variaciÓn espacial de los factores … · resultados señalan que las variables contextuales, que...
TRANSCRIPT
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
511
VARIACIÓN ESPACIAL DE LOS FACTORES ASOCIADOS A LA MIGRACIÓN
INTERNA EN ESPAÑA: ¿INFLUYE LA PRESENCIA DE POBLACIÓN
EXTRANJERA?
Juan A. MÓDENES Depto. de Geografía, Univ. Autòn. de Barcelona, y Centre d’Estudis Demogràfics.
E-mail: [email protected]
Hernán G. VILLARRAGA Depto. de Geografía, Univ. Autòn. de Barcelona, y Centre d’Estudis Demogràfics.
E-mail: [email protected]
Resumen
La distribución espacial de los fenómenos demográficos es un área emergente de
investigación. Un análisis de los patrones espaciales de movilidad residencial tiene el
potencial de dar cuenta de una manera alternativa acerca de la interacción entre el espacio,
los flujos de migrantes y las características de los individuos, hogares y lugares. En este
estudio se analizan los movimientos residenciales al interior de las provincias españolas en
el período reciente y se busca determinar si los factores que desencadenan estos
movimientos (en los lugares de origen) varían a través del país. Se utiliza la regresión
ponderada geográficamente (GWR) (Villarraga, Sabater, Módenes, 2014), utilizando los
datos de la Estadística de Variaciones Residenciales, y se estudia la variación espacial de la
relación entre la movilidad residencial y una serie de variables agregadas de tipo
socioeconómico, demográficas y de la vivienda para todos los municipios de España. Los
resultados señalan que las variables contextuales, que son importantes para explicar la
intensidad de la movilidad, no tienen un nivel homogéneo de influencia en todo el
territorio, llegando incluso a no ser significativa su influencia en algunas áreas. La
interpretación de estas diferencias dará lugar a una reflexión sobre la eventual existencia de
diferentes sistemas de movilidad residencial, siguiendo diferencias regionales o
funcionales.
Movilidad residencial: Municipios, Regresión Ponderada Geográficamente, España.
1. INTRODUCCIÓN
Cada año, más de 1,5 millones de personas cambian de municipio de residencia en España,
aproximadamente un 3% de la población. El reciente boom de inmigración exterior ha
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
512
contribuido a ello, sacudiendo la intensidad y la estructura geográfica de estos flujos
internos (Recaño, 2002). Actualmente entre un 25 y un 30% de la movilidad migratoria
interna es protagonizada por personas de nacionalidad extranjera.
La inmigración exterior no sólo afecta a las migraciones internas por su volumen y porque
los inmigrantes tienen propensiones migratorias más elevadas. Su creciente presencia en
determinadas áreas geográficas puede emerger como un elemento que influye en la
decisión de emigrar a otro municipio, no sólo de los mismos extranjeros sino también de
los españoles. Esta dimensión de interrelaciones motiva esta comunicación, sin olvidar el
resto de factores explicativos. En efecto, podemos agrupar en cuatro dimensiones los
factores determinantes de la emigración interna a escala municipal: elementos
demográficos estructurales e individuales, motivos laborales y socioeconómicos,
características de las viviendas y la inmigración y la presencia de población no española.
En esta comunicación determinaremos si factores de estas cuatro dimensiones explicativas
influyen en la emigración interna y si lo hacen de igual manera en todo el país. En especial,
si la presencia de extranjeros en el mismo área de residencia influye directamente en el
comportamiento emigratorio interno de los españoles, tanto a nivel global como
específicamente según el lugar de residencia. Se utilizará el método de la Regresión
Geográfica Ponderada (GWR en sus siglas en inglés) e información agregada a escala local
para todos los municipios españoles procedente de los flujos de la Estadística de
Variaciones Residenciales (EVR, 2001-2005) y características sociodemográficas,
socioeconómicas y residenciales de los municipios según el Censo de 2001 (previas a los
movimientos analizados) que, según la teoría y los antecedentes empíricos, influyen en el
nivel agregado de la migración. Para ello seguiremos en lo esencial la estrategia propuesta
por los autores para el análisis de la movilidad migratoria intramunicipal en Colombia.
2. MOVILIDAD MIGRATORIA DE LOS NATIVOS E INMIGRACIÓN: UNA
APROXIMACIÓN DESDE LA LITERATURA
Las ciencias sociales reconocen la influencia de la inmigración y la diversidad étnica sobre
el comportamiento migratorio de los llamados nativos. Esta interacción ha estado presente
desde siempre en el análisis sociológico y geográfico de la dinámica residencial urbana,
como ejemplifica la Escuela de Chicago. El cambio urbano emanaría de la respuesta
organizada de la población asentada a la llegada de flujos migratorios, en forma de
desplazamientos, produciendo sustitución, sucesión y segregación. No sólo habría motivos
socioeconómicos o urbanísticos sino étnico-raciales e identitarios. Este enfoque dominó la
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
513
investigación de la movilidad migratoria intraurbana hasta que el neopositivismo triunfante
introdujo explicaciones más sociodemográficas (Rossi, 1955) o económicas (Alonso,
1964), pero no lo sustituyó del todo.
