La importancia del espacio en la economía con el COVID-19 como excusa

Abstract

RESUMEN El papel del espacio en la economía no se limita a ser únicamente el soporte físico en el que se desarrollan los acontecimientos del que muchas veces se prescinde a la hora de formular teorías y modelos. Parte de su importancia se debe a las características de los fenómenos y de los datos espaciales que, además de requerir en ocasiones un tratamiento específico, reflejan la existencia de fenómenos subyacentes que con fre-cuencia nos ayudarán a conocer mejor nuestro objeto de estudio. Aunque los fenó-menos que vamos a abordar son bien conocidos en muchas disciplinas, es todavía bastante común encontrarnos con análisis tanto por parte de algunos académicos, como de los gestores de las políticas públicas, que no los tienen en cuenta. Por ello, el objetivo de este trabajo es doble. Por un lado, utilizando analogías con el COVID-19, destacaremos la importancia de algunos fenómenos y efectos espaciales, y a seña-lar la relevancia que la elección de la unidad territorial de análisis tiene para com-prender mejor el funcionamiento de la Economía. Y, por el otro, repasaremos algu-nas de las herramientas que podemos utilizar para incorporar adecuadamente el espacio a nuestros análisis. PALABRAS CLAVE MAUP, problema de la unidad de área modificable, efectos y fenómenos espaciales. 301 El autor agradece los comentarios y sugerencias de Josep.María Arauzo-Carod, de Miguel Gómez-Antonio y de Federico Pablo-Martí, que no son responsables de los errores u omisiones que pueda tener el texto.

Full text

— 817 —
CAPÍTULO 38
LA IMPORTANCIA DEL ESPACIO EN LA ECONOMÍA
CON EL COVID-19 COMO EXCUSA301
ÁNGEL ALAÑÓN-PARDO
Universidad Complutense de Madrid, España
RESUMEN
El papel del espacio en la economía no se limita a ser únicamente el soporte físico en
el que se desarrollan los acontecimientos del que muchas veces se prescinde a la hora
de formular teorías y modelos. Parte de su importancia se debe a las características de
los fenómenos y de los datos espaciales que, además de requerir en ocasiones un
tratamiento específico, reflejan la existencia de fenómenos subyacentes que con fre-
cuencia nos ayudarán a conocer mejor nuestro objeto de estudio. Aunque los fenó-
menos que vamos a abordar son bien conocidos en muchas disciplinas, es todavía
bastante común encontrarnos con análisis tanto por parte de algunos académicos,
como de los gestores de las políticas públicas, que no los tienen en cuenta. Por ello, el
objetivo de este trabajo es doble. Por un lado, utilizando analogías con el COVID-
19, destacaremos la importancia de algunos fenómenos y efectos espaciales, y a seña-
lar la relevancia que la elección de la unidad territorial de análisis tiene para com-
prender mejor el funcionamiento de la Economía. Y, por el otro, repasaremos algu-
nas de las herramientas que podemos utilizar para incorporar adecuadamente el
espacio a nuestros análisis.
PALABRAS CLAVE
MAUP, problema de la unidad de área modificable, efectos y fenómenos espaciales.
301 El autor agradece los comentarios y sugerencias de Josep.María Arauzo-Carod, de Miguel
Gómez-Antonio y de Federico Pablo-Martí, que no son responsables de los errores u
omisiones que pueda tener el texto.
*Alañón-Pardo, A. (2021): "La importancia del espacio en la Economía con el COVID-19 como excusa", En E.
Gallego Abaroa, R. Pérez Calle, y E. Trincado Aznar (coord.), Economía, Empresa y Justicia. Nuevos retos para el
futuro (pp. 817-831). Madrid: Dykinson.
*

