Introducción
La preocupación por el cambio climático ha dado lugar a análisis sobre sus impactos en diversos ámbitos. Específicamente, las ciudades son espacios en donde el clima y sus factores de cambio han motivado muchos de los trabajos de investigación. En México destacan los esfuerzos del Dr. Ernesto Jáuregui Ostos, investigador del Instituto de Geografía de la UNAM, quien ha trabajado por décadas el tema del clima en las ciudades y cómo su infraestructura ha contribuido en algunos de los elementos centrales del clima tales como la temperatura ambiental y los niveles de precipitación pluvial. Su trabajo ha sido una guía indispensable para estos análisis y, especialmente, ha registrado evidencia empírica valiosa para la Zona Metropolitana de la Ciudad de México. El trabajo de Jáuregui parece haber demostrado que el crecimiento urbano, por lo menos en la capital mexicana, ha provocado un efecto de isla de calor asociado al aumento de las temperaturas, así como una posible disminución de la precipitación. Además, señala cómo los cambios en el uso del suelo han alterado el equilibrio energético y de allí al calentamiento atmosférico tanto en la ciudad como en áreas rurales circundantes.
En este trabajo se destaca la necesidad de considerar estos cambios en el uso del suelo al analizar los patrones climáticos regionales y locales. Sin embargo, se subraya la limitación de los datos disponibles, lo que hace necesario realizar más investigaciones para comprender con mayor profundidad el impacto de la urbanización y la deforestación en el clima de la región de la Ciudad de México y de otras ciudades.
Los autores interesados en el tema han planteado diversas preocupaciones sobre el clima y su impacto en las ciudades o bien, como estas son factor de cambio en el clima. Por ejemplo, Rodríguez, Vírguez y Behrentz (2016) han explorado la calidad del aire en ciudades latinoamericanas donde se analiza el impacto de la urbanización en la contaminación atmosférica y la salud pública. Sus investigaciones destacan cómo el desarrollo urbano influye en la calidad del aire en entornos urbanos. En México, Magaña y Gay García (2002) han estudiado los efectos sociales y económicos ante el cambio climático. Sus trabajos resaltan cómo la urbanización altera el clima local y regional, enfocándose en los efectos de la ciudad en el entorno climático circundante.
A nivel internacional destacan trabajos como el de Kalnay y Cai (2003), que han investigado los impactos de la urbanización y el cambio en el uso del suelo en el clima. Su investigación ha abordado cómo los cambios en el entorno urbano influyen en los patrones climáticos a nivel local y global. Brimblecombe (2014) dedicó su investigación al análisis de la contaminación del aire en entornos urbanos y su impacto en la salud humana y el medio ambiente. Sus estudios detallan la historia y la evolución de la polución atmosférica en ciudades, y también destacan la importancia de reducir las emisiones contaminantes para mejorar la calidad del aire y la salud pública. Katul et al. (2012) han estudiado la dispersión de semillas por el viento y los efectos de la urbanización en los ciclos hidrológicos y microclimas urbanos. Sus investigaciones resaltan cómo los cambios en el paisaje urbano pueden modificar los procesos ecológicos locales y regionales e influyen en la biodiversidad y los recursos hídricos. Los autores destacan la necesidad de considerar la planificación urbana en función de estos impactos para promover entornos urbanos más resilientes y sostenibles.
Por su parte, Stone Jr. et al. (2014) han investigado las tendencias de temperatura en zonas urbanas y rurales cercanas a grandes ciudades, resaltando el calentamiento diferencial entre estos entornos. Stone Jr. analiza el impacto del desarrollo urbano en los patrones térmicos locales y sus implicaciones en la vulnerabilidad de las áreas urbanas al cambio climático. Sailor et al. (2015) han revisado métodos para estimar las emisiones antropogénicas de calor y humedad en entornos urbanos. Sus estudios se centran en comprender cómo las ciudades generan y retienen calor, lo que contribuye al fenómeno del efecto de isla de calor urbano, y proporciona soluciones para atenuar este fenómeno. Georgescu et al. (2014) han analizado la adaptación urbana para contrarrestar el calentamiento en regiones metropolitanas emergentes. Sus trabajos exploran cómo las ciudades pueden reducir su vulnerabilidad al cambio climático a través de estrategias de planificación urbana que mitiguen el efecto isla de calor y limiten el aumento de temperaturas. Zhang et al. (2010) ha estudiado el efecto isla de calor urbano en ciudades durante los veranos y así determinar cómo este fenómeno contribuye al calentamiento local. Sus estudios revelan la importancia de comprender los patrones de temperatura en áreas urbanas para implementar medidas de adaptación al cambio climático. Gosselin (2001) ha adoptado un enfoque sinóptico para evaluar el impacto de la urbanización en la precipitación estival. Sus investigaciones resaltan cómo la urbanización puede influir en los patrones de lluvia al señalar la necesidad de considerar la expansión urbana al estudiar cambios en el clima y en los regímenes de precipitación.
Entre los trabajos más destacados, Jáuregui (2004) plantea que los cambios en el uso de suelo urbano han alterado de manera importante los patrones de temperatura locales. Documenta el caso de la Ciudad de México y la Cuenca del Valle de México, y muestra el incremento promedio de 0.07 °C por año.
