionadas.

 



Para ambos tipos de variables, los puntajes se distribuyen en el rango que va de 0 a 100. Un puntaje 0 indica la peor situación en las variables de beneficio y, de manera inversa, en las variables de costo indica la mejor situación. Un puntaje 100 indica la mejor situación para las variables de beneficio y la peor situación en las variables de costo.

Las condiciones más favorables en los partidos se darán con puntajes altos en: -Tipo de vivienda: departamento (HAB_DEPTO) -Máximo nivel educativo alcanzado: terciario-universitario completo (TER-UNIV_COM) -Suministro de agua por red pública (AGUA_RED) -Descarga a red pública (DESC_RED). Las condiciones más desfavorables en los partidos se darán con puntajes altos en: -Población con Necesidades Básicas Insatisfechas (NBI_POB) - Habitantes en viviendas de tipo B (VIV_B). - Suministro de agua por bombeador manual (AGUA_BOM). - Sin inodoro (SIN_INOD).

Clasificació Clasificaci ón espacial de beneficio

Clasificació Clasificaci ón espacial de costo

Clasificació Clasificaci ón espacial global Con la finalidad de hacer comparables ambos puntajes, se va combinar variables de costo y de beneficio invirtiendo el resultado de las de costo con la siguiente fórmula:

Se ha transformado la orientación de las variables de costo para lograr una clasificación espacial global siendo posible relacionar los dos tipos de variables teniendo como base las variables de beneficio. Puntaje de clasificación espacial global (PCEG)

donde, vb son variables de beneficio, vc variables de costo inversa y n la cantidad de variables consideradas en la clasificación global.

Puntaje de clasificació clasificació n espacial global



Esta primera clasificación multivariada permitió definir áreas homogéneas en cuanto a variables de beneficio y de costo, donde se resaltan aquellas zonas que reúnen las mejores condiciones socio-habitacionales en contraste con los partidos de máxima desfavorabilidad denotando una marcada diferenciación socioespacial.



Esta configuración presenta las mejores situaciones sociohabitacionales en los partidos que integran el primer anillo del Gran Buenos Aires junto a los partidos con ciudades intermedias de importancia regional, como Bahía Blanca, General Pueyrredón, Junín y La Plata.



Por otro lado, las situaciones desfavorables se encuentran en los partidos del segundo anillo del Gran Buenos Aires y en el extremo sureste provincial.

ANÁLISIS MULTIVARIADO DE LA SITUACIÓ ANÁ SITUACIÓN SOCIOSOCIOHABITACIONAL DE LA PROVIN PROVINC CIA DE BUENOS AIRES. Hacia la generació generaci ón de áreas sociosocio-habitacionales. Pasos técnicos del método de agrupamiento: Análisis Linkage sin contigüidad espacial (Buzai, 2003).

1-Se define si el objetivo es agrupar variables o unidades espaciales. Se utiliza de este modo la MCV o MCUE. 2-Determinar los valores máximos de correlación para cada columna de la matriz. 3-Buscar a qué par de variables o unidades espaciales corresponden estas máximas correlaciones. Realizar un listado donde se exprese el vínculo de estas unidades y su correspondiente coeficiente de correlación. 4-Determinar los pares recíprocos. Entre qué unidades se producen las máximas correlaciones de forma bidireccional. 5-Realizar el listado de pares recíprocos. 6-Agrupar los pares recíprocos en orden y unir el resto de las variables. 7-Obtener la matriz de especificidad de n x m (variables o unidades espaciales por grupo). Se puede encontrar la especificidad de cada grupo mediante el método simple que consiste en promediar los valores del núcleo. 8-El procedimiento finaliza con la obtención de macrovariables y regiones geográficas.

