DOI: http://dx.doi.org/10.19137/huellas-2018-2205
ARTÍCULOS
Spatial concentration of the Social Determinants of Health in the Luján river basin, Province of Buenos Aires, Argentina
Gustavo D. Buzai e Iliana Villerías Alarcón
Resumen: El análisis de concentración espacial de las dimensiones de los Determinantes Sociales de la Salud (DSS) forma parte de un claro acercamiento para conocer e interpretar la distribución espacial de la vulnerabilidad social a las enfermedades desde un enfoque geográfico. A través del análisis espacial cuantitativo con Sistemas de Información Geográfica (SIG) se abordan aspectos de la distribución espacial y asociación espacial de los datos observados con la finalidad de generar una síntesis que se convierta en una herramienta de planificación. De esta manera, la aplicación de metodologías combinadas como el cálculo de los índices de concentración espacial global (ICEG) y areal (ICEA), representaciones gráficas mediante la curva de concentración de Lorenz y el mapa de cúmulos por autorcorrelación espacial ayudan a definir áreas que agrupan unidades espaciales en las cuales se manifiestan las mayores problemáticas poblacionales. El resultado final se presenta como una herramienta que apoya el proceso de toma de decisiones territoriales para la gestión del área de estudio.
Palabras clave: Concentración espacial; Distribución espacial; Geografía Cuantitativa; Sistemas de información Geográfica (SIG); Cuenca del río Luján.
Abstract: The analysis of the spatial concentration of the dimensions of Health Social Determinants (HSD) is part of a clear approach to understanding and interpreting the spatial distribution of social vulnerability to diseases from a geographical perspective. Through quantitative spatial analysis with Geographic Information Systems (GIS), aspects of the spatial distribution and spatial association of the observed data are addressed with the aim of producing a synthesis that might become a planning tool. In this way, the application of combined methodologies, such as the calculation of Global Spatial Concentration Indexes (GSCI), the Areal Spatial Concentration Indexes (ASCI), together with graphical representations using the Lorenz concentration curve and the map of spatial autocorrelation clusters, help to define areas that group spatial units in which the main population problems are made evident. The final result is presented as a tool that supports the territorial decision-making process for the management of the study area
Keywords: Spatial Concentration; Spatial Distributions; Quantitative Geography; Geographical Information Systems (GIS); Lujan river basin.
Introducción1
La inequidad en salud constituye una temática de gran importancia,
por tal motivo aparece con centralidad en la agenda de la Organización
Mundial de la Salud (OMS) institución que propicia el uso de los
DSS como perspectiva contextual de datos básicos que permiten una clara
aproximación a las condiciones de vida de la población y la vulnerabilidad
social a las enfermedades.
La Geografía como ciencia apoya de manera teórico-metodológica el
análisis de los DSS a partir de incorporar el contexto espacial como marco
central de vinculación y, para realizarlo centraliza su análisis en la combinación
de los conceptos fundamentales del análisis espacial (Buzai y
Baxendale, 2011) que se hacen operativos en los SIG.
El objetivo del presente trabajo es realizar un análisis de concentración
espacial de las dimensiones de los DSS en la cuenca del río Luján mediante
la base teórica de la Geografía Cuantitativa y de la Geografía de la Salud
junto a la aplicación de una secuencia metodológica basada en el abordaje
de la concentración espacial y la obtención de resultados síntesis generado
por autocorrelación espacial definiendo espacialmente la población afectada
en la máxima vulnerabilidad sociosanitaria.
El cálculo del índice de concentración espacial global (ICEG) como
valor cuantitativo único y la cartográfía lograda a través del índice de concentración
espacial areal (ICEA) resultan la base que asociada al mapa de
cúmulos (clusters) obtenidos mediante el cálculo del indicador local de
autocorrelación espacial (LISA) constituyen en conjunto una herramienta
de planificación para la toma de decisiones que permita apoyar el trabajo
de gestión con la finalidad de contribuir a la disminución de las equidades
socioespaciales orientada a la vulnerabilidad en salud con base en su sustento
espacial.
Comprender la espacialidad de las actividades humanas implica analizar
las diferencias socioespaciales que se producen en el territorio. La distribución espacial de las desigualdades en salud se encuentra vinculada
a factores naturales y socio-culturales (Barcellos y Buzai, 2006), los cuales
generan concentraciones espaciales como situación que apartan los datos
de una posible distribución equitativa.
