Aplicación de técnicas de estadística espacial con Sistemas de Información Geográfica (SIG) para la determinación de áreas socio-habitacionales.

Transcripción

1 ANÁLISIS MULTIVARIADO DE LA SITUACIÓN SOCIO-HABITACIONAL DE LA PROVINCIA DE BUENOS AIRES. Aplicación de técnicas de estadística espacial con Sistemas de Información Geográfica (SIG) para la determinación de áreas socio-habitacionales. Lic. Luis M. HUMACATA Grupo de Estudios sobre Geografía y Análisis Espacial con Sistemas de Información Geográfica (GESIG) Programa de Estudios Geográficos (PROEG) Universidad Nacional de Luján luishumacata@hotmail.com

2 Hipótesis de investigación La situación socio-habitacional de la provincia de Buenos Aires en el año 2001, muestra una fragmentación espacial de las condiciones de vida de la población evidenciando las desigualdades territoriales del área de estudio. Los aspectos socio-económicos, habitacionales, de pobreza, del régimen de tenencia de la vivienda, de la infraestructura de servicios y de educación permiten diferenciar características internas del área de estudio mediante los valores medidos en la población de los 134 partidos. La construcción de regiones homogéneas pone en evidencia las heterogeneidades espaciales internas en el área de estudio. El análisis espacial cuantitativo brinda modelos de correlación espacial que permiten descubrir, cuantificar y mapear estas diferencias espaciales.

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

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

5 Aspectos conceptuales y metodológicos de la investigación Una definición de Geografía Ciencia que estudia la diferenciación de áreas sobre la superficie terrestre. La región geográfica se transforma en el objeto de análisis para abordar las manifestaciones espaciales. Se considera el abordaje geográfico en una focalización espacial.

6 La diferenciación areal surge de un procedimiento de construcción. La metodología de construcción por agregación de sitios puede basarse en técnicas cuantitativas: se privilegia el uso de métodos clasificatorios en los datos espaciales medidos. Se intenta la construcción de modelos: son construcciones simplificadas de la realidad espacial que permiten comprenderla en sus rasgos fundamentales y pueden actuar como una guía para la planificación territorial.

7 Determinación n de variables y de unidades espaciales Las unidades espaciales consideradas en nuestro estudio corresponden a los 134 partidos que integran la provincia de Buenos Aires. Los datos estadísticos utilizados provienen del Censo Nacional de Población, Hogares y Viviendas del año 2001 (INDEC). Se han seleccionado variables que permiten analizar aspectos demográficos, educacionales, de habitabilidad, del régimen de tenencia de la vivienda, del tipo de vivienda y de la infraestructura de servicios.

8 El área de estudio

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

10 Procedimientos aplicados Recopilación de la información gráfica: búsqueda de la información gráfica correspondiente al área de estudio. Recopilación de la información alfanumérica: búsqueda de información correspondiente a variables relativas a cuestiones demográficas, pobreza, educación, régimen de tenencia de la vivienda e infraestructura de servicios. Sistematización de los datos socio-habitacionales en formato alfanumérico para las 134 unidades espaciales del área de estudio, año Tratamiento matricial de la información I: Matriz de Datos Originales (MDO), Matriz de Datos Índice (MDI), Matriz de Datos Estandarizados (MDZ). Realización de cartografía temática por variables: Se realizó una colección de mapas correspondientes a las variables seleccionadas. Estos mapas fueron realizados luego de los procedimientos de estandarización de la información, con lo cual se obtuvo una cartografía perfectamente comparable. Análisis exploratorio de datos espaciales: análisis univariado, bivariado y aplicación de métodos de autocorrelación espacial (I de Morán y LISA). Uso de gráficos interactivos (box-plot y diagramas de dispersión 2D). Clasificación espacial por método de promedios estandarizados. Utilización de variables de beneficio, costo. Mapeo de resultados. Tratamiento matricial de la información II: Matriz de Correlaciones de Variables (MCV). Obtención de macrovariables. Tratamiento matricial de la información III: Matriz de Correlaciones de Unidades Espaciales (MCUE). Obtención de regionalizaciones.

