105311 by UNIGIS América Latina

Master Thesis ǀ Tesis de Maestría

submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc

at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Análisis Espacial de las tiendas de conveniencia como promotores del ambiente de sobrepeso y obesigénico.

Estudio en población escolar primaria en zonas metropolitanas de México

Spatial analysis of convenience stores as promoters of overweight and obesity.

Case Study: school age population in selected metropolitan areas of Mexico.

by/por

Biólogo Marco Antonio Avila Arcos

11851093

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc

Advisor ǀ Supervisor: Leonardo Zurita Arthos PhD

Ciudad de México, México, 1 agosto 2022

Compromiso de Ciencia

Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Ciudad de México, México 1 de Agosto 2022

(Lugar, Fecha) (Firma)

AGRADECIMIENTOS

A la Dirección de Nutrición del Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán, Dra. Marti Yareli del Monte Vega por proporcionar todos los conjuntos de datos del Registro Nacional de Peso y Talla para la realización del presente trabajo

Al Centro de Investigación en Evaluación y Encuestas del Instituto Nacional de Salud

Pública, Dra. Teresa Shamah Levy, por proporcionar las bases de las series históricas, así como las publicaciones de las Encuestas Nacionales de Salud y Nutrición.

DEDICATORIA

A Gantonio, Gatusso y Profesor Gato, tres compañeros que siempre están conmigo…

RESUMEN

El sobrepeso y la obesidad (SP+Ob) son un grave problema de salud México que ha alcanzado a población en edad cada vez más temprana afectando a más de uno de cada tres niños en edad escolar. A pesar de que el SP+Ob es multifactorial, se ha demostrado que los cambios en los patrones de alimentación son un elemento que contribuye a la aparición de dicha condición. Desde la década de los 1990’s en México se ha transitado hacia una mayor ingesta de alimentos y bebidas energéticamente densos, altos en sodio y grasas denominados coloquialmente como “comida chatarra”, estos alimentos han sido ofertados de manera muy importante a la población y uno de los canales de venta de los mismos son las llamadas “tiendas de conveniencia”; dichos comercios se han expandido mediante fuertes estrategias comerciales ocupando decenas de miles de locales a lo largo y ancho del país, lo que ha traído como consecuencia una mayor disponibilidad y accesibilidad de dichos alimentos. En el presente trabajo se pretendió explorar las relaciones espaciales existentes entre el número (densidad) y la distancia hacia dichas tiendas con el SP+Ob de los alumnos de escuelas escolares en México Para responder a lo anterior se utilizaron datos antropométricos del Registro Nacional de Peso y Talla (RNPT) para conocer el estado de nutrición de los menores; así como datos del Directorio Nacional de Unidades Económicas (DNUE) con la ubicación de tiendas de conveniencia de las dos principales cadenas comerciales (OXXO y 7-Eleven) pertenecientes a seis zonas metropolitanas de tres regiones de México (Norte Centro y Sur), se definieron tres zonas de datos transversales para 2018: Tijuana, León y Veracruz así como tres zonas de análisis longitudinal (2015-2018): Monterrey, San Luís Potosí y Villahermosa. Se realizaron análisis transversales y longitudinales de: distancia hacia las tiendas, número de tiendas en regiones buffer (400 y 800m) de las escuelas, autocorrelación espacial (I de Moran) para el Sp+Ob, puntos calientes/fríos (Gi* de Getis-Ord) y comparación cartográfica de dichos puntos con superficies de densidad de tiendas (Heatmaps). Finalmente, se realizó un análisis de Regresión Geográficamente Ponderada (GWR) para evaluar significancia y establecer modelos de interacción entre las variables. Los resultados obtenidos fueron heterogéneos debido a las diferencias entre regiones en un país grande y variado como México, sin embargo, de manera general, pudo observarse una relación directamente proporcional entre la densidad de tiendas en regiones buffer y las prevalencias de SP+Ob; asimismo pudo comprobarse la tendencia inversamente proporcional entre la distancia la tienda más cercana y las mismas prevalencias. Pudo observarse también que en ciertas zonas metropolitanas el SP+Ob se presenta en clusters mientras que en otras regiones se distribuye al azar. Finalmente pudo constatarse mediante estadística descriptiva y cartográficamente el aumento entre 2015 y 2018 del número de tiendas de conveniencia y de puntos calientes de SP+Ob. A pesar de las limitaciones del estudio puede concluirse que la hipótesis de un efecto promotor de las tiendas sobre el SP+Ob existe y que esta puede ser una primera aproximación para posteriores estudios más sofisticados que aborden esta problemática desde el punto de vista espacial.

Palabras clave: Sobrepeso y obesidad infantil, ambiente obesigénico, escolares, México, tiendas de conveniencia.

ABSTRACT

Overweight and obesity (OW+Ob) are a serious health problem in Mexico, that has recently reached younger population affecting more than one out of three school-age children. Despite the multi-factorial nature of OW+Ob It has been proved that the changes in feeding behavior are elements that contribute to promote such condition. Since the 1990’s, Mexico has shifted towards a greater consumption of energetically dense, sodium and fat rich foods and beverages commonly referred as “junk foods”. The consumption of these products has been actively promoted among the population by using the convenience stores as one of their main distribution channels. Such stores have expanded though an aggressive commercial strategy, thereby now they account with tens of thousands of facilities through all the country this has led to a greater accessibility and availability of such foods. The present work aimed to explore the existent spatial relationships between the number (density) and distance to the stores and the OW+Ob of children that attended to elementary schools of Mexico. To address this, anthropometric data from the National Registry of Weight and Height (RNPT in Spanish) was used to determine the children’s nutritional status. Additionally, data from the National Directory of Economic Units (DENUE in Spanish) with the geographic location and data from the stores of the two main commercial chains (OXXO and 7-Eleven) was also used. All of the previous data was selected for six metropolitan areas of Mexico belonging to three main country regions (North, Center and South) Three areas were used as 2018 transversal data: Tijuana León and Veracruz whereas other three were used as 2015-2018 longitudinal ones: Monterrey, San Luis Potosí and Villahermosa. Transversal and longitudinal analyses were conducted as follows: distance from the school to the nearest store and number of stores in buffer areas (400 and 800m) around the schools, spatial autocorrelation of OW+Ob (Moran’s I), Hot/ Coldspot Gettis-Ord Gi* analysis and cartographic contrast with convenience stores density heatmap rasters. Finally, Geographically Weighted Regression analysis was performed in order to evaluate the significance, obtain models and explore the relations between the variables. The obtained results were heterogenous due to the great contrasts inside a large and diverse country like Mexico However, it was observed a directly proportional relation between the number of stores in buffer regions and the OW+Ob prevalences; likewise, an inversely proportional relationship was noticed between the distance to the nearest store and the same prevalences. It was also documented that in some metropolitan areas OW+Ob is spatially distributed in clusters while in others it is randomly distributed. Finally, by using map representations and descriptive statistics an increment in the number and density of convenience stores and in OW+Ob hotspots in the 2015-2018 period could be confirmed. Despite the present work limitations, it was concluded that the hypothesis of a promoter effect of the stores over OW+Ob can be accepted and that the present work could be a first approach to further research that cope with this problem from the spatial perspective.

Keywords: Children’s overweight and obesity, obesogenic environment, school-age children, Mexico, convenience stores.

7 CONTENIDO AGRADECIMIENTOS ..........................................................................................................................3 DEDICATORIA 4 RESUMEN 5 ABSTRACT 6 GLOSARIO DE ABREVIATURAS 10 ÍNDICE DE FIGURAS 10 ÍNDICE DE TABLAS...........................................................................................................................12 ÍNDICE DE ECUACIONES ..................................................................................................................12 1. INTRODUCCIÓN 13 1.1. ANTECEDENTES 13 1.2. OBJETIVO GENERAL 14 1.3. Objetivos específicos 14 1.4. Preguntas de investigación..........................................................................................15 1.5. Hipótesis......................................................................................................................15 1.6. Justificación .................................................................................................................15 1.7. Alcance 17 2. REVISIÓN DE LA LITERATURA 18 2.1. Marco teórico ..............................................................................................................18 2.1.1. La comida “chatarra” (alimentos ultra procesados) como causante del sobrepeso y obesidad.18 2.1.2. La alimentación en la escuela como determinante del sobrepeso y la obesidad 21 2.2. Marco histórico 23 2.2.1. El problema del sobrepeso y la obesidad en México, Encuesta Nacional de Salud y Nutrición y el Registro Nacional de Peso y Talla......................................................................23 2.2.2. Estudios espaciales de sobrepeso y obesidad..........................................................27 2.3. Marco metodológico ...................................................................................................30 2.3.1. Evaluación del estado de nutrición mediante indicadores antropométricos, definición del sobrepeso y la obesidad en población infantil 30 2.3.2. Metodologías empleadas para estudiar la relación espacial entre la oferta de alimentos y el sobrepeso y la obesidad...................................................................................32 3. METODOLOGÍA........................................................................................................................38 3.1. Descripción del área de estudio ..................................................................................38 3.2. Fuentes de datos e información 49 3.2.1. Datos geográficos y estadísticos del sobrepeso y obesidad 49

Potosí, León, Veracruz y Villahermosa.