Desde un punto de vista teórico las principales líneas de análisis están
dadas en un espacio contenedor de variables desigualmente distribuidas con
pocas unidades espaciales que tienen los valores más altos o un espacio funcional
de interacciones polarizadas (análisis espacial), en las economías de
aglomeración y a partir de nuevas centralidades (economía regional y urbana)
y en segregaciones poblacionales con escasos vínculos externos (sociología).
Desde un punto de vista metodológico, a partir de la utilización de diferentes
técnicas se pueden obtener valores cuantitativos precisos para poder explicarla
concentración espacial de toda variable considerada en el estudio.
La segregación para diferentes categorías poblacionales, según el estudio
de Harrison y Weinberg (2001) puede ser medida a través de cinco dimensiones
básicas: (1) uniformidad, (2) exposición, (3) concentración, (4)
autocorrelación y (5) centralización. Cada uno de estas dimensiones puede
ser medida a través de diferentes procedimientos cuantitativos (Linares,
2007; Buzai y Baxendale, 2012).
En este estudio serán tomadas particularmente la dimensión 3 (concentración)
y la dimensión 4 (autocorrelación). La primera se refiere a la superficie
que es ocupada por un atributo poblacional en el área de estudio. Puede ser
medido a través del ICEG, ICEA y representado gráficamente a través de la
curva de concentración de Lorenz. La segunda corresponde al nivel de asociación
que existe entre datos de una única variable en unidades espaciales
contiguas verificando si los datos espaciales tienen mayor semejanza con los
vecinos contiguos y puede ser medido con el índice I de Moran.
En síntesis, tanto la segregación como la concentración espacial tienen
como base el concepto de uniformidad y operativamente miden la falta de
uniformidad. De acuerdo a Buzai (2014) mientras la primera se la referencia
a valores poblacionales globales la segunda se referencia a valores de
superficie de las unidades espaciales que conforman el área de estudio.
La construcción de una línea histórica sobre la relación entre Geografía
y Salud brinda como resultado un camino de 225 años de extensión que
hemos construido en diferentes instancias (Barcellos y Buzai, 2006; Buzai,
2015; Villerías Alarcón, 2017; Barcellos, Buzai y Santana, 2018). En este
punto nos centraremos en las principales definiciones.
A mediados del siglo pasado, en el año 1949, es cuando surge el reconocimiento
oficial a la Geografía Médica en Congreso Internacional de
Geografía realizado en Lisboa (Portugal), la cual se encontró apoyada en
una reciente definición de salud de la OMS, considerada como un estado
completo de bienestar físico, mental y social, y no únicamente como falta
de enfermedad.
Pocos años más tarde el artículo de Schaefer (1953) es considerado el
inicio de lo que posteriormente sería denominada revolución cuantitativa en Geografía (Burton, 1963). La existencia de una perspectiva racionalista
basada en procedimientos de construcción regional cualitativa es considerada
como primer escalón conceptual que luego se amplía con la introducción
de métodos cuantitativos y la búsqueda de modelos y leyes científicas
que brindan las pautas de distribución espacial. Encontrar las regularidades
espaciales resultaba ser fundamental para avanzar en las tareas de planificación
y gestión (Buzai y Baxendale, 2013).
Después de dos décadas, en el año 1976 durante el congreso de la Unión
Geográfica Internacional (IGU) realizado en Moscú se reconoce una reorientación
y alcances de la especialidad. Surge la Geografía de la Salud
incluyendo dos líneas de análisis bien definidas: el estudio de las enfermedades
(Geografía Médica) y el de los centros de atención (Geografía de los
Servicios Sanitarios) (Olivera, 1993).
En este marco empieza a surgir una preocupación de los gobiernos de
los diversos países por planificar para proteger y promover la salud de las
personas, por lo que en el año de 1978 se lleva a cabo una conferencia
internacional y se formula la declaración de Alma Ata en Kazajstán, donde
el concepto de salud es modificado y ya no solo hace referencia a la
ausencia de enfermedad, sino más bien la salud es el estado completo de
bienestar físico, mental y social, siendo un derecho humano fundamental
(OMS, 1984).