11 ANÁLISIS DE LA DISTRIBUCIÓN ESPACIAL DE VARIABLES MEDIANTE CARTOGRAFÍA A TEMÁTICATICA Nos permite visualizar las diferencias espaciales y llegar a una caracterización de las distribuciones espaciales. Se realiza la estandarización de datos mediante el puntaje z para obtener datos comparables. Donde x i es el valor que posee cada unidad espacial, m es el promedio de la variable y d es el desvío estándar. Se determinaron similares intervalos de clase en todos los mapas. Cada intervalo está representado a través de la variable visual color, cuya intensidad disminuye a medida de que los valores son menores. Para 5 clases Intervalos de clase Ocurrencias esperadas Categorias <-1,5σ 6,68 % M uy alto -1,5σ a -0,5σ 24,17 % Alto -0,5σ a 0,5σ 38,30 % M edio 0,5σ a 1,5σ 24,17 % Bajo >1,5σ 6,8 % M uy bajo

12

13 ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES MEDIANTE GRÁFICOS INTERACTIVOS Aproximación al estudio de la estructura de la información socio-espacial en el área de estudio. Se considera una etapa previa a la realización del análisis multivariado. Se puede definir como el conjunto de técnicas que describen y visualizan las distribuciones espaciales, identifican localizaciones con valores atípicos, descubren esquemas de asociación espacial, agrupamientos (clusters) y sugieren estructuras espaciales o formas de heterogeneidad espacial.

14 Análisis univariado: mediante el gráfico (box-plot) y mapa de caja (box-map) resaltando los valores anómalos de cuatro variables que definen características de extrema favorabilidad y de extrema desfavorabilidad. Análisis bivariado: utilizando el diagrama de dispersión (scatter diagram), permitirá agrupar las unidades espaciales con respecto a sus cuadrantes en el espacio de relaciones en una perspectiva 2D. Nos permite realizar las primeras clasificaciones parciales en base a variables de beneficio y costo.

15 Aproximación univariada

16 Aproximación bivariada Población con Necesidades Básicas Insatisfechas vs. Población sin inodoro Cuadrante I espacio - - (inferior izquierdo). Cuadrante III espacio + + (superior derecho). Cuadrante II- espacio - + (superior izquierdo). Cuadrante IV espacio + - (inferior derecho).

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

18 Población con suministro de agua por red pública vs. Población con suministro de agua por motobomberador. Cuadrante I espacio - - (inferior izquierdo). Cuadrante III espacio + + (superior derecho). Cuadrante II- espacio - + (superior izquierdo). Cuadrante IV espacio + - (inferior derecho).

19 CUADRANTES I II III IV TOTAL PARTIDOS Cant. % General Villegas, Marcos Paz, Carlos Tejedor, Rivadavia, Olavarri a, Magdalena San Nicolas, Ramallo, Pergamino, Colón, San Pedro, Baradero, Bartolomé Mitre, Rojas, Zárate, Salto, Campana, Capitán Sarmiento, San Antonio de Areco, Junín, General Pinto, Chacabuco, Florentino Ameghino, Lincoln, San Isidro, Mercedes, General San Martín, Vicente López, Bragado, Tres de Febrero, Chivilcoy, Avellaneda, Lanús, Lomas de Zamora, Quilmes, Berazat egui, Ensenada, La Plata, Berisso, 9 de Julio, 25 de Mayo, Carlos Casares, Pehuajó, Chascomus, Trenque Lauquen, Saladillo, Las Flores, General Alvear, Pellegrini, Bolivar, Castelli, Hipólito Yrigoyen, Tres Lomas, Rauch, Dolores, Azul, Saliquello, Adolfo Alsina, General Guido, Ayacucho, Maipú, Tandil, Laprida, Benito Juárez, Saavedra, Puán, Villa Gessel, Balcarce, Adolfo Gonzal es Chaves, Coronel Pringles, Lobería, Necochea, General Pueyrredón, Tornquist, Tres Arroyos, San Cayetano, General Alvear, Coronel Dorrego, Bahía Blanca, Villarino, Coronel de Marina L. Rosales, Patagones, San Fernando. General Arenales, Alberti, Guaminí, Coronel Suarez, Monte Hermoso, Morón, Punta Indio. Exaltación de la Cruz, Carmen de Areco, Leandro N. Alem, San Andrés de Giles, Escobar, Tigre, Pilar, Luján, Suipacha, Moreno, General Viamonte, Merlo, La Matanza, General Las Heras, Navarro, Almirante Brown, Florencio Varela, Cañuelas, San Vicente, Lobos, Brandsen, General Paz, Monte, Roque Pérez, General Belgrano, Pila, Tapalqué, Daireaux, Tordillo, La Costa, General Lavalle, General La Madrid, General Juan Madari aga, Mar Chiquita, General Rodríguez, Ezeiza, Estaban Echeverrí a, Presidente Perón, Ituizangó, Hurlingham, San Miguel, José C. Paz, Malvinas Argentinas, Pinamar Mapa síntesis. Clasificación espacial en base a los cuadrantes del diagrama de dispe rsión.