Por ejemplo, la literatura anglosajona ha guiado el interés en saber si la llegada de
inmigrantes laborales a los mercados de trabajo (nacionales o urbanos) afecta a los
trabajadores existentes, mediante un mayor desempleo, mayor precarización, más tiempo
en encontrar empleo o más emigración de larga distancia. Ciertos autores han encontrado
efectos negativos, especialmente entre los nativos de menor nivel económico, que se
deberían a mecanismos de competencia y sustitución entre grupos de trabajadores. Otros
autores no hallan evidencias empíricas suficientes (Kritz, Gurak, 2001; White, Imai, 1994;
Wright, Ellis, Reibel, 1997). Arguyen ausencia de interacción o bien complementariedad
entre nativos e inmigrantes. Sin embargo, si diferenciamos los nativos y los inmigrantes
por edad o posición social se han detectado tanto efectos de sustitución como de
complementariedad, siendo más beneficiados los grupos mejor posicionados (Mocetti &
Porello, 2010; White, Liang, 1998).
Cuando se trata de la movilidad residencial intraurbana, en Estados Unidos, conceptos
como el de segregación o el de “white flight” han servido para estudiar la diversidad étnica
en los movimientos residenciales (Clark, 2007; Crowder, Hall, Tolnay, 2011; Frey, 1995;
Krysan, 2002; South, Crowder, 1997). Los autores europeos priorizan otros procesos,
como el de contraurbanización (Peach, 1999). Muchos niegan directamente que tengamos
aquí “white flight” (Rathelot, Safi, 2014; Simpson, Finney, 2009), argumentando que hay
otros factores causales más importantes y/o que las distribuciones espaciales de orígenes y
destinos no son significativamente diferentes por etnia u origen.
En España, estos debates también han tenido eco. Diversos autores han mostrado la
existencia de niveles de intensidad, a favor de los extranjeros, perfiles sociodemográficos y
patrones espaciales diferenciados (Recaño, 2002; Reher, Silvestre, 2009), pero poco se ha
podido decir sobre la interacción entre los comportamientos de nativos y extranjeros.
Existen ejemplos de estudios econométricos sobre el impacto de la inmigración sobre los
mercados laborales en España, dinamizando la movilidad migratoria general (Bentolia,
2001), pero no especialmente entre los españoles de bajos ingresos (Herrarte Sánchez,
Medina Moral, Vicéns Otero, 2007). Por lo que respecta a la movilidad residencial, pocos
estudios han abordado específicamente las interacciones entre la movilidad de los
inmigrantes o extranjeros y el comportamiento residencial de los españoles, aunque sí se ha
constatado la diversidad de patrones (Bayona, Gil, 2008). Según (Martínez del Olmo, Leal,
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
514
2008) la discriminación residencial entre nativos e inmigrantes no sólo es expresada por la
segregación espacial, lo que relativiza a la movilidad residencial como motor de exclusión
o diferenciación1.
En esta comunicación, nos planteamos, primero, si es posible ajustar un modelo de
regresión geográficamente ponderada que evalúe el peso de las distintas dimensiones
explicativas para la movilidad migratoria, y que mejore los modelos de regresión espacial
globales. En segundo lugar, se quiere confirmar que el peso específico relativo de cada
dimensión explicativa depende de la localización geográfica, variando tanto regionalmente
como en el continuo urbano-rural. Y finalmente, y más importante, evaluar si la presencia
de población extranjera es un factor explicativo de la intensidad de la emigración de los
españoles y estimar si su relación se comporta igual a través del territorio.
3. ÁREA DE ESTUDIO, DATOS Y VARIABLES
3.1. Área de estudio
El área de estudio comprende los municipios del territorio peninsular de España en 2001.
Los municipios españoles peninsulares (7.956) constituyen las observaciones de nuestro
universo. Se dejan fuera los municipios insulares y Ceuta y Melilla porque dada su
configuración territorial no permiten la correcta aplicación de los modelos de regresión
geográficamente ponderada. El uso de municipios, aunque en ocasiones demasiado
pequeños, presenta ventajas frente al uso de unidades más robustas, también numerosas,
como comarcas, oficiales o estadísticas, u otras entidades supramunicipales. Uno de los
fundamentos del modelo GWR es que los valores presenten una cierta heterogeneidad que
sería reducida con unidades más grandes que diluirían las diferencias espaciales. Además,
el modelo se ajusta mejor conforme más unidades espaciales se incorporan.
Tabla 1 Número de personas que realizaron una migración interna, 2001-2005
2001 2002 2003 2004 2005
Origen: Todos los municipios de España
Toda la población 994.615 1.323.927 1.467.903 1.527.446 1.570.361
Por españoles 889.814 1.085.061 1.174.313 1.169.708 1.168.484
Origen: Municipios de la España peninsular
Toda la población 912.929 1.209.030 1.337.246 1.393.827 1.438.148
Por españoles 816.583 990.386 1.069.243 1.066.584 1.068.535
Fuente: INE, Estadística de Variaciones Residenciales.