4.1.1. Distribución en cuartiles del sobrepeso y obesidad en las zonas metropolitanas y años del

4.2. Caracterización de la distribución y proliferación espacial y temporal de las tiendas de conveniencia en las zonas metropolitanas seleccionadas entre los años 2015 y 2018. 70

4.2.1. Número de tiendas en regiones buffer alrededor de los planteles escolares..........70

4.2.2. Análisis de distancia hacia la tienda más cercana al plantel escolar ........................71

4.3. Establecimiento de la posible relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018. 78

4.3.1. Análisis Gi* de Getis-Ord del sobrepeso y obesidad en las escuelas de las zonas metropolitanas del estudio. ....................................................................................................78

4.3.2. Representación cartográfica del análisis Gi* de Getis-Ord y el heatmap de la densidad de tiendas 79

4.3.3. Resultados del análisis de la regresión geográficamente ponderada (GWR) 95

4.3.4. Modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Tijuana (Transversal Norte) ........................................................................98

4.3.5. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de León (Transversal Centro) ........................................................................100

4.3.6. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Veracruz (Transversal Sur) 102

4.3.7. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Monterrey (Longitudinal Norte) ...............................................................104

8 3.2.2. Datos geográficos de las tiendas de conveniencia...................................................49 3.3. Pasos metodológicos 50 3.3.1. Tratamiento de los datos de sobrepeso y obesidad. 55 3.3.2. Tratamiento de los datos de tiendas de conveniencia. ...........................................56 3.3.3. Distancia de las escuelas a las tiendas y número de tiendas en regiones buffer, estadística descriptiva. 59 3.3.4. Análisis de autocorrelación espacial, I de Moran 61 3.3.5. Análisis de puntos calientes Gi* de Getis-Ord para sobrepeso y obesidad y heatmaps de tiendas de conveniencia. 62 3.3.6. Análisis de regresión geográficamente ponderada (GWR). 65 4. RESULTADOS Y DISCUSIÓN......................................................................................................67 4.1. Identificación del Patrón espacial y temporal de la prevalencia de sobrepeso y obesidad en las escuelas primarias de las siguientes zonas metropolitanas seleccionadas entre 2015 y 2018: Tijuana, Monterey, San Luis

......................................................................................................................67

Análisis de

metropolitanas y años del estudio 68

estudio

4.1.2.

autocorrelación espacial del sobrepeso y obesidad en las zonas

9 4.3.8. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de San Luis Potosí (Longitudinal Centro) 107 4.3.9. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Villahermosa (Longitudinal Sur) ...............................................................110 5. CONCLUSIONES .....................................................................................................................113 REFERENCIAS 117 ANEXOS 124

GLOSARIO DE ABREVIATURAS

DENUE Directorio Estadístico Nacional de Unidades Económicas

ENSANUT Encuesta Nacional de Salud y Nutrición

ESDA Exploratory Spatial Data Analysis

GWR Regresión Ponderada Geográficamente

IMC Índice de Masa Corporal

INEGI Instituto Nacional de Estadística, Geografía e Informática

INNSZ Instituto Nacional de Nutrición Salvador Zubirán

INSP Instituto Nacional de Salud Pública

Kcal Kilocaloría

KDE Estimación de densidad de kernel

OCDE Organización para la Cooperación y el Desarrollo Económico

OMS Organización Mundial de la Salud

OPS Organización Panamericana de la Salud

RNPT Registro Nacional de Peso y Talla

SP+Ob Sobrepeso más obesidad

ÍNDICE DE FIGURAS

FIGURA 1 PREVALENCIAS DE SOBREPESO Y OBESIDAD EN POBLACIÓN ESCOLAR, EN LA SERIE HISTÓRICA DE ENCUESTAS NACIONALES DE SALUD Y NUTRICIÓN (1999-2018) 24 FIGURA 2 PREVALENCIAS DE SOBREPESO Y OBESIDAD EN POBLACIÓN ESCOLAR POR AÑO DE EDAD ENSANUT 2018 26 FIGURA 3 INTERVALOS DE SOBREPESO Y OBESIDAD DE ACUERDO CON LA DISTRIBUCIÓN DE PROBABILIDAD DEL INDICADOR IMC/EDAD 31 FIGURA 4 INTERPRETACIÓN DEL ÍNDICE I DE MORAN Y LA AUTOCORRELACIÓN ESPACIAL 33 FIGURA 5 DETERMINACIÓN Y SIGNIFICANCIA DE PUNTOS CALIENTES Y FRÍOS MEDIANTE EL SCOREZ DEL ESTADÍSTIGO GETIS-ORD GI* 35 FIGURA 6 CÁLCULO DE UNA FUNCIÓN DE DENSIDAD DE KERNEL SOBRE PUNTOS EN UN PLANO CARTESIANO 37 FIGURA 7 UBICACIÓN DE LAS ZONAS METROPOLITANAS DE ESTUDIO EN EL TERRITORIO NACIONAL ..................................... 42 FIGURA 8 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE MONTERREY (LONGITUDINAL NORTE) 43 FIGURA 9 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE SAN LUIS POTOSÍ (LONGITUDINAL CENTRO) ................. 44 FIGURA 10 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE VILLAHERMOSA (LONGITUDINAL SUR) 45 FIGURA 11 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE TIJUANA (TRANSVERSAL NORTE) 46 FIGURA 12 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE LEÓN (TRANSVERSAL CENTRO) 47 FIGURA 13 ESCUELAS SELECCIONADAS EN EL ÁREA METROPOLITANA DE VERACRUZ (TRANSVERSAL SUR................................ 48 FIGURA 14.1 FLUJOGRAMA GENERAL DE LOS PROCESOS DEL PRESENTE ESTUDIO (PARTE 1) 51 FIGURA 15 FLUJOGRAMA DEL PROCESO DE PREPARACIÓN DEL CONJUNTO DE DATOS ESPACIALES DE LAS ESCUELAS................... 56 FIGURA 16 FLUJOGRAMA DE LOS PROCESOS REALIZADOS PARA LA CREACIÓN DEL CONJUNTO DE DATOS ESPACIALES DE TIENDAS DE CONVENIENCIA 58 FIGURA 17 FLUJOGRAMA DEL PROCESAMIENTO DE LA DISTANCIA DE LAS ESCUELAS A LAS TIENDAS Y NÚMERO DE TIENDAS EN REGIONES BUFFER, ESTADÍSTICA DESCRIPTIVA 60 FIGURA 18 FLUJOGRAMA DEL ANÁLISIS DE AUTOCORRELACIÓN ESPACIAL, I DE MORAN 61 FIGURA 19 FLUJOGRAMA DEL ANÁLISIS DE PUNTOS CALIENTES GI* DE GETIS-ORD PARA SOBREPESO Y OBESIDAD Y HEATMAPS DE TIENDAS DE CONVENIENCIA 64 FIGURA 20 FLUJOGRAMA DEL ANÁLISIS DE REGRESIÓN GEOGRÁFICAMENTE PONDERADA 66 FIGURA 21 GRÁFICAS DE DISPERSIÓN, AJUSTE LINEAL Y COEFICIENTE DE CORRELACÍON DE LA PREVALENCIA DE SP+OB VS LA DISTANCIA A LA TIENDA MÁS CERCANA 75

FIGURA 22 ZONA METROPOLITANA DE TIJUANA (TRANSVERSAL NORTE), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS OBTENIDOS

MEDIANTE EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA

DENSIDAD DE TIENDAS DE CONVENIENC, AÑO 2018 81

FIGURA 23 ZONA METROPOLITANA DE LEÓN (TRANSVERSAL CENTRO), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS OBTENIDOS

MEDIANTE EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA

DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2018 83

FIGURA 24 ZONA METROPOLITANA DE VERACRUZ (TRANSVERSAL SUR), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS OBTENIDOS

MEDIANTE EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA AÑO 2018., 85

FIGURA 25 ZONA METROPOLITANA DE MONTERREY (LONGITUDINAL NORTE), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS

OBTENIDOS MEDIANTE EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2015 87

FIGURA 26 ZONA METROPOLITANA DE MONTERREY (LONGITUDINAL NORTE), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS

OBTENIDOS MEDIANTE EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2018 88

FIGURA 27 ZONA METROPOLITANA DE SAN LUIS POTOSÍ (LONGITUDINAL CENTRO), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS

OBTENIDOS CON EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2015 90

FIGURA 28 ZONA METROPOLITANA DE SAN LUIS POTOSÍ (LONGITUDINAL CENTRO), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS

OBTENIDOS CON EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2018 91

FIGURA 29 ZONA METROPOLITANA DE VILLAHERMOSA (LONGITUDINAL SUR), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS

(

OBTENIDOS

QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2016 93 FIGURA 30 ZONA METROPOLITANA

ILLAHERMOSA

LONGITUDINAL SUR), MOSTRANDO LOS PUNTOS CALIENTES Y FRÍOS OBTENIDOS CON EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP QUE REPRESENTA LA DENSIDAD DE TIENDAS DE CONVENIENCIA, AÑO 2018 94 FIGURA 31 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE TIJUANA 2018 99 FIGURA 32 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE LEÓN 2018....................................................................... 101 FIGURA 33 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE VERACRUZ 2018 103 FIGURA 34 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE MONTERREY 2015 105 FIGURA 35 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE MONTERREY 2018 106 FIGURA 36 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE SAN LUIS POTOSÍ 2015 ....................................................... 108 FIGURA 37 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE SAN LUIS POTOSÍ 2018 109 FIGURA 38 RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE VILLAHERMOSA 2016.......................................................... 111 FIGURA 39RELACIONES ENTRE LAS VARIABLES, DE ACUERDO CON EL RESIDUAL OBTENIDO POR LA GWR PARA LAS ZONAS DE ESTUDIO TRANSVERSAL, ZONA METROPOLITANA DE VILLAHERMOSA 2018.......................................................... 112

CON EL ANÁLISIS DE GETIS-ORD GI* EN COMPARACIÓN CON UNA SUPERFICIE HEATMAP

DE V

ÍNDICE DE TABLAS

TABLA 1 NÚMERO DE ESCUELAS, ALUMNOS Y MUNICIPIOS QUE COMPONEN LAS ZONAS METROPOLITANAS SELECCIONADAS....... 41

TABLA 2 NÚMERO Y CADENA COMERCIAL DE LAS TIENDAS DE CONVENIENCIA INCLUIDAS EN EL ESTUDIO, POR AÑO Y ZONA METROPOLITANA 58

