Professional Documents
Culture Documents
p L
T
|L
p
(r)|dp
K
obs
(r) =
1
wn
SS
i j
I
r
(s
ij
)
106 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
(12)
(13)
As, la expresin de la funcin K
obs
se puede definir como:
(14)
Si se opta por el estimador de la densidad de puntos , la funcin
K
obs
se expresar como:
(15)
Mediante el mtodo Monte Carlo se realizan simulaciones para generar
una serie de distribuciones tericas aleatorias de n puntos en N, con el fin
de estimar el valor esperado de la funcin K en red, K
obs
(
r
)
, en condiciones
de CSR. Las funciones tericas aleatorias K
(r)
se comparan con la funcin
K
obs
(
r
)
para establecer si el patrn de puntos analizado es aglomerado,
disperso o aleatorio a una distancia r a lo largo de la red de calles N. Una
explicacin ms detallada, incluyendo la prueba de significancia estads-
tica de la funcin K en red, puede revisarse en Okabe y Yamada (2001).
I.5. Ejes del anlisis comparativo de las funciones K
En este trabajo las funciones K plana y en red se aplicaron a los mismos
conjuntos de firmas terciarias localizadas en una misma rea de estudio
(el Centro Tradicional de Negocios [CTN] del rea metropolitana de Toluca
[AMT]) y se compararon sus respectivos resultados en tres aspectos clave: 1)
si coinciden o no en la caracterizacin del patrn espacial de las firmas
(i.e. concentrado, disperso o aleatorio); 2) si coinciden o no en la localiza-
cin del pico de mayor aglomeracin de las firmas (lo que indica la escala
de la aglomeracin), y 3) si coinciden o no en la intensidad de la concentra-
cin de las firmas. As, los ejes del anlisis comparativo de los resultados
de las funciones K plana y K en red que articulan la parte emprica de este
trabajo son: caracterizacin, escala e intensidad. Estos tres ejes, y sus res-
pectivos indicadores, permiten ahondar ms en el anlisis comparativo
que la sola inspeccin visual de las grficas de las funciones K, que ha sido
I
r
(s
ij
) =
{
1 si s
ij
r
0 otro caso
n
|L
T
|
w =
K
obs
(r) =
|L
T
|
n
2
SS
i j
I
r
(s
ij
)
(n1)
|L
T
|
w =
K
obs
(r) =
|L
T
|
n(n1)
SS
i j
I
r
(s
ij
)
107 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
el principal mtodo de comparacin utilizado hasta ahora (Yamada y Thill,
2004; Lu y Chen, 2006).
Dado el nivel de complejidad de los clculos para la estimacin de las
funciones K plana y en red y de sus niveles de significancia estadstica, se
utilizaron dos paquetes de cmputo plenamente aceptados en la literatura
internacional: Spatstat para estimar la funcin K plana (Baddeley y Tur-
ner, 2005) y SANET (Okabe et al., 2007) para estimar la funcin K en red.
Para permitir la comparacin entre ambas funciones se tom como re-
ferente base el clculo de la funcin K con Spatstat utilizando factores de
correccin de efectos de frontera (el factor de correccin isotrpico de Ri-
pley [1988], que puede utilizarse para reas poligonales) y 512 intervalos
de clculo. Se consider como distancia mxima de r el valor estimado por
Spatstat de 338 metros (el valor conservador de 0.25 de la longitud de los
lmites del rea de estudio). Para el clculo de la funcin K en red se ajus-
taron las distancias mximas e intervalos a los mismos valores especifica-
dos para la funcin K plana. Para determinar las bandas superior e
inferior de los niveles de confianza se realiz el procedimiento estndar de
999 simulaciones Monte Carlo (Yamada y Thill, 2004).
II. Zona de estudio y datos utilizados
II.1. Zona de estudio
El rea metropolitana de Toluca (AMT) se localiza a media hora de la ciu-
dad de Mxico (40 kilmetros en direccin suroeste), y forma parte de la
zona metropolitana del valle de Toluca, que est integrada por doce muni-
cipios del Estado de Mxico. Tiene una superficie de 269.6 kilmetros cua-
drados; su eje de longitud mxima Este-Oeste es de 31.6 kilmetros, y el
Norte-Sur es de 21.1 kilmetros. Con 1.6 millones de habitantes, es una de
las cinco ciudades ms grandes de Mxico. El empleo formal ha tenido un
comportamiento ascendente, aunque afectado por las recurrentes crisis
econmicas del pas; en 1994 contaba con 157 284 empleos formales que
llegaron a 267 603 en 2004, lo cual indica que ms all de coyunturas eco-
nmicas la zona metropolitana del valle de Toluca es una de las reas ur-
banas ms dinmicas a escala nacional y ha registrado un crecimiento
metropolitano de alta intensidad. Esto ha modificado su estructura urba-
na y ha transformado la ciudad monocntrica de principios de la dcada
de 1980 en una enorme rea metropolitana policntrica al inicio del siglo
XXI (Garrocho y Campos, 2007).
108 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
Para definir el centro tradicional de negocios del AMT se consider como
criterio preliminar la existencia de usos de suelo comercial continuos en
las vialidades del CTN, y como segundo criterio la intensidad de flujos pea-
tonales en la zona. Los detalles se explican en Garrocho y Flores (2009a;
2009b). El resultado es una zona continua y de forma irregular con una
extensin de 154.8 hectreas (poco ms de 100 manzanas) que incluye al-
rededor de 4 300 unidades comerciales y de servicios, lo que arroja una
densidad bruta de casi 28 unidades econmicas por hectrea. Su exten-
sin mxima en direccin Este-Oeste es de 1 770 metros y de 1 500 metros
en direccin Norte-Sur. En total, la longitud de la red de calles en la zona
de estudio alcanza 23.4 kilmetros (mapa 1).
II.2. Datos utilizados
En el AMT no existen registros automatizados de los negocios localizados
en el CTN, por lo que fue necesario llevar a cabo un intenso trabajo de cam-
Mapa 1. Zona de estudio CTN
Fuente: Elaboracin propia.
109 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
po dividido en dos etapas. En la primera se realiz un levantamiento ex-
haustivo de todas las firmas, viviendas, locales vacos y usos del suelo
diversos (i.e. parques, plazas) en un rea deliberadamente ms extensa
que la zona de estudio; y en la segunda se midieron las afluencias peato-
nales en 120 puntos de conteo durante doce horas diarias en tres das
consecutivos, para identificar con mayor precisin los lmites del CTN
(mapa 1) (Garrocho y Flores, 2009a; 2009b). El resultado del trabajo de
campo se organiz en una base de datos georreferenciada vinculada a un
sistema de informacin geogrfica (ArcGis), lo que facilit el manejo de la
informacin estadstica y cartogrfica, y su interfaz con Spatstat y SANET.
