1.1. Definición de conceptos

1.2. Las EBT y su importancia para la economía urbana

Uno de los factores clave para entender la importancia de las EBT para la economía urbana es su énfasis en el uso del conocimiento e información compartidos: las EBT prosperan en entornos favorables al intercambio y diseminación de esta información y conocimiento, tanto en centros urbanos con alta densidad de actividad económica, como en áreas periféricas con especialidades en actividades afines o complementarias (^{Frenkel 2012}; ^{Villarreal et al., 2016a}; ^2016b; ^{Buzard et al., 2020}). Las EBT obtienen un mayor beneficio de las oportunidades de aprendizaje en espacios donde la probabilidad de interacción es mayor, así como la propensión a interacciones dirigidas a incentivar la productividad⁴ (^{Davis y Dingel, 2019}; ²⁰²⁰; véase también ^{Rodríguez-Pose y Fijtar, 2017}).

Tanto la localización de las EBT (y, por consiguiente, su concentración), como sus encadenamientos locales y regionales, modifican sus interrelaciones y beneficios económicos (^{Vilchis et al., 2021a}; ^2021b; ^{Davis y Dingel, 2020}). En este sentido, las políticas orientadas a incentivar la aglomeración y coaglomeración de las EBT (y empresas en general) son contextuales: responden a la integración económica observada (^{Faggio et al., 2020}; ^{Du y Vanino, 2021}). Tanto ^{Shearmur (2012)} como Arauzo-Carod (2021) señalan que un problema en los estudios sobre concentración de las EBT ha sido la falta de desagregación a escalas intrametropolitanas. Otro factor importante es la estructura policéntrica metropolitana, que favorece las oportunidades de colaboración e intercambio de información y conocimiento (^{Giuliano et al., 2019}).

Son pocos los estudios que abordan una perspectiva intrametropolitana (o inclusive intrarregional), lo que dificulta la comparación entre resultados (^{Niebuhr et al., 2020}; Arauzo-Carod, 2021; ^{Lavoratori y Castellani, 2021}). Para Buzzard et al., por ejemplo, el uso de unidades administrativas grandes (e.g., región o municipio) es inapropiado debido a los sesgos de sus resultados, ya que la interacción positiva (e.g., derrames por productividad) entre las EBT suele expresarse de 2 a 5 km o menos (2020). Por otra parte, Kerr y Kominers están a favor de métodos de análisis en el espacio continuo (e.g., análisis de patrones de puntos), ya que la aglomeración (y coaglomeración) de EBT exhibe concentraciones localizadas dispersas en el espacio intrametropolitano (2015).

La premisa final del párrafo anterior representa la hipótesis central del análisis, dada la estructura urbana de la Zona Metropolitana de Toluca (ZMT). El proceso de urbanización de la ZMT se ha dado a partir de la integración funcional (habitacional, comercial e industrial) de los distintos centros suburbanos de los municipios que la componen,⁵ siendo, desde mediados del siglo XX, la vocación industrial el principal factor de su crecimiento demográfico (principalmente del oriente de la ZMT, en el corredor industrial Toluca-Lerma) (^{Castillo, 2005}, pp. 65-66). Este último corredor industrial en particular ha registrado incrementos en la participación de las EBT, en comparación con otras áreas industriales del centro del país (^{Rendón y Godínez, 2016}, pp. 138-139).

Dados los argumentos anteriores, se esperaría que la ZMT, en términos de patrones de localización y concentración, exhiba núcleos (o corredores) definidos, aunque dispersos entre sí, cuyo eje toral o central sea el ya consolidado corredor Toluca-Lerma mencionado por ^{Castillo (2005)} y ^{Rendón y Godínez (2016)}. De acuerdo con la información más reciente, la ZMT concentraba 2.6% de las EBT del país en 2018 (y 2.1% en 2008). El valor agregado censal bruto por trabajador de las EBT de la ZMT ha sido superior al promedio nacional: 69% en 2008 (1.69) y 80% en 2018 (1.80) (^{INEGI, 2009}; ²⁰¹⁹). Dado su crecimiento en número de empresas y en valor generado, resulta pertinente analizar los procesos de concentración recientes, y perfilar una agenda que incentive el impacto económico metropolitano de la concentración de las EBT.