— 818 —
INTRODUCCIÓN: EL ESPACIO Y SU IMPORTANCIA
Aunque inicialmente no se esperaba que las consecuencias de la epi-
demia de COVID-19 fueran muy graves fuera de China, éstas empeza-
ron pronto a notarse fuera de allí, ralentizando o paralizando cadenas
de suministro globales, o provocando la cancelación de eventos como
el Mobile World Congress. Casi de la noche a la mañana lo que co-
menzó como local devino en global. Veíamos con preocupación lo que
ocurría en territorios cercanos, y nos extrañábamos por su desigual
incidencia espacial. Y también comenzamos a discutir sobre temas
como la medición, las posibilidades de seguimiento, la distancia de
seguridad, sobre si la trasmisión se hacía mediante el movimiento de
las personas o de las partículas, y sobre si los confinamientos perime-
trales debían hacerse para los municipios, los distritos o las áreas sani-
tarias. De una forma u otra, implícita o explícitamente, hemos sido
más conscientes de la importancia que el espacio y los fenómenos es-
paciales juegan en nuestras vidas.
Los fenómenos subyacentes a las cuestiones referidas al final del párra-
fo anterior trascienden del ámbito de la epidemiología y de las políticas
públicas. De hecho, las especificidades y el carácter interdisciplinar del
espacio propiciaron el surgimiento a mediados del siglo pasado de la
ciencia regional302. Y algunas herramientas específicas para tratar estos
fenómenos, como la econometría espacial han experimentado un desa-
rrollo espectacular en las últimas décadas, y su uso en las ciencias socia-
les, antes marginal, se ha generalizado (Anselin, 2010).
Sin embargo, con frecuencia nos encontramos con la omisión de as-
pectos espaciales relevantes para el análisis de determinados fenómenos
económicos. En este artículo, vamos a describir algunos de los procesos
y fenómenos espaciales presentes en la pandemia, incidiendo en algu-
nos, como el problema de la unidad de área modificable, que son cru-
ciales en cuestiones que han generado discusión o controversia, como
302 La ciencia regional es una especie de cajón de sastre que recoge trabajos académicos de
distintas disciplinas como la economía, la geografía o la estadística, que tienen en común su
preocupación por el espacio. Para ampliar información véanse Isard (2012) o Cuadrado Roura
(2002) para el caso español.

— 819 —
la medición o la escala territorial de los confinamientos. La utilización
de analogías entre el comportamiento del COVID-19 y algunos fenó-
menos socioeconómicos nos permitirá entender mejor esta pandemia y
también la importancia del espacio en la economía.
Para ello, en el apartado 1 se expone qué se entiende por espacio y se
presentan los principales fenómenos y problemas espaciales. A conti-
nuación, en el apartado 2, se describen algunas de las herramientas que
se utilizan para representar o para tratar adecuadamente esos fenóme-
nos y problemas. Finalmente, se presentan las conclusiones.
1 ESPACIO, PROCESOS Y PROBLEMAS ESPACIALES
1.1. ¿A QUE NOS REFERIMOS CUANDO HABLAMOS DEL ESPACIO?
Antes de presentar los principales procesos espaciales y algunos de los
problemas que pueden ocasionar para el análisis económico conviene
concretar cuáles son algunas de las acepciones o significados más co-
munes del término espacio en Economía. Siguiendo a Polese y Rubiera
(2009) podemos entender el espacio como distancia, como lugar, o
como territorio. En el primer caso estamos aludiendo a la fricción que
implica la separación entre individuos, agentes o recursos produce y,
con frecuencia, estaremos tratando con costes de transporte o costes de
oportunidad. Como lugar, el espacio suele referirse a los conceptos de
centralidad, aglomeración y economías de escala. Así, en el primer caso
se destacan las distintas jerarquías que tienen los distintos emplaza-
mientos en virtud de las funciones que allí se desempeñan o de los
bienes y servicios que se producen o prestan. En el caso de la aglome-
ración se hace referencia a las ventajas o inconvenientes que para la
actividad económica puede generar la cercanía entre recursos o agentes
económicos. Y en el caso de las economías de escala se alude a los au-
mentos de productividad derivados de la concentración de la produc-
ción en el espacio. Finalmente, como territorio el espacio se convierte
en ámbito de intervención de la política económica.
Si bien podría parecer que en este artículo pudiéramos estar más in-
teresados en los últimos significados, en tanto que no vamos a tener en