Es precisamente este planteamiento de Jáuregui el que motiva este trabajo, esto es, que los procesos de urbanización que implica el crecimiento poblacional de las ciudades, así como su expansión física que, a su vez, da lugar a mayores niveles de infraestructura urbana (de la que implica construcción con concreto, cemento y otros materiales) y, al mismo tiempo, de cada vez menos superficies verdes, da como resultado que el clima urbano, específicamente los niveles de temperatura presente patrones de crecimiento gradual o, tal como lo dice Kalnay y Cai (2003) en la revista Nature: “Las influencias antropogénicas más importantes sobre el clima son las emisiones de gases de efecto invernadero y cambios en el uso de la tierra, como urbanización y agricultura”.
Se ha realizado una exhaustiva revisión de los impactos que tienen los procesos de urbanización como lo es la expansión en el clima local, específicamente en el clima de las ciudades, sin embargo, en el caso mexicano no ha resultado suficiente, toda vez que la ciudad mexicana más estudiada es la Ciudad de México y su zona metropolitana, mientras que resulta escasa la evidencia empírica documentada en otras ciudades mexicanas sobre los impactos de la expansión urbana sobre el clima. Es así como la preocupación por otras grandes ciudades mexicanas se ha extendido más allá de la Ciudad de México.
En este sentido, cabe hacerse la siguiente pregunta de investigación: ¿es la expansión urbana un factor que explica el incremento en la temperatura media de las ciudades mexicanas? De allí que el objetivo central de este trabajo es mostrar, mediante un modelo estadístico causal, que los procesos de expansión urbana tienen una relación directa con el incremento en las temperaturas registradas para diferentes ciudades en México.
Para responder esta pregunta se propone el uso de un modelo econométrico de panel, mismo que mostrará en diferentes periodos (1975, 1990, 2000 y 2015) los patrones de temperatura para una muestra de 132 ciudades en México, en las cuales están presentes las ciudades más importantes en términos de magnitud además de otras medianas y pequeñas. Con ello se busca medir el patrón creciente de tamaño urbano y su relación con el cambio en la temperatura ambiente. Se pretende también usar la industria de cada ciudad como factor de usos de suelo específico responsables de estos cambios.
Métodos
Como en casi todos los países, la mayoría de la población en México se ha transformado paulatinamente en urbana. En 2020, este porcentaje1 fue de 63.5%. Esto significa que seis de cada diez personas residen en una ciudad, con lo que la habitabilidad de las ciudades se ha vuelto una prioridad.
Para el caso de México, el aumento de la población en ciudades es notorio: desde 1990 a 2020 se ha pasado de 57.2% a 63.5% (Tabla 1).
Tabla 1 México: distribución de la población por tamaño de localidades, 1990-2020.
Grupos de localidades según
el tamaño de la población |
1990 | 2000 | |||||
Localidades | Población
(miles de habitantes) |
% de Población
total |
Localidades | Población
(miles de habitantes) |
% de Población
total |
Localidades | |
Total del país | 160 102 | 81 664 | 100 | 203 139 | 98 009 | 100 | 195 933 |
Urbana | 416 | 46 675 | 57.2 | 513 | 59 419 | 60.6 | 630 |
1 000 000 y más | 7 | 8958 | 11 | 10 | 13 241 | 13.5 | 11 |
500 000 - 999 999 | 14 | 8878 | 10.9 | 20 | 12 462 | 12.7 | 25 |
100 000 - 499 999 | 77 | 18 233 | 22.3 | 84 | 20 430 | 20.8 | 95 |
50 000 - 99 999 | 55 | 3855 | 4.7 | 64 | 4549 | 4.6 | 86 |
20 000 - 49 999 | 167 | 5075 | 6.2 | 226 | 6848 | 7 | 274 |
15 000 - 19 999 | 96 | 1,676 | 2.1 | 109 | 1888 | 1.9 | 139 |
No urbana | 159 686 | 34 389 | 42.1 | 203 139 | 38 590 | 39.4 | 195 303 |
Mixta* | 807 | 6643 | 8.1 | 948 | 7878 | 8 | 1182 |
10 000 - 14 999 | 197 | 2410 | 3 | 237 | 2906 | 3 | 300 |
5000 - 9999 | 610 | 4232 | 5.2 | 711 | 4972 | 5.1 | 882 |
Rural** | 158 879 | 28 346 | 34.7 | 202 191 | 30 712 | 31.3 | 194 121 |
2500 - 4999 | 1365 | 4652 | 5.7 | 1590 | 5489 | 5.6 | 1845 |
1000 - 2499 | 4998 | 7486 | 9.2 | 5365 | 8097 | 8.3 | 5979 |
Menos de 1000 | 152 516 | 16 208 | 19.8 | 195 236 | 17 126 | 17.5 | 186 297 |
La población urbana en México se encuentra agrupada en 401 ciudades en el Sistema Urbano Nacional (SUN), donde las más importantes son la Zona Metropolitana de la Ciudad de México (ZMCM), seguida de la ZM de Guadalajara y la ZM de Monterrey, entre otras. Cabe decir que el tamaño de la ZMCM es significativamente mayor a la ciudad que ocupa el segundo lugar (ZM Guadalajara) esto es, cerca de 21 millones contra poco menos de cinco millones de habitantes, con lo que la relación de tamaño entre la ciudad número uno y la dos es de cerca de cinco veces.2 Asimismo, la urbe número tres del país (ZM Monterrey) es prácticamente igual que la ZM de Guadalajara, con poco más de cuatro millones y medio.