1 Sin embargo, la aplicación estricta del concepto “white flight”, cuando se habla de concentración de alumnado nativo en
ciertas escuelas para evitar el contacto con otros colectivos, sí que tiene bastante presencia en la literatura española.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
515
3.2. Variables
3.2.1. Variable dependiente
La información de la variable dependiente, “tasa de emigración interna”, se obtiene a partir
de la Estadística de Variaciones Residenciales, específicamente de las emigraciones
internas de todos los municipios situados en el territorio peninsular para el período 2001-
2005. Para calcular la tasa el denominador es la población media según el Padrón
Continuo. La tasa de emigración interna captura la intensidad relativa anual de la
emigración interna de los municipios peninsulares durante el período 2001-2005, es decir,
en pleno boom inmigratorio y en medio de la burbuja residencial. Se han calculado dos
variables dependientes, asociadas a etapas sucesivas de la investigación: a) tasa de
emigración interna de toda la población, y b) tasa de emigración interna de los españoles.
Tabla 2 Resumen estadístico de las emigraciones internas municipales. España, 2001-2005
Total población Españoles
Salidas migratorias
observadas
Tasa de emigración
interna (% anual)
Salidas migratorias
observadas
Tasa de emigración
interna (% anual)
Máximo 522.807 118,5 372.899 103,1
Mínimo 0 0.0 0 0,0
Media 803,2 17,9 631,8 15,6
Desviación típica 7.677,3 8,8 5.487,2 7,6
Fuente: INE, Estadística de Variaciones Residenciales.
3.2.2. Variables independientes
Las variables dependientes deben ser explicadas por una serie de factores estructurales de
las poblaciones de origen en el momento inicial del período de migración estudiado. Para
optar entre un abanico amplio de variables independientes se han seleccionado del censo
de 2001. De hecho, la disponibilidad de información censal para todos los municipios y de
un período posterior relativamente grande con información de EVR ha condicionado la
elección del período temporal y de las fuentes. Las variables independientes representan
las cuatro dimensiones explicativas enunciadas en la Introducción. El enfoque es
ecológico, por lo que las relaciones que se encuentren a nivel agregado, no necesariamente
implican relaciones a nivel individual.
a). Dimensión demográfica.
1 .Porcentaje de mayores de 65 años (ENVE). Mide el nivel de envejecimiento de la
población municipal. Informa en negativo de la reserva demográfica de migrantes, así
como puede ser un indicador de la vitalidad sociodemográfica general.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
516
2. Porcentaje de hogares con 3 o más miembros (TAMH). Aproxima la estructura familiar
dominante en el municipio de origen. Los hogares nucleares con hijos, de tamaño superior
o igual a 3, están relacionados con mayor estabilidad residencial. En negativo, más hogares
pequeños puede indicar falta de recursos sociales.
b) Dimensión sociolaboral.
3. Porcentaje de individuos con estudios universitarios (NEDU). Mide el nivel estructural
educativo. Aproxima la propensión a buscar empleo en ámbitos urbanos hacia ocupaciones
de nivel medio o alto. Puede informar, sin embargo, también del nivel de desarrollo local
del municipio y de oportunidades endógenas.
4. Tasa de paro (PARO). Es el porcentaje de parados sobre los activos. Informa del nivel
de dificultades coyunturales o estructurales del municipio y podría favorecer la emigración.
O bien, un obstáculo financiero para la movilidad residencial.
c) Dimensión del parque de viviendas
5. Porcentaje de viviendas principales en alquiler (ALQU). Mide la presencia de hogares
que residen en alquiler. Esta característica generalmente va asociada a una mayor
inestabilidad residencial. También se asocia a una mayor flexibilidad de la mano de obra,
que puede comportar una mayor movilidad migratoria.
6. Porcentaje de viviendas con antigüedad inferior a 10 años (EDVI). Mide el peso de los
hogares que habitan en viviendas nuevas. Puede estar asociado a una mayor estabilidad
residencial de los hogares, porque hace poco que las habitan y son de mejor calidad.
d) Dimensión historia migratoria
7. Porcentaje de nacidos en el municipio (NACM). Mide la población nacida en el
municipio. Puede esperarse una asociación inversa con la tasa de emigración.
8. Porcentaje de extranjeros (EXTR). Mide la población extranjera residente en 2001.
Aproxima la heterogeneidad social, cultural y étnica. No se prevé un sentido decidido de la
relación, aunque cabría esperar cierta relación positiva con la tasa de emigración general,
como efecto de composición al aumentar las personas más propensas. Nuestra pregunta es
si considerando sólo la tasa de emigración de los españoles se notaría un efecto
significativo. Por ello, esta variable es nuestra variable independiente principal.
4. ESPECIFICACIÓN DE LOS MODELOS
4.1. Presentación del modelo GWR
La Regresión Ponderada Geográficamente (Geographically Weighted Regression, GWR)
es una forma “local” de regresión lineal que está específicamente diseñada para analizar
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
517
interrelaciones que varían espacialmente (Fotheringham, Brundsdon, Charlton, 1996;
Fotheringham, Brunsdon, Charlton, 2002; Villarraga et al., 2014). El uso de GWR permite
explorar si las relaciones entre la variable dependiente y las variables explicativas varían
entre los lugares, lo que lo diferencia de un modelo OLS “global” donde sólo se ofrece un
coeficiente por variable explicativa.
En las regresiones locales de GWR una región es descrita alrededor de un punto de
regresión y todos los otros puntos de datos (centroide de los municipios) dentro de esta
región son usados para calibrar el modelo. Este proceso se repite para todos los puntos de
regresión con la particularidad que con GWR cada municipio está ponderado por su
distancia desde el punto de regresión; por lo tanto los municipios más cercanos al punto de
regresión tienen un mayor peso en la regresión local que aquellos municipios más lejanos.
