Migración interregional en Chile: Una Perspectiva Espacial
Transcripción
Migración interregional en Chile: Una Perspectiva Espacial
Migración interregional en Chile: Una Perspectiva Espacial Francisco Rowe Universidad Católica del Norte, Antofagasta, Chile. Patricio Aroca1 Universidad Católica del Norte, Antofagasta, Chile. Resumen Este trabajo estudia la migración interregional para Chile usando datos agregados y tomando especial consideración de la autocorrelación espacial asociada a las regiones de origen y destino. Un modelo espacial es adaptado y estimado para datos chilenos para los periodos 1987-1992 y 1997-2002. Los resultados muestran que existe una significativa autocorrelación espacial en las regiones de origen y destino del proceso migratorio. Adicionalmente, los resultados muestran que ignorar la autocorrelación espacial en el proceso de estimación tendrá como consecuencia una subestimación de los efectos de las variables sobre la probabilidad de migrar. Esto es especialmente importante para la variable nivel de población de la región de origen y destino y sus implicancias sobre el proceso de concentración que ocurre en torno a las regiones del centro del país. Abstract The paper study the Chilean interregional migration using aggregate data and taking into account the spatial autocorrelation that is associated to origin and destination regions. A spatial model is tailored and estimated for Chilean data for periods 1987-1992 and 1997-2002. The results show that there is a significant spatial autocorrelation at the origin and destination region in the migration process. In addition, the results shows that ignoring the spatial autocorrelation in the estimation process will lead to an underestimation of the effects of the variables on the probability to migrate, this is especially important for the variable population at origin and destination region and its implication over the concentration process around the central regions. JEL: J61, O15, O18, R11, R23 Palabras Claves: Migración Interregional, Autocorrelación Espacial, Utilidad Aleatoria. Dependencia Espacial, 1 Se reconoce y agradece el apoyo financiero del proyecto FONCECYT 1060781 y de la Iniciativa Cientifica Milenio “Ciencia Regional y Politicas Publicas”. 2 Migración interregional Perspectiva Espacial 1. en Chile: Una Introducción Para modelar la decisión y comprender los factores que llevan a un individuo a migrar, ha sido recurrente en la investigación económica, en la geografía, y otras áreas, el uso de los modelos de elección discreta, en los cuales se asume que un individuo migra con el objetivo de mejorar su nivel de bienestar, basado en las percepciones de una mezcla de características personales y de las regiones de origen y destino, estos modelos fueron inicialmente desarrollados para estudios de demanda de transporte (Ben-Akiva & Lerman, 1985; Train, 1986). Pero constantemente, en las investigaciones de migración, se ha destacado la importancia que tiene la estructura del espacio y la interacción espacial en el proceso migratorio (Fotheringham A. S., 1981; Fotheringham A. S., 1982; Boots & Kanaroglou, 1988; Cushing & Poot, 2003). En los primeros intentos de consideración de la dimensión espacial, se incorporó la variable distancia a los modelos tradicionales, para capturar efectos espaciales. Estos modelos se denominaron: modelos gravitatorios2. Por otra parte, los modelos de elección discreta fueron desarrollados en un contexto a-espacial (Pellegrini & Fotheringham, 2002), y como la decisión de migrar tiene importantes connotaciones espaciales, se hace necesario extender estos modelos, de modo que incorporen las complejidades que introduce el espacio. Adicionalmente, Pellegrini & Fotheringham (2002), hacen una extensa revisión de los problemas que implica aplicar modelos de elección discreta (aespaciales), como el Modelo Logit Multinomial3 (MLM), el Probit Multinomial 2 En Fotheringham A. S. (1981); Fotheringham A. S. (1982), se expone que los parámetros estimados vinculados a la variable distancia pueden ser relacionados a la interacción espacial, a la estructura espacial o ambos. 3 El MLM tiene el inconveniente de asumir que las alternativas son independientes, llamado la Independencia de las Alternativas Irrelevantes (IAI). 3 (MPM) y el Logit Anidado (MLA). Adicionalmente, también se ha reportado que los modelos de elección discreta tradicionales, no capturan patrones de sustitución espacial (Hunt, Boots, & Kanaroglou, 2004). Dadas las limitaciones para incorporar la dimensión espacial en la explicación del proceso migratorio, en los modelos tradicionales con datos agregados, se han realizado esfuerzos para lidiar con este problema y considerar explícitamente la estructura e interacción espacial, los cuales serán analizados en detalle más adelante. Hunt et al (2004), hacen una sintesis de las posibles formas de incorporar el espacio en los modelos de elección discreta en el contexto de migración, identificado tres formas de agregar medidas espaciales en la utilidad sistemática de los modelos tradicionales4. La primera, realizada por Boots & Kanaroglou (1988), agregando una medida de centralidad de las zonas, resultando ser un coeficiente significativo en el modelo aplicado al caso de Toronto, esta variable también fue incorporada en un algunos estudios de migración para el caso de Chile, cuyo coeficiente resultó ser altamente significativo y con el signo esperado por sus autores (Aroca et al 2001; 2002; 2004). La segunda y tercera, corresponden a la inclusión de medidas de accesibilidad5 en la utilidad sistemática, éstas miden el grado de desigualdad o igualdad de las alternativas. Borgers & Timmermans (1987), incluyen medidas de accesibilidad para establecer la estructura y patrones de sustitución espaciales. Por otra parte, Fotheringham (1981; 1982; 2002) con su enfoque denominado modelo de destinos competitivos, sugiere que los modelos 4 Hunt et al (2004) también destacan el uso de los llamados modelos de valor extremo generalizado, los cuales consisten en descomponer la parte estocástica de la función de utilidad, dividiéndose en componentes para cada nido y un componente único para cada alternativa. Esto permite patrones de sustitución entre alternativas. En Ferguson & Kanaroglou, (1995; 1996; 1997), se destacan otras formas adicionales de incorporar el espacio. 