TABLA 3 DISTRIBUCIÓN Y MÁXIMOS /MÍNIMOS DE LOS CUARTILES DEL SP+OB EN LAS ESCUELAS PARA LAS SEIS ZONAS METROPOLITANAS Y LOS DOS PERÍODOS DE ESTUDIO 67

TABLA 4 CÁLCULO DEL COEFICIENTE I DE MORAN, PUNTUACIÓN Z, SIGNIFICANCIA ESTADÍSTICA, TIPO DE AUTOCORRELACIÓN E INTERPRETACIÓN PARA LAS PREVALENCIAS DE SP+OB EN LAS SEIS ZONAS DE ESTUDIO Y LOS DOS PERÍODOS DE ESTUDIO. .. 68

TABLA 5 ENE, PROMEDIO, DESVIACIÓN ESTÁNDAR, MÁXIMO Y MÍNIMO DE LA DISTANCIA PROMEDIO ENTRE LA ESCUELA Y TIENDA DE CONVENIENCIA MÁS CERCANA, PARA LAS SEIS ZONAS METROPOLITANAS Y LOS DOS PERÍODOS DE ESTUDIO 72

TABLA 6 NÚMERO DE PUNTOS FRÍOS Y CALIENTES CON SU GRADO DE SIGNIFICANCIA ENCONTRADOS MEDIANTE EL MÉTODO

ÍNDICE

DE GETIS ORD-GI*, PARA LAS SEIS ZONAS METROPOLITANAS Y LOS DOS PERÍODOS DEL ESTUDIO 79 TABLA 7 RESULTADOS DE LOS MODELOS DE REGRESIÓN GEOGRÁFICAMENTE PONDERADA (GWR) PARA LAS SEIS ZONAS METROPOLITANAS Y DOS PERÍODOS DE ESTUDIO 96

ECUACIÓN 1 ÍNDICE DE MASA CORPORAL 31 ECUACIÓN 2 CÁLCULO DEL COEFICIENTE I DE MORAN 33 ECUACIÓN 3 ECUACIÓN DEL ESTADÍSTICO GI*GETIS-ORD .......................................................................................... 34 ECUACIÓN 4 CÁLCULO DE LA DENSIDAD DE KERNEL PARA UNA UBICACIÓN X, Y 36 ECUACIÓN 5 REGLA DE SCOTT PARA LA DETERMINACIÓN DEL ANCHO DE BANDA 36 ECUACIÓN 6 REGRESIÓN ESPACIALMENTE PONDERADA (GWR).................................................................................. 37

DE ECUACIONES

1. INTRODUCCIÓN

1.1.ANTECEDENTES

El sobrepeso y la obesidad en México, son un problema de importancia creciente desde 2006 a la fecha. Lo anterior ha sido evidenciado por diversos estudios, siendo la serie de Encuestas Nutricionales de Salud y Nutrición (ENSANUT) llevadas a cabo en los años 2006, 2012, 206 y 2018 la principal fuente de información que constata dicho fenómeno. Prevalencias de 76.8% y 73% de sobrepeso y obesidad fueron reportadas para la población adulta mexicana en la ENSANUT 2018 (Instituto Nacional de Estadística Geografíá e Informática e Instituto Nacional de Salud Pública, 2019). La Organización para la Cooperación y el Desarrollo Económico (OCDE) situó -en el año 2015- a México como el segundo país con mayor obesidad entre sus estados miembros (32.4%), el mismo reporte apunta hacia una tendencia en donde hacia el año 2030 las cifras podrían situarse cerca del 40% (OECD, 2015).

El sobrepeso y la obesidad muestran una alta prevalencia entre la población escolar y adolescente de México. El Registro Nacional de Peso y Talla (RNPT) es un registro nominal, que inició en 2015 y continúa hasta la actualidad, cuyo objetivo es el recopilar mediciones antropométricas de todos los menores de alrededor de 95 mil escuelas en México. Dicho registro, en su publicación de resultados de 2016, mostró una prevalencia de sobrepeso y obesidad en población de 34.7% en menores que acuden al sistema de escuelas primarias de México (Ávila- Curiel A, 2016).

El sobrepeso y la obesidad tienen consecuencias negativas en la salud de la población, siendo el origen de una variedad de patologías que tienen un impacto sobre la demografía -llegando en México a la reducción de 4 años en la esperanza de vida- esto tiene consecuencias directas sobre la fuerza laboral y la productividad, así como también implica una generación de gastos para el sistema de salud acarreando consecuencias económicas que han sido cuantificadas por organismos económicos (OECD, 2019). Un estudio de la Secretaría de Salud del Gobierno de México proyectó para el año 2017 el impacto del sobrepeso y obesidad (como costos directos e indirectos) en 240,751 millones de pesos

(aproximadamente 13,788 millones de dólares), cifra cercana al 1.2% del PIB (Secretaría de Salud Unidad de Análisis Económico, 2015)

En fechas recientes, México ha registrado un incremento en el número de las llamadas “Tiendas de Conveniencia”, que son establecimientos de venta de productos en general en donde existe una importante oferta de comida rápida y alimentos de bajo valor nutricional y alto contenido energético coloquialmente denominados como “comida chatarra”. Como un ejemplo de esto puede mencionarse que, de acuerdo con los reportes de la principal empresa de este rubro (FEMSA), ha crecido un 14.73% anual en el período 1996-2019 pasando de 7,334 a 19,419 tiendas (Tejeda, 2019).

1.2.OBJETIVO GENERAL

Conocer la relación espacial y temporal existente entre la presencia y proliferación de las tiendas de conveniencia y el incremento de las prevalencias de sobrepeso y obesidad en las escuelas primarias de zonas metropolitanas de México, representativas de las regiones Norte, Centro y Sur de México

1.3.OBJETIVOS ESPECÍFICOS

• Identificar el patrón espacial y temporal de la distribución de la prevalencia de sobrepeso y obesidad en las escuelas primarias de las siguientes zonas metropolitanas seleccionadas entre 2015 y 2018: Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa.

• Caracterizar la distribución y proliferación espacial y temporal de las tiendas de conveniencia en las zonas metropolitanas seleccionadas entre los años 2015 y 2018

• Establecer, la posible relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018.

1.4.PREGUNTAS DE INVESTIGACIÓN

• 1 ¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?

• 2 ¿Cuál es la distribución espacial de las tiendas de conveniencia en las seis zonas metropolitanas seleccionadas? ¿Cómo se comportó la distribución de dichas tiendas entre los años 2015 y 2018?

• 3 ¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?

1.5.HIPÓTESIS

Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las siguientes zonas metropolitanas mexicanas: Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa.

1.6.JUSTIFICACIÓN

Se ha documentado una tendencia ascendente del sobrepeso y la obesidad en México, dicha situación se presenta cada vez a edades más tempranas (Hernandez-Cordero et al., 2017). La encuesta de salud y nutrición ENSANUT 2018 estimó una prevalencia de sobrepeso más obesidad en población de 5 a 11 años de edad de 35.6%. Cifra que, expandiendo la muestra a nivel nacional, representa aproximadamente a cuatro millones de niños (3,913,152) (Instituto Nacional de Estadística Geografíá e Informática e Instituto

Nacional de Salud Pública, 2019). De acuerdo con diversas publicaciones científicas, los cambios en los patrones de alimentación tendientes a incluir alimentos y bebidas con contenidos elevados de grasas y azúcares (energía) han tenido un impacto directo en el incremento de las prevalencias de sobrepeso y obesidad en México (Marron-Ponce, Flores, Cediel, Monteiro, & Batis, 2019). Uno de los canales de venta de dichos productos son las “Tiendas de conveniencia” que los ofertan de manera importante. La justificación del presente trabajo es que pretende aportar evidencia científica acerca de las relaciones entre la presencia y cantidad de dichas tiendas y la cercanía con los planteles escolares desde un punto de vista espacial. Los resultados podrían servir como elementos de evidencia para la planeación de estrategias enfocadas a disminuir las prevalencias de sobrepeso y obesidad en México.

Considerando las proyecciones poblacionales (Consejo Nacional de Población, 2018), hacia el año 2030 en México habitarán cerca de 14 millones de menores entre 5 y 11 años, de los cuales 5.6 millones podrían padecer sobrepeso u obesidad. Como consecuencia de lo anterior cuando dichos individuos alcancen la edad adulta, padecerán enfermedades crónicas no transmisibles con la consiguiente pérdida de años de vida laborable, saturación -hasta un posible colapso- del sistema de salud de México, además de impactar económicamente. Desde un punto de vista ético y de protección a la salud, se puede considerar relevante el realizar estudios como el presente, ya que, en México, se requieren trabajos de investigación que aborden desde diferentes metodologías la problemática del sobrepeso y la obesidad. En este sentido el presente trabajo puede resultar innovador y necesario para ofrecer un nuevo abordaje de la situación actual de México en esta materia.

Finalmente, a través del aporte de evidencia científica, pueden proporcionarse argumentos en contra de la proliferación de las tiendas de conveniencia desde un punto de vista técnico y sumarse esto a los conocidos impactos negativos de dichos establecimientos sobre la economía local, la recaudación fiscal y los derechos laborales de sus empleados.