1.3. Patrones de localización intrametropolitanos de las EBT

Dos estudios previos clave para entender los patrones de localización de las EBT son los de ^{Kerr y Kominers (2015)} y ^{Lavoratori y Castellani (2021)}, que proponen dos posibilidades: por un lado, las EBT exhiben aglomeraciones y coaglomeraciones “desbordadas”, concéntricas a áreas industriales ya consolidadas (e.g., parques industriales o tecnológicos; véase ^{Kerr y Robert-Nicoud, 2020}); por otro, aglomeraciones y coaglomeraciones “estrechas”, ligadas a su integración a otras actividades locales (e.g., a lo largo de principales vías de comunicación).⁶ Dada la reciente pandemia por COVID-19, se esperaba un “descongestionamiento” de la actividad económica (^{George et al., 2020}, pp. 1757), pero la evidencia ha sido mixta: el uso de nuevas tecnologías ha contribuido a una mayor concentración (e innovación) de actividades (^{Kerr y Robert-Nicoud, 2020}; ^{Breznitz, 2021}), aunque sí existe evidencia de correlación entre contagios y concentración (véase, por ejemplo, ^{Ascani et al., 2021}).

En función de los argumentos del párrafo previo, la escala adecuada de análisis de la aglomeración y coaglomeración de EBT (e industrias intensivas en uso de capital humano; véase ^{Villarreal et al., 2016b}) es dentro del espacio intrametropolitano; y esto debido a que las características del entorno (e.g., del vecindario) influyen considerablemente (Arauzo-Carod, 2021, pp. 1241-1242). Por ejemplo, la aglomeración y coaglomeración atraen mayor número de empresas (son procesos espaciales iterativos; véase ^{Vilchis et al., 2021a}; ^2021b), de ahí su impacto en el surgimiento de nuevos emprendimientos (ventures) ligados a la colaboración entre empresas (^{Shearmur, 2012}; ^{Kerr y Kominers, 2015}; ^{Buzard et al., 2020}; ^{Niebuhr et al., 2020}; ^{Breznitz, 2021}).

Los efectos positivos de la aglomeración y coaglomeración, tanto de EBT como de empresas en general, son de corto alcance; para ^{Buzard et al. (2020)} no sobrepasan un radio de entre 2 y 5 km, mientras que Lavoratori y Castellani hablan de efectos “contenidos” o delimitados por la proximidad a la concentración de empresas existente (2021). Esto cuadra con argumentos previos (e.g., ^{Kerr y Kominers, 2015}) que sugieren áreas de aglomeración y coaglomeración dispersas entre sí por el espacio intrametropolitano. Para ^{Carlino y Kerr (2015)}, y ^{Seo y Sonn (2019)}, la explicación subyacente radica en la influencia de la difusión del conocimiento tácito: la concentración de las EBT depende de la interacción cara a cara que los entornos urbanos con alta densidad de actividad económica favorecen (^{Henderson, 2007}; ^{Kasmi, 2021}).

2.1. Las funciones M y m: antecedentes, justificación y comparación con otros métodos

Las funciones M y m son parte de una tipología de métodos multiescalares de análisis de puntos georreferenciados, derivados de la función K de ^{Ripley (1977)}. Permiten estimar la concentración y dispersión espacial de puntos en relación a un marco de referencia distinto (^{Marcon y Puech, 2017}). Para las funciones M y m, este marco lo representa el total de observaciones disponibles (e.g., empresas). Los estimadores de cada una( M^r y m(r) expresan concentración o dispersión de un subconjunto de observaciones respecto al total de observaciones disponibles (^{Lang et al., 2020}, p. 248). Los resultados están anidados: cada empresa está inserta en diferentes concentraciones a distintos radios de distancia y presenta valores ( M^r y m(r) distintos (^{Cottineau y Arcaute, 2020}; ^{Coll-Martínez et al., 2019}).

Las funciones M y m cumplen con los requisitos de un buen estimador de concentración espacial: i) ser comparable entre sectores; ii) controlar las estimaciones en función de la aglomeración de los diversos sectores; iii) controlar las valoraciones por la concentración sectorial en conjunto; iv) no registrar sesgos respecto a la escala geográfica y la agregación de datos; y v) ofrecer información de su significancia estadística (^{Duranton y Overman, 2005}, p. 1079). Las funciones y ofrecen rigor matemático y estadístico, su enfoque es económico-espacial, detectan estructuras anidadas de concentración (función M) y el exceso de concentración respecto al patrón espacial observado (función m), permiten ubicar y delimitar aglomeraciones estadísticamente significativas, y son relativamente sencillas de interpretar (^{Marcon y Puech, 2017}).