Fue también en esta conferencia, donde la Atención Primaria a la
Salud (APS) pasa a ser una estrategia, para el desarrollo del cuidado
de la salud a partir de acciones intersectoriales, participativas y comprometidas
a impulsar y desarrollar los aspectos sociales, basados en el
conocimiento científico y adaptadas a las características sociales y culturales
de cada población (Castro, 2011; Buzai, 2015), esto derivado de
las acciones de la promoción de la salud que se basa principalmente en la
información y las herramientas necesarias para mejorar los conocimientos,
habilidades y competencias, necesarias para vida, con la finalidad
de que el ser humano tenga mayor control en su salud y el entorno que
lo rodea.
En el año de 1986 se lleva a cabo la primera conferencia internacional
sobre la Promoción de la Salud en Ottawa, donde se emite una carta para
todos los países y se establecen las condiciones y requisitos como la paz,
la educación, la vivienda, la alimentación, la renta, un ecosistema estable,
la justicia social y la equidad para establecer condiciones de salud óptimas.
De acuerdo con la OMS (2010) los factores políticos, económicos, sociales,
culturales, el medio ambiente, los estilos de vida y biológicos intervienen
en favor o detrimento de la salud.
En el año del 2005, la Organización Mundial de la Salud formó una
comisión que se encargó de estudiar más a fondo los factores sociales y
ambientales que incidían en la salud para así elaborar recomendaciones
y mejorarla, cabe resaltar que a esta comisión se le denomino Comisión
de Determinantes Sociales de la Salud. Los DSS son las circunstancias
en que las personas nacen, crecen, viven, trabajan y envejecen, donde éstas
circunstancias son resultado de la distribución del dinero, el poder y
los recursos dentro de las tres escalas (mundial, nacional y local) (Castro,
2011) y se convirtieron centrales en el análisis espacial de la salud (Álvarez
Castaño, 2009; Santos Padrón, 2011; Fuenzalida, Cobs y Espinosa, 2013;
Cordero, y Murayama, 2013; Mejía, 2013; Fuenzalida, Cobs y Miranda,
2014; Villerías Alarcón, 2017). Por lo que, la comisión planteó un marco
conceptual de las principales categorías y vías de acción de los determinantes,
que enmarca el contexto socio-político en un nivel macro (determinantes
estructurales), la posición social y económica, y condiciones materiales
ambas en el nivel individual (determinantes intermedios), que en conjunto
generan alteraciones en la salud y en el bienestar humano. Es así que con
ayuda de los DSS se muestra un panorama de los problemas de salud en la
sociedad, esto debido a la distribución desigual del poder, los ingresos, los
bienes y los servicios, que afectan a la salud y que expresan la desigualdad
dentro de la misma sociedad.
El área de estudio es la cuenca hidrográfica del río Luján, que es en
realidad una subcuenca, perteneciente a la Gran Cuenca del Plata. Tiene
una superficie de 3761 km2 y sobre ella se encuentran ubicados varios municipios
del sector noroeste del Gran Buenos Aires. Al norte limita con las
cuencas del arroyo de la Cruz y del río Areco; al oeste y al sur con la cuenca
del río Salado y al sureste con la cuenca del río Reconquista.
La delimitación de la cuenca del río Luján fue realizada por Lanzelotti
y Buzai (2015) a partir de ajustar los límites definidos en Buzai (2002) y
Paso Viola (2013) mediante la utilización de cartografía analógica y digital
a partir de imágenes satelitales SRTM y ASTERGDEM corregidas
mediante interpretación visual y trabajo de campo (Buzai, Lanzelotti, Paso
Viola y Pricnipi, 2018). Los municipios que integran la cuenca son: Campana,
Escobar, Exaltación de la Cruz, General Rodríguez, José C. Paz, Luján,
Malvinas Argentinas, Mercedes, Moreno, Pilar, San Andrés de Giles,
Carmen de Areco, Chacabuco, San Fernando, Suipacha y Tigre.
Cabe aclarar que en la República Argentina las divisiones políticoadministrativas
son de las siguientes magnitudes: 1er. Orden (País), 2do.
Orden (Provincia), 3er. Orden (Departamento o Partidos en la Provincia de
Buenos Aires, donde coinciden espacialmente con el municipio). A partir
de aquí son divisiones censales: 4to. Orden (Fracciones censales) y 5to.
Orden (Radios censales). El sector de la cuenca del río Luján cuenta con
175 fracciones censales.
La topografía general de la cuenca es suave, las máximas alturas se
localizan en el oeste, llegando aproximadamente a los 60 msnm y descendiendo
en sentido sureste hasta alcanzar el nivel del mar.