20 Población en departamentos vs. Población con máximo nivel educativo alcanzado: terciario-universitario completo Cuadrante I espacio - - (inferior izquierdo). Cuadrante II- espacio - + (superior izquierdo). Cuadrante III espacio + + (superior derecho). Cuadrante IV espacio + - (inferior derecho).

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

22 Hemos llegado a una definición estructural del comportamiento de las variables en el espacio geográfico. Por un lado, se aprecia una situación favorable en las dimensiones socio-habitacionales correspondientes a los partidos del primer anillo del Gran Buenos Aires y a los partidos con ciudades intermedias-grandes. La situación desfavorable queda representada mayormente por los partidos del segundo anillo del Gran Buenos Aires y aquellos partidos del extremo sureste provincial. En las próximas aplicaciones se pondrá énfasis en verificar este comportamiento y definir regiones geográficas con fines de planificación.

23 ANÁLISIS DE AUTOCORRELACIÓN ESPACIAL UNIVARIADO Y BIVARIADO En la autocorrelación espacial se intenta medir la correlación que una misma variable tiene en diferentes unidades espaciales contiguas. Tres posibilidades en la medición de la autocorrelación espacial: -Autocorrelación espacial positiva: Esta relación indica un agrupamiento de las unidades espaciales. -Autocorrelación espacial negativa: Se aprecia una dispersión de las unidades espaciales. -Sin autocorrelación: los valores se presentan de forma aleatoria. Con el objetivo de comprobar si la configuración espacial de la variable se produce de forma aleatoria, se procederá a verificar, a través de un test de hipótesis, la existencia de una autocorrelación espacial significativa.

24 Análisis de autocorrelación espacial global Autocorrelación espacial de la población con suministro de agua por red pública Cuadrante I espacio - - (inferior izquierdo). Cuadrante II- espacio - + (superior izquierdo). Test de autocorrelación espacial. Cuadrante III espacio + + (superior derecho). Cuadrante IV espacio + -

25 Autocorrelación espacial entre Población con Suministro de agua por red pública y Población sin inodoro Cuadrante I espacio - - (inferior izquierdo). Cuadrante II- espacio - + (superior izquierdo). Test de autocorrelación espacial. Cuadrante III espacio + + (superior derecho). Cuadrante IV espacio + -

26 CLASIFICACIÓ CLASIFICACI ÓN ESPACIAL MEDIANTE VARIABLES DE BENEFICIO Y COSTO Consideramos variables de beneficio aquellas que en sus máximos valores expresan una situación de máxima favorabilidad. Se consideran variables de costo aquellas que en sus máximos valores expresan una situación de máxima desfavorabilidad.

27 Puntaje de variables de beneficio (PVB): Donde xi son los valores de una variable de beneficio, m el valor menor y M el valor mayor del conjunto de datos. Puntaje de clasificación espacial de beneficio (PCEB) Donde es la sumatoria de los valores en cada variable de beneficio y n es la cantidad de variables seleccionadas.

28 - Puntaje de variables de costo (PVC): Donde xi son los valores de una variable de costo, m el valor menor y M el valor mayor del conjunto de datos. - Puntaje de clasificación espacial de costo (PCEC) Donde es la sumatoria de los valores en cada variable de costo y n es la cantidad de variables seleccionadas.