5 La inclusión de medidas de accesibilidad eliminan la propiedad de IAI, de los MLM, ya que la utilidad sistemática en este caso, requerirá de información de las otras alternativas en el conjunto de elección. Sin embargo, esto tiene sus desventajas por la dudable consistencia con la teoría de utilidad aleatoria (Hunt et al 2004). 4 gravitatorios restringidos y no restringidos son malas especificaciones, porque no capturan adecuadamente la relación de interacción y la distribución de las áreas de destino en el espacio, considerando que los individuos perciben los destinos como grupos y no de manera separada. Las aplicaciones del enfoque de destinos competitivos en el contexto de migración, indican que las aplicaciones de modelos a-espaciales como el MLM y MLA llevan a obtener coeficientes sesgados y erróneos cuando los efectos espaciales son significativos y se ignoran en el proceso de estimacion (Pellegrini & Fotheringham, 2002). 2. Modelo Teórico Para modelar la decisión de migrar de un individuo, se asume una estrucura de preferencia bien comportada que puede ser representada por una funcion de utilidad. Por lo que si las utilidades asociadas a cada region son una transformacion monotonica de las preferencias, entonces, la eleccion de un individuo estara asociada a la region que le reporta el mayor nivel de utilidad. Los niveles de utilidad asociado a cada region dependeran de las características de éstas, cada uno de los atributos regionales le proporciona un nivel de bienestar, y la valoracion conjunta de ellos determina la eleccion del destino de la migracion (Ben-Akiva & Lerman, 1985; Train, 1986; Deaton & Muellbauer, 1980). De esta forma, asumiendo que un individuo n en un origen i puede evaluar la utilidad asociada de cualquier alternativa disponible en el conjunto de elección, y que seleccionará la alternativa j, entre R alternativas, que le reporte el máximo nivel de utilidad, siendo esto representado por la utilidad U j . Pero dado que existen factores no observados, la utilidad se expresa como: U j = V j + ε j ∀ j ∈ {1, 2,..., R} (1) 5 Así, la utilidad se descompone en una parte observada o determinística V j , que puede ser estimada, y otra parte no observada no incluída en el componente sistemático de la utilidad, conocido como el error aleatorio ε j (McFadden, 1976). La parte determinística de la función de utilidad es asumida lineal en los atributos de las alternativases decir, V j = X j β j . Por otra parte, debido a que ε j es aleatorio y su valor depende de la especificación de V j , las probabilidades de elección del individuo, siguiendo a Aroca & Maloney (2005), se establecen de la siguiente forma: Pj = Pr(U j − U i − C > 0) (2) Pj = Pr(ε i − ε j > X j β j -X i βi − C ) (3) Por lo tanto, si una región de destino es elegida al ser evaluada a través de sus atributos, y si el migrante tiene suficientes recursos para moverse, entonces migración de trabajadores deberia ser observada. En (3), P es un vector de dimensiones R × 1 de probabilidades de migrar hacia una región de destino en particular, desde un origen dado, X es una matrix de R × k , conteniendo las variables independientes agrupadas en dos conjuntos. El primer conjunto de variables, tienen relación con señales del mercado laboral esperadas por los trabajadores. El segundo conjunto, asociadas a la disponibilidad de bienes públicos en la región "amenidades". C es una matriz R × h , que corresponde al costo de traslado de una región a otra (ver Greenwood, 1997). La parte aleatoria de la utilidad es desconocida, se asume una distribución de probabilidad, si se asume que los ε son identica e independientemente distribuidos bajo valor extremo tipo 1, se obtiene como resultado el modelo logit. En otro caso, si se asume una distribución normal surge el modelo probit, que no implica el supuesto restrictivo de la Independencia de las Alternativas 6 Irrelevantes (IAI) asumida por el modelo logit. Entonces, el modelo econometrico a estimar para datos agregados seria: Pr -1 ( Pj ) = X j β j - X i βi - C + u j Donde Pr-1 es la funcion inversa de la distribucion de probabilidades de ε y uj es el error aleatorio. Establecido de esta manera el modelo base, los efectos espaciales pueden incorporarse a traves de dos formas; a nivel de tomadores de decisión6 o a nivel de alternativas. En este trabajo, se elige incorporar los efectos espaciales a nivel de alternativas en los modelos de elección, con datos agregados7. La dimesión espacial se puede incorporar en la parte sistemática de la función de utilidad, método aplicado por Boots & Kanaroglou (1988), Borgers & Timmermans (1987) y Fotheringham (1983), la complicación de realizar este ajuste en MLM, es que se puede afectar el fundamento comportamental de los modelos de elección (Hunt et al 2004). Adicionalmente, como sugiere Bolduc et al (1989; 1992; 1995; 1996 y 1997) la interacción espacial se puede modelar a traves de la parte estocastica de la función de utilidad. 3. La Importancia e Inclusión del Espacio en el Contexto de Migración Interregional En las investigaciones de migración interregional, se ha destacado la importancia de los efectos espaciales, por lo cual el objetivo de la siguiente sección es identificar el o los patrones espaciales que estén presentes en el proceso de migración en Chile. 6 Fleming (2004) hace una buena revisión de las dificultades en la estimación de incorporar los efectos espaciales a nivel de individuo. 7 Hunt et al (2004), realizan una revisión extensa de las alternativas para incorporar el sustitución espacial en los modelos de elección, al igual que Pellegrini & Fotheringham (2002), en el contexto de migración. 7 3.1. Indicios en Chile Cuando se realiza un análisis descriptivo de los datos para los periodos 1987-1992 y 1997-2992, se observa un hecho interesante vinculado al espacio (ver Figura 1 y 2), las regiones con mayor población y que se encuentran relativamente en el centro del país (RM, IV, V, VI, VII, VIII, IX y X), son las que poseen tasas de inmigración y emigración más bajas, en contraste con regiones que se encuentran en los extremos (I, II, III, XI y XII) y con una reducida población que registran altas tasas inmigración y emigración8, patrón que se mantiene para el período 1997-2002 (Ver Figura 2). Cabe destacar estos hechos, ya que implican claramente un factor persistente relacionado al espacio influyendo en el proceso migratorio en Chile. Figura 1: Tasas de Inmigración y Emigración 1987‐1992 16.00 XII 14.00 12.00 Tasa de Emigración XI I II 10.00 III IV 8.00 IX VII VI V X 6.00 VIII 4.00 RM 2.00 0.