De acuerdo al INA (2007) la cuenca puede dividirse en tres tramos (Figura
1): la cuenca superior que se extiende desde las nacientes hasta el
municipio de Luján, específicamente en la localidad de Jáuregui, con una
pendiente media del tramo de unos 0,45 m/km; la cuenca media, se extiende
hasta el municipio de Pilar coincidiendo con el cruce del río con la Ruta
Nacional Nº 8, con una pendiente media del tramo de 0,36 m/km, y finalmente
la cuenca inferior, se extiende hasta el municipio de Tigre, donde el
río Luján desemboca en el Delta del Paraná, poco después del cruce de la
Ruta Nacional Nº 9, cuya pendiente media es de 0,04 m/km.
El curso fluvial principal de la cuenca es el río Luján, que realiza su recorrido
por la planicie ondulada de la Pampa, nace en de la confluencia del
arroyo de Los Leones y del Durazno y la Cañada de Castilla, en el municipio
de Carmen de Areco, y una pequeña superficie del municipio de Chacabuco,
con un recorrido en dirección sudoeste-noreste de 115 kilómetros
hasta su desembocadura en el delta del Paraná, y luego gira en dirección
sudeste y recorre 42 km hasta llegar al Río de la Plata.
El río Luján es de llanura con escasa pendiente y cotas que fluctúan entre
los 46 y 58 m con una media del tramo superior que ronda los 47 m. A
través de su recorrido se pueden apreciar paisajes urbanos, rurales y seminaturales
como usos del suelo que compiten en diferentes zonas generando
conflictos espaciales (Buzai y Principi, 2017).
Figura 1. Área de estudio
Fuente: elaboración propia.
Desde una perspectiva médica generalmente se relaciona la enfermedad
con agentes que la provocan, pero hay múltiples factores que contribuyen
a esta situación, principalmente en aspectos contextuales relacionados con
cuestiones socio-demográficas y de habitabilidad.
El enfoque de los DSS intenta verificar estos contextos a través de sus principales dimensiones, entre ellas Educación, Economía, Pobreza, Construcción,
Servicios y Equipamiento, y desde la Geografía son consideradas
en base a sus distribuciones espaciales. Incidir en la estructura espacial global
permitirá mitigar los problemas de la salud de la población y, en última
instancia, estas disparidades espaciales resultan ser inequidades propias del
mapa social.
Las variables que permiten definir cada dimensión son consideradas
de costo, es decir, que en todos los casos sus máximos puntajes indican
situaciones desfavorables.
El cuadro 1 presenta el sistema de variables utilizados tomadas de la
base de datos REDATAM (REcuperación de DATos para Áreas pequeñas
por Microcomputador) del Censos Nacional de Población, Hogares y Viviendas
2010 de la República Argentina (INDEC, 2013).
Cuadro 1: Variables para el estudio de los DSS
Fuente: elaboración propia.
El concepto considera que el conjunto de entidades de un mismo tipo se
reparten de una determinada manera sobre el espacio geográfico. El análisis
de distribución espacial se encuentra altamente vinculado a la cartografía –principalmente temática– (Buzai y Baxendale, 2012) y los mapas son
centrales en el análisis espacial de la salud (Curto, 2003).
Los mapas de desvíos estándar transforman cada dato de la variable
original en un puntaje comparativo, en este caso, en puntaje z. Cada uno de
estos nuevos valores representa unidades de desvío respecto la media.
Donde zi es el puntaje estándar en la unidad espacial i, xi el dato de la variable en una determinada unidad espacial, x y σ son el promedio y el desvío estándar de la variable. Mediante este procedimiento se realizan los mapas comparativos en colores fríos y cálidos a fin de destacar la dispersión de los datos respecto de x = 0 .
Desde un punto de vista disciplinar la concentración espacial es un aspecto
primordial en los estudios geográficos. El inicial avance metodológico corresponde a los trabajos realizados por John Kirtland Wright al
utilizar los desarrollos estadísticos realizados por el economista Max Otto
Lorenz a problemáticas geográficas (Corbett, 2001).
La concentración espacial correspondiente a una determinada categoría
poblacional se obtiene por medio del ICEG, que es una medida del comportamiento
de esta categoría en el interior del área de estudio, la cual se
define de la siguiente manera:
donde, ICEGa es el índice de concentración espacial global para la
categoría poblacional a , si es el porcentaje de superficie que tiene cada
unidad espacial, ai es el porcentaje del grupo de población en cuestión,
finalmente 0,50 es una constante que permite utilizar solamente la suma de
los valores positivos o negativos.