Pasos matriciales del análisis multivariado. Aplicación del Análisis Linkage: Hacia la generación de áreas socio-habitacionales en la provincia de Buenos Aires. M atriz de Datos Originales (MDO)

M atriz de Datos Índice (M DI)

V UE

M atriz de Datos M atriz de Correlación de M étodo: Estandarizados (MDZ) Variables (M CV) M acrovariables

V UE

V UE

V V

M atriz de Datos Estandarizados (MDZ)Transpuesta UE V

UE: Unidades espaciales V: Variables

M atriz de Correlación de M étodo: Unidades Espaciales Regionalización (M CUE) (zonas sociohabitacionales) UE

doble estandarización

V

UE UE

Determinació Determinaci ón de los pares recí recíprocos de variables Par recíproco 1 2 3 4

Variables POB_TOT - VIV_TOT A_64 - VIV_A VIV_B - SIN_INOD HAB_DEP - SEC_COM

Correlación 0,971 0,837 0,925 0,760

5 6 7

PRIM_COM - DESC_POZ AGUA_RED - DESC_RED AGUA_MAN - AGUA_POZ

0,652 0,659 0,701

Clusters de agrupamientos de variables-7 grupos de la MCV 1

3

2 0,826 P OB_TOT 0,971 VIV_TOT

A_64

RTV_P ROP

0,837 VIV_A

4

VIV_B 0,925 0,814 0,886 NBI_P OB A_0014 SIN_INO D 0,576 0,838 HAB_VIV

TER_COM

0,676

0,659 RTV_INQU

0,476 HAB_DEP 0,760 SEC_COM

P IEZ_HOTP E 0,383 P IEZ_INQUI

NBI_VIV

7 5

6 0,209 0,514 AGUA_OTR IDEP OT P RIM_COM 0,481 RTV_P RES

0,652 DES_POZ

0,311 LOC_NO_VIV

VIV_MÓVIL

0,361

AGUA_RED

IND_MASC

0,348

0,701

0,659 DESC_RED

0,468 AGUA_MAN

AGUA_MOT 0,454 DESC_CAM

0,593

AGUA_POZ

HAB_RANCH

Matri z de especificidad de grupos

PARTIDO

G_1

G_2

G_3

G_4

G_5

G_6

G_7

Almirante Brown

2,186

-1,519

0,890

0,190

-0,495

-1,139

-0,175

Avellaneda

1,402

-0,245

-1,004

2,954

-0,663

1,076

-1,313

Beraz ategui

0,959

-1,258

0,067

0,140

-0,709

0,346

-1,150

Esteban Ec heverría

0,731

-1,771

1,498

-0,157

-0,661

-1,378

0,112

Ezeiza

0,047

-2,231

2,632

-0,442

-0,894

-1,874

1,381

Florencio Varel a

1,226

-2,451

2,347

-0,745

-0,486

-1,004

0,133

Gral. San Martín

1,770

-0,205

-0,705

1,804

-0,652

0,654

-1,179

Hurlinghan

0,346

-0,519

-0,351

0,757

-0,789

-1,577

-0,311

Ituz aingo

0,288

-0,167

-0,573

0,825

-1,238

-2,092

-0,114

José C. Paz

0,593

-2,213

2,494

-0,844

-0,504

-2,106

0,149

La Matanza

6,316

-1,497

1,023

0,572

-0,862

-0,336

-0,095

Lanús

2,085

-0,023

-0,571

1,847

0,593

0,305

-1,307

Lomas de Zamora

2,728

-0,833

0,702

0,640

-0,247

-0,015

-1,175

Malvinas Argentinas

0,905

-1,902

1,524

-0,491

-0,495

-2,180

0,150

Merlo

1,927

-1,785

1,770

-0,429

-0,547

-1,172

-0,219

Moreno

1,474

-2,150

2,392

-0,525

-0,720

-1,291

0,087

Morón

1,266

0,516

-1,200

1,930

-1,471

0,411

-0,990

Quilmes

2,338

-0,709

0,212

0,653

-0,710

0,650

-1,266

Obtención de macrovariables Grupo 1 (núcleo: POB_TOT - VIV_TOT):

Grupo 2 (núcleo: A_64 - VIV_A):

Grupo 3 (núcleo: VIV_B - SIN_INOD)

Grupo 4 (núcleo: SEC_COM – HAB_DEP)

Grupo 5 (núcleo: PRIM_COM – DESC_POZ)

Grupo 6 (núcleo: AGUA_RED – DESC_RED)

Grupo 7 (núcleo: AGUA_MAN – AGUA_POZ)