1.7.ALCANCE

En México existen dos elementos de información para el desarrollo del presente trabajo: los resultados del RNPT, (detallados en los antecedentes ver Pág. 13) que proporcionan información del estado de nutrición de los niños de casi el 90% de las escuelas de México, conteniendo mediciones de peso y talla recabadas a lo largo de cuatro años de más de 14 millones de menores. También, se cuenta con el Directorio Nacional de Unidades Económicas (DENUE) (Instituto Nacional de Estadística y Geografía (INEGI), 2017), que para el segundo semestre de 2016 contiene información actualizada de más de 5.4 millones de negocios en todo el territorio nacional. Es importante mencionar que tanto la información de las tiendas como la de las escuelas cuenta con los datos de latitud y longitud, para poder ser geográficamente analizados. Ambas fuentes información, incluyen información nominal y administrativa, con características relevantes para profundizar en los análisis: tipo de escuela (pública o privada), número de alumnos, número de grupos, etc. La base de datos del DENUE cuenta con información de los negocios que permite identificarlos; se pretende utilizar las dos principales cadenas de tiendas de conveniencia de México, denominadas: “7-Eleven” y “OXXO”, con los datos del DENUE se tiene información adicional como el tamaño de la tienda (m2), número de empleados, aforo entre otras. Se utilizarán los datos correspondientes a zonas metropolitanas seleccionadas de México debido a las siguientes razones: el problema del sobrepeso y la obesidad, muestra una mayor prevalencia en las zonas metropolitanas que es en donde se concentran la mayoría de las tiendas de conveniencia.

El RNPT y el DENUE iniciaron actividades en 2015 y se mantienen activos hasta el presente, el primero presenta variaciones en la colección de datos dependiendo de la Entidad Federativa y el ciclo escolar, el análisis inicial exploratorio de los datos pretenderá identificar dos aspectos fundamentales para el cumplimiento de los objetivos de la presente investigación: En primer lugar “ventanas” transversales en el espacio y tiempo que incluyan las regiones con datos más consistentes recabados por el RNPT. Con lo anterior se llevarán a cabo los análisis espaciales contrastando los datos con los provenientes del DENUE. Posteriormente se pretende identificar segmentos longitudinales

de datos de ciclos escolares subsecuentes para poder identificar tendencias y empatar dichas tendencias con los datos del DENUE

2. REVISIÓN DE LA LITERATURA

2.1.MARCO TEÓRICO

2.1.1. La comida “chatarra” (alimentos ultra procesados) como causante del sobrepeso y obesidad.

En las dos últimas décadas aunado al incremento de la prevalencia de sobrepeso y obesidad, ha ocurrido un cambio en la manera en la que la comida es comprada y consumida. En la época posterior a la Segunda Guerra Mundial, se consumían y preparaban los alimentos en casa a partir de vegetales, tubérculos o fuentes animales, sin embargo, esto se ha modificado drásticamente, tendiendo hacia el consumo de alimentos empacados listos para comer o calentarse (Popkin, 2017).

Esto ha generado el tránsito hacia un conjunto de alimentos energéticamente densos, ricos en azúcares y grasas, también llamados ultra procesados o, en términos coloquiales, “alimentos chatarra”. Este fenómeno no se ha limitado a países de primer mundo, existen estudios en países latinoamericanos; ejemplo de esto es uno llevado al cabo en Brasil cuyos resultados muestran que, en el período entre 2003 y 2008 se registró un incremento en la prevalencia del consumo de alimentos ultra procesados de 20.8% a 25.4% (Martins, Levy, Claro, Moubarac, & Monteiro, 2013).

Algunos de los factores que han favorecido el consumo de estos alimentos son: su rapidez de preparación y el hecho de que se encuentran adicionados con elementos químicos que actúan como conservadores y le confieren sabores atractivos y aumentan la avidez por los mismos, se habla incluso de “adicción” a dichas comidas (Oginsky, Goforth, Nobile, LopezSantiago, & Ferrario, 2016). Sin embargo, dichos alimentos contienen bajo o nulo valor nutricional. El elevado consumo en los países de la región llevó a la Organización Panamericana de la Salud (OPS) en el año 2015 a elaborar un documento específico acerca de los alimentos ultra procesados en América Latina, en el cual analizaron tanto las

tendencias, como su impacto en la obesidad y sus implicaciones políticas (PAHO, 2015); utilizando los datos de 14 países se logró demostrar una correlación significativa entre las ventas anuales per cápita en kilogramos de dichos productos y las prevalencias de obesidad en mayores de 18 años. En las recomendaciones finales del documento, la OPS conmina a los países a reducir los riesgos en la salud derivados del consumo de alimentos ultra procesados.

Adicionalmente, se han realizado estudios, en diversos grupos poblacionales, que señalan directamente al consumo de dichos alimentos como responsables de un aumento en el IMC de los individuos. Un estudio de cohorte -bastante robusto debido al tamaño de su muestra y su largo período de seguimiento- se llevó al cabo en 8,541 graduados de la de la Universidad de Navarra en España, quienes al inicio de la investigación no padecían sobrepeso ni obesidad y fueron monitoreados durante 8.9 años; en sus resultados el estudio mostró que aquellos individuos pertenecientes al cuartil de mayor consumo de alimentos ultra procesados tenían un riesgo 26% mayor (P<0.05) de padecer sobrepeso u obesidad, cuando se comparaban con los de menor consumo de dichos productos (Mendonca et al., 2016)

En población infantil también existen numerosos artículos científicos que documentan la relación entre el consumo de alimentos ultra procesados y la cantidad de grasa corporal. Para sustentar lo anterior puede mencionarse que, en 2016 un artículo de revisión sistemática de la literatura dio a conocer una selección y análisis de 26 trabajos sobre el tema. Los estudios revisados en dicho trabajo incluyeron un amplio repertorio de diseños de estudio (cohortes, transversales e intervenciones), tamaños de muestra (desde muestras menores a 300 individuos hasta más de 1000), y metodologías para la determinación de consumo de alimentos ultra procesados (cuestionarios de frecuencia, de 24 horas o registros dietéticos), así como para la determinación de la grasa corporal (uso de absorciometría de rayos X, pliegues cutáneos, bioimpedancia). Los autores de la revisión encontraron que, la mayoría de los estudios mostraban una asociación positiva entre el consumo de ultra procesados y la cantidad de grasa corporal; algo que le confiere especial validez al estudio es que a pesar del abanico de metodologías utilizadas en los 26 estudios la mayoría de las investigaciones concluyeron que dado un mayor consumo de alimentos

ultra procesados, se encontró una mayor cantidad de grasa corporal en población en edad escolar y adolescentes (Welker, Lott, & Story, 2016)

Existen también publicaciones científicas que aportan evidencia acerca de la relación positiva entre el consumo de alimentos ultra procesados y las prevalencias de sobrepeso y obesidad en población escolar mexicana. Investigadores del INSP, utilizando información proveniente de la ENSANUT 2006 determinaron los patrones de alimentación de 8,252 menores mexicanos en edad escolar, siendo uno de ellos denominado “Patrón Occidental” -compuesto de bebidas azucaradas, botanas fritas y pastelillos industrializadosposteriormente compararon dicho patrón con el riesgo de presentar sobrepeso y obesidad

(mediante la categorización del IMC) y encontraron un 35% más de riesgo en los consumidores de ultra procesados en comparación con aquellos que se alimentaban con un patrón de consumo caracterizado por la presencia en la dieta de tortillas de maíz y vegetales (Rodriguez-Ramirez, Mundo-Rosas, Garcia-Guerra, & Shamah-Levy, 2011).

El sobrepeso y la obesidad por sí mismos tienen consecuencias en la autoestima y socialización de los menores (Delgado Floody et al., 2018). Sin embargo, un problema de mayor envergadura es el hecho de las patologías asociadas con dichas condiciones, las elevadas prevalencias han dado lugar a la aparición de enfermedades crónicas no transmisibles en edades más tempranas y población infantil (Gamboa-Melendez et al., 2015) En este sentido también existe evidencia científica que conecta el consumo de ultra procesados durante la edad escolar con el sobrepeso y la obesidad y el desenlace en forma de patologías crónicas en la población mexicana en edad adulta. Un estudio reciente muestra que en menores mexicanos en edad escolar un cuartil de la población obtiene hasta un 63% de la energía consumida a partir de alimentos ultra procesados, siendo el 17.7% de las calorías consumidas provenientes de grasas saturadas y 13.5% de azúcares añadidos. Las citadas grasas, son responsables del desarrollo de riesgo cardiovascular e hipertensión arterial y los azúcares de iniciar el proceso de resistencia a la insulina y posterior desarrollo de diabetes (Marron-Ponce et al., 2019).

2.1.2. La alimentación en la escuela como determinante del sobrepeso y la obesidad

Una pregunta en ámbito de la obesidad infantil es, si se puede asociar dicho problema con la alimentación en los planteles escolares, su periferia o los traslados hacia los mismos Probablemente no se puede determinar dicotómicamente lo anterior, sin embargo, resulta relevante el intentar determinar, la proporción del problema que se podría atribuir al entorno escolar. El periodo escolar constituye para la población mexicana un lapso de tiempo en el cual, a medida que los individuos avanzan en el mismo, se va incrementando la prevalencia de sobrepeso y obesidad, (Ver Figura 2, página 26). Esta parte de la vida es también donde los individuos van conformando sus hábitos alimenticios que permanecerán durante la etapa adulta (De Cosmi, Scaglioni, & Agostoni, 2017); es una ventana de tiempo en donde los patrones de alimentación pueden determinar las posibilidades de un posterior desarrollo de sobrepeso u obesidad. Existen estudios que hablan de una predisposición de los niños a preferir alimentos dulces y salados en lugar de ácidos o amargos (Mennella, 2014; Stein, Cowart, & Beauchamp, 2012) , sin embargo, mucha de la avidez de los menores por determinados alimentos tiene que ver con el contexto del consumo; situaciones o lugares positivos o agradables pueden influir en la aceptación de un determinado alimento. Por ejemplo los menores pueden generar un gusto permanente por alimentos energéticamente densos si éstos son consumidos cuando se encuentran hambrientos y rápidamente generan una sensación de saciedad (Birch, 1998) En el contexto del presente trabajo puede plantearse el caso hipotético de un menor que saliendo hambriento de su escuela, a corta distancia de la escuela, encuentre una tienda de conveniencia con una sobre oferta de comida energéticamente densa, reforzando, de un gusto por dicho tipo de comida.