III. Anlisis comparativo de los resultados de las funciones K
plana y K en red: caracterizacin, escala e intensidad
Con el propsito de analizar los resultados de las funciones K plana y K
en red (en adelante: K
plana
y K
red
) en trminos de la caracterizacin del pa-
trn espacial de las firmas, as como de la escala e intensidad de su aglo-
meracin en la zona de estudio, se seleccionaron doce giros comerciales y
Cuadro 1. Tipo de unidades econmicas seleccionadas en el rea de
estudio
Giro Tipo Total de unidades
econmicas
Descripcin
Abarrotes Comercio 94 Abarrotes, dulceras, perecederos,
fruteras
Bancos Servicios 37 Sucursales bancarias, agencias
financieras, casas de prstamo y
empeo
Alimentos
preparados
Comercio 240 Alimentos preparados, pasteleras,
panaderas, tortilleras
Electrnicos Comercio 61 Audio y video, componentes electrnicos,
computadoras, instrumentos musicales
Escuelas Servicios 78 Preescolar, primaria, secundaria, media
superior y superior (pblicas y
privadas)
Farmacias Comercio 43 Farmacias (tanto de cadenas nacionales
como de operacin local)
110 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
de servicios representativos del CTN del AMT: ocho de ellos correspondien-
tes a comercio minorista y cuatro a servicios, que suman en total 1 268
unidades econmicas (cuadro 1).
III.1. Caracterizacin de los patrones espaciales y variacin en el territorio
Para caracterizar los patrones espaciales de las unidades econmicas
consideradas, se graficaron las funciones K
plana
y K
red
tanto terica como
observada (K
obs
y K
terica
) para los doce giros comerciales seleccionados, in-
cluyendo sus niveles de significancia. El patrn espacial bajo anlisis se
caracteriz como aglomerado si la funcin K
obs
se ubic por encima del l-
mite superior del nivel de confianza de la K
terica
; como aleatorio si la K
obs
se
encontr dentro de los lmites superior e inferior de los niveles de signifi-
cancia de la K
terica
; y disperso si se localiz por debajo del lmite inferior del
nivel de confianza de la funcin K
terica
(i.e. Yamada y Thill, 2004; Lu y
Chen, 2006).
El anlisis comparativo de la caracterizacin de los patrones espaciales
derivados de las funciones K
plana
y K
red
debe considerar, al menos, dos ele-
mentos centrales: 1) el tipo de patrn espacial predominante (aglomerado,
disperso/rechazo espacial, aleatorio) y 2) las variaciones territoriales del
Cuadro 1. Tipo de unidades econmicas seleccionadas en el rea de estu-
dio (continuacin)
Giro Tipo Total de unidades
econmicas
Descripcin
Iglesias Servicios 16 Templos religiosos
Merceras Comercio 167 Merceras, regalos, papeleras, telas y
bordados
Muebleras Comercio 66 Muebles, electrodomsticos, enseres para
el hogar
Restaurantes Servicios 71 Restaurantes, bares, cafs, comida
rpida
Ropa Comercio 310 Ropa, boutiques, artculos para novias,
accesorios
Zapateras Comercio 85 Zapateras
Fuente: Elaboracin propia.
111 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
C
u
a
d
r
o
2
.
C
a
r
a
c
t
e
r
i
z
a
c
i
n
d
e
l
o
s
p
a
t
r
o
n
e
s
e
s
p
a
c
i
a
l
e
s
p
r
e
d
o
m
i
n
a
n
t
e
s
d
e
l
a
s
u
n
i
d
a
d
e
s
e
c
o
n
m
i
c
a
s
s
e
l
e
c
c
i
o
n
a
d
a
s
G
i
r
o
F
u
n
c
i
n
K
p
l
a
n
a
F
u
n
c
i
n
K
r
e
d
P
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
V
a
r
i
a
c
i
o
n
e
s
t
e
r
r
i
t
o
r
i
a
l
e
s
d
e
l
p
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
P
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
V
a
r
i
a
c
i
o
n
e
s
t
e
r
r
i
t
o
r
i
a
l
e
s
d
e
l
p
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
A
b
a
r
r
o
t
e
s
A
l
e
a
t
o
r
i
o
M
i
x
t
o
:
L
i
g
e
r
a
a
g
l
o
m
e
r
a
c
i
n
e
n
t
r
e
3
8
y
9
1
m
e
t
r
o
s
.
A
l
e
a
t
o
r
i
o
e
n
e
l
r
e
s
t
o
d
e
l
a
s
d
i
s
t
a
n
c
i
a
s
.
A
g
l
o
m
e
r
a
d
o
M
i
x
t
o
:
L
i
g
e
r
a
a
l
e
a
t
o
r
i
e
d
a
d
a
m
e
n
o
s
d
e
1
1
7
m
e
t
r
o
s
y
u
n
a
l
i
g
e
r
a
a
g
l
o
m
e
r
a
c
i
n
e
n
e
l
r
e
s
t
o
d
e
l
a
s
d
i
s
t
a
n
c
i
a
s
.
B
a
n
c
o
s
A
g
l
o
m
e
r
a
d
o
M
i
x
t
o
:
L
i
g
e
r
a
a
l
e
a
t
o
r
i
e
d
a
d
e
n
t
r
e
7
5
y
1
0
8
m
e
t
r
o
s
,
c
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
p
a
r
t
i
r
d
e
1
0
8
m
e
t
r
o
s
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
l
i
m
e
n
t
o
s
p
r
e
p
a
r
a
d
o
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
L
i
g
e
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
A
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
E
l
e
c
t
r
n
i
c
o
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
A
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
E
s
c
u
e
l
a
s
A
l
e
a
t
o
r
i
o
M
i
x
t
o
:
M
n
i
m
a
a
g
l
o
m
e
r
a
c
i
n
e
n
t
r
e
1
4
y
8
5
m
e
t
r
o
s
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
L
i
g
e
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
F
a
r
m
a
c
i
a
s
A
l
e
a
t
o
r
i
o
M
i
x
t
o
:
L
i
g
e
r
a
a
g
l
o
m
e
r
a
c
i
n
a
p
a
r
t
i
r
d
e
2
4
6
m
e
t
r
o
s
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
A
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
112 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
C
u
a
d
r
o
2
.