Esto significa que las ciudades en México tienden a un crecimiento poblacional desmedido y, por ello, preocupante. Las tres más grandes poseen alrededor de la cuarta parte de la población total del país, razón para centrar el interés de este trabajo en el estudio de los cambios en el clima con respecto a estas urbes.
Para alcanzar el objetivo del presente estudio, se seleccionó una muestra de 132 ciudades mexicanas. La información fue tomada de la base de datos construida por el proyecto europeo GHS Urban Centre Database 2015, multitemporal and multidimensional attributes, R2019A (Florczyk et al., 2019), el cual consta de un conjunto original de 13 135 ciudades de todo el mundo.
Las ciudades mexicanas tomadas de este proyecto constituyen las 128 más grandes de México.3 Esto incluye desde la ZM de la Ciudad de México hasta ciudades de aproximadamente 35 000 habitantes. Además de lo anterior, se agrega información de alrededor de diez ciudades adicionales de tamaño pequeño pero variable. Al consolidar toda la información contenida en esta base de datos para cada uno de los periodos de información disponibles (1975, 1990, 2000 y 2015) algunas ciudades fueron retiradas, lo que da como resultado un número definitivo de ciudades en todos los periodos de 132. En el Anexo 1 se muestra un listado con las ciudades incluidas en el estudio.
La información climática de las ciudades mexicanas debe asociarse con atributos como la región geográfica o el tamaño de la ciudad (en primera instancia). Cada una de las características climáticas de las ciudades apuntan a ciertas tendencias en función del tamaño y de la localización. Entonces, mientras que las ciudades ubicadas al centro o al norte del país parecen mantener temperaturas promedio relativamente bajas, en la parte sur del país la tendencia es a mostrar ciudades más cálidas en términos generales. Esto, desde luego, es atribuible a las condiciones climáticas de esas regiones, esto es, temperaturas más elevadas en el sur, sureste y península de Yucatán, mientras que en el resto de México las temperaturas son más templadas o inclusive más frías.
México cuenta con una megalópolis, la Zona Metropolitana de la Ciudad de México (ZMCM), con aproximadamente 21 millones de habitantes, que ha registrado temperaturas relativamente más bajas que la mayoría de las ciudades del centro del país o de otras regiones. No obstante, de acuerdo con los datos registrados por el proyecto europeo GHS Urban Centre Database 2015, las temperaturas en la capital mexicana, durante el periodo de 1990 a 2015, han mostrado un incremento en temperatura promedio de 0.39 °C, esto es, casi medio grado centígrado en un periodo de 25 años, que de acuerdo con la literatura, resulta un aumento importante.
Con relación a la temperatura en las ciudades mexicanas de otras regiones es importante observar los datos que aporta el Tabla 2.
Tabla 2 Temperatura media en °C por estrato de tamaño urbano y región. Ciudades mexicanas 1975-2015
Region | Megalópolis | Ciudades
Grandes |
Ciudades
Medias |
Ciudades
Pequeñas |
Total |
Centro | 14.0 | 15.0 | 18.8 | 17.3 | 17.5 |
Centro Norte | - | 18.1 | 18.5 | 18.7 | 18.6 |
Centro Occidente | - | 20.9 | 22.2 | 21.1 | 21.5 |
Centro Oriente | - | - | 22.6 | 24.9 | 23.3 |
Norte | - | 19.2 | 17.9 | 18.4 | 18.3 |
Noreste | - | 22.5 | 22.4 | 23.0 | 22.5 |
Noroeste | - | - | 23.1 | 22.1 | 22.6 |
Península de BC | - | - | 20.2 | - | 20.2 |
Litoral-Pacífico | - | - | 24.6 | 24.6 | 24.6 |
Península de Yucatán | - | - | 26.5 | 26.3 | 26.4 |
Sureste | - | - | 27.0 | 26.0 | 26.5 |
Suroeste | - | - | 23.3 | 22.8 | 23.1 |
Total | 14.0 | 18.7 | 22.0 | 21.2 | 21.4 |
Fuente: elaboración propia a partir de datos de Base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A. Comisión Europea, Centro Común de Investigación (JRC).
El Tabla 2 presenta un análisis de la temperatura media en grados centígrados de diversas ciudades mexicanas desde 1975 hasta 2015, agrupadas por regiones y estratos de tamaño de ciudad.
En la región del Centro, la temperatura media varía de 14.0 °C en la megalópolis de la ZMCM a 17.3 °C en las ciudades pequeñas, con un promedio total de 17.5 °C. En el Centro Norte, las ciudades grandes tienen una temperatura media de 18.1 °C, mientras que las ciudades pequeñas registran 18.7 °C, con un promedio total de 18.6 °C.
En la región del Centro Occidente, las ciudades medianas y pequeñas tienen temperaturas medias de 22.2 °C y 21.1 °C, respectivamente, con un promedio total de 21.5 °C. En el Centro Oriente, la temperatura media en las ciudades pequeñas es de 24.9 °C, con un promedio total de 23.3 °C.
En la región Norte las ciudades grandes tienen una temperatura media de 19.2 °C, mientras que las ciudades pequeñas registran 18.4 °C, con un promedio total de 18.3 °C. En el Noreste, las ciudades pequeñas tienen una temperatura media de 23.0 °C, con un promedio total de 22.5 °C. En el Noroeste, las ciudades medianas y pequeñas tienen temperaturas medias de 23.1 °C y 22.1 °C, respectivamente, con un promedio total de 22.6 °C.