— 820 —
cuenta ni costes de transporte ni costes de oportunidad, la distancia no
será ajena a nuestro análisis ya que juega un papel importante tanto en
los fenómenos espaciales como en las herramientas diseñadas para su
tratamiento.
1.2. LOS FENÓMENOS O PROCESOS ESPACIALES
En Haining (2003)303 se clasifican los procesos espaciales en cuatro
categorías: los de difusión, los de interacción, los que implican inter-
cambio y transferencia, y los de dispersión.
En los procesos de difusión304 un atributo de algunos integrantes de la
población se expande entre dicha población. El mecanismo de expan-
sión depende del atributo y puede operar de forma consciente o in-
consciente. de forma variada. Entre los ejemplos más conocidos de este
tipo de procesos están algunas enfermedades infecciosas como la gripe,
donde la difusión de la enfermedad es el resultado del contacto entre
infectados y no infectados, o el COVID-19, donde el virus también se
expande mediante procesos de dispersión. En economía uno de los
ejemplos paradigmáticos es la difusión de innovaciones tecnológicas305.
Cuando los resultados obtenidos en una localización ejercen influencia
y están influenciados por los que se obtienen en otras localizaciones
estamos ante procesos de interacción, siendo muchas veces los meca-
nismos de fijación de precios de establecimientos comerciales en una
determinada zona un reflejo del proceso acción y reacción que implica
la interacción (Haining, 2003).
Al igual que en los procesos de difusión la densidad y la distribución
espacial de la población tienen mucho que ver en cómo se expande el
atributo y en su tasa de difusión, la distribución espacial de los agentes
influye en el grado de interacción (Fik, 1991).
303 Algunos de los ejemplos que figuran en este apartado están tomados de dicha obra.
304 Para ampliar información sobre los procesos de difusión espacial véase Morril et al (2020).
305 Véase por ejemplo Autand-Bernard et al (2006) donde se repasa la literatura sobre la
geografía de la innovación.

— 821 —
Para encontrar ejemplos con connotaciones espaciales de procesos de
intercambio y transferencia en economía no hace falta ir muy lejos, ya
que el propio análisis del del flujo circular de la renta refleja con fre-
cuencia el intercambio de bienes y de servicios y la transferencia de
ingresos entre individuos y empresas que están en territorios próximos
entre sí. Ejemplos claros son los trabajos sobre multiplicadores regio-
nales o espaciales306. Todo ello puede reflejarse en la estructura espacial
del ingreso per cápita (Haining, 1987).
Finalmente están los procesos de dispersión. A diferencia de los proce-
sos de difusión donde los individuos de la población suelen tener una
ubicación fija y es el atributo el que se mueve, en los procesos de dis-
persión es la población o parte de ella, la que se mueve (Haining,
2003). Los movimientos migratorios son un ejemplo socioeconómico
claro de este tipo de procesos.
1.3. ALGUNOS PROBLEMAS ESPACIALES Y SUS CONSECUENCIAS
La existencia de los fenómenos espaciales referidos en el apartado ante-
rior y de algunas características inherentes a los datos espaciales causan
con frecuencia problemas cuando se quiere medir o representar alguna
variable referenciada espacialmente o cuando se aplican técnicas esta-
dísticas o econométricas a datos o a fenómenos espaciales. Además de
los problemas tradicionales recogidos en la literatura de análisis espa-
cial, como la heterogeneidad espacial, la autocorrelación o dependencia
espacial, y el problema de la unidad de área modificable o MAUP307,
debemos añadir los derivados de la movilidad de las personas. La im-
portancia de estos problemas no radica únicamente en el hecho de que
su tratamiento pueda ser más o menos complicado o en que puedan
invalidar el uso de algunas de las técnicas estadísticas o econométricas
más empleadas. Cuando son la manifestación de fenómenos subyacen-
tes si no los tratamos y representamos adecuadamente estamos per-
diendo poder explicativo.
306 Véanse Archibald (1967) o Domański y Gwosdz (2010).
307 Acrónimo en inglés de modifiable areal unit problem.