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 Tasa de Inmigración Adicionalmente, Aroca et al (2001) observan que para los períodos 19771982 y 1987-1992, los movimientos de la población son principalmente hacia 8 Para detalles del cálculo de las tasas ver Plane & Rogerson (1994). 8 regiones vecinas y la Región Metropolitana. Esta situación se mantiene para el período de 1997-2002, aunque con algunas diferencias, debido a que en este período la Región Metropolitana registra una leve baja en su tasa de inmigración y un alza en su tasa de emigración, sugiriendo que ha disminuido su atractivo como destino relativo al período 1987-1992, además se observa un notable incremento en la tasa de inmigración hacia la IV región y leves en V y VI, definidas en Aroca (2007) como regiones atractivas para vivir. Figura 2: Tasas de Inmigración y Emigración 1997‐2002 16.00 XII 14.00 12.00 Tasa de Emigración III XI I 10.00 II 8.00 IX 6.00 VIII VII IV X VI V RM 4.00 2.00 0.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 Tasa de Inmigración Para capturar los aspectos espaciales observados en el proceso de migración en Chile, Aroca et al (2001) y Aroca & Hewings (2002), incluyen una variable en la parte sistemática de la función de utilidad, en una formulación logit, que caracteriza la ubicación relativa de las regiones en el espacio, anteriormente desarrollada y aplicada por Boots & Kanaroglou (1988), resultando ser en el caso de Chile estadísticamente significativa, mejorando el ajuste del modelo y sugiriendo que individuos en regiones de origen localizadas en la periferia tienen una mayor probabilidad de migrar a regiones de destino 9 localizadas en el centro del país. Esta última evidencia plantea la importancia de la estructura espacial en el proceso de migración (Fotheringham A. S., 1981; Boots & Kanaroglou, 1988). 3.2. Efectos Espaciales El análisis anterior plantea un nuevo e importante elemento para explicar el proceso de migración en Chile, debido a que es posible observar dos patrones distintos de migración, pero ambos persistentes, uno correspondiente a regiones con altas tasas de inmigración y emigración en la periferia, y otro con bajas tasas de inmigración y emigración en regiones relativamente al centro del país y más pobladas, lo cual podría implicar la presencia de un proceso de autocorrelación espacial, debido a que factores de regiones adyacentes a las regiones de destino en el centro pueden estar provocado un incremento en su atractivo como grupo, en contraste con las regiones de la periferia las cuales han experimentado altas tasas de emigración y han visto reducida sus tasas de inmigración (I,II,III,XI y XII), desde el primer período. Esta idea fue sostenida en un estudio para Canadá de viajes al trabajo, donde Griffith & Jones (1980, pag. 190), notaron que los "flujos desde un origen son reforzados o disminuidos de acuerdo con la propensión de emigración de sus vecinos cercanos" y que "flujos asociados con un destino son reforzados o disminuídos de acuerdo con el potencial atractivo de sus vecinos cercanos". Siguiendo algunos de estos argumentos, LeSage & Pace (2007) cuestionan los modelos gravitatorios para explicar flujos de origen y destino, planteando que es muy limitada la capacidad de la variable distancia para capturar las influencias de la dependencia espacial en flujos interregionales. Este hecho, implicaria que la potencial omisión de algún componente espacial puede traer como consecuencias que los parámetros del modelo resulten sesgados, y consecuentemente, distorsionen la inferencia estadística (Bolduc et al 1989). 10 Anselin (1988) plantea dos efectos espaciales principales encontrados en trabajos empiricos: la autocorrelación espacial y la heterogeneidad espacial. La autocorrelación espacial, puede ser definida como una coincidencia de valores similares de la variable en estudio en localidades vecinas. La heterogeneidad espacial, significa que el comportamiento de la variable estudiada, no es estacionaria sobre el espacio, lo cual en un modelo de regresión tendra como consecuencia estimadores no eficientes. La autocorrelación espacial global de una variable, como la tasa de inmigración o emigración de las 13 regiones del país, puede ser estimada a través del I de Moran, el que se calcula como: r Ii = S ∑∑ w z z ∑z ij i j 2 i i j (4) Donde r es el número de regiones, los binaria de pesos espaciales w ij son elementos de una matriz r × r 9, S es la suma de todos los elementos de la matriz de pesos espaciales y zi representa las proporciones estandarizadas de migrantes desde cada región de origen hacia las distintas regiones de destino. Valores positivos del I de Moran indican autocorrelación espacial positiva; valores similares de la variable tienden a estar agrupados en el espacio. Por el contrario, valores negativos del I de Moran indican que valores distintos de la variable son agrupados en el espacio. En la Tabla 1 se pueden observar los I de Moran de las tasas de inmigración y emigración para ambos períodos en estudio, la segunda y tercera columnas contienen los valores del I de Moran de las tasas brutas, y las columnas cuarta y quinta, contiene la estandarización bayesiana denominada en 9 La matriz de pesos espacial será analizada con mayor detalle en la sección 3. 11 inglés "empirical bayes10" que es sugerida para proporciones debido a la inestabilidad de la varianza, como consecuencia de la utilización de distintas poblaciones bases (Anselin, Lozano, & Koschinsky, 2006). Desde la Tabla 1, se puede observar I de Moran positivos y significativos al 1% y 5% de significancia. Lo que sugiere la presencia de interaccion espacial en el proceso migratorio de los trabajadores en Chile, la cual deberia ser modelada explícitamente si se intenta explicar la decision de migrar de los trabajadores. Tabla 1: I de Moran de Inmigracion y Emigracion Tasas Emigración Inmigración 1987‐1992 0,5810* 0,5660** Tasas 1997‐2002 0,5378** 0,5937* Tasas Bayesianas 1987‐1992 1997‐2002 0,5808* 0,5376** 0,5660* 0,5935* Significancia *1%, **5%. Se utilizó el programa GEODA, para evaluar la significancia estadística aplicandose 9999 permutaciones. 