lunes, 11 de mayo de 2015

Geoda.

        En la entrada anterior hice referencia a Geo-Segregation Analyzer, una aplicación que nos calcula hasta 40 índices relativos a la diferenciación residencial de la población. Hoy haré referencia a otra aplicación, Geoda, que, en este caso, nos permitirá trabajar sobre la autocorrelación espacial, global y local.
        Supongamos que estamos trabajando con la distribución espacial de uno o varios grupos de población, y que hemos identificado áreas del tejido urbano donde su presencia es superior al peso que ostentan en el conjunto de la población municipal –por ejemplo, a través del cálculo de los cocientes de localización de las diferentes secciones censales-. El paso siguiente podría ser tratar de encontrar alguna explicación que diese cuenta de porqué nuestro grupo se concentra donde lo hace (y, eventualmente, por qué está ausente de donde lo está). Pero antes de ponernos en la tarea, sería importante saber si la distribución espacial es aleatoria, en cuyo caso no tendría mucho sentido ir más allá de la descripción, o no lo es. En este último caso debe haber uno o varios principios que gobiernan, que subyacen, en la distribución espacial del grupo de población que estamos estudiando, y es entonces cuando toma sentido buscar causas, ir más allá de la mera descripción.
        Aquí es donde entra la aplicación objeto de esta entrada, Geoda, software libre desarrollado por Luc Anselyn, que nos aporta información sobre los niveles de autocorrelación espacial global y local, empleando no la G de Getis y Ord, sino la I de Moran.
       Su empleo también es sencillo. Una vez bajada la aplicación, necesitamos alimentarla con una base cartográfica en formato .shp, a la que el programa vinculará, siguiendo nuestras instrucciones, un archivo con la información topológica (quién es vecino de quién). A partir de ahí, podemos pedirle, entre otras cosas, que nos indique el valor de la I de Moran, y su significancia estadística, valor que nos dirá si la distribución espacial de nuestro grupo de población es o no aleatoria; y también podemos solictarle los valores de LISA, de los Indicadores Locales de Autocorrelación Espacial. La cartografía de estos últimos nos indica la existencia de puntos calientes –hot spots- y puntos fríos –cold spots-, y su nivel de significancia estadística. En nuestro ámbito de interés, ambos tipos de clúster son importantes, puesto que nos muestran dónde hay agrupaciones espaciales estadísticamente significativas caracterizadas por la presencia –hot spots- o ausencia –cold spots- de integrantes del grupo de población que estamos estudiando. Un ejemplo de su empleo, aplicado a inmigrantes extranjeros en Málaga, aquí.
        No es, por supuesto, el único software que nos permite trabajar sobre estos aspectos de la distribución espacial de los grupos de población, pero tiene la ventaja –como Geo-Segregation Analyzer-, de que puede ser descargado sin coste alguno, y su empleo no entraña demasiada dificultad. Al hilo de esto, hemos de ser cuidadosos a la hora de utilizar estas aplicaciones, precisamente por la facilidad que presenta su utilización. Hay que ser conscientes no sólo de las condiciones que debe cumplir la información con la que los alimentamos, y conocer perfectamente bien qué indican sus resultados; también hemos de ser críticos en lo relativo a la pertinencia de su uso en la investigación que estemos llevando a cabo.
 
Para saber más:
 
Anselin, L., Syabri, I., y Younghin, K. (2006): "GeoDa: an introduction to Spatial Data Analysis". Geographical Analysis, 38:1. pp.5-22. DOI: 10.1111/j.0016-7363.2005.00671.x
 
Martorí, J. C., y Hoberg, K. (2008): "Nuevas técnicas de estadística espacial para la detección de clusters residenciales de población inmigrante". Scripta Nova. Revista electrónica de Geografía y Ciencias Sociales. 15 de abril de 2008, Vol. XII, número 261. http://www.ub.es/geocrit/sn/sn-263.htm