— 822 —
La heterogeneidad espacial se hace evidente si comparamos las caracte-
rísticas de las series de datos referidos al espacio con las que tienen las
series temporales, que suelen presentar una mayor homogeneidad.
Mientras que los territorios que constituyen un conjunto de datos
pueden tener distintos tamaños y formas, como serían las 50 provin-
cias españolas, en el caso temporal para el conjunto de España nos
encontramos con años, meses, semanas …, unas unidades de referencia
con poca o ninguna variación, y que si es relevante con frecuencia
puede ser tratada con facilitad308. Y lo mismo ocurre con el valor de las
variables que se representan. Siguiendo con el mismo ejemplo, la dis-
paridad entre la producción de una provincia y la de sus vecinas es
normalmente mayor que la que pueda haber para el conjunto nacional
en un año y el que le precede y el que le sigue. Esas disparidades suelen
traducirse en series en las que con frecuencia no siguen una distribu-
ción normal, y que si se aplican procedimientos estadísticos o econo-
métricos puede haber heteroscedastidad.
La heterogeneidad también hace referencia al diferente comportamien-
to de determinados fenómenos en el espacio. Así mientras en econo-
mía regional y urbana son clásicas las divisiones norte y sur, este y oes-
te, o centro y periferia cuando se analizan el crecimiento o la
distribución de la riqueza. Durante la pandemia hemos asistido a que
territorios próximos entre sí sufran sus consecuencias con distintos
grados de gravedad. Esto puede a que en algunos territorios interven-
gan variables diferentes o a que la forma funcional que siga el proceso
sea diferente.
Para entender mejor el concepto del siguiente problema espacial, la
dependencia o autocorrelación espacial309, debemos remitirnos a la
denominada primera ley de la geografía de Tobler, que señala que todo
308 Por ejemplo, en series de producción con frecuencia se añade una variable que capte el
número de días laborales para dar cuenta del denominado efecto calendario.
309 A lo largo de este texto vamos a utilizar los términos autocorrelación espacial y
dependencia espacial como sinónimos. No obstante, en sentido estricto el primero hace
referencia a la falta de independencia entre las observaciones, mientras que el segundo es
más amplio y puede aludir a los fenómenos que la causan.

— 823 —
está relacionado con todo lo demás, pero que las cosas más cercanas
tienen más en común entre sí que con las cosas más lejanas (Tobler,
1970). Hay autocorrelación espacial cuando una variable muestra un
patrón regular a lo largo del espacio por el cual sus valores en un con-
junto de localizaciones vienen explicados en parte por los valores que
adopta la misma variable en otras localizaciones (Odland, 1988): La
falta de independencia entre las observaciones es probablemente más la
regla que la excepción (Gould, 1970). Puede ser positiva, cuando los
valores de una variable en una ubicación son muy semejantes entre sí,
o negativa, cuando el grado de disimilitud dista de ser aleatorio. En la
figura 1 se presentan dos dameros donde las cuadrículas podrían hacer
referencia a distritos de un mismo municipio y la variable de estudio
podría hacer referencia a la incidencia el COVID-19. Si coloreásemos
los distritos con alta incidencia de la pandemia y dejásemos en blanco
aquellos con baja, la figura 1(a) sería el ejemplo de autocorrelación
espacial perfecta, ya que los distritos con incidencia parecida estarían
próximos en el espacio. En el caso de la figura 1(b), autocorrelación
negativa extrema, el grado disimilitud sigue un patrón claro, dista de
ser aleatorio.
Figura 1: Autocorrelación espacial positiva y negativa extremas. Fuente: Odland (1988)
Buena parte de las causas y de las consecuencias de los dos problemas
espaciales señalados anteriormente son semejantes a las de sus homólo-
gos no espaciales o de series temporales. Las soluciones adoptadas son
también, con frecuencia semejantes, lo que en principio nos podría

— 824 —
hacer pensar que no es necesario un tratamiento diferencial, aunque la
frecuencia y el grado de heterogeneidad o de autocorrelación sean mu-
cho mayores. Sin embargo, cabe destacar dos aspectos que recalcan la
singularidad del análisis espacial: la dificultad para su tratamiento, y
los fenómenos subyacentes que pueden estar detrás de la heterogenei-
dad o de la dependencia espacial.
Mientras que en series temporales la dependencia entre observaciones
es unidireccional en el caso espacial es multidireccional, lo que compli-
ca tanto la representación de la posible influencia entre observaciones
como el tratamiento que se le pueda dar.
Además, en ocasiones, lo interesante no es únicamente detectar si hay
o autocorrelación espacial, sino dilucidar si hay algún fenómeno sus-
ceptible de interpretación económica que pudiera explicarla. En el caso
de la figura 1(a) podríamos preguntarnos, por ejemplo, si mayores
niveles de renta van asociados al acceso a mejores prestaciones sanita-
rias, a mejores hábitos de vida, o a mayor posibilidad de teletrabajar o
de desplazamientos más cortos entre el hogar y el lugar de trabajo.
Quizá uno de los problemas más importantes que puede afectar tanto
a la representación de fenómenos como la incidencia del COVID-19
como a las medidas que se tomen para su contención sea de la unidad
de área modificable (MAUP)310, que debido a la forma y a la escala de
la unidad de agregación territorial elegida puede provocar resultados
distintos tanto en estadísticos resumen como en pruebas basadas en el
contraste de hipótesis. La figura 2 ilustra este problema:
310 Para más información veánse Openshaw (1981), Arbia (2012), o Fotheringham y Wong
(1991).