C
a
r
a
c
t
e
r
i
z
a
c
i
n
d
e
l
o
s
p
a
t
r
o
n
e
s
e
s
p
a
c
i
a
l
e
s
p
r
e
d
o
m
i
n
a
n
t
e
s
d
e
l
a
s
u
n
i
d
a
d
e
s
e
c
o
n
m
i
c
a
s
s
e
l
e
c
c
i
o
n
a
d
a
s
(
c
o
n
t
i
n
u
a
c
i
n
)
G
i
r
o
F
u
n
c
i
n
K
p
l
a
n
a
F
u
n
c
i
n
K
r
e
d
P
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
V
a
r
i
a
c
i
o
n
e
s
t
e
r
r
i
t
o
r
i
a
l
e
s
d
e
l
p
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
P
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
V
a
r
i
a
c
i
o
n
e
s
t
e
r
r
i
t
o
r
i
a
l
e
s
d
e
l
p
a
t
r
n
p
r
e
d
o
m
i
n
a
n
t
e
I
g
l
e
s
i
a
s
A
l
e
a
t
o
r
i
o
P
u
r
o
:
A
l
e
a
t
o
r
i
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
l
e
a
t
o
r
i
o
M
i
x
t
o
:
L
i
g
e
r
a
a
g
l
o
m
e
r
a
c
i
n
e
n
t
r
e
4
5
y
1
2
7
m
e
t
r
o
s
.
M
e
r
c
e
r
a
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
F
u
e
r
t
e
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
M
u
e
b
l
e
r
a
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
F
u
e
r
t
e
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
R
e
s
t
a
u
r
a
n
t
e
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
A
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
p
a
r
t
i
r
d
e
1
8
0
m
e
t
r
o
s
.
R
o
p
a
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
F
u
e
r
t
e
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
Z
a
p
a
t
e
r
a
s
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
F
u
e
r
t
e
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
A
g
l
o
m
e
r
a
d
o
P
u
r
o
:
C
l
a
r
a
m
e
n
t
e
a
g
l
o
m
e
r
a
d
o
a
c
u
a
l
q
u
i
e
r
d
i
s
t
a
n
c
i
a
.
F
u
e
n
t
e
:
E
l
a
b
o
r
a
c
i
n
p
r
o
p
i
a
.
113 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
patrn espacial predominante (los cambios del patrn predominante a di-
ferentes escalas y distancias: si el patrn predominante pasa de aglomera-
do a aleatorio o de aleatorio a disperso, por ejemplo) (cuadro 2).
III.1.1. Caracterizacin del tipo de patrn espacial predominante
En trminos de la caracterizacin del tipo de patrn espacial predominan-
te, los resultados de las funciones K
plana
y K
red
coinciden en nueve de los
Grfica 2. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: bancos
Fuente: Elaboracin propia.
700000
600000
500000
400000
Distancia (m)
K
-
p
l
a
n
a
(
r
)
300000
200000
100000
0
0 50 100 150 200 250 300 350
Obs Teo Lmite superior e inferior
400
Distancia (m)
K
-
r
e
d
(
r
)
0
0 50 100 150 200 250 300 350
350
300
250
200
150
100
50
Obs Teo Lmite superior e inferior
450
114 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
Grfica 3. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: muebleras
Fuente: Elaboracin propia.
800000
700000
Distancia (m)
K
-
p
l
a
n
a
(
r
)
0
0 50 100 150 200 250 300 350
600000
500000
400000
300000
200000
100000
Obs Teo Lmite superior e inferior
400
Distancia (m)
K
-
r
e
d
(
r
)
0
0 50 100 150 200 250 300 350
350
300
250
200
150
100
50
Obs Teo Lmite superior e inferior
450
doce casos (bancos: aglomerado; alimentos preparados: aglomerado; elec-
trnico: aglomerado; iglesias: aleatorio; merceras: aglomerado; mueble-
ras: aglomerado; restaurantes: aglomerado; ropa: aglomerado; zapateras:
aglomerado) (grficas 2, 3 y 4). Slo en tres casos arrojan resultados dife-
rentes: farmacias, escuelas y abarrotes (grficas 5, 6 y 7). En los tres lti-
mos casos la funcin K
plana
caracteriza los patrones como aleatorios,
mientras que la funcin K
red
los califica como aglomerados, ya que permite
una estimacin ms fina de los patrones espaciales en espacios intraurba-
115 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
Grfica 4. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: merceras
Fuente: Elaboracin propia.
700000
600000
Distancia (m)
K
-
p
l
a
n
a
(
r
)
0
0 50 100 150 200 250 300 350
500000
400000
300000
200000
100000
Obs Teo Lmites superior e inferior
9000
8000
Distancia (m)
K
-
r
e
d
(
r
)
0
0 50 100 150 200 250 300 350
7000
6000
5000
4000
3000
2000
1000
Obs Teo Lmites superior e inferior
nos, donde la distancia en red es ms significativa que la distancia eucli-
diana. Esto es particularmente importante en los casos lmite, donde la
funcin K
plana
observada tiende a ubicarse cerca de los lmites de los nive-
les de confianza. Para el caso de las escuelas, la funcin K
plana
caracteriza
su patrn como cla ramente aleatorio, pues prcticamente a lo largo de
toda la distancia calcu lada est por debajo del lmite superior del nivel de
confianza, mientras que la funcin K
red
lo identifica como ligeramente
aglomerado a prcticamente todas las distancias. La estimacin ms fina
116 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
de la funcin K
red
es an ms clara en el caso de las farmacias, ya que
mientras la funcin K
plana
observada se localiza muy cerca del lmite supe-
rior de confianza, la funcin K
red
se ubica claramente por encima del lmite
superior, con lo que ca racteriza el patrn espacial como evidentemente
aglomerado. La situacin es distinta en el caso de los abarrotes, donde la
funcin K
plana
oscila por debajo del nivel superior, pero en K
red
oscila por
encima del nivel superior de confianza, con lo que declara una ligera aglo-
meracin (grficas 2 a 7).
Grfica 5. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: farmacias
Fuente: Elaboracin propia.