Es importante señalar, que cuando no existe concentración espacial,
es decir, hay una distribución similar, el resultado ICEG=0 ya que s y
a tienden a ser iguales en cada unidad espacial. Cuanto mayor sean las
diferencias, mayor será la concentración especial, hasta llegar a un valor
máximo en el índice que tiende a ser 100.
Con la información generada matricialmente es posible calcular el ICEA para cada una de las unidades espaciales que componen el área de
estudio a través de:
Este índice se obtiene al dividir el porcentaje de la categoría poblacional ai respecto de la superficie si en este sentido el resultado se ve reflejado en
el equilibrio entre ambos datos. Un ICEA<1 corresponden a poblaciones en
las cuales la proporción de superficie es mayor a la del grupo poblacional
en cuestión, un ICEA=1 se presenta en los casos en que las proporciones
se distribuyen de forma similar y un ICEA>1 es donde comienza a existir
concentración del grupo poblacional, tanto mayor cuanto más lejano de 1
se encuentre el resultado. Un ICEA=2 duplica la participación porcentual, ICEA=3 la triplica y así sucesivamente.
Ambos índices tienen relación directa con la Curva de Lorenz, la cual
es una representación gráfica que se utiliza para medir el grado de concentración
de una categoría poblacional respecto de valores superficiales en
base a porcentajes acumulados.
El concepto de autocorrelación espacial se sustenta en considerar que,
en el espacio geográfico, todo se encuentra relacionado con todo, pero los
elementos más cercanos están más relacionados entre sí que con los más
lejanos (Ley de Tobler). Su metodología ha sido desarrollada como uno
de los procedimientos centrales del análisis espacial (Gámir Orueta, Ruiz
Pérez y Seguí Pons, 1995; Celemín, 2009; Buzai y Baxendale, 2012).
En un análisis de correlación se verifica la relación (sentido e intensidad)
entre los valores que dos variables diferentes adquieren en un conjunto
de unidades espaciales y para medirlo se utiliza el coeficiente r de Pearson.
El análisis de autocorrelación realiza para una única variable incorporando
la dimensión espacial a partir de verificar los valores existentes en cada
unidad espacial como central y la de sus vecinos contiguos.
El principal índice utilizado para calcular la autocorrelación espacial
es el I de Moran [4], satisfactoriamente automatizado en SIG (Anselin,
2003).
Donde n es el número total de entidades. wi, j es el peso de la relación
entre las unidades espaciales i,j, si son limítrofes wij =1 , si no wij =0. zi y
zj son desvíos de los atributos respecto de la media, para la unidad espacial
central i y sus vecinos j y so es la suma de las entidades en la matriz
de pesos.
Es posible profundizar el análisis a partir de la identificación de patrones
locales de asociación espacial a partir del cálculo LISA (Local Indicators of
Spatial Association) (Anselin, 1995) como método que fragmenta el valor
de autocorrelación global y verifica cuanto contribuye cada unidad espacial.
LISA en la localización espacial ( Li ) para la variable xi es una función de
los valores observado en sus unidades espaciales limítrofes Ji .
Los límites Ji para cada observación están tomados de la matriz w de
contigüidad espacial. El avance en la metodología permite determinar cúmulos
espaciales locales denominados hot-spots y cold-spots en agrupamientos
de valores altos y bajos respectivamente de acuerdo a la aplicación:
Las mediciones se realizan a partir de observaciones en datos estandarizados
zi y z j para unidades espaciales contiguas definidas por los pesos
de wij . De esta manera valores positivos y negativos estarían indicando
relaciones espaciales similares y contrapuestas respectivamente.
Las diferentes intensidades que se presentan en las unidades espaciales
muestran la diferencia areal y la cartografía temática lo representa espacialmente
mediante una selección de colores basados en el lenguaje de la
semiología gráfica.
La Figura 2 contiene la colección de mapas correspondientes a cada
una de las dimensiones de los DSS en puntajes z, en los cuales los valores
negativos debajo del promedio se representan en colores fríos (azules) y
los que superan el promedio en colores cálidos (rojos). La figura 3 presenta
una síntesis a través de un puntaje de clasificación espacial (PCE) logrado
mediante la combinación de las dimensiones a partir del promedio de los
puntajes z contenidos en cada unidad espacial.