— 825 —
Figura 2: El problema de la unidad de área modificable. Tomado de Arbia (2012)
Imaginemos que los puntos son individuos o grupos humanos conta-
giados por COVID-19 dentro de una unidad territorial amplia, figura
2 (a). Si ese territorio estuviera dividido a su vez como refleja la figura
2 (b), parecería que la enfermedad está distribuida uniformemente,
mientras que si la delimitación fuese la 2(c) la concentración sería muy
elevada. Ese el denominado problema de agregación. El problema de la
escala viene ilustrado en las figuras 2(c) y 2(d) donde en función del
tamaño de la delimitación elegida nos encontraremos con una concen-
tración más elevada o más baja.
Es evidente, además, que en epidemias en las que la separación entre
individuos es relevante, medidas que cuantifiquen la concentración
estarán incompletas mientras no tengan en cuenta la ubicación geográ-
fica real o, lo que viene a ser lo mismo, la distancia entre los indivi-
duos.
El problema de la unidad de área modificable pone en cuestión el uso
automático de las unidades territoriales administrativas (provincias,
comunidades autónomas, municipios…) para el análisis de enferme-
dades311. Ocurre algo parecido con los fenómenos económicos deriva-
dos de la concentración de la actividad. Así, medidas como el cociente
de localización, que comparan la especialización relativa en una activi-
dad productiva de un territorio en función de la que hay en el conjun-
to regional o nacional, ofrecerán resultados distintos en función de las
311 Véase por ejemplo Meliker y Sloan (2011) o Sánchez et al (2020).

— 826 —
divisiones administrativas que elijamos, a pesar de utilizar los mismos
datos y hacer referencia a los mismos fenómenos.
Cada fenómeno podría requerir un área de estudio diferente. Su cono-
cimiento no sólo es importante para entender mejor el fenómeno, sino
también para establecer medidas para su contención, como ocurre con
enfermedades como el COVID-19. Cómo se puede detectar mejor la
incidencia del contagio o a qué escala deberían implementarse los de-
nominados confinamientos perimetrales (áreas básicas de salud, ba-
rrios, distritos, municipios, áreas metropolitanas, comarcas provin-
cias…) son cuestiones capitales en un contexto como el actual.
El seguimiento de la movilidad de las personas se ha revelado como un
elemento clave en la lucha contra el COVID-19. Sin embargo, al me-
nos en los países occidentales, las estrategias basadas en rastreadores o
en dispositivos de geolocalización han tenido poco éxito (Linde,
2021).
En el apartado siguiente vamos a ver algunas de las herramientas que
nos permiten superar algunos de los obstáculos a los que hemos hecho
referencia.
2. HERRAMIENTAS PARA REPRESENTAR Y PARA TRATAR
LOS FENÓMENOS ESPACIALES
Los Sistemas de Información Geográfica (SIG), la estadística y la eco-
nometría espacial, los procedimientos basados en el análisis de puntos
y los mapas dasimétricos nos permiten detectar y tratar los problemas
espaciales, e incorporar y representar el espacio en nuestros análisis.
Los SIG312 son programas informáticos que permiten almacenar, visua-
lizar y comunicar información geográfica (Escolano, 2015). Vinculan
datos, o sus transformaciones matemáticas o estadísticas, con mapas o
representaciones del territorio. Además de ser valiosos en sí mismos,
son un complemento, a veces indispensable, para algunas de las técni-
cas y procedimientos mencionados en el párrafo anterior.
312 Entre los más utilizados están ArcGIS, QGIS y DivaGIS.