600000
500000
Distancia (m)
K
-
p
l
a
n
a
(
r
)
0
0 50 100 150 200 250 300 350
400000
300000
200000
100000
Obs Teo Lmites superior e inferior
450
400
Distancia (m)
K
-
r
e
d
(
r
)
0
0 50 100 150 200 250 300 350
350
300
250
50
200
150
100
Obs Teo Lmites superior e inferior
117 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
Por lo tanto, si bien en la mayora de los casos las funciones K
plana
y
K
red
coin ciden en la caracterizacin de los patrones espaciales de las unidades
econmicas en la zona de estudio (aglomerado, disperso, aleatorio), en los
casos lmite (donde la funcin K
plana
observada se localiza cerca de los lmi-
tes de confianza) la funcin K
red
parece ofrecer una caracterizacin ms
evidente y precisa de los patrones espaciales. Vale subrayar que en estos
casos lmite la diferencia en la caracterizacin de los patrones radica en
calificarlos como aleatorios o como aglomerados/dispersos; es decir, se tra-
Grfica 6. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: escuelas
Fuente: Elaboracin propia.
450000
400000
Distancia (m)
K
-
p
l
a
n
a
(
r
)
0
0 50 100 150 200 250 300 350
350000
300000
250000
50000
200000
150000
100000
Obs Teo Lmites superior e inferior
900
800
Distancia (m)
K
-
r
e
d
(
r
)
0
0 50 100 150 200 250 300 350
700
600
500
100
400
300
200
Obs Teo Lmites superior e inferior
118 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
ta de una diferencia entre los patrones topolgicamente ms prximos
(aleatorio-aglomerado; aleatorio-disperso), pero no se detectaron casos en
los que la caracterizacin de los patrones de las funciones K fueran diame-
tralmente opuestas: concentrado-disperso o viceversa. En los casos lmite
de la zona de estudio, las diferencias de caracterizacin de los patrones
espaciales son casi de matiz, y son mejor detectadas por la funcin K
red
.
Grfica 7. Comparacin de la funcin K plana contra la funcin K red,
giro seleccionado: abarrotes
Fuente: Elaboracin propia.
Distancia (m)
K
-
p
l
a
n
a
(
r
)
0 50 100 150 200 250 300 350
450000
400000
0
350000
300000
250000
50000
200000
150000
100000
Obs Teo Lmites superior e inferior
Distancia (m)
K
-
r
e
d
(
r
)
0 100 200 300 400
1400
800
0
1000
1200
600
400
200
Obs Teo Lmites superior e inferior
119 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
III.1.2. Variaciones territoriales de los
patrones espaciales predominantes
Los patrones espaciales de las unidades econmicas pueden ser aglomera-
dos, dispersos o aleatorios a prcticamente cualquier escala (i.e. distan-
cia), o pueden registrar variaciones en el territorio (i.e. ser aglomerados a
una cierta escala, pero evidentemente dispersos o aleatorios a otra). A los
primeros los denominamos patrones espaciales puros, y a los segundos,
patrones espaciales mixtos. En la zona de estudio con la funcin K
plana
se
detectaron cuatro patrones espaciales mixtos (tres predominantemente
aleatorios: abarrotes, escuelas y farmacias, y uno predominantemente aglo-
merado: bancos), mientras que en la funcin K
red
se identificaron dos (uno
predominantemente aleatorio: iglesias, y uno predominantemente aglo-
merado: abarrotes) (cuadro 2; grficas 2 a 7).
Los patrones aleatorios mixtos detectados por la funcin K
plana
son de-
clarados como patrones puros por la funcin K
red
, excepto el caso de los
abarrotes, que se encuentra como un caso lmite y en el que ambas funcio-
nes lo declararon como mixto, slo que en la funcin K
red
se presenta una
conclusin de aglomeracin y en la funcin K
plana
de aleatoriedad. El caso
de las iglesias es distinto: la funcin K
red
lo declara como aleatorio mixto
dado que existe una ligera aglomeracin a corta distancia, situacin que
no se presenta en la funcin K
plana
; esto se debe al nmero relativamente
pequeo de unidades localizadas, que obliga a tener una banda ms am-
plia en los niveles de confianza. Por otro lado, los patrones puros detecta-
dos por la funcin K
plana
son confirmados ms evidentemente por la funcin
K
red
, por lo que esta ltima pareciera delinear una imagen ms clara de las
variaciones territoriales de los patrones espaciales de las unidades econ-
micas en espacios intraurbanos con una estructura vial de alta densidad
(algo similar concluyen Lu y Chen, 2006, cuando analizan el patrn espa-
cial de robo de autos en San Antonio, Texas), al contrario de lo que se ha
reportado para espacios regionales con baja densidad de carreteras (Ya-
mada y Thill, 2004).
Aun cuando en la mayora de los casos las funciones K
plana
y K
red
llegan
a las mismas conclusiones acerca de la presencia de aglomeracin espacial
de unidades econmicas en nuestra rea de estudio, es evidente que am-
bas formas de clculo no indican la misma magnitud de concentracin, ni
su presencia a las mismas escalas (distancias). Justamente, esto es lo que
se explora en la siguiente seccin.
120 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
III.2. Escala de la aglomeracin/dispersin
Para determinar la distancia a la que se establece la mxima aglomeracin
(dispersin) de las unidades econmicas consideradas, se calcularon dos
indicadores que involucran relaciones entre el valor observado K
obs
(r) y
el lmite superior de su nivel de confianza K
ls
(r) . El primero de ellos se ob-
tiene de la ecuacin 16, y permite identificar la distancia donde la aglome-
racin alcanza su valor mximo absoluto (Duranton y Overman, 2006).
M(r) = K
obs
(r) K
ls
(r) (16)
El cuadro 3 muestra los resultados del clculo de la ecuacin M cuando
sta llega a su mximo valor, tanto en la funcin K
plana
como en la funcin
K
red
, y se identifican las coincidencias y divergencias.
Cuadro 3. Distancia de mxima aglomeracin: ecuacin M
a) Funcin K
plana
b) Funcin K
red
Giro Distancia Giro Distancia
Iglesias* Iglesias 63
Escuelas 27 Abarrotes 258
Abarrotes 160 Farmacias 316
Alimentos preparados 251 Escuelas 337
Bancos 302 Alimentos preparados 337
Merceras 309 Bancos 337
Farmacias 327 Merceras 337
Electrnicos 334 Electrnicos 337
Restaurantes 335 Restaurantes 337
Muebleras 337 Muebleras 337
Ropa 337 Ropa 337
Zapateras 337 Zapateras 337
Fuente: Elaboracin propia. *El patrn predominante es aleatorio; por lo tanto, no hay distan-
cia de mxima aglomeracin.