Los estimadores M^r y m^r son equiparables al coeficiente de localización, que estima la concentración de observaciones en un área respecto a otra de la que forma parte (^{Ellison y Glaeser, 1997}). Ambos estimadores calculan, simultáneamente, la concentración de empresas respecto a distintos radios de distancia. Valores mayores a 1.0 indican aglomeración espacial (^{Lang et al., 2020}, p. 252). Los estimadores M^r y ( m^r lo hacen en el espacio continuo, el coeficiente de localización en espacios discretos. Ésta es quizás una de sus principales ventajas para el análisis de las empresas de base tecnológica, ya que el uso de datos agregados por área no captaría la heterogeneidad en patrones de concentración multiescalares (^{Openshaw y Taylor, 1979}; ^{Kerr y Kominers, 2015}; ^{Ye y Rogerson, 2021}).

Las ecuaciones [a] y [b] muestran los estimadores de cada función: [a] M^r y [b] m^r , respectivamente (^{Lang et al., 2020}). Cada estimador es la razón de dos porcentajes. Los numeradores expresan: i) la frecuencia de empresas de interés ( M^r ); y ii) la proporción de empresas de interés ( m^r ) en un radio de distancia (r) dado. Los denominadores expresan: i) para M^r , el número de interés respecto a otros, en un cierto radio (r); y ii) para m^r , la densidad de empresas de interés, en un radio (r) dado y respecto al resto de los radios establecidos. En las fórmulas [ 1] y [2 ]: i) x _i representa los puntos de referencia (empresas); ii) x _j representa empresas vecinas de cualquier tipo, y x _j ^c empresas vecinas de interés (e.g., mismo sector); iii) W representa el peso total de todas las empresas consideradas, y W _c el peso total de las empresas de interés totales; y iv) w(x _i ) representa el peso de la empresa x _i (número de empleados) (^{Marcon y Puech, 2017 ; Lang et al., 2020}).

La función M mide el exceso de observaciones hasta una cierta distancia, respecto al total de observaciones. Es decir, mide la intensidad de la concentración de empresas por radio. En cambio, la función m mide la proporción de concentración en ciertas distancias respecto al patrón de concentración en todas las distancias consideradas. O, dicho de otra forma, la densidad de empresas de un tipo por radio (^{Lang et al., 2020}, pp. 247-249). Por ejemplo, si M^1 = 4, existen tres veces más empresas acumuladas hasta 1 km que en toda el área de estudio. Si m^3 = 2.5, la concentración de empresas es 150% mayor en 3 km que en toda el área bajo análisis (^{Lang et al., 2020}).

Los marcos de referencia son muy importantes para entender el proceso de cálculo iterativo de ambas funciones, ya que estiman la frecuencia o densidad de empresas de un sector en relación con otros, a las distancias (r) requeridas en el análisis (e.g., 1, 5, 10, 20 km). La concentración es significativa si la frecuencia o densidad de empresas a un radio

(r) es estadísticamente mayor a la observada en todos los radios considerados (^{Marcon y Puech, 2017}). Veamos un ejemplo de las ventajas de las funciones M y m: supongamos una aglomeración significativa en r = 5 km, pero no en r = 7 km. Si se divide el área de estudio en celdas de 7 x 7 km y se estiman coeficientes de localización, los valores podrían indicar nula aglomeración, a pesar de que a 5 km sí existe concentración. La razón: el índice de localización no es multiescalar y no ofrece información sobre su significancia estadística, las funciones M y m, sí.

Los resultados de las funciones M y m son interpretables tanto por distancia (r) como por intensidad y densidad de aglomeración (por industria o tipo de actividad y por empresa). Generan dos tipos de salidas: gráficas que permiten interpretar la significancia de los resultados, y cuadros de resultados para cada radio de distancia considerado (^{Marcon et al., 2015}). Las gráficas exhiben dos elementos clave para interpretarse (Figura 1): un valor máximo M^rMAX o m^rMAX y un radio de distancia de valores mayores a 1 y significativos (valores por encima y debajo del área gris de las gráficas de la Figura 1) (^{Coll-Martínez et al., 2019}; Zhang et al., 2021).

Fuente: Elaboración propia.

Figura 1 Ejemplo de resultados de las funciones M y m 

La Figura 1 muestra dos ejemplos de cómo leer los resultados de ambas funciones. Se crearon datos georreferenciados aleatorios, intencionalmente aglomerados en dos grupos con una distancia de aproximadamente 2 km entre ambos. Nótese cómo la gráfica de la función M, arriba, recoge la caída de puntos a partir de la primera concentración, donde se registra el valor máximo M^rMAX=2 . Es decir, una concentración dos veces mayor de puntos a menos de 500 metros. El segundo pico en la concentración se detecta después de los 2 km. El valor de r _MAX M indica el último radio con valores significativos, o la extensión de la concentración de observaciones es, en este caso, 7.4 km.