— 827 —
La estadística espacial313, y en concreto el análisis exploratorio de datos
espaciales, es una colección de técnicas que sirven para descubrir y
visualizar distribuciones espaciales, identificar localizaciones atípicas o
outliers espaciales, descubrir patrones de asociación espacial, clusters o
“puntos calientes”; y sugerir regímenes espaciales u otras formas de
heterogeneidad espacial (Anselin, 1988).
Un elemento clave en la estadística y en la econometría espacial es el
tratamiento de la multidireccionalidad, que normalmente se afronta
mediante el uso del denominado retardo espacial, Wy, donde y es la
variable de interés y W es la matriz de pesos o de ordenación espacial.
W es una matriz cuadrada donde los elementos de la diagonal principal
son 0 y cada elemento recoge la posible interacción entre las distintas
observaciones que componen el conjunto de datos. Dicha interacción
se intenta recoger normalmente a partir de la distancia entre las obser-
vaciones o de si comparten frontera común.
Entre los instrumentos empleados por la estadística espacial podemos
distinguir entre los estadísticos diseñados para detectar la autocorrela-
ción espacial en el conjunto de datos, como la I de Moran (Moran,
1950) y aquellos que la analizan observación a observación y son parti-
cularmente útiles para la detección de localizaciones atípicas o asime-
trías como el indicador de asociación espacial basado en la I de Moran,
o I de Moran local (Anselin, 1995) o como las Gi y G*i (Getis y Ord,
1992). Algunos ejemplos del uso de la estadística espacial en economía
y en epidemiología pueden encontrarse en Moreno et al (2006) para
estudiar la tendencia al agrupamiento de la actividad innovadora en
Europa, en Getis y Ord (1995) para estudiar la expansión del SIDA, o,
recientemente en Arauzo (2020) para el COVID-19.
El uso de la econometría espacial314 es necesario incluso aunque nues-
tro interés fuera ajeno por completo al espacio. La presencia de autoco-
rrelación espacial en las variables o en la perturbación aleatoria y la
313 Véase Haining (2003) para ampliar información.
314 Para ampliar información véanse Paelinck y Klaassen (1979), Anselin (1988) o Elshorst
(2014).

— 828 —
heterogeneidad espacial provocan que algunas de las técnicas más co-
munes pierdan algunas de sus propiedades si estos problemas no se
detectan y tratan adecuadamente. Si, además hay fenómenos espaciales
subyacentes, la econometría espacial nos permitirá conocer mejor
nuestro objeto de estudio. Siguiendo a Paelinck y Klaassen (1979) la
modelización econométrica espacial debería recoger la interdependen-
cia del espacio, el carácter asimétrico de la misma, la distinción entre
interacción ex ante e interacción ex post, la importancia que puede
tener lo que ocurre en lugares lejanos o allotopia, e incluir variables
topológicas, como la distancia o la ubicación. Aunque no siempre es
posible encontrar modelos o aplicaciones en los que se puedan incluir
esos principios, el uso de la econometría espacial se ha generalizado.
Según el análisis bibliométrico llevado a cabo en Sarafoglou y Paelinck
(2008) entre los campos en los que más se aplicado se encuentran los
efectos desbordamiento o derrame locales, el análisis de los precios
residenciales, la convergencia regional y la deforestación.
Aunque las metodologías basadas en el análisis de patrones de puntos,
opoint pattern, se pueden incluir tanto dentro de la estadística como de
la econometría espaciales, hemos optado por describirlas aparte ya que
su uso está menos generalizado. No obstante, estas técnicas han permi-
tido que en el estudio de la concentración económica se superen las
limitaciones que el trabajo con las delimitaciones administrativas y el
problema de la unidad de área modificable imponen315. La disponibili-
dad de bases de datos con la localización precisa de las empresas ha
facilitado el desarrollo medidas basadas en la distancia, distance-based
measures, buena parte de ellas basadas en la k de Ripley (Rypley, 1976),
como la función D (Diggle y Chetwynd, 1991), la aproximación de
Duranton y Overman (Duranton y Overman, 2005), la función M
(Marcon y Puech, 2010), o la función K inhomogénea (Baddeley,
Møller, y Waagepetersen, 2000), todas ellas con un marcado carácter
exploratorio316. El análisis de los patrones de puntos permite también
la estimación de modelos con carácter confirmatorio, como los mode-
315 En Kopczewska (2018) se señalan dichas limitaciones.
316 Para una revisión crítica véanse Marcon y Puech (2017) o Gómez-Antonio y Alañón (2020).