Figura 2. Cartografía de dimensiones
Figura 3. Mapa del PCE para los DSS
Como puede apreciarse en la serie de mapas, los mayores valores se
ubican en los partidos del noroeste del Gran Buenos Aires (GBA) de la
cuenca inferior y los menores valores predominan en el sector norte del
GBA y en los municipios de la cuenca media y superior. El puntaje de
clasificación espacial (PCE) presenta con valores bajos los extremos este y oeste, una amplia zona media en el centro y las mayores zonas en los
municipios de Escobar y José C. Paz.
La Figura 4 presenta los resultados del análisis de concentración espacial.
La curva de concentración de Lorenz y el cálculo del ICEG para cada
dimensión estudiada.
Figura 4. Curvas de concentración de Lorenz
Fuente: elaboración propia.
Los gráficos dan cuenta de la magnitud de la concentración espacial. En
todos los casos se presentan altos valores en un rango que va entre 62,84 y
97,55, siendo que para los DSS combinados de salud es de 55,42. El cuadro
2 presenta los resultados de concentración de las dimensiones para dos
porcentajes (20 y 50) de superficie del área de estudio.
Coincidiendo con los resultados de ICEG pueden verse los extremos
a partir de considerar el 20% de la superficie del área de estudio, donde
se concentra el 70,12% y el 99,98% de los valores de la Dim_Servicios y
Dim_Pobreza respectivamente.
La distribución espacial del cálculo del ICEA permite detectar las unidades
espaciales dónde se producen las altas concentraciones. La colección
cartográfica presentada en la Figura 5 destaca en colores oscuros aquellas
fracciones censales que, como mínimo, quintuplican el valor porcentual
que presenta el valor de superficie.
Cuadro 2. Valores de concentración
Fuente: elaboración propia.
Figura 5. Cartografía del ICEA
En líneas generales la distribución espacial del ICEA de las dimensiones
analizadas en valores absolutos muestran principal correspondencias
con áreas urbanas: tentáculos de expansión del Gran Buenos Aires y áreas
exteriores de las ciudades de tamaño intermedio en una distribución espacial
fragmentada.
A partir del mapa del PCE de los DSS (Figura 6) fueron calculados los
valores de autocorrelación: I=0,5554 y I(E)= – 0,0057 , lo cual indica una
extremadamente alta autocorrelación espacial a partir de un apartamiento
superior de 10,79 unidades de desvío (σ ) (Figura 7).El mapa de cúmulos
de autocorrelación espacial permite generar el marco hacia la definición de
los resultados finales.
Figura 6. Cúmulos de autocorrelación espacial
El mapa de cúmulos de LISA presenta el marco del análisis espacial. Las áreas rojas con características de contigüidad significativas Alto-Alto presenta la zona de intervención prioritaria con fracciones censales incluidas en cuatro municipios (Escobar, José C. Paz, Malvinas Argentinas y Moreno). El diagrama de dispersión presenta el valor I de Moran obtenido para el PCE en valores estandarizados z. El test de autocorrelación espacial muestra de qué manera se aparta de la media de la distribución de los datos calculada a partir de 999 permutaciones aleatorias, de esta manera encontrarse a 10,79 unidades de desvíos estándar sobre la media muestra la imposibilidad de que el resultado haya surgido por causa del azar (hipótesis nulaH0), con un p-valor = 0,001, y por consiguiente demuestra la clara situación de autocorrelación espacial, considerando que la distribución espacial no está producida de manera aleatoria (hipótesis alternativaH1) con una confiabilidad correspondiente al 99,99%.
Figura 7. Diagrama de dispersión y test de autocorrelación espacial
Fuente: elaboración propia.
Cuadro 3. Población vulnerable en base a los DSS
Fuente: elaboración propia.
Los datos globales indican que la zona de mayor vulnerabilidad está compuesta por veinte fracciones censales de cuatro municipios.
Las áreas de mayor vulnerabilidad concentran un 18,97% de la población,
19,07% de varones, 18,87% de mujeres, 20,78% de población entre
0 y 14 años de edad, 18,86% de población entre 15 y 64 años de edad y
13,34% de población de 65 años y más.
Es importante señalar que la mayor parte de los problemas de salud
están vinculados de una u otra manera a las condiciones socioeconómicas
de la población que los padece, por lo que no exime a ninguna sociedad
de ser blanco de alguna enfermedad específica, por ejemplo, al tener malas
condiciones socioeconómicas pueden padecer enfermedades tradicionales
como lo son las gastrointestinales o respiratorias, mientas que las unidades
con mejores condiciones pueden ser afectadas por enfermedades relacionadas
con estilos de vida.