29 Para ambos tipos de variables, los puntajes se distribuyen en el rango que va de 0 a 100. Un puntaje 0 indica la peor situación en las variables de beneficio y, de manera inversa, en las variables de costo indica la mejor situación. Un puntaje 100 indica la mejor situación para las variables de beneficio y la peor situación en las variables de costo. Las condiciones más favorables en los partidos se darán con puntajes altos en: -Tipo de vivienda: departamento (HAB_DEPTO) -Máximo nivel educativo alcanzado: terciario-universitario completo (TER-UNIV_COM) -Suministro de agua por red pública (AGUA_RED) -Descarga a red pública (DESC_RED). Las condiciones más desfavorables en los partidos se darán con puntajes altos en: -Población con Necesidades Básicas Insatisfechas (NBI_POB) - Habitantes en viviendas de tipo B (VIV_B). - Suministro de agua por bombeador manual (AGUA_BOM). - Sin inodoro (SIN_INOD).

30 Clasificació Clasificaci ón espacial de beneficio

31 Clasificació Clasificaci ón espacial de costo

32 Clasificació Clasificaci ón espacial global Con la finalidad de hacer comparables ambos puntajes, se va combinar variables de costo y de beneficio invirtiendo el resultado de las de costo con la siguiente fórmula: Se ha transformado la orientación de las variables de costo para lograr una clasificación espacial global siendo posible relacionar los dos tipos de variables teniendo como base las variables de beneficio. Puntaje de clasificación espacial global (PCEG) donde, vb son variables de beneficio, vc variables de costo inversa y n la cantidad de variables consideradas en la clasificación global.

33 Puntaje de clasificació clasificació n espacial global

34 Esta primera clasificación multivariada permitió definir áreas homogéneas en cuanto a variables de beneficio y de costo, donde se resaltan aquellas zonas que reúnen las mejores condiciones socio-habitacionales en contraste con los partidos de máxima desfavorabilidad denotando una marcada diferenciación socioespacial. Esta configuración presenta las mejores situaciones sociohabitacionales en los partidos que integran el primer anillo del Gran Buenos Aires junto a los partidos con ciudades intermedias de importancia regional, como Bahía Blanca, General Pueyrredón, Junín y La Plata. Por otro lado, las situaciones desfavorables se encuentran en los partidos del segundo anillo del Gran Buenos Aires y en el extremo sureste provincial.

35 ANÁLISIS MULTIVARIADO DE LA SITUACIÓ ANÁ SITUACIÓN SOCIOSOCIOHABITACIONAL DE LA PROVIN PROVINC CIA DE BUENOS AIRES. Hacia la generació generaci ón de áreas sociosocio-habitacionales. Pasos técnicos del método de agrupamiento: Análisis Linkage sin contigüidad espacial (Buzai, 2003). 1-Se define si el objetivo es agrupar variables o unidades espaciales. Se utiliza de este modo la MCV o MCUE. 2-Determinar los valores máximos de correlación para cada columna de la matriz. 3-Buscar a qué par de variables o unidades espaciales corresponden estas máximas correlaciones. Realizar un listado donde se exprese el vínculo de estas unidades y su correspondiente coeficiente de correlación. 4-Determinar los pares recíprocos. Entre qué unidades se producen las máximas correlaciones de forma bidireccional. 5-Realizar el listado de pares recíprocos. 6-Agrupar los pares recíprocos en orden y unir el resto de las variables. 7-Obtener la matriz de especificidad de n x m (variables o unidades espaciales por grupo). Se puede encontrar la especificidad de cada grupo mediante el método simple que consiste en promediar los valores del núcleo. 8-El procedimiento finaliza con la obtención de macrovariables y regiones geográficas.

36 Pasos matriciales del análisis multivariado. Aplicación del Análisis Linkage: Hacia la generación de áreas socio-habitacionales en la provincia de Buenos Aires. M atriz de Datos Originales (MDO) M atriz de Datos Índice (M DI) V UE M atriz de Datos M atriz de Correlación de M étodo: Estandarizados (MDZ) Variables (M CV) M acrovariables V UE V UE V V M atriz de Datos Estandarizados (MDZ)Transpuesta UE V UE: Unidades espaciales V: Variables M atriz de Correlación de M étodo: Unidades Espaciales Regionalización (M CUE) (zonas sociohabitacionales) UE doble estandarización V UE UE