Los resultados que arroja la función m son distintos (véase la gráfica inferior en la Figura 1). El estimador captura el exceso de densidad de observaciones a distancias específicas (r). El valor m^rMAX es de 1.7 a menos de 500 metros: a dicha distancia existen 70% más observaciones del mismo tipo que de otras. La función también capta las dos aglomeraciones, que gráficamente se observan como dos picos en la gráfica de valores m^r . A diferencia del caso anterior, la función m muestra dispersión de observaciones más allá de r _MAX m, o 2.7 km. Esto indica que, a partir de dicha distancia, las observaciones del tipo analizado están porcentualmente más dispersas que otras. Si la función M indicara dispersión, sería entonces válido decir que existe dispersión en las observaciones (^{Lang et al., 2020}).

Son pocos los trabajos empíricos en geografía económica que utilizan las funciones M y m (^{Lang et al., 2020}). Probablemente porque son computacionalmente demandantes y requieren datos desagregados y georreferenciados por empresa (^{Gómez-Antonio y Alañón-Pardo, 2020}). Para México cabe destacar los trabajos de ^{Garrocho et al. (2013)} y ^{Álvarez-Lobato (2020)}, que utilizan la función K (antecedente directo de las funciones M y m) para analizar estructuras de red y construir indicadores de acceso a establecimientos comerciales, respectivamente. Detectamos cuatro trabajos empíricos que aplican las funciones M y m al análisis de aglomeración de empresas (^{Moreno-Monroy y García-Cruz, 2016}; ^{Coll-Martínez et al., 2019}; ^{Rudkin et al., 2020}; Zhang et al., 2021).

Las funciones M y m permiten captar cuatro elementos relevantes para los resultados de este texto (^{Marcon et al., 2015}; ^{Coll-Martínez et al., 2019}; Zhang et al., 2021): a) el valor máximo general para cada función M^rMAX y m^rMAX ocurre a un solo radio de distancia (r) y representa la máxima aglomeración; b) el último radio que exhibe valores de concentración significativos (r _MAX ) establece el límite territorial de las aglomeraciones; c) el radio de distancia (r) significativo que incluye el mayor número de empresas concentradas posibles (r _{MAX Empresas} ) establece el máximo de aglomeraciones por actividad dentro del área de estudio; y d) los valores de cada estimador por empresa dentro de r _{MAX Empresas} permiten analizar la composición sectorial de los procesos de concentración de empresas.

En general, los trabajos empíricos consideran radios cortos: distancias no mayores a 3-5 km (^{Coll-Martínez et al., 2019}; Zhang et al., 2021). El término corto depende de las dimensiones de área de estudio y de cada sector de actividad analizado. Para la función M se consideraron 63 rangos de distancia (r) hasta 38.5 km, con diferencias de entre 0.96 y hasta 1.9 km entre cada rango. Para la función m se consideraron 512 rangos de distancia (r) de 0.5 km de diferencia y hasta 25.7 km. Esta selección no fue arbitraria, sino en función de las recomendaciones bibliográficas que sugieren considerar: i) para la función M, la mitad del diámetro total del área de análisis, que en este caso son 38.5 km; y ii) para la función m, incrementos del mismo tamaño entre radios, y hasta un tercio del diámetro total del área de análisis (^{Marcon et al., 2015}).

2.2. Base de datos y área de estudio

La base de datos incluye las EBT de los sectores identificados en el Cuadro 1. La fuente de información fue el DENUE 2010 y 2020 (^{INEGI, 2010}; ²⁰²⁰). Ambos cortes de tiempo reflejan los cambios en la actividad económica capturados por los Censos Económicos 2009 y 2019 (^{INEGI 2009}; ²⁰¹⁹). El total de empresas operando en la ZMT en 2010 fue 88 466 empresas y 124 959 en 2020 (^{INEGI, 2010}; ²⁰²⁰). De éstas, 242 y 442 son EBT en 2010 y 2020, respectivamente (Cuadro 3). La base de 2020 permite detectar tendencias en la concentración empresarial previas a la pandemia de COVID-19, lo que representa una línea basal para contrastar los efectos de la pandemia en estudios futuros.

La delimitación del área de estudio corresponde a las zonas metropolitanas de Toluca y de Santiago Tianguistenco (^{Conapo; 2018}; ^{SGG EdoMéx, 2018}), que integran 22 municipios.⁷ Para abreviar, las llamamos simplemente, Zona Metropolitana de Toluca (ZMT). La decisión de incorporar ambas zonas metropolitanas se debe a la contigüidad de sus municipios y a la continuidad del tejido empresarial entre ambas. La distancia de la ZMT a la Ciudad de México es de 40 km: menos de media hora por autopista.