Para poder contabilizar el impacto de la alimentación fuera de la casa y de la escuela se han llevado a cabo diversos estudios (Briefel, Wilson, & Gleason, 2009; Vatanparast et al., 2020). En uno de los mismos, llevado a cabo en los Estados Unidos de América se muestran tendencias ilustrativas acerca del consumo energético por población de 2 a18 años entre 1977 y hasta 2006, los autores reportan para dicho período de tiempo un incremento de 255 kcal diarias, lo cual en términos porcentuales representó el pasar de 23.4% a 33.9% del

aporte energético total En otras palabras, para 2006 una de cada tres kilocalorías consumidas por menores estadounidenses provenía de alimentos fuera de casa. El mismo trabajo también reportó algo importante: en el período de estudio y para todos los grupos de edad, el porcentaje de kilocalorías provenientes de comida rápida superó a aquellas provenientes de la comida proporcionada en la escuela convirtiéndose en la principal fuente de energía fuera del hogar (Poti & Popkin, 2011).

Si bien la situación entre los Estados Unidos de América y México es diferente en cuanto a la alimentación, es un hecho que, a partir de la integración comercial en un solo mercado (1994), muchas de las costumbres mexicanas comenzaron a ser permeadas por estilos de vida similares a los estadounidenses y en particular en la alimentación; la proliferación de tiendas de comida rápida y oferta de alimentos ultra procesados mostró un crecimiento significativo (Clark, Hawkes, Murphy, Hansen-Kuhn, & Wallinga, 2012).

Utilizando datos de la ENSANUT 2006, un grupo de autores del Instituto Nacional de Salud Pública (Shamah-Levy et al., 2011). abordó el problema de la alimentación en los trayectos desde y hacia las escuelas en niños mexicanos, utilizando una muestra de 9,537 niños establecieron la relación entre el sobrepeso y la obesidad determinados por el IMC con los datos del consumo de alimentos, seleccionando aquellos consumidos en los trayectos de y hacia el plantel escolar. Se pudo documentar que 23.9 % de los alumnos adquirieron bebidas azucaradas, 22.4% frituras y 24.8% chocolates y confitería en la periferia de la escuela antes de ingresar a clase; mediante regresiones logísticas se establecieron los riesgos relativos para desarrollar sobrepeso y obesidad con los consumos de los productos arriba mencionados y otras variables como el tipo de localidad (urbano-rural, sexo, edad entre otras); encontrando riesgos mayores en 68% para el consumo de frituras en la Ciudad de México y de 43% para el consumo de refrescos en mujeres

Al ser la periferia de la escuela un lugar en donde se lleva a cabo una importante compra de alimentos, cobra relevancia como factor promotor de sobrepeso y obesidad la cercanía geográfica entre los planteles y las tiendas de conveniencia, lo cual es el tema central del presente trabajo.

2.2.MARCO HISTÓRICO

2.2.1. El problema del sobrepeso y la obesidad en México, Encuesta Nacional de Salud y Nutrición y el Registro Nacional de Peso y Talla

El problema del sobrepeso y la obesidad en México ha sido estudiado desde las últimas tres décadas a partir de la serie de encuestas nacionales realizadas en los años 1988, 1999, 2006, 2012, 2016 y 2018 (Shamah-Levy et al., 2021), como muestra del incremento del problema, pueden observarse en dicho período las siguientes tendencias en el período de 1988 a 2012: En mujeres adultas la prevalencia se duplicó de 34.5 a 70.6% lo cual representa un incremento anual de 1.5 puntos porcentuales; en mujeres adolescentes la prevalencia se triplicó pasando de 11.1 a 35.8% lo cual representa un poco más de un punto porcentual por año (Juan Rivera Dommarco, 2015).

Para el grupo de menores en edad escolar -definidos como individuos de 5 a 11 años- las Encuestas Nacionales de Nutrición han abordado desde 1999 a la fecha su estudio, describiendo sus prevalencias y sobre todo buscando factores asociados como la edad, el sexo, la región del territorio nacional donde habitan los menores, el vivir en localidades urbanas o rurales, nivel socioeconómico, etc. Para dicha población, hacia el año 1999 la prevalencia de sobrepeso a nivel nacional era de 17.2%, mientras que la obesidad de 8.3% (acumulado 25.5%) y fue, desde ese punto en el tiempo hasta el año 2006, cuando se registró el principal incremento, registrándose en dicho año 19.7% de sobrepeso y 12.6% en obesidad (acumulado 32.3%) lo cual en términos relativos corresponde a un incremento del 26%. Para el año 2012 las prevalencias registraron 20.2 y 11.8% para sobrepeso y obesidad respectivamente, estabilizándose alrededor del 32% (Hernandez-Cordero et al., 2017).

Hacia el año 2016, la Encuesta Nacional de Nutrición de Medio Camino encontró una prevalencia de sobrepeso en escolares de México fue 17.9% mientras que obesidad el valor fue de 15.3%. El acumulado (33.2%) fue ligeramente inferior al de 2006 con una disminución del sobrepeso a costa de un incremento en la obesidad (Shamah-Levy et al., 2018). A finales del año 2016 fue cuando estos y otros indicadores, llevaron al Gobierno

Federal de México a emitir una “Alerta Epidemiológica por Obesidad” en noviembre del año citado (Centro Nacional de Programas Preventivos y Control de Enfermedades(CENAPRECE), 2016)

Finalmente, para el año 2018, la ENSANUT reportó una prevalencia de 18.1% de sobrepeso y un 17.5% de obesidad, resultando alarmante este último dato ya que, como puede verse en la Figura 3, la obesidad corresponde a mediciones por arriba de +2D.E y en una distribución normal debería de corresponder a sólo una sexta parte de las que se encuentran entre +1 y +2 D.E. En este caso los valores de sobrepeso y obesidad son muy cercanos lo cual hace patente la gravedad del problema, dicho en otras palabras hay seis veces más obesidad con respecto al sobrepeso en relación a lo que se esperaría en una distribución normal (Instituto Nacional de Estadística Geografíá e Informática e Instituto Nacional de Salud Pública, 2019).

Utilizando los datos provenientes de las encuestas arriba mencionadas puede verse en la Figura 1 una tendencia al incremento del sobrepeso y la obesidad en población en edad escolar (5-11 años) en los últimos 23 años.

Figura 1 Prevalencias de sobrepeso y obesidad en población escolar, en la serie histórica de Encuestas Nacionales de Salud y Nutrición (1999-2018)

Fuente: (Shamah-Levy T & Santaella-Castell JA, 2020)

17.2 19.7 20.2 17.9 18.1 8.3 12.6 11.8 15.3 17.5 0 5 10 15 20 25 30 35 40 1999 2006 2012 2016 2018 % Sobrepeso Obesidad

Con respecto a la distribución del sobrepeso y obesidad al interior de México, los resultados de la ENSANUT 2018 (Shamah-Levy T & Santaella-Castell JA, 2020) muestran que, si bien la zona rural (Sobrepeso 17.4%, Obesidad 12.3%) presenta prevalencias considerables, siguen siendo las zonas urbanas de México las que tienen una mayor prevalencia de sobrepeso y obesidad (18.4 y 19.5% respectivamente); en este último caso puede verse que, de continuar la tendencia la obesidad superará al sobrepeso. Si consideramos otras variables para estudiar la distribución de sobrepeso y obesidad en 2018 puede observarse que los hombres tuvieron una prevalencia combinada más alta que las mujeres (37.8% vs 33.4% de sobrepeso más obesidad), asimismo destaca finalmente el hecho de que las regiones norte de México, que comprenden la franja fronteriza con los Estados Unidos de América y la región de la capital (Ciudad de México) mostraron las prevalencias más elevadas de sobrepeso y obesidad siendo 38.8% y 45.6% respectivamente (datos no publicados).

Otro punto importante es la evolución de las prevalencias de sobrepeso y obesidad a medida que se incrementa la edad, en México la edad escolar (conocida localmente como escuela primaria) comprende seis ciclos escolares que transcurren de los 6 a los 11 años, como puede verse en la Figura 2 el problema del sobrepeso y la obesidad va incrementándose a medida que aumenta la edad de los individuos (Shamah-Levy T & Santaella-Castell JA, 2020).

Fuente: (Shamah-Levy T & Santaella-Castell JA, 2020)

El comportamiento de las prevalencias con respecto a la edad tiene una implicación importante en la justificación y el desarrollo del presente trabajo debido a que, esta ventana de 6 años en la que los niños acuden a la escuela primaria es en donde se va registrando un incremento del sobrepeso y la obesidad; volviendo a este periodo de la vida un punto fundamental para diagnosticar, pero sobre todo para combatir el problema. (Andueza, Navas-Carretero, & Cuervo, 2022)

En 2015 el Instituto Nacional de Ciencias Médicas y Nutrición puso en operación el Registro Nacional de Peso y Talla, contando con un diseño censal, teniendo como objetivo el recabar información longitudinal de los más de 14 millones de niños, asistentes a las cerca de 90 mil escuelas primarias de México. Este modelo de información, además de no tener las incertidumbres del muestreo, permite el seguimiento nominal niño por niño y la desagregación de los datos a cualquier nivel; puede conocerse la información de cada escuela, grado, niño, jurisdicción, municipio o cualquier otro nivel de información solicitado (Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán, 2015).El registro cuenta con una estructura longitudinal de datos relacionados por el identificador único de población usado en México, conocido como “Clave Única de Registro Poblacional” (CURP) permite observar la evolución de cada individuo sin importar el plantel escolar al que

Figura 2 Prevalencias de sobrepeso y obesidad en población escolar por año de edad. ENSANUT 2018

15.9 13.7 20.8 17.4 19.4 22.6 15.9 13.7 20.8 17.4 19.4 22.6 0 5 10 15 20 25 30 35 40 45 50 6 7 8 9 10 11 % EDAD EN AÑOS SOBREPESO OBESIDAD

acuda. Los planteles escolares también se encuentran identificados de manera única mediante claves además de contar con información correspondiente a su marco geoestadístico y los valores de latitud y longitud.