37 Determinació Determinaci ón de los pares recí recíprocos de variables Par recíproco Variables POB_TOT - VIV_TOT A_64 - VIV_A VIV_B - SIN_INOD HAB_DEP - SEC_COM Correlación 0,971 0,837 0,925 0, PRIM_COM - DESC_POZ AGUA_RED - DESC_RED AGUA_MAN - AGUA_POZ 0,652 0,659 0,701 Clusters de agrupamientos de variables-7 grupos de la MCV ,826 P OB_TOT 0,971 VIV_TOT A_64 RTV_P ROP 0,837 VIV_A 4 VIV_B 0,925 0,814 0,886 NBI_P OB A_0014 SIN_INO D 0,576 0,838 HAB_VIV TER_COM 0,676 0,659 RTV_INQU 0,476 HAB_DEP 0,760 SEC_COM P IEZ_HOTP E 0,383 P IEZ_INQUI NBI_VIV ,209 0,514 AGUA_OTR IDEP OT P RIM_COM 0,481 RTV_P RES 0,652 DES_POZ 0,311 LOC_NO_VIV VIV_MÓVIL 0,361 AGUA_RED IND_MASC 0,348 0,701 0,659 DESC_RED 0,468 AGUA_MAN AGUA_MOT 0,454 DESC_CAM 0,593 AGUA_POZ HAB_RANCH

38 Matri z de especificidad de grupos PARTIDO G_1 G_2 G_3 G_4 G_5 G_6 G_7 Almirante Brown 2,186-1,519 0,890 0,190-0,495-1,139-0,175 Avellaneda 1,402-0,245-1,004 2,954-0,663 1,076-1,313 Beraz ategui 0,959-1,258 0,067 0,140-0,709 0,346-1,150 Esteban Ec heverría 0,731-1,771 1,498-0,157-0,661-1,378 0,112 Ezeiza 0,047-2,231 2,632-0,442-0,894-1,874 1,381 Florencio Varel a 1,226-2,451 2,347-0,745-0,486-1,004 0,133 Gral. San Martín 1,770-0,205-0,705 1,804-0,652 0,654-1,179 Hurlinghan 0,346-0,519-0,351 0,757-0,789-1,577-0,311 Ituz aingo 0,288-0,167-0,573 0,825-1,238-2,092-0,114 José C. Paz 0,593-2,213 2,494-0,844-0,504-2,106 0,149 La Matanza 6,316-1,497 1,023 0,572-0,862-0,336-0,095 Lanús 2,085-0,023-0,571 1,847 0,593 0,305-1,307 Lomas de Zamora 2,728-0,833 0,702 0,640-0,247-0,015-1,175 Malvinas Argentinas 0,905-1,902 1,524-0,491-0,495-2,180 0,150 Merlo 1,927-1,785 1,770-0,429-0,547-1,172-0,219 Moreno 1,474-2,150 2,392-0,525-0,720-1,291 0,087 Morón 1,266 0,516-1,200 1,930-1,471 0,411-0,990 Quilmes 2,338-0,709 0,212 0,653-0,710 0,650-1,266

39 Obtención de macrovariables Grupo 1 (núcleo: POB_TOT - VIV_TOT): Grupo 2 (núcleo: A_64 - VIV_A):

40 Grupo 3 (núcleo: VIV_B - SIN_INOD) Grupo 4 (núcleo: SEC_COM HAB_DEP)

41 Grupo 5 (núcleo: PRIM_COM DESC_POZ) Grupo 6 (núcleo: AGUA_RED DESC_RED)

42 Grupo 7 (núcleo: AGUA_MAN AGUA_POZ)

43 Matriz de correlación entre grupos G_1 G_1 1,000 G_2-0,428 G_3 0,090 G_4 0,517 G_5-0,491 G_6 0,021 G_7-0,324 G_2 G_3-0,428 0,090 1,000-0,681-0,681 1,000-0,027-0,488 0,520 0,016 0,562-0,747 0,002 0,483 G_4 G_5 0,517-0,491-0,027 0,520-0,488 0,016 1,000-0,672-0,672 1,000 0,470-0,114-0,530 0,440 G_6 G_7 0,021-0,324 0,562 0,002-0,747 0,483 0,470-0,530-0,114 0,440 1,000-0,540-0,540 1,000 Máxima 0,517 0,562 0,483 0,517 0,520 0,562 0,483 Asociación de grupos. 3 grupos surgidos a partir de la matriz de correlaciones ,520 GRUPO_5 GRUPO_1 0,517 GRUPO_4 GRUPO_2 0,562 GRUPO_6 GRUPO_3 0,483 GRUPO_7