Se utiliza el paquete dbmss de R para analizar los datos (^{Marcon et al., 2015}). Los datos del DENUE se clasifican por rangos de empleo (e.g., de 1 a 5 trabajadores), con un último rango abierto (251 trabajadores y más). Para estimar los pesos, consideramos el valor esperado de empleados por empresa en función del personal ocupado total de la ZMT reportado en los Censos Económicos 2009 y 2019 (^{INEGI, 2009}; ²⁰¹⁹). Para el rango de 251 y más empresas, se estimó el límite máximo a partir del personal ocupado reportado para toda la ZMT en los censos económicos correspondientes (^{INEGI, 2009}; ²⁰¹⁹).

El Cuadro 3 sintetiza la base de datos. Algunos sectores EBT han sido integrados con el objetivo de tener agrupaciones con un número de empresas suficientes para lograr estimaciones adecuadas (^{Lang et al., 2020}). Por ejemplo, la industria del transporte incluye las empresas del sector aeroespacial, y la industria química incluye tanto empresas del ramo químico orientadas a productos intermedios de la industria en general, como empresas del ramo farmacéutico. Las empresas de fabricación de equipo eléctrico son pocas en la ZMT, por lo que se han agrupado con las empresas de fabricación de maquinaria y equipo. Cada sector EBT consiste en 43 o más empresas en 2010, y de más de 60 empresas en 2020.

3.1. Aglomeración de EBT

Los principales resultados se presentan en el Cuadro 4. La estimación de las funciones M y m se hizo bajo la hipótesis de ubicación aleatoria (^{Marcon et al., 2015}). Las columnas 2 a 4 del Cuadro 4 presentan los resultados generales para la función M, y las columnas 5 y 6 para la función m. Los valores M^MAX sugieren mayor concentración de EBT (respecto a otras actividades de la ZMT) a radios cortos (de 0.1 a 3.84 km). Los valores m^MAX sugieren sobrerrepresentación, o que las EBT se localizan en áreas donde su presencia es mayor, en términos porcentuales, a otras actividades económicas.

Por otra parte, los radios de concentración máxima por sector de EBT (r _MAX M en el Cuadro 4) son más amplios en 2020 que en 2010, lo que se explicaría por el crecimiento de EBT dentro de la ZMT (Cuadro 3). Estos radios exhiben heterogeneidad por sector, lo que no sólo justifica el análisis por sector EBT, sino que se alinea con las sugerencias de la literatura citada, ya que las EBT exhiben diferentes patrones de aglomeración dependiendo del tipo de actividad y de su relación con la actividad económica local en general (e.g., 0.19 km para Fabricación de equipo e insumos médicos en 2010, y 23.09 km en la Industria del transporte en 2020).

La última columna del Cuadro 4 muestra el índice de concentración de los resultados de la función M(IC _M ), que expresa exceso de valores significativos de M^r con respecto al límite superior de significancia de la función (véase ^{Álvarez-Lobato, 2020}). Este indicador muestra cuántos radios (r) exhiben valores significativos: es el área significativa de las gráficas de cada función M por sector EBT. En la Figura 2 se observan los dos casos extremos de los resultados obtenidos: el valor más pequeño (Fabricación de maquinaria y equipo, 2010) y el más alto (Industria química, 2020). El primer caso es significativo en pocos radios de distancia; mientras que el segundo, al mayor número de radios posibles.

Fuente: Estimaciones propias con datos del DENUE (^{INEGI, 2010}; ²⁰²⁰).

Figura 2 Gráficas de la función M: Fabricación de maquinaria y equipo (2010) e Industria química (2020) 

Los resultados de IC _M observados en la Figura 2 sugieren que existen actividades cuya presencia está extendida a lo largo de la ZMT (e.g., la Industria química en 2020), probablemente en varias concentraciones (aglomeraciones) dispersas a lo largo del espacio intrametropolitano. Dicho de otra forma, su concentración se desborda más allá de las concentraciones en las que operan (como sugieren ^{Kerr y Kominers, 2015}). En cambio, existen actividades cuya presencia se limita a sus concentraciones (en aglomeraciones estrechas, como proponen ^{Lavoratori y Castellani, 2021}). Tal es el caso de la Fabricación de maquinaria y equipo en 2010.

La Figura 3 muestra los resultados de la función M por empresa para 2010 y 2020, donde se puede apreciar la ubicación y tamaño de empresas con M^r>1 en el radio de concentración máxima de cada sector EBT (r _MAX M; véase el Cuadro 4). Los resultados revelan que la aglomeración y la coaglomeración de EBT coexisten en Toluca, como sucede en otras ciudades del mundo (^{Behrens, 2016}). Del total de EBT que exhiben aglomeración en 2010, 32 son de la Industria del transporte, 36 de la Industria química, 29 de Fabricación de maquinaria y equipo, y 40 de Fabricación de insumos médicos. Del total de EBT que exhiben aglomeración en 2020, 70 son de la Industria del transporte, 136 de la Industria química, 28 de Fabricación de maquinaria y equipo, y 61 de Fabricación de insumos médicos.