En la Península de Baja California (BC), las ciudades medianas tienen una temperatura media de 20.2 °C. En el Litoral-Pacífico, las ciudades medianas y pequeñas tienen temperaturas medias de 24.6 °C y 24.6 °C, respectivamente, con un promedio total de 24.6 °C. En la Península de Yucatán, las ciudades medianas y pequeñas tienen temperaturas medias de 26.5 °C y 26.3 °C, respectivamente, con un promedio total de 26.4 °C.
En la región Sureste, las ciudades medianas y pequeñas tienen temperaturas medias de 27.0 °C y 26.0 °C, respectivamente, con un promedio total de 26.5 °C. En el Suroeste, las ciudades medianas y pequeñas tienen temperaturas medias de 23.3 °C y 22.8 °C, respectivamente, con un promedio total de 23.1 °C.
Al observar las temperaturas de las regiones, hay varias a destacar:
Sureste: la región tiene la temperatura media más alta entre las ciudades medianas con 27.0 °C, lo que indica un clima bastante cálido. Los atributos geográficos de la región claramente son importantes.
Centro: esta región tiene la temperatura media más baja en la megalópolis existente (ZMCM) con 14.0 °C, pero también con temperaturas relativamente más bajas en la misma región, lo que revela un clima más fresco en las ciudades de mayor tamaño asociadas a la región Centro.
Península de BC: esta región solo cuenta con ciudades medias, con una temperatura promedio de 20.2 °C.
Noroeste: esta región tiene la temperatura media más alta en las ciudades pequeñas con 22.1 °C, lo que indica un clima más cálido en las ciudades de menor tamaño.
Estas son solo algunas de las regiones que destacan en la tabla proporcionada, sin embargo, es claro que cada región tiene características climáticas únicas.
No obstante, la temperatura en las ciudades está asociada también a factores pertenecientes a la actividad urbana, tales como la industria y los servicios, mismas que están relacionadas con los usos de suelo y la utilización de sustancias. Algunos de los factores estarían asociados a lo siguiente:
Emisiones de gases de efecto invernadero (GEI): las actividades industriales, la quema de combustibles fósiles para la generación de energía, el transporte y otros procesos liberan dióxido de carbono (CO2), metano (CH4), óxidos de nitrógeno (NOx) y otros gases. Estos gases atrapan el calor en la atmósfera y con ello se contribuye al calentamiento global y al cambio climático.
Contaminación del aire: las emisiones industriales y vehiculares liberan contaminantes que pueden influir en la calidad del aire, la temperatura y la composición química de la atmósfera. Esto puede causar fenómenos como la inversión térmica, donde la capa de contaminación actúa como un "techo" al captar el calor cerca de la superficie, mismo que da lugar al empeoramiento de la calidad del aire.
Reducción del verdor por la urbanización: la urbanización puede alterar el clima local al cambiar la reflectividad de la superficie terrestre (albedo) y la cantidad de áreas verdes. Las ciudades con edificios altos, pavimentos oscuros y poca vegetación tienden a retener más calor (efecto isla de calor urbano) y a el consecuente incremento de las temperaturas locales.
Cambio en los patrones de uso del suelo: la deforestación, la expansión urbana y la agricultura intensiva pueden modificar los patrones de precipitación, el ciclo del agua y la temperatura al afectar la absorción de la radiación solar y la evaporación.
Emisión de aerosoles y otros contaminantes: algunas actividades industriales emiten aerosoles y partículas que pueden afectar la formación de nubes y la radiación solar, lo que da lugar a la alteración de los patrones climáticos locales.
Alteración de los recursos hídricos: la extracción excesiva de agua, la canalización de ríos, la construcción de represas y el drenaje de humedales pueden afectar los patrones de precipitación y el ciclo del agua, con impactos en el clima local y regional.
En resumen, las actividades humanas, especialmente las relacionadas con la industria, el transporte, la urbanización y la agricultura intensiva, pueden tener un impacto significativo en el clima local y regional de una ciudad, y por lo tanto contribuir al calentamiento global y otros cambios climáticos. Estos efectos pueden variar según la ubicación geográfica, las condiciones climáticas regionales y la escala de las actividades humanas involucradas. La mayoría de estas variables fueron cuantificadas a partir de la base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A. Comisión Europea, Centro Común de Investigación (JRC) (Tabla 3).
Tabla 3 Variables.