— 829 —
los de Gibbs, más comunes en disciplinas como la química, o las cien-
cias ambiéntales317, que ya han sido aplicados al estudio de la localiza-
ción industrial318.
En el control efectivo de las epidemias cuyo contagio se propaga debi-
do al movimiento de las personas la utilización de información geore-
ferenciada podría ser muy útil, y técnicamente es posible, por ejemplo,
a través de teléfonos móviles u otros dispositivos. Sin embargo, al me-
nos en los países de nuestro entorno, su uso ha tenido poco éxito. Una
aproximación imperfecta pero útil para prever la posible expansión
regional de una epidemia podría partir del uso de aproximaciones da-
simétricas que tengan en cuenta las variaciones temporales de la densi-
dad de población derivadas del movimiento de la población319. En los
mapas dasimétricos las áreas tienen homogeneidad interna y se delimi-
tan utilizando información auxiliar, a diferencia de los mapas tradicio-
nales, o mapas de corópletas, que utilizan delimitaciones administrati-
vas y tienen distintos niveles de homogeneidad interna.
4. CONCLUSIONES
En este texto se ha destacado la importancia que tiene el espacio utili-
zando analogías entre la economía y el COVID-19. Para ello se han
descrito los fenómenos espaciales más relevantes y los problemas deri-
vados del trabajo con dichos fenómenos y con datos espaciales. La de-
tección y, si procede, el tratamiento de esos problemas y fenómenos es
necesario no sólo para que se verifiquen los supuestos en los que se
basan buena parte de las técnicas de análisis más comunes, sino tam-
bién porque nos ayudan a entender mejor nuestro objeto de estudio.
Finalmente, se han presentado algunas de las herramientas más útiles o
más prometedoras que nos brinda el análisis espacial aplicado.
317 Véanse Stoyan y Stoyan (1998) o Illian y Hendrichsen (2010) para ciencias del
medioambiente, o Aziz y Bedewy (2020) para química.
318 Véanse Sweeney y Gómez-Antonio (2016) y Gómez-Antonio y Sweeney (2021).
319 En e Silva et al (2020) se analiza mediante una aproximación de ese tipo la variación en la
densidad de población a lo largo del día en varias ciudades europeas.

— 830 —
REFERENCIAS BIBLIOGRÁFICAS
Anselin, L. (1988). Spatial econometrics: methods and models (Vol. 4).
Springer Science & Business Media.
Anselin, L. (1995). Local indicators of spatial association—LISA.
Geographical Analysis, 27(2), 93-115.
Anselin, L. (2010). Thirty years of spatial econometrics. Papers in Regional
Science, 89(1), 3-25.
Arbia, G. (2012). Spatial data configuration in statistical analysis of regional
economic and related problems Springer Science & Business Media.
Archibald, G. (1967). Regional multiplier effects in the UK. Oxford
Economic Papers, 19(1), 22-45.
Autant‐Bernard, C., Mairesse, J., & Massard, N. (2007). Spatial knowledge
diffusion through collaborative networks. Papers in Regional
Science, 86(3), 341-350.
Arauzo-Carod, J. M. (2020). A first insight about spatial dimension of
COVID-19: analysis at municipality level. Journal of public health
(Oxford, England).
Aziz Ezzat, A., & Bedewy, M. (2020). Machine learning for revealing spatial
dependence among nanoparticles: Understanding catalyst film
dewetting via gibbs point process models. The Journal of Physical
Chemistry C,
Baddeley, A. J., Møller, J., & Waagepetersen, R. (2000). Non‐and
semi‐parametric estimation of interaction in inhomogeneous point
patterns. Statistica Neerlandica, 54(3), 329-350.
CUADRADO ROURA, J. R. (2002). Incorporación y desarrollo de los
temas regionales en el análisis económico. Economía y Economistas
Españoles, 7, 747-808.
Diggle, P. J., & Chetwynd, A. G. (1991). Second-order analysis of spatial
clustering for inhomogeneous populations. Biometrics, , 1155-1163.
Domański, B., & Gwosdz, K. (2010). Multiplier effects in local and regional
development. Quaestiones Geographicae, 29(2), 27-37.