121 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
Como puede observarse, la funcin K
plana
tiende a subestimar la distancia
de mxima aglomeracin absoluta, debido, sobre todo, a que estima la dis-
tancia entre las unidades econmicas en lnea recta (a vuelo de pjaro),
mientras que la funcin K
red
la estima a travs de la red de vialidades. La
excepcin es el caso lmite de las farmacias, donde la funcin K
plana
registra
la mxima aglomeracin a una distancia mayor que la calculada en la
funcin K
red
.
Es importante resaltar que las distancias de mxima aglomeracin se
dan a la distancia mxima calculada por la funcin K, lo que es muy evi-
dente sobre todo en la funcin K
red
y sugiere que muy probablemente la
aglomeracin contina ms a all de la distancia mxima calculada.
III.3. Intensidad de la concentracin/dispersin de los patrones espaciales
Para determinar la intensidad del fenmeno de aglomeracin (dispersin
o rechazo espacial), ya sea en trminos absolutos o relativos, se grafic el
indicador M(r) que muestra las magnitudes absolutas de la aglomeracin.
Sin embargo, M(r) slo permite la comparacin entre las diversas distri-
buciones dentro de la funcin K
plana
o K
red
, pero no entre ellas; es por ello
que se proponen dos ndices de concentracin comparables entre los dos
mtodos (el ndice IC y el ndice IC).
IC calcula la proporcin de exceso de unidades econmicas (aglomera-
cin) respecto al lmite superior del nivel de confianza a una distancia de-
terminada (Dixon, 2002), y est dada por la ecuacin (17).
(17)
IC es un ndice de concentracin promedio que relativiza la magnitud del
rea entre las curvas definidas por K
obs
(r) y K
ls
(r) respecto a K
ls
(r), y est
dado por la ecuacin (18).
(18)
Donde:
i: representa cada uno de los intervalos en los que se calcul la funcin
K(r).
Estos ndices sern mayores que 1.0 si existe aglomeracin, y menores que
1.0 si existe aleatoriedad o dispersin.
IC(r) =
K
obs
(r)
K
ls
(r)
IC(r) =
S
i
(K
obs
(r
i
) K
ls
(r
i
))
S
i
K
ls
(r
i
)
122 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
As, al considerar la magnitud absoluta [indicador M(r)] para la funcin
K
plana
, son las unidades econmicas de electrnicos, merceras y mueble-
ras las que muestran mayor intensidad en su concentracin espacial,
mientras que para la funcin K
red
la mxima aglomeracin absoluta se
observa en ropa, merceras y zapateras (grficas 8a y 8b).
La funcin K
red
resalta las aglomeraciones con un mayor nmero de
establecimientos (310 para ropa, 167 para merceras) con corredores espe-
Grfica 8. Intensidad de la concentracin/dispersin: funcin M
Fuente: Elaboracin propia.
Distancia (m)
(a)
Funcin K
plana
M
(
r
)
0 50 200 250 350 100 150 300
Muebleras Merceras Electrnicos
300 000
150 000
0
200 000
250 000
100 000
50 000
Distancia (m)
(b)
Funcin K
red
M
(
r
)
0 50 200 250 350 100 150 300
Ropa Merceras Zapateras
12000
6000
0
8000
10000
4000
2000
123 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
cializados de mayor extensin que abarcan varias calles y manzanas,
mientras que la funcin K
plana
resalta las concentraciones que tienen una
distribucin espacial de corredor especializado ms pequeo pero ms
concentrado (como el caso de electrnicos y muebleras, cuyo corredor es-
pecializado en el rea de estudio abarca apenas una calle que concentra
cerca de 50 por ciento de los establecimientos). Esto pareciera indicar que
la funcin K
red
puede detectar de mejor manera las aglomeraciones a nivel
de toda la zona de estudio, y la K
plana
detecta las aglomeraciones a distan-
cias ms cortas (donde afecta menos considerar la distancia euclidiana).
Si se calcula el IC(r) para las distancias de mxima aglomeracin abso-
luta se obtienen los resultados que se muestran en el cuadro 4. Para el
caso de la funcin K
plana
, este ndice no es mayor que 1.0 en el caso de las
iglesias, mientras que los giros de merceras, electrnicos, escuelas y zapa-
teras registran los ndices ms altos. As, por ejemplo, para el caso de las
Cuadro 4. IC: ndice de concentracin
a) Funcin K
plana
b) Funcin K
red
Giro IC(r) Giro IC(r)
Merceras 1.79 Zapateras 2.63
Electrnicos 1.69 Merceras 2.48
Escuelas 1.63 Muebleras 2.44
Zapateras 1.63 Bancos 2.24
Muebleras 1.60 Iglesias 2.00
Ropa 1.42 Ropa 1.99
Bancos 1.34 Farmacias 1.73
Restaurantes 1.20 Electrnicos 1.64
Farmacias 1.18 Restaurantes 1.59
Alimentos preparados 1.10 Alimentos preparados 1.18
Abarrotes 1.07 Abarrotes 1.15
Iglesias
Escuelas 1.07
Fuente: Elaboracin propia. *El patrn predominante es aleatorio; por lo tanto, no hay distan-
cia de mxima aglomeracin.
124 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
merceras un IC de 1.79 implica que existe 79 por ciento ms unidades
econmicas de este giro que lo que se esperara de una distribucin deriva-
da de un proceso de localizacin completamente aleatorio, si se consideran
los niveles de confianza. La funcin K
red
,
nuevamente debido a la forma del
clculo de la distancia, estima mejor el valor de IC prcticamente en todos
los giros, excepto en el de electrnicos y en el caso lmite de las escuelas,
donde la funcin K
plana
detect un pico de mxima aglomeracin alto, cuan-
do en realidad su patrn fue declarado como aleatorio o como de mnima
aglomeracin en el caso de K
red
, y que como se ha resaltado, esta variacin
es explicable en razn del nmero relativamente pequeo de unidades lo-
calizadas en el rea de estudio.