Matriz de correlación entre grupos G_1

G_1 1,000

G_2 -0,428

G_3 0,090

G_4 0,517

G_5 -0,491

G_6 0,021

G_7 -0,324

G_2 G_3

-0,428 0,090

1,000 -0,681

-0,681 1,000

-0,027 -0,488

0,520 0,016

0,562 -0,747

0,002 0,483

G_4 G_5

0,517 -0,491

-0,027 0,520

-0,488 0,016

1,000 -0,672

-0,672 1,000

0,470 -0,114

-0,530 0,440

G_6 G_7

0,021 -0,324

0,562 0,002

-0,747 0,483

0,470 -0,530

-0,114 0,440

1,000 -0,540

-0,540 1,000

Máxima

0,517

0,562

0,483

0,517

0,520

0,562

0,483

Asociación de grupos. 3 grupos surgidos a partir de la matriz de correlaciones. 2 1

3

0,520 GRUPO_5 GRUPO_1 0,517 GRUPO_4

GRUPO_2 0,562 GRUPO_6

GRUPO_3 0,483 GRUPO_7

Gran Grupo 3 (GG_3)

Gran Grupo 1 (GG_1)

Grandes grupos de variables

Gran Grupo 2 (GG_2)

Regionalización socio-habitacional Determinació Determinaci ón de los pares recí recíprocos de unidades espaciales Área