En la publicación de resultados del Registro Nacional de Peso y Talla (Ávila- Curiel A, 2016), los autores reportaron 2,120,680 menores escolares con sobrepeso (20.7%) y 1,417,686 (13.8%) con obesidad (34.5% Total) , lo que es cercano al acumulado reportado por la ENSANUT 2016 (33.2%). El hecho de que dos estudios con metodologías y escalas completamente diferentes arriben a resultados tan cercanos puede ser un indicio de que la estimación de la magnitud del problema es algo que se tiene bien consolidado.

El esquema de trabajo nominal de los datos del RNPT ha permitido el ubicar y alertar a las autoridades y a los directores de las escuelas con mayor prevalencia de sobrepeso y obesidad del México, para poder tomar acciones y enfrentar el problema. Una de dichas acciones fue el realizar estudios extensos de antropometría, alimentación y análisis de muestras sanguíneas a menores de las siete escuelas con mayor prevalencia de sobrepeso y obesidad del Estado de México (la entidad federativa con mayor población de México). Dicho estudio permitió establecer que, en esa población de menores de entre 6 y 12 años, se puede hablar ya de un “Síndrome Metabólico” que es un conjunto de patologías y alteraciones del metabolismo que, hasta hace un tiempo, se pensaba que eran privativas de la población adulta (Gamboa-Melendez et al., 2015) Dicho síndrome incluye a la diabetes mellitus, hipertensión arterial, dislipidemias, factores de inflamación, obesidad, resistencia a la insulina, entre otras. Esta investigación también fue capaz de determinar algunas variantes genéticas (alelos) presentes en dicha población que favorecen la aparición de dicho síndrome.

2.2.2. Estudios espaciales de sobrepeso y obesidad.

En el caso de México, poco se ha investigado al sobrepeso y la obesidad en los escolares desde un punto de vista espacial. Existe un trabajo en la ciudad de San Luis Potosí (incluida en las zonas metropolitanas seleccionadas en el presente trabajo de investigación) en donde únicamente se realiza una descripción espacial de los datos de dislipidemias (cantidades elevadas de triglicéridos y colesterol) en escuelas de la ciudad, conformando

áreas y realizando básicamente estadística descriptiva y mapas de distribución de dicho fenómeno (Aradillas-García, Palos-Lucio, & Padrón-Salas, 2016) Los estudios de distribución del sobrepeso y la obesidad suelen buscar relaciones con características sociodemográficas, económicas, étnicas e incluso con regiones administrativas, pero sin considerar el componente espacial. En el caso de América Latina existen artículos específicos de análisis espacial del sobrepeso y la obesidad en menores en edad escolar, tal es el caso de un artículo con datos del censo nacional de peso y talla en El Salvador (aproximadamente 112,000 menores) en donde los autores reportan la presencia de clusters espaciales de sobrepeso y obesidad utilizando la I de Moran y el estadístico GetisOrd Gi* (Pérez et al., 2020), sin embargo, es importante mencionar que el componente espacial es aquí tan sólo un elemento más del análisis y no el eje principal ya que el artículo se sustenta principalmente en análisis estadísticos. Un estudio de metodología similar al previamente descrito fue llevado al cabo en Perú en el año 2016, siendo éste con datos de más de 2.3 millones de menores y encontrando mediante la búsqueda de clusters que la región costera de dicho país es la que presenta una mayor presencia de clusters de sobrepeso y obesidad (Hernández-Vásquez et al., 2016). Esta clase de estudios descriptivos se pueden encontrar en otros países del mundo como China (Qin et al., 2019), Canadá (Penney, Rainham, Dummer, & Kirk, 2014), Estados Unidos de América (R. Huang, Moudon, Cook, & Drewnowski, 2015), Reino Unido (Benjamin Neelon, Burgoine, Gallis, & Monsivais, 2017) estos estudios intentan encontrar clusters así como determinar la existencia de autocorrelación espacial del sobrepeso y la obesidad

En el caso de estudios en donde busquen relaciones espaciales del sobrepeso y la obesidad con otros elementos como la comida, infraestructura urbana o actividad física, para el caso de México, no existen al momento de la elaboración del presente trabajo artículos científicos que aborden dicha temática. En Latinoamérica existe un estudio publicado en 2011 en población adulta de Brasil en donde se intentan encontrar algunos factores ambientales relacionados con la obesidad. Sin embargo, la aproximación espacial se reduce a geo codificaciones para la conformación de áreas y el uso de dichas áreas en análisis estadísticos, así como la elaboración de mapas coropléticos dicho trabajo no utiliza estadísticas espaciales (Jaime, Duran, Sarti, & Lock, 2011).

Es en países industrializados en donde se ha estudiado más a fondo la relación espacial entre la oferta de alimentos y las prevalencias de sobrepeso y obesidad. Un ejemplo de esto es una investigación llevada a cabo en población entre 13 y 15 años del Reino Unido en donde los autores utilizan Regresión Ponderada Geográficamente (GWR) para correlacionar la presencia de locales de venta de comida rápida con el consumo y el desarrollo de sobrepeso y obesidad (Fraser, Clarke, Cade, & Edwards, 2012). En dicho artículo los autores lograron establecer que las variaciones en el espacio en la accesibilidad a la comida rápida se asociaron en zonas rurales con un mayor consumo de comida rápida y a su vez dicho incremento en el consumo repercutió en un aumento de las prevalencias de obesidad. Otro estudio llevado al cabo en la ciudad de Chicago relacionó la distribución espacial de la disponibilidad de alimentos (ambiente alimentario) con la segregación racial y la obesidad, a través del uso de estadística espacial y modelos de regresión, arribando al resultado de que: la obesidad se concentra en comunidades afroamericanas y que además el acceso a expendios de comida rápida es predictor de mayores tasas de obesidad (H. Huang, 2021). Otro estudio de 2020 llevado a cabo en migrantes filipinos en Macao, cuya metodología consiste en utilizar buffers de distancia hacia restaurantes de comida rápida como parte de modelos de regresión logística concluyó que: el habitar a media milla o menos de un área densa en restaurantes de comida rápida incrementaba un 7% la probabilidad de desarrollar sobrepeso u obesidad (Hall, Huang, Yi, & Latkin, 2021) Estudios de este tipo pueden encontrarse también en población adulta de Canadá (Hollands, Campbell, Gilliland, & Sarma, 2013) y niños de 5 y 6 años en Alemania (Lakes & Burkart, 2016). Finalmente es importante mencionar un estudio que es muy similar al presente trabajo llevado a cabo en Nueva Zelanda en donde se evalúa el ambiente obesigénico ocasionado por la venta de alimentos (incluyendo las tiendas de conveniencia) alrededor de las escuelas a un nivel nacional. Dicho artículo utilizó en su metodología áreas de servicio y buffers radiales (250, 500 y 800 m) para determinar densidades y proximidades para posteriormente utilizar dichas variables junto con otras en análisis de estadística descriptiva En dicho estudio se concluye que la conformación del ambiente obesigénico es mayor en aquellos lugares con un menor desarrollo (Vandevijvere, Sushil, Exeter, & Swinburn, 2016)

2.3.MARCO METODOLÓGICO

2.3.1. Evaluación del estado de nutrición mediante indicadores antropométricos, definición del sobrepeso y la obesidad en población infantil

A lo largo de la historia han existido diversos patrones de referencia para la determinación del sobrepeso y la obesidad utilizando las mediciones de peso y talla tanto en población adulta como infantil, siendo en estos últimos un desafío ya que debe de considerarse el crecimiento longitudinal a lo largo de la infancia y adolescencia para poder determinar el peso adecuado para cada individuo (Rolland-Cachera, Akrout, & S., 2015). Diversos esfuerzos se han realizado por contar con la población de referencia para evaluar el sobrepeso y la obesidad en los niños y adolescentes. Muchas de estas iniciativas se han dado al interior de los países para evaluar sus propias poblaciones, ejemplo de lo anterior lo constituyen: Las tablas del Centro de Control de Enfermedades (CDC) de los Estados Unidos publicadas en el año 2000 (Centers for Disease Control and Prevention National Center for Health Statistics, 2000), de la misma manera países europeos como Francia cuentan desde 1979 con sus propias tablas, el consenso general en fechas recientes es que se utilicen las tablas de la Organización Mundial de la Salud (OMS) (Scherdel et al., 2015). Esfuerzos regionales y mundiales se han hecho para establecer dichos patrones de referencia, como los llevados a cabo por el European Childhood Obesity Group (ECOG) (Poskitt, 1995) o el publicado por la International Obesity Task Force (IOTF) (Cole, Bellizzi, Flegal, & Dietz, 2000).

En México, antes del año 2007 fue utilizada la referencia del Centro de Control de Enfermedades de Estados Unidos (CDC), para evaluación de desnutrición (bajo peso y baja talla) debido a que, esa era la problemática principal en aquellas fechas, sin embargo, a medida que se fue reconociendo el problema del sobrepeso y la obesidad, se adoptó el uso del patrón de referencia de la Organización Mundial de la Salud (OMS) (de Onis et al., 2007), en particular el indicador Índice de Masa Corporal (Ecuación 1) para la edad, para realizar la evaluación antropométrica del estado de nutrición en los sujetos en edad escolar y adolescentes.

Ecuación 1 Índice de Masa Corporal ��

Este patrón de referencia toma como base un ajuste suavizado de curvas entre el patrón de preescolares (0 a 5 años) de la misma OMS y los datos del centro de control de enfermedades (NCHS) para los individuos de 5 a 19 años; posee la ventaja de que el padrón de preescolares ajusta mediante elaborados métodos estadísticos muestras de varios países del mundo, logrando una buena representatividad a pesar de las diferencias étnicas entre los mismos (W. H. O. Multicentre Growth Reference Study Group, 2006)

En el año de 2018 la legislación mexicana a través de la Secretaría de Salud oficializó el uso de las referencias de la OMS a través de la emisión de la “NORMA Oficial Mexicana NOM008-SSA3-2017, Para el tratamiento integral del sobrepeso y la obesidad.” misma que fue publicada en el órgano oficial del gobierno mexicano (Secretaría de Salud, 2018).