4. Datos Para la estimación se utilizaron los datos de los Censo de Población y Vivienda realizados en los años 1992 y 2002. La condicion de migrante se construye a partir de la consulta a los encuestados acerca del lugar donde residia 5 años antes el cual se compara con la residencia actual (los datos se muestran en la Tabla A-1 y A-2 del Anexo A). También, se utilizaron datos de tamaño de la población, como aproximación a la disponibilidad de bienes públicos11 (Greenwood, 1997). Adicionalmente, se utilizaron variables del mercado laboral, relacionadas a las expectativas de los individuos que migran. Como una primera medida asociada a la demanda de trabajo, se utilizó la tasa de desempleo, medida por la tasa de desempleo regional del primer año de análisis en cada período (1987 y 10 Se utiliza esta estandarización, porque permite corregir el estadístico de autocorrelación espacial I de Moran para proporciones y tasas. 11 Se utilizó la población por región en el período inicial, con la finalidad de eliminar problemas de simultaneidad. 12 1997, respectivamente). La razón de esto radica, en que ha sido argumentado que la tasa de desempleo tiene efecto retardado en la decisión de migrar (Molho, 1986). La información fue obtenida desde la Encuesta Nacional de Empleo realizada por el Instituto Nacional de Estadísticas (INE), utilizando información del último trimestre (Octubre y Diciembre). Otra medida asociada al mercado laboral, es el ingreso promedio per cápita regional, utilizándose datos obtenidos por la encuesta de Caracterización Socioeconómica Nacional (CASEN), en los anhos 1990 y 2000 (ver Apéndice B). Siguiendo a Greenwood (1997), se utilizó la variable distancia como una aproximación de los costos de migración, entre los cuales se cuenta a: el costo de moverse, el costo de oportunidad que se incrementa con la lejanía de los destinos, y los costos de comunicación con la famila en la región de origen, incluyendo el costo de visita. La distancia es medida entre el centroide de una región de origen i y el centroide de una región de destino j en kilometros, la matriz de distancia se muestra en el Apéndice C. En general, en la literatura se espera que el costo de moverse, tenga un impacto negativo en la migración con efecto decreciente por lo cual también se incluye la distancia al cuadrado (Armstrong & Taylor, 2000). 5. Estimación y Resultados En primer lugar, se estima un MPM para datos agregados, a través de Mínimos Cuadrados Ponderados (MCP)12, que resulta de asumir normalidad en la estructura de errores en la ecuación estimada. La razón que justifican la elección de un MPM en vez de un MLM, esta fundamentada en que este último impone el supuesto restrictivo de la IAI (Hunt et al, 2004), y debido a que como se mostró en la sección 3.2, existen importantes factores vinculados al espacio 12 Para ver mayores detalles ver Gourieroux (2000). 13 que no han sido medidos o no pueden ser observados influyendo sobre el proceso de migración en Chile13 en la parte sistemática de la función de utilidad que hacen predecir que este supuesto no es una propiedad de los datos. Una vez realizada la estimacion, se utiliza el estadístico I de Moran para detectar la presencia de autocorrelación espacial sobre los residuos de ambos modelos estimados: el MPM y el MPM con efectos espaciales (Anselin, 1988), con la finalidad de evaluar si persiste la omisión de factores espaciales. De esta manera, se propone como la especificación más adecuada para describir la eleccion de la region de destino de los trabajadores migrantes al Modelo Probit Espacial con Errores Autorregresivos (MPEEA), capturando dos tipos efectos espaciales. ( ) Tabla 2: Modelos Estimados: Variable Dependiente Pr − 1 Pj Período 1987‐1992 Variables Constante Población j Población i Desempleo j Desempleo i Ingreso j Ingreso i Distancia Distancia al cuadrado Medida de centralidad ( S ij ) MPM ‐8.2483 ‐(6.34) 0.0189 (10.56) ‐0.0087 ‐(4.48) 0.0104 (1.62) 0.0087 (1.17) 0.3222 (2.89) * * * * MPM(E) ‐8.0797 ‐(6.42) 0.0176 (9.39) ‐0.0075 ‐(3.84) 0.0086 (1.35) 0.0103 (1.44) 0.3707 (3.23) 1997‐2002 * * * * MPEEA ‐7.6982 ‐(6.73) 0.0146 (6.71) ‐0.0138 ‐(6.41) 0.0077 (1.01) 0.0224 (2.77) 0.2881 (2.4) * * * * ** MPM ‐7.3530 ‐(5.66) 0.0157 (11.69) ‐0.0049 ‐(3.67) 0.0111 (0.8) ‐0.0203 ‐(1.44) 0.1859 (1.81) * * * *** MPM(E) ‐7.5970 ‐(6.05) 0.0145 (10.69) ‐0.0041 ‐(3.1) 0.0021 (0.15) ‐0.0077 ‐(0.52) 0.2586 (2.54) * * * ** 0.4153 * 0.3457 * 0.4009 * 0.4387 * 0.3956 * (3.49) ‐0.0265 * ‐(3.71) 0.0003 (0.99) (3.06) ‐0.0273 * ‐(3.94) 0.0003 (1.17) (3.56) ‐0.0197 * ‐(2.65) 0.0002 (0.84) (3.97) ‐0.0206 * ‐(2.93) ‐0.00001 ‐(0.04) (3.69) ‐0.0201 * ‐(2.95) ‐0.00003 ‐(0.09) 0.0010 * 0.0006 0.0011 * (2.73) (1.26) (2.9) MPEEA ‐6.1889 * ‐(5.48) 0.0123 * (9.27) ‐0.0071 * ‐(5.7) ‐0.0041 ‐(0.31) 0.0002 (0.01) 0.1525 (1.58) 0.3484 * (3.35) ‐0.0138 *** ‐(1.82) ‐0.0001 ‐(0.27) 0.0007 (1.54) λj 0.2127 * (6.4) (11) λi 0.3484 * 0.3369 * (9.79) (18.6) 0.2024 * R cuadrado R cuadrado ajustado Observaciones 0.8517 0.8586 0.9872 0.8255 0.8375 0.9874 0.8436 0.8499 0.9864 0.8160 0.8274 0.9867 156 156 156 156 156 156 Los valores entre parentesis corresponden a los estadísticos t y la significancia correspondiente a cada coeficiente se denota al *1%, **5% y ***10%. Las estimaciones correspondientes al MPEEA, fueron realizadas en MATLAB, modificando la función semm2_gmm escrita por Bucholtz, estableciendo la condición de que la probabilidad de permanecer en la región de origen sea uno menos la suma de las probabilidades de emigrar a cualquiera de las 12 regiones restantes 13 Esta es una medida de centralidad, desarrollada inicialmente por Boots & Kanaroglou (1988) y aplicada a Chile por Aroca et al (2001; 2002), que resultó ser en ambos casos estadísticamente significativa. 14 Los resultados de todos los modelos estimados se presentan en la Tabla 2, en la subseccion siguiente se describe en detalle el proceso de estimacion utilizado para el caso de un modelo probit multinomial (MPM) y un MPM considerando efectos espaciales no estocasticos (MPM(E)). En la subseccion que sigue se agrega al modelo los efectos espaciales estocasticos denominandolo Modelo Probit Espacial con Errores Autorregresivos (MPEEA). 