A lo largo del desarrollo del trabajo se ha ejemplificado la aplicación
del análisis de concentración espacial en el estudio de los DSS, denotando
su importancia para la definición de áreas prioritarias de atención y diversas
características poblacionales incluidas en ellas.
El análisis de las distribuciones espaciales, los cálculos del ICEG,
ISEA y la representación gráfica de la curva de concentración de Lorenz,
combinado con el análisis de autocorrelación espacial muestra un camino
metodológico eficiente para focalizar las condiciones sociespaciales de la
población en apoyo a la toma de decisiones en el ámbito de las políticas
públicas.
La construcción cartográfica consta de 14 mapas. Son mapas estandarizados
por puntajes z de las dimensiones, mapa del PCE, mapas del ICEA
y el mapa de autocorrelación espacial. Esta colección junto a los gráficos
de concentración espacial y los cálculos de índices constituyen una herramienta
de gran utilidad como aporte de la Geografía Aplicada.
Esta herramienta nos permite conocer que en la cuenca del río Luján son
334.475 personas con muy alta vulnerabilidad contextual a enfermedades y
sus ubicaciones espaciales indican las zonas de prioritaria intervención.
En este sentido, la importancia de comprender espacialmente los DSS
desde el trabajo de aplicación concreto permite definir estrategias que ayuden
a la búsqueda de equidad espacial para la población. Los resultados
son estructurales y actuar sobre ellos permitirá conseguir mejores niveles
de salud en el área de estudio.
Notas
1 Este trabajo se enmarca en el Proyecto de Investigación titulado: Geografía de la Salud en escala regional. Determinantes sociales de la salud en la cuenca del río Luján (Provincia de Buenos Aires, Argentina). Proyecto del CONICET, período 2017-2018, radicado en el Departamento de Ciencias Sociales de la Universidad Nacional de Luján. Director: Gustavo D. Buzai.
Referencias bibliográficas
1. Alvarez Castaño , L.E. (2009). Los determinantes sociales de la salud: más allá de los factores de riesgo. Revista Gerencia y Políticas de Salud, 8, 17, 69-79.
2. Anselin , L. (1995) .Local Indicators of Spatial Association – LISA. Geographical Analysis, 27, 93-115.
3. Anselin , L. (2003). Anintroducción to spatial autocorrelation analysis with GeoDa. Paper of the Spatial analysis Laboratory, Urbana- Champaign, University of Illinois.
4. Barcellos Ch.; Buzai GD. (2006). La dimensión espacial de las desigualdades sociales en salud: aspectos de su evolución conceptual y metodológica. Anuario de la División Geografía, Luján, UNLu, Departamento de Ciencias Sociales, 275-92.
5. Barcellos , Ch.; Buzai , G.D.; Santa - na , P. (2018). Geografía de la Salud: bases y actualidad. Salud Colectiva. 14(1):1-4.
6. Burton , I. (1963)The quantitative revolution and theoretical geography. The Canadian Geographer. 7, 2, 151-162
7. Buzai , G.D. (Dir) (2002). Atlas Digital de la cuenca del río Luján, Luján, Universidad Nacional de Luján. Versión CD.
8. Buzai , G.D. (2014). Mapas Sociales Urbanos, Buenos Aires, Lugar Editorial.
9. Buzai , G.D. (2015). Análisis Socioespacial en Geografía de la Salud, Buenos Aires, Lugar Editorial.
10. Buzai , G.D.; Baxendale , C.A. (2012). Análisis Socioespacial con Sistemas de Información Geográfica. (Tomo 2), Buenos Aires, Lugar Editorial.
11. Buzai , G.D.; Baxendale , C.A. (2013). Aportes del Análisis Geográfico con Sistemas de Información Geográfica como herramienta teórica, metodológica y tecnológica para la práctica del ordenamiento territorial. Persona y Sociedad, 27, 2, 113-141.
12. Buzai, G.D.; Lanzelotti, S.D.; Paso Viola, L.F.; Principi, N. (2018). Cartografía analógica y digital para la delimitación regional y el análisis temático: aplicación a la cuenca del río Luján (Argentina). Revista de Geografía Norte Grande. 69, en prensa, 21p.
13. Buzai , G.D.; Principi , N. (2017). Identificación de áreas con potencial conflicto entre usos del suelo en la cuenca del río Luján, Argentina. Revista Geográfica de América Central, 59, 91-124.