Variable | Descripción | Periodos | Unidad | Fuente |
E_WR_T_ | Temperatura media por año en la ciudad | 1990, 2000 y 2015 | °C | (Harris et al., 2014) |
E_WR_P_ | Precipitación media por año en la ciudad | 1990, 2000 y 2015 | mm | |
UE_IND | Unidades Económicas en Industria por Ciudad | 1975, 1990, 2000 y 2015 | personas | INEGI |
UE_COM | Unidades Económicas en Comercio por Ciudad | 1975, 1990, 2000 y 2015 | personas | |
UE_SERV | Unidades Económicas en Servicios por Ciudad | 1975, 1990, 2000 y 2015 | personas | |
B | Superficie Urbanizada Total por Ciudad | 1975, 1990, 2000 y 2015 | km² | GHS_BUILT_LDS _GLOBE_R2018A _54009_1K_V_1_0 (Florczyk et al., 2018) |
P | Población Residente Total por Ciudad | 1975, 1990, 2000 y 2015 | personas | GHS_POP_GPW41E _GLOBE_R2018A _54009_1K_V_1_0 (Florczyk et al., 2018) |
GDP_SM | PIB a valores de la Paridad de Poder Adquisitivo (PPA) por año | 1990, 2000 y 2015 | $ | (Kummu et al., 2018) |
Además de variables climáticas como temperatura y nivel de precipitación pluvial promedio, se cuenta con variables económicas como número de unidades económicas pertenecientes a la industria, comercio y servicios, y que dan evidencia de los cambios de uso del suelo urbano (en el sentido de la actividad económica). Mientras las unidades económicas relacionadas con la industria revelan la emisión de gases de efecto invernadero en cada ciudad, las unidades de comercio y servicios toman en consideración la actividad masiva en una ciudad y la cantidad de emisiones a la atmósfera de la actividad poblacional y la vehicular. Lo mismo sucede con las variables B y P que dan evidencia del tamaño urbano y su relación con las emisiones mencionadas.
Desde luego el PIB es siempre una variable económica clave en la comprensión de la relación entre el tamaño urbano y la posible alteración en el clima de la ciudad.
Propuesta de uso de matrices de correlación para los factores a observar
De igual manera, es crucial examinar la interacción entre estos elementos y su vínculo con la temperatura urbana. Para una comprensión integral de esto, se sugiere la elaboración de ciertas matrices de correlación. Es esencial tener en cuenta que una matriz de correlación es un instrumento estadístico que revela la fuerza y el sentido de la conexión entre dos o más variables. Esta herramienta es ampliamente utilizada en áreas como finanzas, economía, psicología, geografía y biología, ya que facilita la comprensión de cómo diversas variables se interrelacionan.
Matemáticamente, una matriz de correlación R para un conjunto de n variables aleatorias se define como una matriz n x n donde el elemento en la i-ésima fila y j-ésima columna es el coeficiente de correlación entre la i-ésima y la j-ésima variable aleatoria.
El coeficiente de correlación entre dos variables X e Y se calcula como:
donde:
xi y yi |
son los valores individuales de las variables X e Y. |
|
son las medias de las variables X e Y. |
n |
es el numero de observaciones |
Por lo tanto, la matriz de correlación R para un conjunto de n variables aleatorias X 1 , X 2 , …, X n se ve así:
donde cada r ij es el coeficiente de correlación entre las variables Xi y Xj.
El coeficiente de correlación varía de -1 a +1, donde -1 representa una correlación negativa total, +1 representa una correlación positiva total y 0 indica que no existe correlación entre las variables.
Propuesta de un modelo econométrico de panel
Para proporcionar una prueba sólida de la posible correlación entre las variables económicas y demográficas sugeridas y la temperatura promedio de las ciudades, se sugiere la creación de un modelo econométrico de panel. Este fusiona datos de series temporales y secciones transversales. Se emplea cuando el conjunto de datos contiene información relacionada con una dimensión temporal T y una dimensión de unidad i (por ejemplo, empresa, individuo, grupo, etc.) y consta de K variables o regresores.
La forma funcional general de un modelo de panel es:
Donde:
i |
representa la i-ésima unidad transversal (país, ciudad, región, persona, etc.) |
t |
representa el tiempo t (año, trimestre, mes, etc.). |
Este modelo permite la combinación de múltiples parámetros individuales y temporales.
Los coeficientes de las variables independientes indican el impacto de cada parámetro en la variable dependiente. Además, es crucial prestar atención al término de error, que recoge la variabilidad que el modelo no logra explicar.
En lo que respecta a las técnicas para realizar las corridas, generalmente se inicia con la estimación de un modelo de mínimos cuadrados ordinarios (MCO) estándar denominado POOLED. Posteriormente, se estiman los efectos fijos y los efectos aleatorios. La elección entre uno de estos se basa en pruebas de hipótesis y en cuál de ellos se ajusta mejor a los datos. La prueba de Hausman es la mejor para decidir entre los efectos fijos y aleatorios.
Matemáticamente, la prueba de Hausman se puede expresar de la siguiente manera:
Donde:
bFE |
es el vector de coeficientes estimados por el modelo de efectos fijos. |
bRE |
es el vector de coeficientes estimados por el modelo de efectos aleatorios. |
Var(bFE) |
es la matriz de varianza-covarianza de bFE . |
Var(bRE) |
es la matriz de varianza-covarianza de bRE . |
El estadístico de prueba H sigue una distribución chi-cuadrado con grados de libertad igual al número de coeficientes en el modelo.
La prueba de Hausman establece que no hay diferencias sistemáticas entre los coeficientes calculados por los modelos de efectos fijos y aleatorios, esto es, lo que se conoce como la hipótesis nula. Si el valor p obtenido en la prueba es menor a 0.05, se descarta la hipótesis nula, lo que indica que los efectos fijos son los más adecuados. En cambio, si el valor p supera el 0.05, la hipótesis nula se mantiene, lo que sugiere que los efectos aleatorios, serían la mejor opción.