5.1. Estimación Modelo Probit Multinomial En la Tabla 2 se muestran las estimaciones del MPM definido como en la ecuación (3), para los dos periodos bajo estudio. Los elementos en las matrices P , X i , X j y C , correspondientes a la proporción de trabajadores que permanecen en la región fueron establecidas iguales a cero, asegurando que los parámetros capturen sólo la influencia de interés sobre la probabilidad de migración interregional (LeSage & Pace, 2007). La probabilidad de permanecer en la región puede ser obtenida estableciendo la condición que la suma de las probabilidades debe ser igual a uno, así uno menos la probabilidad de migrar a cualquiera de las 12 regiones de destino, definen la probabilidad de quedarse en la región de origen como lo muestra la ecuación (5). r −1 Pi = 1 − ∑ Pj ∀i ≠ j (5) j =1 Los resultados del MPM, en la Tabla 2, muestran que los coeficientes asociados a la poblacion en la region de destino y origen, utilizadas como aproximación de disponibilidad de bienes públicos, resultan ser estadísticamente significativas y con el signo esperado, para ambos periodos. Esto sugiere un efecto atracción hacia j , a medida que mayor es la población en la región de destino j mayor es la probabilidad de migrar hacia ella, de forma similar una mayor población en la region de origen i implica un efecto de retención, 15 disminuyendo la probabilidad de emigrar. Estos dos efectos ha sido destacados en la literatura y se ha relacionado la población principalmente con la disponibilidad de bienes públicos (Greenwood, 1997). Por otra parte, en ambos periodos, la variable desempleo resulta no significativa tanto en el origen como destino. Mientras que la variable ingreso aparece significativa para el origen y destino, ambos con signos positivos. Para la region de destino es el signo esperado, ya que mayores salarios son un factor de atraccion para los migrantes, sin embargo, un signo positivo en la region de origen requiere de una explicacion adicional. La literatura muestra que en paises desarrollados, el signo asociado al ingreso en la region de origen normalmente es negativo, es decir, la regiones con ingresos promedios mas alto tienden a reterner a sus trabajadores. Sin embargo en paises en desarrollo la evidencia no es tan clara. Por ejemplo, Aroca & Maloney (2005) encuentran resultados similares para la migracion inter-estatal en Mexico, la explicacion que se da a este resultado es que el ingreso captura dos efectos; el efecto retencion de potenciales migrantes debido al mayor costo de oportunidad que impone salarios mayores y un efecto liquidez, que hace que aquellos trabajadores que habian decido migrar y no lo habian hecho por que no pudieron financiar sus costos de traslados, con ingresos mayores pueden cubrirlos y por lo tanto el efecto liquidez hace que la relacion entre ingreso en la region de origene y la probabilidad de emigrar sea positiva. Por lo que se postula, que en paises desarrollados el efecto retencion domina sobre el efecto liquidez, mientras que en paises en desarrollo sucede todo lo contrario. La distancia resulta significativa y con el signo esperado, es decir, los costos de traslado reducen la migracion. Dos elementos interesantes a resaltar respecto de este resultado. Primero, la variable utilizada es la misma en ambos periodos, pero el coeficiente es menor en el segundo periodo, sugiriendo una reduccion de la importancia de los costos en la decision de migrar. Por otro lado, 16 el cuadrado de la variable no resulta signifcativo, lo que implica que el impacto de los costos es lineal sobre la probabilidad de migrar. A continuacion se introducira en el modelo elementos espaciales. Los resultados robustos a las especificaciones espaciales, no volveran a analizarse, solo se pondra atencion en los cambios ocurridos en las estimaciones producto de las concideraciones espaciales realizadas. A partir de los errores obtenidos en la estimacion del MPM, se procede a testear la autocorrelación espacial, utilizando el estadístico I de Moran definido como: Ia = R e ′W a e S e ′e a = i, j (6) Donde e es un vector R × 1 de residuos lineales, Wa es la matriz de pesos espaciales R × R , basada en la contiguidad de la reina de orden 1, definida para capturar la presencia de dos posible efectos en los residuos, que fueron reportados por Griffith & Jones (1980) y Bolduc et al (1992). El primer efecto sobre la probabilidad de migrar desde un origen i a un destino j, esta dado por la influencia de las localizaciones vecinas al origen, a este efecto se le denominará "dependencia en el origen". El segundo efecto denominado "dependencia en el destino", plantea que la probabilidad de migrar desde un determinado origen i a un particular destino j , depende de el atractivo de las localizaciones vecinas a j . Las matrices de pesos espaciales para capturar los estos dos efectos espaciales, son definidas de la siguiente forma Wi = W ⊗ I r , para capturar la dependencia en el origen, y W j = I r ⊗ W , para capturar la dependencia en el destino, donde I r es una matriz identidad y W una matriz de pesos espaciales estandarizada por fila, ambas de dimensiones r × r (LeSage et al 2007; 2006). 17 Tabla 3: I de Moran para los residuos de los Modelos MPM y MPM(E) Período 1987‐1992 MPM I de Moran P ‐ Value Destino 0.4196 0.0000 1997‐2002 MPM(E) Origen 0.4508 0.0000 Destino 0.3791 0.0000 Origen 0.4652 0.0000 MPM Destino Origen 0.2655 0.3897 0.0000 0.0000 MPM(E) Destino 0.2168 0.0010 Origen 0.4388 0.0000 Los resultados de la Tabla 3, de los I de Moran, sugieren la presencia de autocorrelación espacial, de origen y destino, en los residuos del MPM para ambos períodos, rechazándose la hipótesis nula, de no autocorrelacion espacial, con un 99% de confianza. La estrategia para enfrentar la presencia de autocorrelacion espacial, consistira primero en introducir una variable para intentar capturar el efecto espacial presente en los residuos. Para ello se estima una medida de la estructura espacial, denotada por s ij , y se agrega a la parte deterministica de la función de utilidad. Esta es una medida de centralidad de la region, indicando cuando ésta es cercana a 0 que el trabajador está evaluando migrar entre regiones ubicadas en zonas geográficas similares, y cuando es cercana a 100 o -100 que la migración es entre regiones ubicadas en zonas geográficas diferentes. La columna MPM(E) de la Tabla 2 muestra la estimacion del MPM con la incoporación de sij . El resultado es un ajuste levemente mejor al inicial con un leve incremento de R 2 , manteniéndo la significancia y los signos, respecto a la estimacion previa. El signo positivo del coeficiente asociado a s ij , como fue notado anteriormente por Aroca et al (2001), indica que existe una mayor probabilidad de migrar por parte de trabajadores, desde regiones periféricas hacia regiones centrales, respecto al movimiento inverso. Por otra parte, la tabla 3 muestra que la autocorrelacion es aun significativa despues de la introduccion de la variable espacial. Una manera alternativa, dada 18 la autocorrelacion espacial detectada, seria introducir la variable dependiente y variables independientes rezagadas espacialmente, sin embargo, Bolduc et al (1992), han mostrado que para el caso de variables dependiente discretas, el modelo resultante resulta intratable. Por esta razón, el enfoque alternativos, es incorporar la autocorrelación espacial en el proceso de estimacion, a través de darle una estructura al término de error. 