14. Castro , J. (2011). Promoción de la salud. En: Gonzales, R.; Castro, J.; Moreno, L. Promoción de la salud en el ciclo de vida, México DF,MacGraw-Hill Interamericana.
15. Celemín , J.P. (2009) Autocorrelación espacial e indicadores locales de asociación espacial. Importancia, estructura y aplicación. Revista Universitaria de Geografía, 18, 11-31.Corbett , J. (2001) John Kirtland Wright, Early Quantitative Geography, 1937. CSISS Classics. https://escholarship.org/uc/ item/5z27z764
16. Cordero , R.; Murayama , C. (Eds., 2013). Los determinantes sociales de la salud en México, Ciudad de México, Fondo de Cultura Económica.
17. Curto , S.I. (2003). Mapas en Geografía Médica. Cuaderno Prudentino de Geografía, 25, 111-129.
18. Fuenzalida Díaz , M.; Cobs Muñoz , V.; Guerrero Espinosa , R.(2013). El territorio como unidad de análisis en estudios sobre las determinantes sociales de la salud. Argos, 30, 59, 87-106.
19. Fuenzalida Díaz , M.; Cobs Muñoz , V.; Miranda , M. (2014). Aproximación a las desigualdades espaciales de los determinantes sociales de la salud en Chile. III Congreso Internacional de Ordenamiento Territorial y Tecnologías de la Información Geográfica, UNAH, Honduras.
20. Gámir Orueta , A.; Ruiz Pérez , M.; Seguí Pons , J.M. (1995). Prácticas de Análisis Espacial, Barcelona, Oikos-tau.
21. Harrison , RJ.; Weinberg , D. (2001). Racial and ethnic residential segregation: 1990. Residential Segregation- Measure definitions. Housing and Household Economic Statistics, Washington, Division. U.S. Census Bureau.
22. INA (2007). Diagnóstico del funcionamiento hidrológico hidráulico de la cuenca del río Luján– Provincia de Buenos Aires, Buenos Aires, Instituto Nacional del Agua. Disponible en: http://www.delriolujan.com.ar/estudioina.html
23. INEGI. (2010). Censo nacional de población y vivienda, Ciudad de México, Instituto Nacional de Estadística y Geográfica
24. INDEC (2013). Base de datos REDATAM. Base usuarios 2010, Buenos Aires, Instituto Nacional de Estadística y Censos.
25. Lanzelotti , S.L.; Buzai , G.D. (2015). Delimitación de la cuenca del río Luján, Provincia de Buenos Aires, Argentina, Luján, Universidad Nacional de Luján, Informe Técnico PICT 2014-1388.
26. Linares , S. (2007). Aplicación de Sistemas de Información Geográfica al estudio de la segregación socioespacial urbana: el caso de la ciudad de Tandil, Tesis de Maestría, Azul, UNICEN.
27. Mejía , L.M. (2013). Los determinantes sociales de la salud: base teórica de la salud pública. Revista de la Facultad de Salud Pública, 31, 28-36.
28. Olivera , A. (1993). Geografía de la Salud, Madrid, Síntesis.
29. OMS. (1984) Alma-Ata 1978. Atención primaria de salud, Ginebra, Organización Mundial de la Salud, Serie Salud para todos N° 1.
30. OMS. (2010). Subsanar las desigualdades en una generación. Alcanzar la equidad sanitaria actuando sobre los determinantes sociales de la salud, Ginebra, Organización Mundial de la Salud.
31. Paso Viola , F. (2013). Análisis cronológico documental de la evolución de la cartografía en la cuenca alta del río Luján bajo la óptica de los procesos históricos globales y locales. Anuario de la División Geografía, Luján, Universidad Nacional de Luján,CD. 25 páginas.
32. Santos Padrón , H. (2011). Los determinantes sociales, las desigualdades en salud y las políticas, como temas de investigación. Revista Cubana de Salud Pública, 37, 2, 136- 144.
33. Schaefer , F.K. (1953). Excepcionalism in Geography. A methodological examination. Annals of the Association of American Geographers,43, 226-249.
34. Villerías Alarcón, I. (2017). Análisis espacial cuantitativo de los determinantes sociales de la salud en México. Geografía y Sistemas de Información Geográfica, 9, 9, 216-232.
Recibido: 15/02/2018
Aceptado: 06/04/2018