Resultados
Se presentan ahora las matrices de correlación entre los factores asociados más importantes (Tablas 4 al 7). Cada matriz contiene información de estas variables por tamaño de ciudad, esto es, una matriz por la megalópolis que existe en México (la ZMCM), otra para ciudades grandes, otra para ciudades medias y, finalmente, una para ciudades pequeñas. A continuación, los Tablas 4 al 7 muestran los niveles de asociación estas variables en cada estrato de tamaño. La descripción de las variables de los Tablas 4 al 7 pueden consultarse en el Tabla 3.
Tabla 4 Coeficientes de correlación de Pearson por variable y estrato de tamaño urbano. Magelópolis.
E_WR_T_ | E_WR_P_ | UE_IND | UE_COM | UE_SERV | B | P | GDP_SM | |
E_WR_T_ | 1.0000 | |||||||
E_WR_P_ | -0.0054 | 1.0000 | ||||||
UE_IND | 0.8322 | 0.5499 | 1.0000 | |||||
UE_COM | 0.9967 | 0.0761 | 0.4741 | 1.0000 | ||||
UE_SERV | 0.9826 | 0.1806 | 0.5961 | 0.9895 | 1.0000 | |||
B | 0.9780 | -0.2141 | 0.3737 | 0.9759 | 0.9494 | 1.0000 | ||
P | 0.9644 | -0.2698 | 0.0764 | 0.9109 | 0.8439 | 0.9133 | 1.0000 | |
GDP_SM | 0.6592 | -0.7555 | 0.1316 | 0.5957 | 0.5079 | 0.8017 | 0.8347 | 1.0000 |
Fuente: Elaboración Propia a partir de datos de Base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A.
Comisión Europea, Centro Común de Investigación (JRC). Las variables de Unidades Económicas (UE) son de elaboración propia a partir de Censos Económicos de INEGI
Tabla 5 Coeficientes de correlación de Pearson por variable y estrato de tamaño urbano. Ciudades grandes.
E_WR_T_ | E_WR_P_ | UE_IND | UE_COM | UE_SERV | B | P | GDP_SM | |
E_WR_T_ | 1.0000 | |||||||
E_WR_P_ | -0.3480 | 1.0000 | ||||||
UE_IND | 0.2314 | 0.7444 | 1.0000 | |||||
UE_COM | 0.2526 | 0.6909 | 0.6029 | 1.0000 | ||||
UE_SERV | 0.3708 | 0.5374 | 0.5517 | 0.9618 | 1.0000 | |||
B | 0.5837 | -0.0145 | 0.2527 | 0.5111 | 0.5760 | 1.0000 | ||
P | 0.6744 | 0.3238 | 0.6154 | 0.7760 | 0.8019 | 0.7816 | 1.0000 | |
GDP_SM | 0.7645 | 0.0198 | 0.3489 | 0.4913 | 0.5946 | 0.8133 | 0.8798 | 1.0000 |
Fuente: Elaboración Propia a partir de datos de Base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A.
Comisión Europea, Centro Común de Investigación (JRC). Las variables de Unidades Económicas (UE) son de elaboración propia a partir de Censos Económicos de INEGI.
Tabla 6 Coeficientes de correlación de Pearson por variable y estrato de tamaño urbano. Ciudades medias.
E_WR_T_ | E_WR_P_ | UE_IND | UE_COM | UE_SERV | B | P | GDP_SM | |
E_WR_T_ | 1.0000 | |||||||
E_WR_P_ | 0.4373 | 1.0000 | ||||||
UE_IND | -0.1980 | -0.0407 | 1.0000 | |||||
UE_COM | -0.0787 | 0.0463 | 0.7077 | 1.0000 | ||||
UE_SERV | -0.0084 | 0.0479 | 0.6601 | 0.8644 | 1.0000 | |||
B | 0.0621 | -0.1746 | 0.2694 | 0.2862 | 0.4885 | 1.0000 | ||
P | -0.0281 | -0.1275 | 0.3598 | 0.2891 | 0.5364 | 0.8358 | 1.0000 | |
GDP_SM | 0.1004 | -0.0926 | 0.3783 | 0.4683 | 0.5373 | 0.6867 | 0.7475 | 1.0000 |
Fuente: Elaboración Propia a partir de datos de Base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A.
Comisión Europea, Centro Común de Investigación (JRC). Las variables de Unidades Económicas (UE) son de elaboración propia a partir de Censos Económicos de INEGI.
Tabla 7 Coeficientes de correlación de Pearson por variable y estrato de tamaño urbano. Ciudades pequeñas.
E_WR_T_ | E_WR_P_ | UE_IND | UE_COM | UE_SERV | B | P | GDP_SM | |
E_WR_T_ | 1.0000 | |||||||
E_WR_P_ | 0.3174 | 1.0000 | ||||||
UE_IND | -0.1167 | 0.0860 | 1.0000 | |||||
UE_COM | -0.1711 | 0.1551 | 0.3050 | 1.0000 | ||||
UE_SERV | -0.0531 | 0.1500 | 0.2865 | 0.7780 | 1.0000 | |||
B | 0.1353 | -0.0674 | -0.1359 | 0.2732 | 0.2528 | 1.0000 | ||
P | 0.0877 | 0.1933 | -0.0122 | 0.5161 | 0.4974 | 0.5877 | 1.0000 | |
GDP_SM | 0.1553 | -0.1034 | -0.1380 | 0.0825 | 0.2097 | 0.4968 | 0.5775 | 1.0000 |
Fuente: Elaboración Propia a partir de datos de Base de datos de centros urbanos de GHS 2015, atributos multitemporales y multidimensionales, R2019A.