Fuente: Elaboración propia utilizando el programa QGIS y con base en los resultados estimados en R (^{R Core Team, 2020}), a partir de datos obtenidos del DENUE (^{INEGI, 2010}; ²⁰²⁰).

Figura 3 Aglomeraciones significativas (M(r) > 1) en la Zona Metropolitana de Toluca (ZMT), 2010 y 2020 

Se identifican cuatro aglomeraciones principales en 2010, y seis en 2020. Éstas, como se ha señalado, son coaglomeraciones también en sentido estricto, ya que la evidencia apunta a la coexistencia de ambos fenómenos en las EBT de la ZMT. Cada aglomeración se identifica con los números romanos I a VI en la Figura 3. Tanto en 2010 como en 2020, la aglomeración I se compone exclusivamente de empresas de Fabricación de equipo e insumos médicos. Se ubica en el centro tradicional de negocios de Toluca, dada su vocación de servicios (laboratorios dentales y ópticos, principalmente), tal y como sugiere ^{Castillo (2005)}.

También en ambos años, 2010 y 2020, la aglomeración II se ubica sobre Av. Paseo Tollocan hacia el oriente del centro del municipio de Toluca. Sobre esta misma avenida, pero en los límites entre los municipios de Toluca y Lerma, se ubica la aglomeración III (en ambos años, 2010 y 2020). Esta zona se caracteriza por su vocación manufacturera y representa el núcleo o eje toral del resto de los procesos de aglomeración observados en la Figura 3 (^{Rendón y Godínez, 2016}). Ambas aglomeraciones concentran poco más del 50% de los empleados del total de EBT de la Industria del transporte consideradas. En la aglomeración III se concentra también más del 50% de los empleados de las EBT de la Industria química.

Si bien Rendón y Godínez sugieren una caída en la concentración de empresas del ramo del transporte (2016), la evidencia sugiere que las EBT de la Industria del transporte son parte fundamental de los procesos de aglomeración (y coaglomeración) observados. Para 2020 la aglomeración de EBT de la Industria química en las aglomeraciones II y III aumentó, mientras que la de EBT de Fabricación de maquinaria y equipo se sostuvo. En ambos casos corresponden a EBT cuyas actividades están ligadas a la fabricación de vehículos. Por ejemplo, las EBT de la Industria química son empresas orientadas a proveer insumos industriales (SCIAN 3251 a 3253). Es decir, si las aglomeraciones II y III son el eje toral de la concentración de EBT en la ZMT, entonces la Industria del transporte lo es para la aglomeración de las EBT en ambas.

La aglomeración IV en 2010 se divide en las aglomeraciones IV y V para 2020 (Figura 3). Ambas reflejan la expansión del proceso de aglomeración en las áreas tradicionalmente industriales (^{Castillo, 2005}; ^{Rendón y Godínez, 2016}), cuya orientación ya no sólo es de centro a oriente de la ZMT (con dirección hacia la Ciudad de México), sino hacia el nororiente siguiendo la carretera Toluca-Naucalpan, en el límite entre los municipios Toluca y Lerma. En 2010 la aglomeración IV concentra actividades de Fabricación de maquinaria y equipo, particularmente de Fabricación de equipo de generación y distribución de energía eléctrica (SCIAN 3353) y Fabricación de otros equipos y accesorios eléctricos (SCIAN 3359). En 2020 la aglomeración IV retiene esta especialización en Fabricación de maquinaria y equipo, pero la aglomeración V exhibe mayor diversidad de EBT (tanto de la Industria del transporte como de la Industria química).

En 2020 surge la aglomeración VI (Figura 3) en el área de Santiago Tianguistenco al sur de la ZMT. Ésta es pequeña, y consta de solamente siete empresas de la Industria química; en específico, de Fabricación de pinturas, recubrimientos y adhesivos (SCIAN 3255). Si bien existían EBT del rubro químico en 2010, los resultados no sugieren aglomeración, quizá debido a la gradual consolidación del parque industrial en la zona. Aunque todavía son pocas las EBT que exhiben aglomeración, estos resultados sugieren una vocación especializada distinta a la del resto de las aglomeraciones (salvo la aglomeración I), que muestran proximidad entre actividades de los sectores EBT considerados.