5.2. Modelo Probit Espacial de Error Autorregresivo (MPEEA) Los resultados anteriores, acusan la presencia de autocorrelación espacial en los residuos del modelo, por esta razón se propone una estructura sobre el término de error que capture las posibles fuentes de problemas de especificación discutidas. La formulación es un MPEEA, donde se descompone el término de error en tres elementos, uno asociado al impacto que tiene en la decisión los elementos no observados de la vecindad de la región elegida, un segundo elemento relacionado con el impacto de los factores no observados de las regiones vecinas al origen y un factor aleatorio. ε j = λ jW j ε j + λiWiε j + u j u ~ N (0, σ 2 I R ) (7) La ecuación (7) describe la descomposición, donde λ j y λi son parámetros escalares de la estructura de errores espaciales autoregresivos, para destino y origen respectivamente, y u es un vector R × 1 de perturbaciones aleatorias. Esta descomposición de la parte estocástica de la utilidad, permite que el primer término del componente de error, sea interpretado como el elemento que captura los efectos no medidos asociados con la vecindad de una determinada región de destino j , el segundo aquellos efectos similares relacionados a la región de origen i y u los efectos no observables o aleatorios (Bolduc et al 1992). 19 La estimación del modelo es realizada a través de un procedimiento iterativo similar al propuesto por Cochrane & Orcutt para series temporales, el cual es adaptado para el caso de modelos espaciales por Kelijian & Prucha14 (1999), utilizando la técnica de Estimación de Momentos Generalizados (EMG), quienes demuestran las propiedades de eficiencia e insesgamiento de los estimadores y se realiza siguiendo el siguiente esquema: 1. Se obtienen los residuos MCO desde la ecuación (3). 2. Se construye el sistema de ecuaciones y el vector de condiciones de momento, con los residuos en 1. 3. Se estiman los parámetros λi y λ j , con el sistema de ecuaciones definido en el paso 2, a través del procedimiento de estimación de Mínimos Cuadrados No lineales (MCN). 4. Utilizando los λi y λ j , se estiman los parámetros β del modelo sobre las variables dependientes e independientes transformadas, aplicando Mínimos Cuadrados Generalizados Factibles (MCGF). 5. Se construyen los nuevos residuos con los coeficientes de las variables explicatorias estimados en 4 y se vuelve al paso 3, hasta obtener convergencia de las estimaciones. La columna MPEEA de la Tabla 2 muestra las estimaciones realizadas siguiendo este procedimiento. Ambos coeficiente lambdas son significativos al 1%, en ambos períodos, sugiriendo que existen factores no observados o no medidos en el origen y en el destino, que afectan positivamente la probabilidad de migrar. Es decir, un λ̂ j positivo y significativo implica que la probabilidad de migrar hacia j desde un determinado origen i , está influenciada por factores no medidos en localizaciones cercanas a la región j . Similarmente, un 14 Detalles de las funciones utilizadas en MATLAB ver Bucholtz (2004). 20 λ̂i positivo y significativo tiene una interpretación similar, es decir, existe un conjunto de factores en las regiones vecinas al origen que también influyen positivamente sobre la probabilidad de migrar (Griffith & Jones, 1980; Bolduc et al, 1992). También, es importante notar como al capturar los efectos espaciales a través de darle una estructura a los errores, provocan que el coeficiente asociado a s ij resulte no significativo. Adicionalmente, al comparar las estimaciones del MPEEA con las de los MPM, es posible notar ciertas diferencias significativas en dos de los coeficientes asociados a variables del mercado laboral. El coeficiente de la variable desempleo i , pasa a ser estadísticamente significativa al 1%, actuando como factor expulsor en el período 1987-1992. Por otra parte, el coeficiente asociado a la variable ingreso j , registra una declinación en su importancia para explicar el proceso de migración, pasando de ser significativa en el primer período, a no significativa en el segundo. Es interesante, que los resultados para las otras variables resultan robustos para todas las especificaciones, excepto las asociadas al mercado laboral. Esto puede tener una interesante interpretación asociada al espacio. Pareciera ser primero que las variables Desempleo e Ingreso tienen una mayor interacción espacial que las demás variables, cuyos coeficientes no sufren cambios tan dramáticos cuando se modela la componente espacial presente en los errores. Ello puede explicar el hecho que desempleo e ingreso en el origen cambian su significancia una vez que se modelan los errores espacialmente. Por otro lado, para estudiar el cambio de la magnitud de los coeficientes sobre la probabilidad de migrar, se consideran las variaciones experimentadas por los efectos marginales cuando se modela el espacio. En la Figura 3 y 4, se muestran los efectos marginales de cada uno de los modelos estimados, para 21 cada grupo de variable, para el período 1987-1992 y 1997-2002, respectivamente. Figura 3: Cambio en los Efectos Marginales. Años 1987-1992. MPEEA Bienes Públicos MPM(E) MPM Costo de Migrar Población i Distancia al cuadrado Población j Distancia 1 Mercado Laboral Medida Espacial Ingreso i Ingreso j Medida de centralidad Desempleo i Desempleo j Figura 4: Cambio en los Efectos Marginales. Años 1997-2002. MPEEA Bienes Públicos MPM Costo de Migrar Población i Distancia al cuadrado Población j Distancia Mercado Laboral 1 MPM(E) Medida Espacial Ingreso i Ingreso j Medida de centralidad Desempleo i Desempleo j 22 Las Figura 3 y 4 muestran que cuando se considera explícitamente el modelamiento del espacio en la estructura