La OMS, a través de su patrón de referencia para individuos de 5 a 19 años, establece los intervalos de puntuación Z (número de desviaciones estándar por arriba de la mediana) del indicador de IMC/Edad, como los límites para el diagnóstico de sobrepeso cuando dicha puntuación es mayor de +1Z y menor e igual a +2Z y como obesidad cuando la puntuación se encuentra por encima de +2Z. (Ver Figura 3) El rango de valores plausibles para dicho indicador va de -5Z a +5Z (World Health Organization, 2009)

= ��(��) ��(��)

1 5 4 3 2 0 -5 -1 -2 -3 -4 Z D E N S I D A D SOBREPESO OBESIDAD

Figura 3 Intervalos de sobrepeso y obesidad de acuerdo con la distribución de probabilidad del indicador

IMC/EDAD

Este aspecto es importante desde el punto de vista metodológico ya que las estadísticas históricas del sobrepeso y obesidad de México, así como los cálculos realizados por el RNPT han sido todos definiendo al sobrepeso y la obesidad con el indicador IMC /Z de la OMS

2.3.2. Metodologías empleadas para estudiar la relación espacial entre la oferta de alimentos y el sobrepeso y la obesidad.

Para sentar las bases del análisis espacial llevado a cabo en el presente trabajo, es importante recurrir al trabajo de Luc Anselin, quien establece que el análisis exploratorio de datos espaciales (ESDA por sus siglas en inglés) consiste en una serie de técnicas encaminadas a: describir y visualizar distribuciones espaciales, identificar ubicaciones atípicas también conocidas como outliers espaciales, descubrir patrones de asociación espacial, denominados clusters espaciales, sugerir diferentes regímenes espaciales y otras formas de inestabilidad espacial (Anselin, 1996).Dicho autor remarca la importancia de definir, en una primera instancia, la autocorrelación espacial, este concepto tiene que ver con la relación entre los valores de algún dato de interés con respecto a sus vecinos; si tienden a ser similares se habla de una autocorrelación positiva, si, por el contrario, tienden a ser diferentes, puede hablarse de una autocorrelación negativa. Una variable auto correlacionada positivamente es espacialmente dependiente (Burrough, McDonnell, & Lloyd, 2015).

Una de los estadísticos utilizados para definir la autocorrelación espacial es la I de Moran (Ver Ecuación 2 ). Este estadístico calcula la autocorrelación global para un conjunto de datos. En términos simples indica ¿qué tan similar es un objeto con respecto a los que lo rodean? Esto es importante para evaluar si un determinado fenómeno en el espacio atrae (o repele) la presencia de dicho fenómeno en sus alrededores. El coeficiente I de Moran puede informarnos si los datos de nuestro estudio son efectivamente independientes -y por ende susceptibles de pruebas estadísticas basadas en la independencia- o bien presentan algún tipo de autocorrelación espacial. (Glen, 2022)

Ecuación 2 Cálculo del coeficiente I de Moran

La ecuación en su denominador multiplica la matriz de pesos multiplicada por la covarianza y por la ene de casos, todo esto es dividido entre la varianza multiplicada por la sumatoria de todos los pesos, Si I <0 existe autocorrelación espacial negativa, si I >0 existe una autocorrelación espacial positiva, si I 0 se puede hablar de aleatoriedad espacial.

Para el cálculo del coeficiente se cuenta con una matriz de pesos espaciales que pondera espacialmente el cociente de la covarianza multiplicada por la ene y la matriz completa de pesos dividido entre la sumatoria de toda la matriz de pesos espaciales por la varianza. Esto da como resultado un coeficiente entre -1 y 1 cuya interpretación es la siguiente (Ver Figura 4):

a) I = -1, se trata de una dispersión perfecta de los datos, la interpretación es que valores diferentes tienden a agruparse.

b) I = 0, corresponde a una aleatoriedad absoluta de los datos.

c) I = 1 es una agrupación perfecta de los datos iguales, la interpretación es que la variable analizada conforma clusters espaciales.

b a c

El estadístico I de Moran es un estadístico inferencial susceptible de ser evaluado para una significancia, de modo que los algoritmos de los sistemas de información geográfica pueden

�� = ��∑ ∑ ��(�� )(�� ) �� =1 �� =1 ∑ (�� )2(∑ ∑ �� =1 �� =1 ) �� =1

Figura 4 Interpretación del índice I de Moran y la autocorrelación espacial

1 2 3 4 5 6 7 8 9 10 1 2 2 1 2 1 2 2 1 2 2 2 2 2 2 1 2 1 1 1 2 2 3 2 2 1 2 2 1 2 2 2 2 4 2 2 1 1 2 2 1 2 1 1 5 2 2 1 2 2 2 2 2 1 1 6 1 2 1 1 2 2 2 1 1 2 7 1 1 1 1 2 2 2 1 2 2 8 1 2 1 1 2 1 2 2 2 2 9 2 1 2 2 1 2 2 2 2 1 10 2 1 1 1 2 2 1 2 1 2 1 2 3 4 5 6 7 8 9 10 1 1 2 1 2 1 2 1 2 1 2 2 2 1 2 1 2 1 2 1 2 1 3 1 2 1 2 1 2 1 2 1 2 4 2 1 2 1 2 1 2 1 2 1 5 1 2 1 2 1 2 1 2 1 2 6 2 1 2 1 2 1 2 1 2 1 7 1 2 1 2 1 2 1 2 1 2 8 2 1 2 1 2 1 2 1 2 1 9 1 2 1 2 1 2 1 2 1 2 10 2 1 2 1 2 1 2 1 2 1 1 2 3 4 5 6 7 8 9 10 1 1 2 2 2 2 2 2 2 2 2 2 1 1 2 2 2 2 2 2 2 2 3 1 1 1 2 2 2 2 2 2 2 4 1 1 1 1 2 2 2 2 2 2 5 1 1 1 1 1 2 2 2 2 2 6 1 1 1 1 1 2 2 2 2 2 7 1 1 1 1 1 1 2 2 2 2 8 1 1 1 1 1 1 1 2 2 2 9 1 1 1 1 1 1 1 1 2 2 10 1 1 1 1 1 1 1 1 1 2

convertirlo a una puntuación Z (unidades de desviación estándar) con si respectivo valor de p, de modo que con el signo se puede saber el tipo de autocorrelación y con la magnitud de la variable escalar, la probabilidad de que dicho fenómeno no se deba al azar (y por ende el rechazar la hipótesis nula).

Un segundo análisis es el de hotspots, se emplea para obtener una panorámica general de la distribución espacial del fenómeno, en particular el algoritmo de Gi* Getis-Ord. El resultado de este estadístico puede ser interpretado de manera directa ya que está expresado como una puntuación Z (número desviaciones estándar), es capaz de identificar “Puntos calientes” cuando su valor es positivo, así como “Puntos fríos” cuando su valor es negativo. De acuerdo con sus propios autores, este estadístico mide el grado de asociación resultante de la concentración de puntos ponderados y todos los otros puntos incluidos en un radio determinado por una distancia d a partir de un punto ponderado original (Getis & Ord, 1992). En términos prácticos el estadístico permite llevar a cabo las pruebas de hipótesis acerca de la concentración espacial de la suma de x valores asociados con j puntos dentro de un radio de distancia d hasta el i-ésimo punto. La fórmula del estadístico puede verse en la Ecuación 3 (Environmental Systems Research Institute, 2018a) Ecuación 3

�� ∗ = ∑ ��,��,�� ∑ ��,�� =�� =1 ��√∑ ��2 ��,�� (∑ ��,�� =�� )2 �� =1 �� 1

Ecuación del estadístico Gi*Getis-Ord

�� =∑�� =1 Y S es la expresión: ��=√∑ �� =1 �� (��)2

Donde �� es la media del valor de los atributos

El estadístico local Gi* permite detectar zonas de asociación espacial que pueden pasar desapercibidas para los análisis globales -como la I de Moran- (Ord & Getis, 1995). En la aplicación para las pruebas de hipótesis de dicho estadístico se parte de una H0 en donde se tendría una aleatoriedad espacial de la distribución de determinada variable, y para cada punto se calcula el estadístico, así como un valor de score-Z -y por ende de p- en donde, a través de una distribución normal se puede conocer la probabilidad de que el punto caliente (o frío) se deba al azar, rechazando o aceptando dicha hipótesis (Watters, 2022).

En la Figura 5 determinación y significancia de puntos calientes y fríos mediante el ScoreZ del estadístigo Getis-Ord Gi* puede observarse como el valor estandarizado del estadístico Getis-Ord Gi* hacia sus valores extremos de scoreZ ± 2.58, ± 1.96 y ± 1.65 corresponden a una significancia de 99,95 y 90% respectivamente, pudiendo distinguir patrones espaciales de elementos de origen aleatorio.