A manera de síntesis, los hallazgos sugeridos por la Figura 3 reflejan dos posibles efectos complementarios: las EBT se concentran en áreas muy específicas del espacio intrametropolitano de la ZMT (como sugiere la literatura citada), y la aglomeración intraindustrial (por sector EBT) ocurre cada vez más en proximidad con la aglomeración de otros sectores EBT. Es decir, se observa una mayor integración de tres de los cuatro sectores EBT considerados (Industria del transporte, Industria química y Fabricación de maquinaria y equipo), sobre todo en las aglomeraciones II, III, IV y V de 2020. A diferencia de otras ciudades (por ejemplo, de Estados Unidos; véase ^{Kerr y Kominers, 2015}), la dispersión entre las aglomeraciones de la ZMT no es grande, aunque ya no se concentra solamente hacia el oriente de la ciudad (surge el nororiente como área importante de actividad de las EBT).

La coexistencia de la aglomeración y coaglomeración de sectores EBT permite establecer ciertas hipótesis sobre el encadenamiento de estos sectores y la actividad industrial de la ZMT en general. Por ejemplo, que la Industria del transporte representa un polo de atracción de otros sectores EBT, sobre todo hacia las aglomeraciones II, III, IV y V en 2020 de la Figura 3. En específico, de EBT de la Industria química y de la Fabricación de maquinaria y equipo. Si bien Rendón y Godínez hablan de su desaceleración (2016), y ^{Vilchis et al. (2021a}; ^2021b), de la creciente competencia de otras zonas del centro del país (como Querétaro y el Bajío), los resultados sugieren que la Industria del transporte continúa siendo primordial para los procesos de aglomeración dentro de la ZMT (véase ^{Ayala Espinoza, 2021}). La corroboración de esto, sin embargo, queda para investigaciones futuras.

Finalmente, los resultados de la función M no son sólo a nivel de sectores EBT, sino que permiten dilucidar cuáles son las empresas que componen cada aglomeración identificada en la Figura 3. De particular interés son las EBT grandes (100 empleados o más), bajo el supuesto de que éstas incentivan la aglomeración y coaglomeración (^{Duranton y Puga, 2004}; ^{Faggio et al., 2020}). Así, se observa que las aglomeraciones II a IV de 2010, y II a V de 2020, concentran el mayor número de EBT grandes. Por ejemplo, grandes empresas automotrices, como General Motors y Chrysler; de sistemas automotrices integrados, como HBPO, Sypris Technologies y Frenos y Mecanismos; de autopartes y carrocería, como Gestamp y Bosch; de resinas industriales, como Stahl de México y Grupo Químico Industrial de Toluca; y de resinas, hules sintéticos y fibras químicas, como Química Blantex y Teknopellets.

La naturaleza de las EBT mencionadas previamente da mayor fuerza a la hipótesis planteada a partir de los resultados obtenidos: la Industria del transporte (y sus encadenamientos con la Industria química y la Fabricación de maquinaria y equipo) constituye un eje toral del fenómeno de la aglomeración en la ZMT. Sin embargo, existe diversidad en la especialización sugerida: la aglomeración III observa incrementos en la variedad de EBT en 2020 (e.g., Aerobal y Absara Cosmetics, ligadas a la industria farmacéutica y de productos químicos de consumo diario); y también para 2020, la aglomeración IV muestra una mayor presencia de las EBT de la industria química, pero sin ningún patrón específico que indique su relación con sintéticos orientados al uso industrial (y en específico, para la Industria del transporte).

La Figura 4 muestra la densidad alrededor de las aglomeraciones de empresas detectadas, con base en los resultados de la función m por empresa para 2010 y 2020. Ésta se expresa como buffers estimados utilizando interpolación de ponderación de distancia inversa (inverse distance weighting), a partir de valores m^r>1 por EBT.⁸ En la Figura 4, entre más oscuro el buffer, mayor la densidad de empresas de un cierto sector EBT. Esto implica que la presencia de EBT de un sector en particular es mayor a la del resto de las EBT y de la actividad económica en general, a pesar de que también exhiban concentración. Por otra parte, un buffer amplio expresa mayor extensión del área de densidad, no mayor concentración.

Fuente: Elaboración propia utilizando el programa QGIS y con base en los resultados estimados en R (^{R Core Team, 2020}), a partir de datos obtenidos del DENUE (^{INEGI, 2010}; ²⁰²⁰).