El IC(r)ofrece un panorama ms claro y concluyente (cuadro 5); por un
lado, declara como aleatorios/dispersos para el caso de la funcin K
plana
los
giros de iglesias, escuelas y abarrotes, mientras que en la funcin K
red
slo
el de iglesias cae en esta categora. En todos los casos, el indicador es ma-
Cuadro 5. IC: ndice de concentracin promedio
a) Funcin K
plana
b) Funcin K
red
Giro IC(r) Giro IC(r)
Iglesias -0.6032 Iglesias -0.0383
Escuelas -0.1449 Abarrotes 0.0944
Abarrotes -0.0457 Escuelas 0.1013
Farmacias 0.0411 Alimentos preparados 0.2333
Alimentos preparados 0.0847 Farmacias 0.5766
Restaurantes 0.2044 Restaurantes 0.5899
Bancos 0.2919 Bancos 1.1569
Ropa 0.6621 Ropa 1.2387
Zapateras 0.8341 Zapateras 1.7993
Electrnicos 1.0432 Merceras 1.8839
Muebleras 1.0825 Electrnicos 2.3516
Merceras 1.1058 Muebleras 2.4218
Fuente: Elaboracin propia.
125 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
yor en la K
red
que en la K
plana
, con lo que se confirma que la funcin K
plana
subestima los niveles de aglomeracin respecto a K
red
.
En su jerarqua re-
lativa la
K
plana
defini como ms aglomerados los giros de merceras, mue-
bleras y electrnicos, mientras que la funcin K
red
define un orden
distinto: muebleras, electrnicos y merceras.
Dado que la estructura vial del centro del AMT registra una alta densi-
dad de calles, la diferencia relativa entre la distancia en red y la distancia
euclidiana es menor que si el anlisis se realizara a escala regional usan-
do la estructura carretera (Lu y Chen, 2006). No obstante, aun en un espa-
cio intraurbano con alta densidad de vialidades, la funcin K
plana
tiende a
subestimar la caracterizacin de aglomeracin respecto a la funcin K
red
,
como ocurre en nuestra rea de estudio. Adicionalmente, el hecho de que
la distancia de mxima aglomeracin se obtenga a menores valores en la
K
plana
que en la K
red
confirma que la distancia euclidiana es significativa-
mente ms corta que la distancia en red, por lo que la funcin K
red
refleja
ms fielmente los patrones observados de aglomeracin de los estableci-
mientos. Es as, sobre todo, para el centro del AMT, donde la actividad eco-
nmica se observa principalmente en corredores comerciales de forma
irregular (i.e. cruces de calles o pequeas calles especializadas).
Las posiciones relativas del IC(r) calculado con ambos mtodos mues-
tran pocas diferencias, siendo el giro de merceras el que presenta, en todo
caso, la mayor diferencia debido al elevado nmero de unidades econmicas
concentradas en un corredor especializado muy definido del CTN del AMT.
IV. Conclusiones
El propsito de este trabajo fue analizar las coincidencias y divergencias
de los resultados de las funciones K
plana
y K
red
en la caracterizacin (aglo-
meracin/dispersin o rechazo espacial/aleatoriedad), escala (localizacin
del pico de mxima intensidad de la aglomeracin/dispersin) e intensi-
dad (ms o menos unidades econmicas respecto a una distribucin en
condiciones de CSR) de los patrones de localizacin de unidades econmicas
terciarias en el CTN del AMT (Mxico). Para el clculo de las funciones K
plana
y K
red
se utilizaron como herramientas computacionales Spatstat y SANET,
respectivamente. Con estas herramientas fue posible manejar sin proble-
ma el rea de estudio considerada, organizar y procesar la informacin, y
determinar la caracterizacin, escala e intensidad de la aglomeracin/dis-
persin de los patrones espaciales de las unidades econmicas en el espa-
cio intraurbano.
126 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
Contra lo que reporta la literatura especializada (Yamada y Thill,
2004), para la zona de estudio seleccionada la funcin K
plana
no sobreesti-
m el patrn de aglomeracin de las actividades terciarias, debido a la alta
densidad de la estructura vial en la zona y a su estructura comercial. Ms
bien ocurri lo contrario: aun en un espacio intraurbano con alta densidad
de vialidades, como el CTN del AMT, la funcin K
plana
subestim los patrones
de aglomeracin. Cabe mencionar que la estructura comercial del CTN del
AMT se articula bsicamente a travs de corredores especializados para los
giros que resultaron ser ms aglomerados. En estas circunstancias la fun-
cin K
red
los detect ms claramente, por lo que es ms recomendable su
uso a escala intraurbana y para este tipo de estructura comercial. Sin
duda, la funcin K
red
fue ms concluyente y ms fina en sus apreciaciones
de aglomeracin, mientras que la funcin K
plana
tuvo resultados mixtos o
en los lmites de los niveles de confianza.
Se debe subrayar que el nmero de establecimientos considerados para
cada giro tiene un impacto en la generacin de las simulaciones para de-
terminar los niveles de confianza, y es por ello que, en el caso especfico de
este trabajo, para giros como iglesias, farmacias y bancos, en los que se
ubic un nmero relativamente pequeo de establecimientos en el rea de
estudio, fue ms difcil declarar un patrn de aglomeracin o aleatoriedad
en cada uno de los mtodos considerados. As, en el espacio intraurbano,
mientras mayor sea el nmero de puntos considerados, mayor ser la coin-
cidencia en la caracterizacin de los patrones de las funciones K
plana
y K
red
,
porque las bandas de los niveles de confianza tienden a acercarse a la fun-
cin K terica.
El hecho de que en la mayora de los casos el mximo de aglomeracin
absoluto se obtenga a la distancia mxima a la que se calcul la funcin K
sugiere que la aglomeracin contina ms all de la distancia calculada,
por lo que es posible, para caracterizar patrones espaciales bsicos de fir-
mas terciarias en el espacio intraurbano, incrementar el lmite ms all
del valor sugerido por el software utilizado para la funcin K
plana
.
En esta investigacin se propusieron y calcularon los indicadores M, IC
e IC para determinar la escala e intensidad de las aglomeraciones de una
manera ms precisa y evaluable que la sola interpretacin de las grficas
resultantes de las funciones K. Estos indicadores son complementarios,
pero slo los ndices IC e IC son comparables entre K
plana
y K
red
, ya que el
indicador M est dado en unidades bidimensionales para el caso de K
plana
y
unidimensionales para K
red
. En contraparte, los ndices IC e IC relativizan
las funciones K, lo que facilita notablemente su comparacin. El indicador
127 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
IC, en particular, puede considerarse como un indicador cuantitativo ms
concluyente para determinar el patrn espacial predominante que la sim-
ple inspeccin visual.