— 831 —
Duranton, G., & Overman, H. G. (2005). Testing for localization using
micro-geographic data. The Review of Economic Studies, 72(4),
1077-1106.
Elhorst, J. P. (2014). Spatial econometrics: From cross-sectional data to
spatial panels Springer.
ESCOLANO UTRILLA, S. (2015). Sistemas de información geográfica: una
introducción para estudiantes de Geografía. Prensas de la
Universidad de Zaragoza
Fik, T. J. (1991). Price patterns in competitively clustered markets.
Environment and Planning A, 23(11), 1545-1560.
Fotheringham, A. S., & Wong, D. W. (1991). The modifiable areal unit
problem in multivariate statistical analysis. Environment and
Planning A, 23(7), 1025-1044.
Getis, A., and J. K. Ord (1992). The Analysis of Spatial Association by Use
of Distance Statistics. Geographical Analysis 24 (July), 189-206.
Gómez-Antonio, M., & Alañón-Pardo, Á. (2020). Point pattern methods for
analyzing industrial location. Investigación Económica, 79(314), 51-
74.
Gómez-Antonio, M., & Sweeney, S. (2021). Testing the role of intra-
metropolitan local factors on knowledge-intensive industries’
location choices. The Annals of Regional Science, , 1-30.
Gould, P. (1970). Is statistix inferens the geographical name for a wild
goose? Economic Geography, 46(sup1), 439-448.
Haining, R. (2003). Spatial data analysis: theory and practice. Cambridge
university press.
Haining, R. (1987). Small area aggregate income models: Theory and
methods with an application to urban and rural income data for
pennsylvania. Regional Studies, 21(6), 519-529.
Illian, J. B., & Hendrichsen, D. K. (2010). Gibbs point process models with
mixed effects. Environmetrics: The Official Journal of the
International Environmetrics Society, 21(3‐4), 341-353.
Isard, W. (2012). History of regional science and the regional science
association international: The beginnings and early history Springer
Science & Business Media.

— 832 —
Kopczewska, K. (2018). Cluster-based measures of regional concentration.
critical overview. Spatial Statistics, 27, 31-57.
LINDE, P. (2021, enero 28) El fracaso de la aplicación Radar Covid: registra
menos del 2 % de los positivos. El País Recuperado de
http://bit.ly/3pBSagw
Marcon, E., & Puech, F. (2010). Measures of the geographic concentration
of industries: Improving distance-based methods. Journal of
Economic Geography, 10(5), 745-762.
Marcon, E., & Puech, F. (2017). A typology of distance-based measures of
spatial concentration. Regional Science and Urban Economics, 62,
56-67.
Meliker, J. R., & Sloan, C. D. (2011). Spatio-temporal epidemiology:
Principles and opportunities. Spatial and Spatio-Temporal
Epidemiology, 2(1), 1-9.
Moran, P. A. (1950). Notes on continuous stochastic phenomena.
Biometrika, 37(1/2), 17-23.
Moreno, R., Paci, R., & Usai, S. (2006). Innovation clusters in the european
regions. European Planning Studies, 14(9), 1235-1263.
Morrill, R., Gaile, G. L., & Thrall, G. I. (1985). Spatial diffusion. Regional
Research Institute, West Virginia University Book Chapters, 1-47.
Openshaw, S. (1981). The modifiable areal unit problem. Quantitative
Geography: A British View, , 60-69.
Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics:
Distributional issues and an application. Geographical Analysis,
27(4), 286-306.
Paelinck, J., & Klaassen, L. (1979). Spatial econometrics. saxon house
farnborough. Kiel Institute for World Economics.
POLESE, M., & RUBIERA, M. (2009) Economía urbana y regional.
Introducción a la geografía económica, Cívitas.
RIPLEY, B.D, (1981) spatial Statistics, Wiley, New York
Roura, J. R. C. (2006). El desarrollo de los estudios de economía regional en
españa. Revista De Estudios Regionales, (75), 15-40.

— 833 —
Sánchez-Díaz, G., Alonso-Ferreira, V., Posada de la Paz, Manuel, & Escobar,
F. (2020). Nuevas perspectivas sobre el problema de la unidad
espacial modificable (PUEM) en relación con la representación
cartográfica de enfermedades raras. Investigaciones Geográficas
(España), (74(, 71-84.
Sarafoglou, N., & Paelinck, J. H. (2008). On diffusion of ideas in the
academic world: The case of spatial econometrics. The Annals of
Regional Science, 42(2), 487-500.
e Silva, F. B., Freire, S., Schiavina, M., Rosina, K., Marín-Herrera, M. A.,
Ziemba, L., . . . Lavalle, C. (2020). Uncovering temporal changes in
Europe’s population density patterns using a data fusion approach.
Nature Communications, 11(1), 1-11.
Stoyan, D., & Stoyan, H. (1998). Non‐Homogeneous gibbs process models
for Forestry—A case study. Biometrical Journal: Journal of
Mathematical Methods in Biosciences, 40(5), 521-531.
Sweeney, S., & Gómez‐Antonio, M. (2016). Localization and industry
clustering econometrics: An assessment of Gibbs models for spatial
point processes. Journal of Regional Science, 56(2), 257-287.
Tobler, W. R. (1970). A computer movie simulating urban growth in the
Detroit region. Economic geography, 46(sup1), 234-240.