Para un punto de regresión dado, el peso de un municipio está en un máximo cuando se
comparte la misma ubicación que el punto de regresión. Este peso disminuye
continuamente a medida en que la distancia entre los dos puntos aumenta. De esta manera,
un modelo de regresión se calibra localmente simplemente moviendo el punto de regresión
a través de la región (Fotheringham et al., 2002, p. 58). Para ello, se necesita tener en
cuenta y calibrar diferentes funciones de ponderación espacial. Dado que la función de
ponderación está determinada por la forma del contexto (kernel) espacial y el tamaño de su
ancho de banda (distancia umbral a partir de la que la influencia de un área sobre otra es
cero), es necesario siempre establecer el ancho de banda óptimo. Puesto que nuestros
centros municipales no están uniformemente distribuidos en el espacio, porque tenemos
municipios de variado tamaño, con patrones espaciales no aleatorios, se ha utilizado un
kernel espacial variable. Se ha usado un método adaptativo, de manera que los kernels son
más pequeños en el centro-norte (donde la densidad de municipios es máxima) y mayores
en el sur y en el norte (donde la densidad es más baja). La estrategia ha sido adoptar un
kernel bicuadrado adaptado que siempre cuenta con el mismo número de áreas.
Para seleccionar el intervalo de búsqueda del ancho de banda óptimo se ha escogido el
criterio de información corregido de Akaike (AICc) y se compararon sus valores asociados
con el kernel a diferentes anchos de banda. Se siguió la norma general según la cual cuanto
más bajo es el coeficiente AICc, más cercano es el modelo a la realidad (Burnham,
Anderson, 2002). La dependencia espacial fue operacionalizada usando Moran’s I, que fue
recalculado para diferentes valores de anchos de banda. Finalmente, para calibrar el kernel
espacial ideal, se usó una función ponderada bi-cuadrada basada en los vecinos más
cercanos. El número óptimo de vecinos próximos se determinó en 154. Esto significa que
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
518
el modelo GWR calcula la relación entre variables para cada municipio continuamente
para los 154 municipios más cercanos al punto de regresión.
4.2. Comparación entre modelos OLS y GWR
Antes de determinar las variaciones en los patrones geográficos de la tasa de emigración
municipal con el modelo GWR, se han llevado a cabo dos modelos de regresión global
OLS, usando como variables dependientes las tasas de emigración municipal y todas las
variables independientes enunciadas en el apartado correspondiente.
4.2.1. Modelo OLS para todos los residentes.
La siguiente ecuación muestra todos los parámetros globales estimados.
y= 39,820 + 0,407 EXTR ─ 0,305 TAMH + 0,162 NEDU ─ 0,158 NACM + 0,151 ALQU
─ 0,117 ENVE ─ 0,028 PARO
(45,12) (15,94) (-30,07) (7,18) (-25,72) (8,27)
(-5,02) (-3,14)
Entre paréntesis están los valores t, que muestran que todos los parámetros globales
estimados son significativos al nivel 1%. El test Moran’s I que se aplicó al modelo de
residuos determinó suficiente autocorrelación. El coeficiente R cuadrado del modelo es
0,295 y el criterio corregido de información Akaike (AICc) es 54.323,32.
Las cuatro dimensiones de análisis, demográfico, laboral, residencial e historia migratoria,
tienen capacidad explicativa de la emigración interna general. Solamente la variable
“Porcentaje de viviendas con menos de 10 años (EVIV)” está excluida de este modelo
debido a su no significatividad estadística. La variable explicativa que registra los valores
estimados más altos es el porcentaje de extranjeros (EXTR). Su coeficiente expresa que un
aumento de un punto porcentual del porcentaje de extranjeros, lleva a un aumento de 0,407
puntos porcentuales de la tasa de emigración interna municipal. Obviamente esta relación
tiene una clara interferencia composicional, debido a la mayor propensión a la movilidad
de los extranjeros. En efecto, donde hay más extranjeros hay más personas con alta
propensión a la movilidad y, por ende, las tasas suelen ser más elevadas. Es decir, el efecto
composicional del porcentaje de extranjeros es endógena a la tasa emigratoria. En el
contexto de España 2001 decir extranjero era como decir, con mucha probabilidad,
emigrante interno. Por ello, hay que ajustar el modelo inicial OLS global para eliminar esa
endogeneidad. Sustituimos la variable dependiente por la más específica, tasa de
emigración interna de españoles y así podemos aislar el efecto positivo (o negativo) de la
inmigración sobre las propensiones migratorias de la población no extranjera.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
519
4.2.2 Modelo OLS para españoles.
La nueva ecuación resultante es:
y= 36,879 ─ 0,304 TAMH + 0,206 NEDU ─ 0,142 NACM + 0,136 ALQU ─ 0,131 ENVE
(4)
(46,99) (-33,76) (10,22) (-26,05) (8,34) (-6,28)
De nuevo, entre paréntesis están los valores t, que muestran que todos los parámetros
globales estimados son significativos al nivel 1%. El test Moran’s I que se aplicó al modelo
de residuos determinó suficiente autocorrelación. El coeficiente R cuadrado del modelo es
0,262, ligeramente inferior al modelo anterior, y el criterio corregido de información
Akaike (AICc) es 52.456 ,09. El cambio más importante es la no significatividad
estadística del porcentaje de extranjeros como variable explicativa. Allá donde hay más
extranjeros, los españoles no emigrarían internamente más, según el modelo global.