de los errores, todas las medidas asociadas a las variables registran un mayor impacto sobre la probabilidad de migrar, en comparación con el MPM y el MPM(E). Adicionalmente, el nivel de ajuste es considerablemente mayor cuando se ha modelado especialmente el comportamiento residual. Desde la perspectiva de los resultados previos, este trabajo muestra que existe una subestimación del impacto de las variables de los modelos estimados previamente que no consideran la interacción espacial. Esto es especialmente crítico cuando se analiza el efecto concentrador de la migración ya que el efecto el efecto marginal de la población en la región de destino es considerablemente mayor en esta nueva estimación respecto a las estimaciones sin consideraciones espaciales y mayor también respecto a las población en la región de origen, lo cual hace predecir un incremento en la concentración de la población en torno a la región metropolitana. Adicionalmente, dado que el nivel de población en el origen reduce la probabilidad de migrar y el de la región de destino la aumenta, explica el porque las regiones de los extremos, que son las regiones, con menores niveles de población, tienden a tener una mayor tasa de emigración que las de las regiones del centro que en general se caracterizan por tener niveles de población mayor, especialmente la región metropolitana y sus vecinas, hecho que verifican los datos de la sección donde se describe la situación chilena. 6. Conclusión El objetivo del artículo fue evaluar la importancia de incorporar explícitamente la dimensión espacial en el modelamiento de la migración interregional, debido a que en la literatura se ha destacado, que el proceso de migración no depende únicamente de factores relacionados con las regiones de 23 origen o destino, sino que también de factores adicionales, como la interacción con las regiones vecinas. En el trabajo se ha desarrollado una estrategia para trabajar con datos agregados a partir de modelos ofrecidos por la econometría espacial y se adaptado al estudio de flujos migratorios, incorporando elementos de las regiones de origen y destino del emigrante. Al modelar los efectos espaciales en el origen y el destino en un modelo para explicar la decisión de migrar, con datos para los trabajadores de Chile para los periodos 1987-1992 y 1997-2002, se encuentra que los efectos espaciales resultan ser estadísticamente significativos y con signo positivo. Adicionalmente, se obtienen estimaciones de los efectos marginales y se concluye que ignorar los efectos espaciales tiene como consecuencia una significativa subestimación del efecto de las variables sobre la probabilidad de migrar en el caso chileno. Esto es especialmente importante, ya que da una explicación adicional de porque las concentración poblacional ha seguido aumentando en torno a Santiago, y dada la tendencia detectada entre los dos periodos, se puede decir que el ritmo concentrador asociado a los niveles poblacionales de las regiones es mayor en el último periodo respecto al primero. 24 Referencias Anselin, L. (1988). Spatial Econometrics: Methods and Models. Dordrecht.: Kluwer Academic. Anselin, L. (2003). Spatial Externalities, Spatial Multipliers, and Spatial Econometrics. International Regional Science Review, Vol. 26, 2 pp. 153-166. Anselin, L., Lozano, N., & Koschinsky, J. (2006). Rate Transformations and Smoothing. Revised Version , pp 1-80. Armstrong, H., & Taylor, J. (2000). Regional Economics and Policy. Oxford: Blackwell. Aroca, P. (2007). Migración interna y desarrollo en Chile:. Impacto sobre el Crecimiento Regional de la Migración y Conmutación Interregional en Chile (pp. 1-19). Santiago, Chile: CELADE-División de Población. Aroca, P. (2004). Migración Interregional en Chile: Modelos y Resultados 1987-2002. Antofagasta. Aroca, P., & Hewings, G. (2002). Migration and Regional Labor Market Adjusment: Chile 1977-1982 and 1987-1992. The Annals Regional Science , 197-218. Aroca, P., & Maloney, W. F. (2005). Migration, Trade, and Foreign Direct Investment in Mexico. World Bank Economic Review, Oxford University Press , vol. 19(3), pp 449472. Aroca, P., Hewings, G., & Paredes, J. (2001). Migración Interregional y el Mercado Laboral. Cuadernos de Economia , 321-345. Ben-Akiva, M., & Lerman, S. (1985). Discrete choice analysis: theory and applications to travel demand. Cambridge, MA: MIT Press. Bolduc, D. (1992). Generalized autoregressive model. Transportation Research, Part B , Vol 26 pp.155–70. Bolduc, D., Dagenais, M. G., & Marc, G. J. (1989). Spatially Autocorrelated Errors in Origin-Destination Models: A New Specification Applied to Aggregate. Transpotation Research , 8. Vol. 238. No. 5. pp. 361-371. . Bolduc, D., Fortin, B., & Fournier, M. (1996). The effect of incentive policies on the practice location of doctors: a multinomial probit analysis. Journal of Labor Economics , Vol. 14 pp. 703–32. Bolduc, D., Fortin, B., & Gordon, S. (1997). Multinomial probit estimation of spatially interdependent choices: an empirical comparison. International Regional Science Review , Vol 20, pp. 77–101. Bolduc, D., Laferrière, R., & Santarossa, G. (1992). Spatial Autoregresive Error Components in travel flow models. Regional Science and Urban Economics , 22 pp. 371-385. Bolduc, D., Laferriere, R., & Santarossa, G. (1995). Spatial autoregressive error compocomponents to aggregate mode choice. In L. Anselin, & R. Florax, New directionsin spatial econometrics (pp. pp. 96–108). New York: Springer. Boots, B., & Kanaroglou, P. S. (1988). Incorporating the Effects of Spatial Structure in Discrete Choice Models of Migration. Journal of Regional Science , Vol 28 N°4. Borgers, A., & Timmermans, H. (1987). Dynamic models of choice behavior: some fundamental trends. Urban dynamics and spatial choice behavior , pp. 3-26. Bucholtz, S. J. (2004). Generalized Moments Estimation for Flexible Spatial Error Models: A Library for MATLAB. Working Paper, George Mason University . Cushing, B., & Poot, J. (2003). Crossing Boundaries and Borders: Regional Science Advances in Migration Modelling. Papers in Regional Science , Vol. 83, pp. 317338. Deaton, A., & Muellbauer, J. (1980). Economics and Consumer Behavior. New York. Estados: Cambridge University Press. Ferguson, M. R., & Kanaroglou, P. S. (1995). Utility Variability Within Aggregate Spatial Units and its Relevance to Discrete Models of Destination Choice. In L. Anselin, & F. Raymond, New Directions in Spatial Econometrics (pp. pp. 243-269). Berlin: Springer-Verlag. Ferguson, M., & Kanaroglou, P. S. (1997). An Empirical Evaluation of the Aggregated Spatial Choice Model. International Regional Scince Review , 53-75. Fleming, M. (2004). Estimating Spatially Dependent Discrete Choice Models. In L. Anselin, R. Florax, & S. Rey, Advances in Spatial Econometrics: Methodology, Tools and Applications (pp. 146-169). Berlin: Springer. Fotheringham, A. (1983). A new set of spatial interaction models: the theory of competing destinations. Environment and Planning A , Vol 15, pp 15–36. 