El trabajo emprico realizado con ambos mtodos tendr que comple-
mentarse para otros giros comerciales y de servicios, y para otros espacios
intraurbanos en los que se presente una estructura vial distinta o bien
una estructura comercial ms nucleada; por ejemplo, plazas y centros co-
merciales; pero en cualquier caso, a una escala intraurbana la funcin K
red
parece ser el mtodo ms adecuado para medir los niveles de aglomeracin,
su escala y su intensidad. Las herramientas computacionales disponibles
permiten realizar todos los clculos asociados sin grandes complicaciones,
lo que le facilita al analista concentrarse en el estudio de los resultados y
no en el desarrollo matemtico.
Referencias bibliogrficas
Albert, J. M., J. Mateu y V. Orts (2007), Distribucin espacial de la activi-
dad econmica en la Unin Europea, WP-EC 2007-02, Valencia, Instituto
Valenciano de Investigaciones Econmicas.
Anselin, L. (1992), Spatial Data Analysis with GIS: An Introduction to
Application in the Social Sciences, technical report 92-10, agosto, Santa
Barbara, University of California, National Center for Geographic In-
formation and Analysis.
______ (1995), Local Indicators of Spatial Association (LISA), Geographi-
cal Analysis, 27 (1), pp. 93-115.
Arbia, G. (2001), Modelling the Geography of Economic Activities in a
Continuous Space, Papers in Regional Sciences, 80 (4), pp. 411-424.
Arbia, G., G. Espa y D. Quah (2007), A Class of Spatial Econometric Me-
thods in the Empirical Analysis of Clusters of Firms in the Space, dis-
cussion paper 5, Universidad de Trento, Departamento de Economa.
Baddeley, A. y R. Turner (2005), Spatstat: An R Package for Analyzing Spa-
tial Point Patterns, Journal of Statistical Software, 12 (6), pp. 1-42.
Bailey, T. C. y A. C. Gatrell (1995), Interactive Spatial Data Analysis, Long-
man, Harlow, Reino Unido.
Bertinelli, L. y J. Decrop (2005), Geographical Agglomeration: Ellison and
Glaesers Index Applied to the Case of Belgian Manufacturing Indus-
try, Regional Studies, 39 (5), pp. 567-583.
Clark, P. J. y F. C. Evans (1954), Distance to Nearest Neighbor as a Measu-
re of Spatial Relationships in Populations, Ecology, 35 (4), pp. 445-453.
128 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
Cressie, N. (1993), Statistics for Spatial Data, Nueva York, John Wiley &
Sons.
Cuthbert, A. L. y W. P. Anderson (2004), Using Spatial Statistics to Exa-
mine the Pattern of Urban Land Development, The Professional Geo-
grapher, 54 (4), pp. 521-532.
Devereux, M. P., R. Griffith y H. Simpson (2004), The Geographic Distri-
bution of Production Activity in the UK, Regional Science and Urban
Economics, 34 (5), pp. 533-564.
Diggle, P. J. (2003), Statistical Analysis of Spatial Point Patterns, 2a. ed.,
Londres y Nueva York, Oxford University Press.
Dixon, P. M. (2002), Ripleys K Function, en A. H. El-Shaarawi y W. W.
Piegorsch, Encyclopedia of Environmetrics, 3, Chichester, John Wiley
& Sons, pp. 1796-1803.
Duranton, G. y H. G. Overman (2005), Testing for Localization Using Mi-
cro-Geographic Data, Review of Economic Studies, 72 (4), pp. 1077-
1106.
______ (2006), Exploring the Detailed Location Patterns of UK Manufac-
turing Industries Using Microgeographic Data, discussion paper 756,
octubre, Londres, Centre for Economic Performance, London School for
Economics and Political Science.
Ellison, G. y E. L. Glaeser (1997), Geographic Concentration in U.S. Ma-
nufacturing Industries: A Dartboard Approach, Journal of Political
Economy, 105 (5), pp. 889-927.
Fujita, M. (1988), A Monopolistic Competition Model of Spatial Agglome-
ration: A Differentiated Product Approach, Regional Science and Ur-
ban Economics, 18 (1), pp. 87-124.
Fujita, M. y J.-F. Thisse (2002), The Economics of Agglomeration, Cam-
bridge, Cambridge University Press.
Fujita, M. y P. Krugman (2004), The New Economic Geography: Past,
Present and the Future, Papers in Regional Science, 83 (1), pp. 139-
164.
Fujita, M., P. Krugman y A. Venables (1999), The Spatial Economy, Bos-
ton, The MIT Press.
Garrocho, C. y J. Campos (2007), Dinmica de la estructura policntrica
del empleo terciario en el rea metropolitana de Toluca, 1994-2004,
Papeles de Poblacin, 13 (52), abril-junio, pp. 109-136.
Garrocho, C. y Z. Flores (2009a), Delimitacin del centro tradicional de
comercio y servicios del rea metropolitana de Toluca, Papeles de Po-
blacin, 15 (61), pp. 233-274.
129 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
_______ (2009b), Metodologa para delimitar centros tradicionales de ne-
gocios en ciudades mexicanas a partir de la intensidad de flujos peato-
nales, en D. Velzquez, M. E. Orozco y L. Castillo (coords.), Ciudades,
urbanizacin y metropolizacin, Mxico, Universidad Autnoma de
Quintan Roo-Universidad Autnoma del Estado de Mxico-Plaza y Val-
ds, pp. 11-46.
Gatrell, A. C., T. C. Bailey, P. J. Diggle y B. S. Rowlingson (1996), Spatial Po-
int Pattern Analysis and its Application in Geographical Epidemiology,
Transactions of the Institute of British Geographers, 21 (1), pp. 256-274.
Getis, A. y J. Franklin (1987), Second-order Neighborhood Analysis of
Mapped Point Patterns, Ecology, 68 (3), pp. 473-477.
Glaeser, E. L., H. D. Kallal, J. A. Scheinkman y A. Shleifer (1992), Growth
in Cities, The Journal of Political Economy, 100 (6), pp. 1126-1152.
Guillain, R. y J. Le Gallo (2007), Agglomeration and Dispersion of Econo-
mic Activities in Paris and its Surroundings: An Exploratory Spatial
Data Analysis, Regional Economics Applications Laboratory Discus-
sion Paper 06-T-10.
Holmes, T. J. y J. J. Stevens (2004), Spatial Distribution of Economic Activi-
ties in North America, en V. Henderson y J.-F. Thisse (eds.), Handbook
of Urban and Regional Economics: Cities and Geography, msterdam,
Elsevier.
Kosfeld, R., H.-F. Eckey y J. Lauridsen (2009), Spatial Point Pattern Analy-
sis and Industry Concentration, MAGKS Papers on Economics, Philipps-
Universitt Marburg, Marburgo, Alemania, Facultad de Administracin
de Negocios, Departamento de Economa.