Tampoco resultó estadísticamente significativa la variable tasa de paro. Ello confirmaría
las peculiaridades del sistema migratorio interno español: más paro no provoca más
movilidad en las poblaciones de españoles.
El tamaño del hogar (THOG, dimensión demográfica) es la variable que tiene mayor
fuerza en la relación con la emigración de los españoles y su signo es negativo. Nos dice
que cuántos más hogares grandes hay en un municipio, menor es su tasa de emigración. De
alguna manera, nos indica que la estabilidad de las estructuras familiares se asocia a
estabilidad de las ubicaciones. La relación con el nivel de envejecimiento (ENVE) es
negativa y su fuerza es la más baja de las 5 variables. De la dimensión laboral y económica
el nivel educativo (NEDU) es el más determinante. Donde hay más títulos universitarios,
hay una mayor propensión a salir del municipio. En la dimensión de la historia migratoria,
el porcentaje de personas nacidas en el municipio (NACM) tiene un intenso efecto reductor
de la emigración, tal como se esperaba, independientemente de si son extranjeros o
españoles. La dimensión del parque de viviendas es poco importante, centrada en un efecto
ligeramente positivo del stock de alquiler.
El rendimiento del modelo global no es muy alto. Sólo explica un 26% de la varianza en la
emigración interna municipal, lo que sugiere; a) que el modelo no incorpora alguna/s
variable/s relevantes, o b) que no sea posible ajustar un modelo único estacionario para
toda España. Esto es porque el modelo OLS asume que la relación entre la variable
dependiente y las independientes es constante en el espacio. Sin embargo, la complejidad
de un territorio como el español, hace plausible la convivencia de diferentes estructuras
explicativas de la emigración municipal. Aquí entra en juego el modelo GWR, que nos
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
520
permite a) ajustar un nuevo modelo que considera la no estacionariedad espacial (la
variabilidad espacial) de la relación que existe entre las variables, y de esta manera b)
identificar aquellas áreas donde el modelo tiene un mayor o menor ajuste, lo que puede
obligar a buscar e incorporar nuevos factores en aquellas áreas en las que el rendimiento
del modelo es muy bajo, c) analizar la variación espacial de la relación entre las variables
independientes y la dependiente, identificando gradientes, áreas dónde la relación es
significativa y áreas donde no lo es. En el diseño del modelo local se han incorporado
todas las variables independientes que se consideraron en el modelo global, incluso
aquellas que resultaron no ser estadísticamente significativas.
4.2.3. Modelo GWR para españoles
Tiene sentido que en España las variables explicativas puedan ser no estacionarias
espacialmente. Para comprobarlo se utilizan diversas pruebas. Por ejemplo, si el intervalo
intercuartil de las estimaciones de los parámetros del modelo GWR es mayor que dos
veces el valor del error estándar obtenido por el modelo OLS. Este procedimiento
demuestra que todas las relaciones entre las variables explicativas y la dependiente, tienen
una elevada variabilidad territorial de su influencia. Incluyendo las tres consideradas no
significativas por el modelo global OLS, de tal manera que se puede presentar que en
algunas zonas geográficas su relación con la variable dependiente sea significativa.
La tabla 3 presenta los índices de Moran de los dos modelos globales OLS (toda la
población y sólo españoles) y el modelo GWR (ya sólo para españoles). La elevada
puntuación del valor z de los modelos OLS, asociada con un valor p muy bajo, lo que
indica la presencia de una alta autocorrelación espacial en sus residuales. En este caso, hay
un patrón espacial de agrupamiento (clusterizado) que nos está diciendo que existe una
probabilidad menor al 1% de que este patrón pueda ser el resultado de una probabilidad
aleatoria. Esto sugiere que calibrar un modelo GWR en vez de global podría reducir la
autocorrelación espacial. Finalmente, la tabla 4 ofrece un resumen de parámetros de los
modelos OLS, toda la población y españoles, y GWR, españoles. El mejor modelo es el
local (GWR), ya que su AICc (50.586,6) es claramente menor, aunque el modelo OLS de
españoles (52.456,1) ya mejoraba el OLS de toda la población (54.323,3). Además, el
coeficiente R cuadrado ajustado del modelo se eleva a 0,48. Por lo tanto, el modelo GWR
que permite variar geográficamente la influencia de las variables explicativas en la
emigración es mejor que los modelos OLS que ajustan una única regresión común.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
521
Tabla 3. Valores del Índice de Moran
Índice de Moran puntuación z valor p
OLS Global (todos los migrantes) 0,1213 100,8268 0,0000
OLS Global (españoles) 0,1186 98,5764 0,0000
GWR (españoles) -0.0043 -1,2424 0,2141
Nota: las puntuaciones z son desviaciones estándar
Tabla 4. Resumen de parámetros estadísticos para OLS y GWR
Ancho de banda Desviación K AICc Dif_AICc
OLS Global (todos migrantes NA 54.303,28 9 54.323,3 3.736,7
OLS Global (españoles) NA 52.436,06 9 52.456,1 1.869,5
GWR (españoles) 154 47.992,9 1.103,9 50.586,6 0.0
Nota: K indica el número efectivo de parámetros. Dif_AICc es la diferencia entre los AICc de los modelos
globales con el mejor modelo, GWR.