Comisión Europea, Centro Común de Investigación (JRC). Las variables de Unidades Económicas (UE) son de elaboración propia a partir de Censos Económicos de INEGI.
Es claro que el tamaño de la ciudad revela características climatológicas diferentes. Mientras en una ciudad grande o muy grande es notoria la importante relación entre niveles de precipitación y temperatura con diferentes variables asociadas al tamaño (población residente, superficie urbanizada, unidades de industria, comercio o servicios), esto no ocurre con ciudades medias o pequeñas. Esto podría revelar que la poca actividad económica de ciudades medias o pequeñas no implica impactos al clima por factores como la industria o la cantidad de vehículos o personas residentes. Esto sugiere que, la actividad económica urbana a gran escala sí muestra, como se asegura en la evidencia empírica presentada por Jáuregui y por otros investigadores, suficientes emisiones de contaminantes y otras sustancias en general, además de incrementar las superficies reflejantes (concreto, cemento, etc.) que alteran el clima en ciudades, al grado de incrementar la temperatura en ciudades grandes. Esta evidencia no es observada en ciudades medias ni pequeñas, porque no existe suficiente parque vehicular, población residente ni actividad industrial que dé lugar a la alteración climática observada en otras escalas urbanas.
Con lo anterior claramente el tamaño urbano representa un factor importante en la asociación entre impactos al clima urbano y la actividad de la ciudad.
Estos hechos sugieren entonces que, además de localización geográfica y tamaño de la ciudad, existen factores que impactan en el clima de la ciudad, pero específicamente lo hacen en ciudades de gran tamaño dada su actividad industrial o poblacional.
Ahora bien, con relación al modelo econométrico de panel y sus resultados se tiene lo siguiente. Es posible hacer muchas combinaciones con las variables propuestas, no obstante, se optó por ocupar únicamente las más importantes, dado que la mayoría de ellas presentan fuertes niveles de correlación, con los que se presentarían altos grados de multicolinealidad. Por ejemplo, no tendría sentido introducir al modelo las variables UE_IND y PO_IND (unidades económicas de industria y población económica industrial) dado que, aunque miden diferentes efectos relacionados con la industria, tienden a presentar resultados similares dado que, si uno se incrementa, el otro también lo hará y de allí que su coeficiente de correlación sea alto. Debe recordarse que es conveniente que entre variables explicativas es importante que se mantengan correlaciones bajas.
Se hicieron corridas econométricas con el programa Stata para las variables independientes más relevantes, las cuales resultaron unidades económicas de industria, de comercio, la población residente y el estrato de tamaño (UE_IND, UE_COM, P y Estrato) para la variable dependiente de temperatura media de cada ciudad (E_WR_T_). Asimismo, se corrió una prueba de Hausman para decidir si es más adecuado el modelo de efectos fijos o el de efectos aleatorios.
El parámetro calculado para la prueba de Hausman fue de H=52.12, con lo que es mejor tomar el modelo de efectos fijos. Esto es congruente con el diseño econométrico del modelo dado que, es importante recordar que los efectos fijos en un modelo de panel reflejan la heterogeneidad entre individuos, en este caso, entre ciudades mexicanas, las cuales evidentemente resultan diferentes unas de otras dada su localización, tamaño, actividad económica, condiciones geográficas, etc. De allí que los efectos fijos sean más adecuados para la modelación. Es así como el modelo final, de efectos fijos, se presenta a continuación:
Tabla 8 Corrida econométrica.
Regresión de efectos fijos | Número de observaciones: 396 | ||||
Variable de identificación de individuos: id | Número de individuos: 132 | ||||
R² = 0.2305 | Parámetro F | ||||
F(4,260) = 19.47 | |||||
E_WR_T_ | Coef. | Err. Estd: | t | P>|t| | [Interv Conf 95% Confiabi] |
UE_IND | 0.0001214 | 0.0000303 | 4.00 | 0.000 | .0000616 .0001811 |
UE_COM | -0.0000307 | 0.00000645 | -4.76 | 0.000 | -.0000434 -.000018 |
P | 0.00000156 | 0.000000264 | 5.89 | 0.000 | 1.04e-06 2.08e-06 |
Estrato | -0.2581388 | 0.0644397 | -4.01 | 0.000 | -.385029 -.1312487 |
_cons | 21.62608 | 0.2622564 | 82.46 | 0.000 | 21.10966 22.1425 |
Donde la variable dependiente E_WR_T_ es la temperatura promedio de cada año en cada ciudad. Las variables independientes UE_IND, UE_COM, P y Estrato representan las unidades económicas en industria por ciudad, unidades económicas en comercio por ciudad, población residente total por ciudad y el estrato de tamaño, respectivamente (Tabla 3).
Los resultados más relevantes del modelo se plantean como sigue:
1. Coeficientes y significancia estadística: todas las variables independientes, esto es unidades económicas de industria, de comercio, población total y estrato de tamaño (UE_IND, UE_COM, P y Estrato) son estadísticamente significativas a un nivel de confianza del 99.9% (P>|t| = 0.000). Esto significa que estas variables tienen un efecto significativo en la variable dependiente, es decir, temperatura media de cada ciudad (E_WR_T_).
UE_IND: un aumento de una unidad en el número de establecimientos industriales aumenta la temperatura promedio de la ciudad en 0.0001214 grados centígrados, manteniendo constantes las demás variables.