Unidades espaciales

Correlación

A_1

Avellaneda - Gral. San Martín

0,904

A_2

Berazategui - Zárate

0,851

A_3

Lomas de Zamora - Quilmes

0,919

A_4

Merlo - Moreno

0,967

A_5

San Isidro - Vicente López

0,946

A_6

T res de Febrero - Bahía Blanca

0,903

A_7

Ayacucho - Rauch

0,839

A_8

Escobar - Pilar

0,965

A_9

Exaltación de la Cruz - Monte

0,616

A_10

General Paz - Pila

0,727

A_11

General Villegas - Rivadavia

0,911

A_12

Junín - Pergamino

0,878

A_13

9 de Julio - Rojas

0,897

A_14

Patagones - Villarino

0,867

A_15

Pinamar - Villa Gessel

0,877

A_16

Puán - T res Lomas

0,850

A_17

Ramallo - San Pedro

0,695

A_18

Las Flores - Saladillo

0,855

A_19

Carlos Casares - Lobería

0,800

A_20

General Pinto - Huaminí

0,786

A_21

General Rodriguez - San Vicente

0,899

A_22

General Viamonte - T apalqué

0,814

A_23

Navarro - Suipacha

0,676

A_24

General Belgrano - Lobos

0,749

A_25

Punta Indio - T ornquist

0,720

A_26

Berisso - Ensenada

0,909

A_27

General Alvear - Magdalena

0,838

Gráfico de agrupamiento. 27 áreas socio-habitacionales 2

1

3

Avellaneda

Berazategui

0,904

Lomas de Zamora

Gral. San Martín

Campana

0,823

5

0,919

0,851

0,835

Lanús

0,803 La Matanza

0,906

Quilmes

Zárate

Morón

0,886 San Isidro

0,724

0,946

San Nicolás

4 Almirante Brown

0,946

0,914 Florencio Varela

P residente P erón

0,967 0,955 Moreno

Hurlingham

Marcos P az

Ezeiza 0,934

Ituzaingo 0,739

6

0,832

José C. P az

0,955

0,904

0,888

Vicente López

0,942 Merlo

Gral. Pueyrredón

0,953

Tres de Febrero

Malvinas 0,835 Tigre Argentinas

0,903 Bahía Blanca

Luján

0,880

7

Mercedes Ayacucho

Coronel de M. L. Rosales

P ila 0,947 Esteban Escobar Echeverría

San Miguel

10

0,965

0,923

9

0,616 Monte

0,727 Gral. P az

P ilar

0,619 Gral. La Madrid

Exaltación de la Cruz

0,876

0,806

8

0,839 Coronel 0,755 Rauch P ringles

La Plata

0,696 0,674 San A. de Giles 0,662 Daireaux

Gral. Guido

Tandil

Determinación de los pares recíprocos de áreas. Zonas 1 2 3 4 5 6

Áreas A-2 - A-3 A-4 - A-8 A-5 - A-6 A-7 - A-19 A-10 - A-23 A-22 - A-24

Correlación 0,733 0,889 0,885 0,726 0,640 0,732

Agrupamiento de áreas socio-habitacionales 1

0,431 A_17

A_2 0,378

A_14

2

0,620 A_26 0,733

A_9

0,310

A_4 0,889 0,840 A_8 A_21

A_3

0,184

6 A_22

A_11

3 A_15

0,402

0,885 0,891 A_6 A_1 0,784 A_12

0,717 A_18

0,732

4

A_5

0,742 A_13

A_7 0,726

A_24

5 0,582

A_10 A_19

A_16

0,640 A_23 A_25

0,398

0,484 0,303 A_27 A_20

Obtenció Obtenci ón de áreas y zonas sociosocio-habitacionales

Comentarios finales 







El análisis de las distribuciones y asociaciones espaciales de estas características referidas a la calidad de vida de la población nos permitieron construir una herramienta útil para la comprensión y explicación de las desigualdades socioespaciales. La tecnología de los Sistemas de Información Geográfica (SIG) y de los Sistemas de Ayuda a la Decisión Espacial (SADE) se convirtieron en una herramienta de apoyo fundamental al permitir el tratamiento cuantitativo de la información alfanumérica y la posibilidad de construir una amplia variedad de cartografía temática, fundamental para el análisis de la distribución y asociación de variables. Esta regionalización podrá brindar una clara orientación de las regiones socio-habitacionales con prioridad de intervención con la finalidad de lograr disminuir disparidades y contribuir a mejorar la justicia espacial en el área de estudio. Se contribuye a propiciar el establecimiento de estrategias de intervención diferenciales de acuerdo a las particularidades de cada región.

Bibliograf ía BOSQUE SENDRA, J.; MORENO JIMÉ NEZ, A. 1994. Prácticas de análisis exploratorio y multivariante de datos. Oikos-tau. Barcelona. BUZAI, G. D. (Ed.) 2010. Geografía y Sistemas de Información Geográfica. Aspectos conceptuales y metodológicos. Universidad Nacional de Luján. Luján. BUZAI, G.; BAXENDALE, C. 2006. Análisis socioespacial con Sistemas de Información Geográfica. Lugar Editorial. Buenos Aires. BUZAI, G. 2003. Mapas sociales urbanos. Lugar Editorial. Buenos Aires. CHIOZZA, E. y FIGUEIRA, R. 1981. Atlas total de la República Argentina. Centro Editor de América Latina. Buenos Aires. EBDON, D. 1982. Estadística para Geógrafos. Oikos-tau. Barcelona. GÁMIR ORUETA, A; RUIZ PÉREZ, M; SEGUÍ PONS, J. 1995. Practicas de Análisis Espacial. Oikos – Tau. Barcelona. HAGGETT, P. 1975. Análisis locacional en la Geografía Humana. Gili. Barcelona. HUMACATA, L. 2012. Análisis multivariado de la situación socio-habitacional de la Provincia de Buenos Aires, en el 2001. Aplicación de técnicas de estadística espacial con sistemas de Información Geográfica para la determinación de áreas socio-habitacionales. Tesis de Licenciatura en Geografía. Director de tesis: Dr. Gustavo D. Buzai. Universidad Nacional de Luján. Luján. PÉREZ, E. 2006. Análisis multivariado de la situación socio-habitacional y educativa de la población: el caso de la Provincia de Mendoza, Argentina. En Anuario de la División Geografía 2005-2006. Universidad Nacional de Luján. Luján. SÁNCHEZ, D. 1988. Los espacios socio-económicos de la Provincia de Buenos Aires. Hacia su delimitación. Síntesis Informativa, Económica y Financiera. Banco de la Provincia de Buenos Aires. La Plata. VELÁZQUEZ, G. A. 2007. Geografía, fragmentación social y diferenciación territorial en la región pampeana. Hologramática - Facultad de Ciencias Sociales. UNLZ. VI(7):49-70.

Muchas Gracias!!!