5. RESULTADOS DEL MODELO DE REGRESIÓN GEOGRÁFICAMENTE
PONDERADA (GWR)
Los resultados de los parámetros del modelo GWR son concluyentes, se debe tener en
cuenta la variabilidad espacial del efecto de todas las variables independientes iniciales
sobre la variación de los valores de la tasa local de emigración interna de los españoles (en
el mapa 1a). El modelo GWR estima el efecto de las variables explicativas calculando
continuamente regresiones espaciales, mediante un ancho de banda óptimo de 154
municipios. El mapa 1b despliega los valores del R cuadrado local a través de los
municipios contiguos españoles. Más intensidad equivale a un mejor ajuste del modelo.
Según la leyenda el modelo GWR explica hasta el 82% de la varianza (p.ej., en municipios
de las provincias de La Coruña, Toledo, Castellón, Barcelona, Sevilla…), por encima del
valor mediano (41%). El modelo está mejor ajustado en las grandes áreas metropolitanas y
allá donde los municipios suelen tener cierto tamaño demográfico. En las áreas menos
explicadas, con numerosos municipios pequeños, la tasa migratoria tiende a la
aleatoriedad, véase Castilla y León). No podemos descartar que en esas áreas actúen otras
posibles covariables.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
522
Ilustración 1. a) Mapa de distribución de la emigración de españoles. b) Mapa de los valores estimados
del R2 local
En el anexo cartográfico se encuentran los resultados del modelo GWR para las 8 variables
incorporadas. Los mapas para cada una de las variables aparecen jerárquicamente de
mayor a menor según los coeficientes del modelo OLS de españoles. En ellos se observan
los lugares donde los coeficientes locales de la relación entre cada una de las variables
explicativas y la dependiente son significativos. El color rojo indica que la relación entre
variables es positiva y azul cuando es negativa. Aquellos municipios en los que los
coeficientes locales no son significativos aparecen en blanco. Además, se ha incluido la
distribución geográfica a escala municipal de cada variable independiente (mapas derecha,
b).
En el caso de TAMH, tener una elevada proporción de hogares grandes inhibe la
emigración en amplios sectores del centro y el levante español, incluyendo las áreas
metropolitanas de Madrid y Barcelona. En ningún sitio esta relación es positiva y
significativa. Por lo que respecta a NEDU, se confirma la relación positiva entre el número
de titulados universitarios y emigración, principalmente en áreas rurales del norte y centro
(destaca la provincia de Albacete), y en el área de influencia de Sevilla; no, sin embargo,
en las grandes áreas metropolitanas. El porcentaje de nacidos en el municipio (NACM)
confirma su relación negativa con la emigración, especialmente en las áreas metropolitanas
y sus hinterlands, lo cual puede sugerir prácticas espaciales diferenciales. El porcentaje de
hogares en alquiler (ALQU) ejemplifica una de las virtudes de GWR: aunque en el modelo
global la relación era positiva, el mapa muestra sectores rurales, principalmente en el norte,
donde la relación es de signo contrario, negativo. Lo mismo pasa con el porcentaje de
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Melilla
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
Valor0.820812
0.410689
0.00056583
IDW_localR2_1540.820812
0.410689
0.00056583
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Las Palmas
Melilla
Emig_Españoles (%)
0.0 - 10.0
10.1 - 15.0
15.1 - 20.0
20.1 - 25.0
25.1 - 100.0
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
523
población de más de 65 años (ENVE), cuyo signo global es negativo, pero que presenta
áreas donde la relación es positiva; en ambos casos, afectando a zonas rurales.
Al considerar mediante GWR las variables que no eran significativas según los modelos
globales OLS, se pueden identificar áreas geográficas, normalmente pequeñas, donde la
relación sí que es significativa. Con cierta lógica, ambos signos están presentes. En el
anexo están los resultados para la tasa de paro (PARO), viviendas nuevas (EDAD). Los
resultados de la variable porcentaje de extranjeros (EXTR) se presentan en la Ilustración 2.
Ilustración 2. a) Mapa de los coeficientes estimados del modelo GWR para la variable porcentaje de
extranjeros. b) Mapa de la distribución de extranjeros.
No se puede descartar totalmente la influencia del número de extranjeros sobre el
comportamiento migratorio interno de los españoles. Según el análisis global con OLS, la
relación entre ambas variables no era significativa, era escasa y negativa. Si nos
hubiésemos quedado aquí, habríamos descartado la relación o, quizá, hubiésemos
subrayado incluso un cierto efecto estabilizador sobre la población española. Sería un
error. El efecto del número de extranjeros es no estacionario espacialmente, es decir que
varía a través del territorio y hay áreas donde esta relación es significativa. El efecto es
positivo en áreas rurales del norte de España, parece que no en áreas metropolitanas. Al
contrario, hay un efecto negativo, relativamente tranquilizador, en la periferia del área
metropolitana de Madrid y en algunos núcleos de alta inmigración residencial de la costa
mediterránea. Este es un punto de partida para investigaciones más específicas.