25 Fotheringham, A. S. (1982). Distance-Decay Parameters: A Reply. The Annals of the Association of American Geographers , 551-553. Fotheringham, A. S. (1981). Spatial Structure and Distance-Decay Parameters. Annals of the Association of American Geographers , Vol. 71, pp. 425-436. Gourieroux, C. (2000). Econometrics of Qualitative Dependent Variables. Cambridge, UK: Cambridge University Press. Greenwood, M. J. (1997). Internal Migration in Developed Countries. Amsterdam. Holland: In Rosenzweig Greenwood, M. J.. 1997. Internal Migration in Developed In Rosenzweig and Stark Eds. Handbook of Families and Population Economics. NorthHolland Publisher,. Griffith, D., & Jones, K. (1980). Explorations Into the Relationship Between Spatial Structure and Spatial Interaction. Environment and Planning A , Volume 12, pp.187201. Hunt, L. M., Boots, B., & Kanaroglou, P. S. (2004). Spatial choice modelling: new opportunities to incorporate space into substitution patterns. Progress in Human Geography , 746–766. Kanaroglou, P. S., & Ferguson, M. (1996). Discrete Spatial Choice Models for Aggregate Destinations. Journal of Regional Science , 271-290. Kelijian, H., & Prucha, I. (1999). A Generalized Moments Estimator for the Autoregresive Parameter in a Spatial Model. International Economic Review , 40 pp. 509-533. LeSage, J. P., & Llano, C. (2006). A Spatial Interaction Model With Spatially Structured Origin and Destination Effects. Available at SSRN: http://ssrn.com/abstract=924603. LeSage, J., & Pace, K. (2007). Spatial Econometric Modeling of Origin-Destination flows. LeSage, J., & Polasek, W. (2006). Incorporating Transpotation Network Structure in Spatial Econometrics Models of Commodity Flows. Economics Series 188, Institute for Advanced Studies. , pp. 1-34. McFadden, D. (1976). Quantal Choice Analysis: A Survey. Annals of Economics and Social Measurement , 363-390. Molho, I. (1986). Theories of Migration: A Review. Scottish Journal of Political Economy , 33, pp 396-419. Pellegrini, P. A., & Fotheringham, A. S. (2002). Modelling spatial choice: a review and synthesis in a migration context. Progress in Human Geography , 487–510. Plane, D., & Rogerson, P. (1994). The Geographical Analysis of Population. New York: Wiley. Train, K. ( 1986). Qualitative choice analysis. Cambridge, MA: MIT Press. 26 ANEXO A Tabla A1: Matriz de Migrantes Laborales Chilenos: 1987-1992 Origen Destino I II III IV V VI VII VIII IX X XI XII RM Total I II 94800 2511 2400 109605 788 1802 1027 2335 1692 1188 297 292 292 314 817 747 191 193 250 259 52 57 74 82 4657 3839 107337 123224 III IV V VI VII VIII IX X 647 1497 2328 277 351 983 306 397 1716 3112 1521 331 320 856 258 312 59307 3357 1391 341 281 515 206 210 1926 132347 1780 358 279 466 181 283 665 1737 386912 1267 1233 3931 870 1412 188 319 1472 195577 2489 2183 1516 791 93 210 907 1474 235871 2519 787 843 172 275 2839 891 2349 470168 3681 2022 64 103 552 385 777 3627 189742 3111 94 205 1379 404 641 2311 2834 254833 28 49 258 60 82 310 226 1272 21 47 1680 105 137 875 244 1838 1497 3853 16218 9866 14251 22741 13654 11505 66418 147111 419237 211336 259061 511485 214505 278829 XI 35 31 24 52 147 73 114 289 226 1038 21391 145 818 24383 XII 170 142 56 79 1530 283 256 1086 303 1291 118 42228 2346 49888 RM 5143 4232 2444 4040 12480 7477 6205 9380 5734 7205 939 1746 1640409 1707434 Total 109445 124836 70722 145153 415064 212957 249885 494716 205008 272744 24842 49222 1745654 XII 198 156 45 130 1719 269 331 866 338 1876 169 50431 1974 58502 RM 5592 5527 1951 6085 18361 10646 9900 14607 9145 11255 1212 1753 2154862 2250896 Total 147910 168076 86206 193692 510706 264215 301245 586416 252391 345951 33351 57845 2262997 Tabla A2: Matriz de Migrantes Laborales Chilenos: 1997-2002 Origen Destino I II III IV V VI VII VIII IX X XI XII RM Total I II 130053 3097 3624 147634 985 1565 1929 3327 2397 1413 491 404 445 328 1052 748 349 265 569 334 60 31 120 86 5769 4048 147843 163280 III IV V VI VII VIII IX X 965 1499 2694 405 515 1709 531 596 2271 3360 1926 425 535 1750 419 406 76640 2444 1123 266 206 485 272 195 2752 174838 2220 486 402 757 288 401 958 2185 473083 1532 1315 4637 1166 1749 334 521 1789 242815 2289 2294 1394 896 180 289 1027 1591 282091 3160 937 865 259 400 3309 945 2251 555962 3425 2325 168 199 736 570 619 3774 232771 3242 182 391 2226 594 857 3720 4253 318605 14 66 318 72 124 458 471 1448 27 104 1640 142 163 936 406 1801 1723 4206 17449 9338 12476 24755 13952 11591 86473 190502 509540 259181 303843 604397 260285 344120 XI 56 43 29 77 191 73 101 267 215 1089 28908 236 854 32139 27 ANEXO B Tabla B1: Tasa de Desempleo e Ingreso Promedio Percapita para Chile Variables Región Tasa de Desempleo 1987‐1992 I 9.91 Ingreso Promedio per cápita Ŧ 1997‐2002 4.38 1987‐1992 2479.45 1997‐2002 2659.05 II 10.52 2.47 2350.78 3296.71 III 7.80 4.99 2485.88 2005.36 IV 13.66 4.63 1643.10 2154.39 V 7.87 7.00 2029.11 2497.17 VI 6.17 3.62 1797.50 2056.96 VII 5.90 4.64 1971.21 2236.12 VIII 9.75 5.95 1554.32 2308.39 IX 6.49 5.06 1847.68 2033.98 X 3.84 3.05 2180.94 1951.58 XI 1.90 1.45 2173.22 2778.21 XII 3.22 3.72 2298.02 4677.69 RM 12.11 5.92 2934.93 3407.07 Ŧ Los datos de ingreso se encuentran valorizados en dólares y para la estimación se utilizo el logaritmo natural de éste. 28 ANEXO C Tabla C1: Matriz de Distancia entre los Centroides Regionales Región I II III IV V VI VII VIII IX X XI XII RM I II 0 III IV V VI VII VIII IX X XI XII 492 1049 1378 1812 1931 2105 2357 2517 2887 3558 4158 RM 1857 0 565 899 1330 1454 1625 1881 2042 2415 3064 3664 1368 0 332 766 890 1064 1319 1474 1853 2505 3105 804 0 434 558 730 985 1142 1521 2173 2773 472 0 205 377 636 793 1168 1820 2420 119 0 171 427 585 960 1617 2217 86 0 257 416 784 1441 2041 258 0 286 658 1315 1915 515 0 372 1029 1615 673 0 657 1250 1044 0 600 1701 0 2301 0