UE_COM: un aumento de una unidad en el número de establecimientos comerciales disminuye la temperatura promedio de la ciudad en 0.0000307 grados centígrados, manteniendo constantes las demás variables.
P: un aumento de una persona en la Población Residente aumenta la temperatura promedio de la ciudad en 1.56e-06 grados centígrados, manteniendo constantes las demás variables.
Estrato: aumentar un nivel en el estrato de tamaño urbano (es decir, avanzar a estratos de ciudades cada vez menores) disminuye la temperatura promedio de la ciudad en 0.2581388 grados centígrados. O, lo que es lo mismo, en la medida que una ciudad aumenta su tamaño hasta cambiar de estrato, pasando de ser ciudad media a ciudad grande (por ejemplo) aumenta su temperatura en la cuarta parte de un grado centígrado, manteniendo constantes las demás variables.
2. R cuadrado (R²): el R cuadrado dentro del grupo (within) es 0.2305, lo que indica que el 23.05% de la variación en la temperatura promedio de la ciudad se puede explicar por las variables independientes del modelo dentro de los grupos. El R² entre grupos (between) es 0.0336, lo que indica que solo el 3.36% de la variación en la temperatura promedio de la ciudad se puede explicar por las diferencias entre los grupos. El R² general (overall) es 0.0326, lo que indica que el modelo explica el 3.26% de la variación en la temperatura promedio de la ciudad en toda la muestra.
3. Prueba F: la prueba F es significativa (Prob > F = 0.0000), lo que indica que al menos una de las variables independientes tiene un efecto significativo en la temperatura promedio de la ciudad.
4. Prueba F para u_i=0: la prueba F para u_i=0 es significativa (Prob > F = 0.0000), lo que indica que los efectos individuales son significativos, es decir, hay diferencias significativas entre las ciudades.
5. Correlación entre los efectos individuales y las variables explicativas: la correlación entre los efectos individuales y las variables explicativas es -0.6374, lo que indica una correlación negativa moderada.
6. Varianza de los efectos individuales y del error: la varianza de los efectos individuales (sigma_u) es 4.8488916 y la varianza del término de error (sigma_e) es 0.29712097. Esto sugiere que la mayor parte de la variación en la temperatura promedio de la ciudad se debe a las diferencias entre las ciudades tomadas en la muestra.
Discusión
Más allá de los resultados técnicos del modelo econométrico, o de los coeficientes de correlación, es importante ahora hacer algunas reflexiones sobre sus implicaciones.
Es claro que la evidencia empírica presentada por diferentes autores en la discusión presente, tal como lo que han mostrado Jáuregui y Kalnay, entre otros, misma que ha apuntado al incremento paulatino de la temperatura en los espacios urbanos, se confirma con los resultados aquí presentados, esto es, las ciudades están incrementando su temperatura media. Si bien esto ya ha sido medido en muchas ciudades a lo largo del mundo, en México aún se no cuenta con suficiente información. Quizá los trabajos más importantes en términos generales son los que ha aportado Jáuregui, quien lo ha hecho específicamente para la ZM de la Ciudad de México al registrar estos cambios a lo largo de su proceso histórico de expansión, sin embargo, para otras ciudades mexicanas de gran tamaño, como lo son las Zonas Metropolitanas de Guadalajara, Monterrey, y aún otras como la de Puebla o la de Tijuana, no se cuenta con suficiente evidencia empírica que señale las posibles implicaciones en el futuro, ni siquiera en el momento actual es posible saber los impactos del crecimiento urbano en el campo climático. De allí la necesidad de incrementar el interés por el estudio del clima urbano, específicamente de aquellas altamente susceptibles de fuertes impactos como lo son las ciudades más grandes en México.
Ahora bien, las variables encontradas en la base de datos del proyecto europeo GHS Urban Centre Database 2015 revelan la fuerte asociación entre la temperatura urbana y factores como la expansión urbana a lo largo del tiempo, el crecimiento de la población y sus actividades reflejadas en un aumento del transporte privado (automóviles) y otros factores como la actividad industrial de las grandes ciudades. En el modelo es posible comprobar que las ciudades de más de un millón de habitantes son altamente susceptibles al continuo aumento de la población (de allí que resulte significativa estadísticamente). El aumento de la población o de la actividad económica, como la industria, implican también crecimiento en el uso del transporte y en la creación de infraestructura urbana que reducen el verdor y las superficies vegetales que pueden refrescar el ambiente de las ciudades. Es por ello que las ciudades, entre otras razones, no deberían crecer más allá de cierto límite.
Con relación al modelo econométrico, la conclusión que puede darse es que comprueba, más allá de toda duda razonable, que las ciudades más grandes e importantes, debido a sus actividades y diversificación económica, desde el punto de vista estrictamente económico, puede aparentar contar con un tamaño urbano satisfactorio, sin embargo, desde otros aspectos, claramente el tamaño implica problemáticas importantes. Y estas no parecen aún ser atendidas en los planes de los gobiernos respectivos, lo que da evidencia de la poca conciencia o interés de las autoridades.
Lo que queda como materia pendiente de la perspectiva de la investigación es tratar de imaginar el futuro de las ciudades con estas problemáticas sin atender, ¿Es viable una ciudad de varios millones de habitantes con relación a su clima en un horizonte temporal de 30 o 50 años? Es una respuesta que debe ser buscada tan pronto como sea posible.