6. CONCLUSIONES
Se han cumplido la mayoría de objetivos iniciales. Los modelos GWR mejoran el análisis
explicativo ecológico de la tasa de emigración interna de españoles, a partir del estudio de
León
Jaén
Badajoz
Teruel
Cáceres Toledo Cuenca
Sevil la
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Madrid
Almería
Salamanca Guadalajara
Valencia
Málaga
PalenciaGirona
A Coruña
Segovia
Ourense
ValladolidBarcelona
Alicante
Castellón
Tarragona
La Rioja
Álava
Cantabria
Baleares
Pontevedra
Vizcaya Guipúzcoa
Las PalmasLas Palmas
Las Palmas
Baleares
Las Palmas
Baleares
Ceuta
Melilla
IDW_Extranj_est2.595
0
-1.574
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Las Palmas
Melilla
Extranjeros (%)
0.0 - 2.5
2.6 - 5.0
5.1 - 7.5
7.6 - 10.0
10.1 - 54.7
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
524
la variabilidad espacial. Hemos confirmado que las variables independientes mejoran su
poder explicativo si se permite que su relación con la dependiente varíe en el territorio.
Algunas influyen en casi todo el territorio, pero con diferencias en su intensidad (tamaño
de hogar y nacidos en el municipio) mientras que otras no son tan generales pero
mantienen el signo (nivel educativo). El bajo poder explicativo en los modelos globales del
resto de variables se debe a que muestran patrones de determinación muy localizados y con
efectos contrarios (p.ej., porcentaje de extranjeros). Aunque no tengan una influencia
general, un enfoque geográfico del análisis social no puede dejarlas de lado. En las áreas
urbanas son más significativos los factores más generales, mientras que las variables con
efectos más locales actúan más en sectores rurales. Vale la pena seguir explorando.
Nuestro principal objetivo era comprobar si en España existe relación entre el porcentaje
de residentes extranjeros y la emigración interna de los españoles. A nivel global no hay
una relación significativa, pero el modelo GWR encuentra variabilidad geográfica de la
relación, siendo esta significativa y positiva en ciertas áreas rurales del norte. Por lo tanto,
existía cierta interacción localizada durante los años del boom inmigratorio, aunque no,
parece ser, en las grandes áreas urbanas. Obviamente estos indicios deben analizarse más,
aunque los resultados estarían de acuerdo con autores, principalmente europeos, que no
detectan una fuerte interacción específica entre inmigración y movilidad interna de los
nativos. También confirmarían a los autores españoles que dan más importancia a otros
factores no espaciales de discriminación residencial. Así mismo, este u otro tipo de
estudios ganarían al usar cuando fuese posible las escalas inframunicipales, quizá para
áreas acotadas (Galeano, Sabater, Domingo, 2014).
Nuestros resultados están sujetos a las limitaciones del análisis ecológico. En especial, hay
que evitar caer en la falacia ecológica. Por otro lado, en ciertas áreas rurales, sobre todo de
Castilla y León, el modelo GWR no se ajusta satisfactoriamente. Ello se debe al tamaño
extremadamente pequeño de sus municipios y a la aleatoriedad que ello aporta. Habría que
descartar, sin embargo, la presencia de otras variables explicativas no contempladas.
Podría apuntarse que, para ciertas áreas, el análisis debería ser más específico, por debajo
de la escala española. La literatura actual sugiere que las interrelaciones son más sólidas si
los grupos concernidos se segmentan (inmigrantes por nacionalidad; nativos por edad o
clase social). Es otra vía de avance. El modelo GWR puede mejorarse también aplicando
nuevos tests estadísticos, que acaben de definir el mejor tipo de tratamiento de las variables
explicativas mediante el ajuste de modelos semiparamétricos en los que algunas variables
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
525
se fijen al territorio (globales), y al mismo tiempo, otras se les permita variar espacialmente
(locales). Lo anterior requiere un mayor poder de computación del disponible por los
autores en este momento, pero serán incorporados en versiones posteriores.
Reconocimientos. Estamos agradecidos a Albert Sabater, de la University of Saint
Andrews, por acercarnos a esta técnica y acompañarnos en investigaciones previas.
BIBLIOGRAFÍA
ALONSO, W. (1964): Location and land use. Toward a general theory of land rent:
Harvard University Press.
BAYONA, J., GIL, F. (2008): El papel de la inmigración extranjera en la expansión de las
áreas urbanas. El caso de Barcelona (1998-2007). Scripta Nova, XII(270).
BENTOLIA, S. (2001): Las migraciones interiores en España: FEDEA – DT 2001-07.
BURNHAM, K., ANDERSON, D. (2002): Model selection and multimodel inference: A
practical information - Theoretic approach (2nd ed.). New York: Springer.
CLARCK, W. A. V. (2007): Race, class, and place evaluating mobility outcomes for
African Americans. Urban Affairs Review, 42(3), 295-314.
CROWDER, K., HALL, M., TOLNAY, S. E. (2011): Neighborhood immigration and
native out-migration. American Sociological Review, 76(1), 25-47.
FOTHERINGHAM, S., BRUNDSDON, C., CHARLTON, M. (1996): The geography of
parameter space: an investigation of spatial non-stationarity. International Journal of
Geographical Information Systems, 10(605-627).