44 Gran Grupo 3 (GG_3) Gran Grupo 1 (GG_1) Grandes grupos de variables Gran Grupo 2 (GG_2)

45 Regionalización socio-habitacional Determinació Determinaci ón de los pares recí recíprocos de unidades espaciales Área Unidades espaciales Correlación A_1 Avellaneda - Gral. San Martín 0,904 A_2 Berazategui - Zárate 0,851 A_3 Lomas de Zamora - Quilmes 0,919 A_4 Merlo - Moreno 0,967 A_5 San Isidro - Vicente López 0,946 A_6 T res de Febrero - Bahía Blanca 0,903 A_7 Ayacucho - Rauch 0,839 A_8 Escobar - Pilar 0,965 A_9 Exaltación de la Cruz - Monte 0,616 A_10 General Paz - Pila 0,727 A_11 General Villegas - Rivadavia 0,911 A_12 Junín - Pergamino 0,878 A_13 9 de Julio - Rojas 0,897 A_14 Patagones - Villarino 0,867 A_15 Pinamar - Villa Gessel 0,877 A_16 Puán - T res Lomas 0,850 A_17 Ramallo - San Pedro 0,695 A_18 Las Flores - Saladillo 0,855 A_19 Carlos Casares - Lobería 0,800 A_20 General Pinto - Huaminí 0,786 A_21 General Rodriguez - San Vicente 0,899 A_22 General Viamonte - T apalqué 0,814 A_23 Navarro - Suipacha 0,676 A_24 General Belgrano - Lobos 0,749 A_25 Punta Indio - T ornquist 0,720 A_26 Berisso - Ensenada 0,909 A_27 General Alvear - Magdalena 0,838

46 Gráfico de agrupamiento. 27 áreas socio-habitacionales Avellaneda Berazategui 0,904 Lomas de Zamora Gral. San Martín Campana 0, ,919 0,851 0,835 Lanús 0,803 La Matanza 0,906 Quilmes Zárate Morón 0,886 San Isidro 0,724 0,946 San Nicolás 4 Almirante Brown 0,946 0,914 Florencio Varela P residente P erón 0,967 0,955 Moreno Hurlingham Marcos P az Ezeiza 0,934 Ituzaingo 0, ,832 José C. P az 0,955 0,904 0,888 Vicente López 0,942 Merlo Gral. Pueyrredón 0,953 Tres de Febrero Malvinas 0,835 Tigre Argentinas 0,903 Bahía Blanca Luján 0,880 7 Mercedes Ayacucho Coronel de M. L. Rosales P ila 0,947 Esteban Escobar Echeverría San Miguel 10 0,965 0, ,616 Monte 0,727 Gral. P az P ilar 0,619 Gral. La Madrid Exaltación de la Cruz 0,876 0, ,839 Coronel 0,755 Rauch P ringles La Plata 0,696 0,674 San A. de Giles 0,662 Daireaux Gral. Guido Tandil

47 Determinación de los pares recíprocos de áreas. Zonas Áreas A-2 - A-3 A-4 - A-8 A-5 - A-6 A-7 - A-19 A-10 - A-23 A-22 - A-24 Correlación 0,733 0,889 0,885 0,726 0,640 0,732 Agrupamiento de áreas socio-habitacionales 1 0,431 A_17 A_2 0,378 A_14 2 0,620 A_26 0,733 A_9 0,310 A_4 0,889 0,840 A_8 A_21 A_3 0,184 6 A_22 A_11 3 A_15 0,402 0,885 0,891 A_6 A_1 0,784 A_12 0,717 A_18 0,732 4 A_5 0,742 A_13 A_7 0,726 A_24 5 0,582 A_10 A_19 A_16 0,640 A_23 A_25 0,398 0,484 0,303 A_27 A_20

48 Obtenció Obtenci ón de áreas y zonas sociosocio-habitacionales

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

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

51 Muchas Gracias!!!