Krugman, P. (1991a), Increasing Returns and Economic Geography, The
Journal of Political Economy, 99 (3), pp. 483-499.
______ (1991b), Geography and Trade, Cambridge, The MIT Press.
Lee, Y. (1979), A Nearest-Neighbor Spatial-Association Measure for the
Analysis of Firm Interdependence, Environment and Planning A, 11
(2), pp. 169-176.
Levine, N. (2004), CrimeStat: A Spatial Statistics Program for the Analysis
of Crime Incident Locations, V.3.0, Houston y Washington, Ned Levine
& Associates y The National Institute of Justice.
Lu, Y. y X. Chen (2006), On the False Alarm of Planar K-function when
Analyzing Urban Crime Distributed along Streets, Social Science Re-
search, 36 (2), pp. 611-632.
Manly, B. F. J. (1997), Randomization, Bootstrap and Monte Carlo Methods
in Biology, 2a. ed., Londres, Chapman.
130 Garrocho, lvarez-Lobato y Chvez: Aglomeracin espacial de establecimientos comerciales
Marcon, E. y F. Puech (2003), Evaluating the Geographic Concentration
of Industries Using Distance-Based Methods, Journal of Economic
Geography, 3 (4), pp. 409-428.
Marshall, A. (1920), Principles of Economics: An Introductory Volume, 8a.
ed., Londres, MacMillan.
Maurel, F. y B. Sdillot (1999), A Measure of the Geographic Concentra-
tion in French Manufacturing Industries, Regional Science and Ur-
ban Economics, 29 (5), pp. 575-604.
Mella, P. (2006), Spatial Co-Location of Firms and Entrepreneurial Dyna-
mics: The Combinatory Systems View, Entrepreneurship Manage-
ment, 2 (3), pp. 391-412.
Miller, H. J. (1999), Potential Contribution of Spatial Analysis to Geogra-
phic Information Systems for Transportation (GIS-T), Geographical
Analysis, 31 (4), pp. 373-399.
Mitchell, A. (2005), The ESRI Guide to GIS Analysis, vol. 2: Spatial Measure-
ment & Statistics, Redlands, California, ESRI Press.
Mori, T., K. Nishikimi y T. E. Smith (2005), A Divergence Statistic for In-
dustrial Localization, The Review of Economics and Statistics, 87 (4),
pp. 635-651.
Myint, S. W. (2008), An Exploration of Spatial Dispersion, Pattern, and
Association of Socio-Economic Functional Units in an Urban System,
Applied Geography, 28 (3), pp. 168-188.
Okabe, A., H. Yomono y M. Kitamura (1995), Statistical Analysis of the
Distribution of Points on a Network, Geographical Analysis, 27 (2), pp.
152-175.
Okabe, A. e I. Yamada (2001), The K-Function Method on a Network and
its Computational Implementation, Geographical Analysis, 33 (3), pp.
271-290.
Okabe, A., K. Okunuki y S. Zooide (2007), SANET: A Toolbox for Spatial
Analysis on a Network, Version 3.3-030907, Tokio, Universidad de To-
kio, Center for Spatial Information Science.
Okabe, A. y M. Kitamura (1996), A Computational Methods for Optimi-
zing the Location of Store on a Network, Geographical Analysis, 28 (4),
pp. 330-349.
Okabe, A. y T. Satoh (2006), Uniform Network Transformation for Points
Pattern Analysis on a Non-Uniform Network, Journal of Geographical
Systems, 8 (1), pp. 25-37.
Openshaw, S. (1984), The Modifiable Areal Unit Problem: Concepts and
Techniques in Modern Geography, Norwich, Reino Unido, Geo Books.
131 economa mexicana NUEVA POCA, vol. XXI, nm. 1, primer semestre de 2012
OSullivan, A. (2007), Urban economics, Boston, McGraw-Hill.
Ottaviano, G. y J.-F. Thisse (2003), Agglomeration and Economic Geogra-
phy, en J. Vernon Henderson y J.-F.Thisse (eds.), Handbook of Regio-
nal and Urban Economics, vol. 4, msterdam, Elsevier, pp. 2563-2608.
Quah, D. y H. Simpson (2003), Spatial Cluster Empirics, trabajo en curso,
London School of Economics, Economics Department e Institute for
Fiscal Studies, junio.
Ripley, B. D. (1976), The Second-Order Analysis of Stationary Point pro-
cess, Journal of Applied Probability, 13 (1), pp. 255-266.
______ (1981), Spatial Statistics, Chichester, Brisbane, Toronto, Nueva
York, John Wiley & Sons.
______ (1988), Statistical Inference for Spatial Processes, Cambridge, Cam-
bridge University Press.
Robinson, W. S. (1950), Ecological Correlations and the Behavior of
Individuals, American Sociological Review, 15 (3), pp. 351-357.
Rosenthal, Stuart S. y William C. Strange (2004) , Evidence on the Natu-
re and Sources of Agglomeration Economies , en J. V. Henderson y J.
Thisse (eds.), Handbook of Regional and Urban Economics, vol. 4,
msterdam , disponible en: http://www.econ.brown.edu/faculty/hen-
derson/willandstuart.pdf [ fecha de consulta: septiembre de 2011].
Rysman, M. y S. Greenstein (2005), Testing for Agglomeration and Dis-
persion, Economics Letters, 86 (3), pp. 405-411.
Smith, T. E. (2009), Notebook on Spatial Data Analysis, libro electrnico,
pp. I.4.9-I.4.11, disponible en: http://www.seas.upenn.edu/~ese502/#
notebook [fecha de consulta: septiembre de 2009].
Stoyan, D. y H. Stoyan (1994), Fractals, Random Shapes and Point Fields:
Methods of Geometrical Statistics, Chichester, Wiley.
Venables, A. J. (1996), Equilibrium Locations of Vertically Linked Indus-
tries, International Economic Review, 37 (2), pp. 341-359.
Xu, J. (2002), Detect Seasonal Pattern Change of DVAs in the Town of
Amherst Using Network K-function, documento y ponencia presenta-
dos en el 2002 Summer Assembly of the University Consortium of Geo-
graphic Information Science, 26-30 de junio, Athens, Georgia.
Yamada, I. y J.-C. Thill (2004), Comparison of Planar and Network K-
Functions in Traffic Accident Analysis, Journal of Transport Geogra-
phy, 12 (2), pp. 149-158.