FOTHERINGHAM, S., BRUNDSDON, C., CHARLTON, M. (2002): Geographically
Weighted regression: the analysis of spatially varying relationships. Chichester: John
Wiley &Sons
FREY, W. H. (1995): Immigration and internal migration" flight" from US metropolitan
areas: toward a new demographic balkanisation. Urban Studies, 32(4-5), 733-757.
GALEANO, J., SABATER, A., & DOMINGO, A. (2014): Formació i evolució dels
enclavaments ètnics a Catalunya abans i durant la crisi econòmica. Documents D'Anàlisi
Geogràfica, 60(2), 261-288. doi: 10.5565/rev/dag.111
HERRARTE SÁNCHEZ, A., MEDINA MORAL, E., & VICÉNS OTERO, J. (2007):
Cambios en la situación laboral de la población española ante el incremento de la
inmigración. Ekonomiaz, 3(66), 330-349.
KRITZ, M., GURAK, D. T. (2001): The impact of immigration on the internal migration
of natives and immigrants. Demography, 39(4), 675-696.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
526
KRYSAN, M. (2002): Whites who say they’d flee: Who are they, and why would they
leave? Demography, 39(4), 675-696.
MARTÍNEZ DEL OLMO, A., LEAL, J. L. (2008): La segregación residencial, un
indicador espacial confuso en la representación de la problemática residencial de los
inmigrantes económicos: el caso de la Comunidad de Madrid. ACE: architecture, city and
environment(8).
MOCETTI, S., PORELLO, C. (2010): How does immigration affect native internal
mobility? new evidence from Italy. Regional Science and Urban Economics, 40(6), 427-
439.
PEACH, C. (1999). London and New York: contrasts in British and American models of
segregation with a comment by Nathan Glazer. International Journal of Population
Geography, 5(5), 319-347.
RATHELOT, R., SAFI, M. (2014): Local Ethnic Composition and Natives’ and
Immigrants’ Geographic Mobility in France, 1982–1999. . American Sociological Review,
79(1), 43-64.
RECAÑO, J. (2002): La movilidad geográfica de la población extranjera en España: un
fenómeno emergente. Cuadernos de geografía, 72, 135-156.
REHER, D. S., SILVESTRE, J. (2009): Internal Migration Patterns of Foreign‐Born
Immigrants in a Country of Recent Mass Immigration: Evidence from New Micro Data for
Spain. International Migration Review, 43(4), 815-849.
ROSSI, P. H. (1955): Why families move: A study in the social psychology of urban
residential mobility. Glencoe: Free Press.
SIMPSON, L., FINNEY, N. (2009): Spatial patterns of internal migration: evidence for
ethnic groups in Britain. Population, Space and Place, 15(1), 37-56.
SOUTH, S. J., CROWDER, K. D. (1997): Residential mobility between cities and suburbs:
Race, suburbanization, and back-to-the-city moves. Demography, 34(4), 526-538.
VILLARAGA, H. G., SABATER, A., MÓDENS, J. A. (2014): Modelling the Spatial
Nature of Household Residential Mobility within Municipalities in Colombia. Applied
spatial analysis and policy, Online First. doi: 10.1007/s12061-014-9101-7
WHITE, M. J., IMAI, Y. (1994): The impact of US immigration upon internal migration.
Population and Environment, 15(3), 189-209.
WHITE, M. J., LIANG, Z. (1998): The effect of immigration on the internal migration of
the native-born population, 1981–1990. Population Research and Policy Review, 17(2),
141-166.
XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014
CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS
527
Anexo cartográfico
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Melilla
IDW_Tam_Hog_154_est0.262979
-1.18877
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Las Palmas
Melilla
Tam_hogar (%)
0.0 - 30.0
30.1 - 40.0
40.1 - 50.0
50.1 - 60.0
60.1 - 79.7
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Melilla
IDW_Niv_Educ_154_est1.59784
-0.816154
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Las Palmas
Melilla
Nivel_edu (%)
0.0 - 5.0
5.1 - 10.0
10.1 - 15.0
15.1 - 20.0
20.1 - 57.1
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Las Palmas
Melilla
Nacio_mpio (%)
0.0 - 50.0
50.1 - 60.0
60.1 - 70.0
70.1 - 80.0
80.1 - 100.0
León
Jaén
Badajoz
Teruel
Cáceres ToledoCuenca
Sevilla
HuescaLleida
Lugo
Burgos
Soria Zaragoza
Albacete
Murcia
Ávila
Córdoba
Ciudad Real
Granada
Huelva
Zamora
Asturias
Navarra
Cádiz
Valencia
Madrid
Almería
Salamanca Guadalajara
Málaga
Girona
A Coruña
Segovia
Ourense
ValladolidBarcelona
La RiojaPalencia
Alicante
Castellón
Tarragona
Álava
Cantabria
Baleares
Pontevedra
VizcayaGuipúzcoa
Baleares
Baleares
Ceuta
Melilla
IDW_Nac_mpio_154_est0.169692
-0.592191
b a
)
c d
e f
Ilustración 3. a) Mapa de los coeficientes estimados del modelo GWR para la variable tamaño de hogar TAMH. b) Mapa de la distribución TAMH; c) Coeficientes de Nivel Educativo NEDU, d) distribución NEDU; e)
Coeficientes de Nacidos en el municipio NACM, f) distribución de NACM. Áreas significativas al ± 1.96