Figura 4 Densidad de empresas ( m^r>1 ) en la Zona Metropolitana de Toluca (ZMT), 2010 y 2020 

El rango de cada buffer expresa el valor de m^r promedio para cada sector, y van de 1.3 (Fabricación de maquinaria y equipo en 2020) a 4 (Industria del transporte en 2020). El valor m^r de 4 indica hasta 300% más empresas de un sector EBT que de otros, y de otras actividades económicas. Un valor m^r de 1.3 implica 30% más empresas de un sector EBT. En la Figura 4 se observa que la densidad de EBT de la Industria del transporte se desplazó hacia el nororiente de la ZMT (aglomeraciones IV y V). También, la densidad de EBT de Fabricación de maquinaria y equipo se expande en 2020 a lo largo de la Av. Paseo Tollocan, de centro a oriente entre los municipios de Toluca y Lerma.

La dinámica de la densidad observada en la Figura 4 abona a los resultados observados en la Figura 3. Los buffers en 2020 se traslapan, algo que no ocurre en 2010, lo que define a dos corredores de actividad de EBT dentro de la Zona Metropolitana de Toluca: Av. Paseo Tollocan en dirección oriente, hacia Lerma; y, a partir de ahí, hacia el norte (o nororiente de la ZMT), con dirección a los parques industriales en la carretera Toluca - Naucalpan. Nuevamente, los resultados de la Figura 4 revelan posibles encadenamientos (dada su proximidad) de las EBT de la Industria del transporte, la Industria química y la Fabricación de maquinaria y equipo.

3.2. Coaglomeración de EBT

Los resultados previos sugieren la coexistencia de aglomeración y coaglomeración de EBT en la ZMT; sin embargo, la función M permite estimar la significancia estadística del fenómeno de la coaglomeración, bajo el supuesto de que la concentración de EBT de dos tipos distintos no es aleatoria (^{Marcon et al., 2015}). La Figura 5 muestra los resultados del análisis de coaglomeración para 2010 y 2020. Cada color de los puntos en la Figura 5 muestra el sector al que cada EBT con coaglomeración significativa pertenece, y el sector EBT con el que exhibe coaglomeración (e.g., Transporte-Química). El sector de Fabricación de insumos médicos no muestra coaglomeración, un resultado esperado ya que las Figuras 3 y 4 enfatizan la proximidad entre aglomeraciones de EBT de la Industria del transporte, Industria química y Fabricación de maquinaria y equipo.

Los valores estimados máximos M^MAX de coaglomeración ente sectores EBT van de 15.13 a 59.28, indicando una alta coaglomeración. La coaglomeración como un fenómeno puntual (distinto a la aglomeración) aparece en áreas centrales de las aglomeraciones identificadas previamente en la Figura 3. En este sentido, es posible decir que el núcleo de las aglomeraciones identificadas previamente es diverso, ya que exhibe coaglomeración significativa. Esto, sin embargo, no implica causalidad (e.g., la coaglomeración sigue a la aglomeración, o viceversa). Los resultados de la Figura 5 sólo corroboran la coexistencia de los fenómenos de aglomeración y coaglomeración de EBT en la ZMT, y cualquier implicación sobre ambos está más allá de los objetivos del análisis.

Los resultados de la Figura 5 también permiten suponer procesos ligados al tamaño de las empresas coaglomeradas. La mitad de éstas, tanto en 2010 como en 2020, son EBT grandes (100 empleados o más). Esto refuerza aún más uno de los supuestos planteados, sobre que las EBT grandes incentivan la concentración de EBT en las aglomeraciones identificadas en la ZMT. También, el número de EBT grandes coaglomeradas permanece estable de 2010 a 2020, por lo que su presencia podría representar un polo de atracción para otras EBT de menor tamaño, y de distintos sectores. Tal premisa, sin embargo, está más allá de los objetivos del análisis, y requeriría un estudio detallado de los encadenamientos (o enlaces) entre sectores EBT (e.g., relaciones cliente-proveedor o transferencia de tecnología, por mencionar algunos).

Por último, la mitad de las EBT con coaglomeración significativa en la Figura 5, tanto en 2010 como en 2020, pertenecen a la Industria del transporte. Aunado a esto, los valores M^r significativos del análisis de coaglomeración crecieron, sobre todo en EBT pequeñas (30 empleados o menos) de la Industria química y la Fabricación de maquinaria y equipo. Así, los resultados de la Figura 5 refuerzan lo que quizá es el principal hallazgo de este análisis: los procesos de aglomeración y coaglomeración de las EBT en la ZMT están fuertemente relacionados con la Industria del transporte y sus patrones de concentración.

Fuente: Elaboraciónpropia utilizando el programa QGIS y con base en los resultados estimados en R (^{R Core Team, 2020}), a partir de datos obtenidos del DENUE (^{INEGI, 2010}; ²⁰²⁰).

Figura 5 Coaglomeraciones significativas (M(r) > 1) en la Zona Metropolitana de Toluca (ZMT), 2010 y 2020