Un tercer análisis de estadística espacial a llevarse a cabo en el presente trabajo se trata de la generación de superficies de densidad de kernel (KDE), dichos algoritmos difieren de los

Figura 5 determinación y significancia de puntos calientes y fríos mediante el ScoreZ del estadístigo GetisOrd Gi*

hotspots anteriormente mencionados en el hecho de que mientras los puntos calientes y fríos reflejan la distribución espacial de una variable (en este caso el sobrepeso y la obesidad), la densidad de kernel crea superficies basadas únicamente en la densidad de la ubicación de los puntos de interés (en este caso las tiendas de conveniencia). Este algoritmo calcula superficies a partir de capas de puntos y crea una curva desde el punto mismo hasta un umbral definido por el usuario denominado “radio de búsqueda”(Environmental Systems Research Institute, 2022b). la densidad prevista para una ubicación (X, Y) se define como:

Ecuación 4 Cálculo de la densidad de kernel para una ubicación X, Y

En la Ecuación 4

• i corresponde a los puntos de entrada

• pop es un parámetro de ponderación poblacional opcional

• dist es la distancia entre el i-ésimo punto y la ubicación (x, y)

Para la creación del raster la ecuación previamente descrita se calcula para todos los centros de celda obteniéndose una superficie continua. Un punto adicional a mencionarse es que la selección del ancho de banda (o radio) es un factor fundamental para el cálculo de la densidad, existen diversas metodologías siendo la Regla de Scott una de las más típicamente utilizadas (Kim, 2020). A continuación (Ecuación 5) se presenta la fórmula para la determinación del ancho de banda mediante dicho método

Ecuación 5 Regla de Scott para la determinación del ancho de banda

En dicha ecuación n es el número de muestras y  es la desviación estándar de las muestras.

A continuación, la Figura 6 muestra el cálculo de una superficie de densidad a partir de un conjunto de puntos sobre un plano cartesiano.

�� = 1 (��)2∑[3 �� ∙�� (1 (�� )2)2] �� =1

�� =(4��5 3��) 1 5

Figura 6

En el presente trabajo se pretende correlacionar una variable de desenlace (prevalencia de sobrepeso y obesidad) con dos variables explicativas (el número de tiendas a una cierta distancia de las escuelas, así como la distancia a la tienda más cercana), debido a esto puede emplearse la Regresión Ponderada Geográficamente (GWR por sus siglas en inglés).

Este concepto acuñado por los geógrafos Stewart Fotheringham, Chris Brunsdon, y Martin Charlton es un tipo especial de estimador no paramétrico de regresión (McMillen, 2004)

GWR construye ecuaciones (Ver Ecuación 6) de la misma manera en que lo haría un análisis de regresión lineal -usando variables dependientes y explicativas- pero que es capaz de modelar la variación espacial de las relaciones (Environmental Systems Research Institute, 2018b)

Ecuación 6 Regresión Espacialmente Ponderada (GWR)

El componente espacial es incorporado mediante uivi que representan las coordenadas del i-ésimo punto en el espacio, ak corresponde a la función del k-ésimo parámetro de la muestra i, xikcorrespnde al valor de la kesima variable para el i-esimo punto y finalmente εies un error normalmente distribuido para el i-esimo punto

Cálculo de una función de densidad de kernel sobre puntos en un plano cartesiano.

�� =��0(��)+∑ �� (��)�� +��

En la GWR el modelo puede ser ajustado a cada punto del conjunto de datos espaciales o bien a los centroides de áreas, las coordenadas de dichos puntos y sus distancias entre sí son utilizadas en una función de kernel mediante la cual se obtienen ponderadores que representan la dependencia espacial entre las observaciones.(Wheeler D.C., 2010). La interpretación de los resultados del análisis de GWR es similar a la de las regresiones lineares ordinarias es decir los coeficientes del modelo indicar una determinada variación (positiva o negativa) de la variable de respuesta conforme se modifica una unidad de las variables explicativas (Rowe, 2022) . Aunado a esto ArcGIS proporciona un resultado adicional: una capa de puntos con la evaluación del modelo para cada punto, mostrando las áreas en donde el modelo tiene mayor o menor robustez.

3. METODOLOGÍA

3.1.DESCRIPCIÓN DEL ÁREA DE ESTUDIO

Para el presente estudio se seleccionaron seis zonas metropolitanas correspondientes a una muestra longitudinal y una transversal de las regiones Norte, Centro y Sur de México (Ver Figura 7). A continuación, se presenta una breve descripción, así como datos demográficos, de economía, salud y marginación de dichas regiones basado en las siguientes fuentes de información:

• Población total (Instituto Nacional de Estadística Geografía e Informática, Consejo Nacional de Población, & Secretaría de desarrollo Agrario Territorial y Urbano, 2015)

• Economía (Secretaría de Economía, 2016)

• Planteles y matrícula de alumnos (Avila-Curiel, 2018)

• Grado de Marginación (Consejo Nacional de Población, 2021)

• Prevalencias de Sobrepeso y Obesidad (Ávila- Curiel A, 2016)

1. Transversal Norte, Zona Metropolitana de la Ciudad de Tijuana (Ver Figura 11), se localiza en el extremo Noroeste del de México, en el estado de Baja California, comparte la franja fronteriza con el estado de California en Estados Unidos de

América (San Ysidro-San Diego), con quién sostiene una importante relación económica y comercial Su población total reportada en 2015 fue de 1,352,035 habitantes con una población censada de 121,722 alumnos asistentes a 525 escuelas primarias. La totalidad de municipios que la componen cuentan con un grado de marginación “Muy Bajo”; las prevalencias en escolares fueron para 2018: Sobrepeso 21.21%, Obesidad 19.80%, Acumulado SP+Ob 41.01%

2. Transversal Centro, Zona Metropolitana de León (Ver Figura 12), se localiza en la región del Bajío (Altiplano Central Mexicano), en el estado de Guanajuato; se trata de una zona metropolitana de vocación industrial, aquí se encuentra la planta en México de General Motors y es la región de México más importante en cuanto a la producción de pieles y calzado Su población total reportada en 2015 fue de 1,768,193 habitantes con una población censada de 156,100 alumnos asistentes a 538 escuelas primarias. La totalidad de municipios que la componen cuentan con un grado de marginación “Muy Bajo” ; las prevalencias en escolares fueron para 2018: Sobrepeso 17.76%, Obesidad 10.58%, Acumulado SP+Ob 28.34%.

3. Transversal Sur, Zona Metropolitana de Veracruz (Ver Figura 13), se localiza en, en el estado de Veracruz de Ignacio de la Llave, en la costa del Golfo de México, esta población cuenta con el tercer puerto con mayor movimiento de contenedores en México (CEPAL., 2019). Su población total reportada en 2015 fue de 915,213 habitantes con una población censada de 63,692 alumnos de 336 escuelas primarias de. De los seis municipios que componen la zona metropolitana, cuatro tienen un grado de marginación “Muy Bajo”, uno “Bajo” y uno “medio”; las prevalencias en escolares para 2018 fueron: Sobrepeso 24.0%, Obesidad 20.2 %, Acumulado SP+Ob 44.2%.

4. Longitudinal Norte, Zona Metropolitana de Monterrey (Ver Figura 8), se localiza en, en el estado de Nuevo León, aproximadamente a 150 kilómetros al suroeste de la frontera con Texas, Estados Unidos de América; su vocación es netamente industrial destacando la producción de acero. Su población total reportada en 2015 fue de 4,689,601 habitantes lo que la convierte en la tercera zona metropolitana más poblada de México, cuenta con una población censada de 452,217 y 447,792 alumnos correspondientes a los ciclos 2015 y 2018 respectivamente, asistentes a

1,552 escuelas primarias La totalidad de los 18 municipios que la componen cuentan con un grado de marginación “Muy Bajo”, esta zona metropolitana tiene dos de los tres municipios más ricos de México; las prevalencias en escolares son para 2015: Sobrepeso 21.2%, Obesidad 17.5%, Acumulado SP+Ob 38.7% mientras que para 2018: Sobrepeso 22.1%, Obesidad 17.2%, Acumulado SP+Ob 39.3%.

5. Longitudinal Centro, Zona Metropolitana de San Luis Potosí (Ver Figura 9 ), se localiza en el Altiplano Central de México, en el estado de San Luis Potosí; esta zona metropolitana tiene como su principal actividad económica el comercio. Su población total reportada en 2015 fue 1,159,807 habitantes con una población censada de 79,211 y 80,001 alumnos correspondientes a los ciclos 2015 y 2018 respectivamente, asistentes a 317 escuelas primarias. De los tres municipios que la componen, dos tienen un grado de marginación “muy bajo”, mientras que un municipio tiene el grado de marginación “bajo”, las prevalencias en escolares son para 2015: Sobrepeso 22.8%, Obesidad 17.6%, Acumulado SP+Ob 39.5 %, mientras que para 2018 las prevalencias fueron: Sobrepeso 21.9%, Obesidad 16.4%, Acumulado SP+Ob 38.3 %,

6. Longitudinal Sur, Zona Metropolitana de Villahermosa (Ver Figura 10)., se localiza en, en el estado de Tabasco a 40 Km al sur de las costas del Golfo de México; su economía está estrechamente relacionada con la industria petrolera. Su población total reportada en 2015 fue de 823,213 habitantes con una población censada de 54,291 y 54,245 alumnos correspondientes a los ciclos 2016 y 2018 respectivamente asistentes a 201 escuelas primarias. Los dos municipios que la componen cuentan con un grado de marginación “Muy Bajo”, las prevalencias en escolares fueron: Sobrepeso 24.1%, Obesidad 19.7%, Acumulado SP+Ob 43.7% para 2016 y Sobrepeso 23.7%, Obesidad 17.1%, Acumulado SP+Ob 40.8% para 2018.

En la Tabla 1 se muestra la información previamente descrita además de los municipios que componen cada zona metropolitana.

Tabla 1 Número de escuelas, alumnos y municipios que componen las zonas metropolitanas seleccionadas.

Conjunto

Cadereyta Jiménez, El Carmen, Ciénega de Flores, García, San Pedro Garza García, General Escobedo, General

En las siguientes páginas se muestra un mapa general de la distribución de las seis regiones de estudio en el territorio nacional (Figura 7), así como la distribución de las escuelas seleccionadas dentro de los polígonos de las seis áreas metropolitanas. (Figura 8 a la Figura 13)

de datos Región Área Metropolitana

Número de Escuelas Número de Alumnos Ciclo(s) Escolar(es) Transversal Norte Tijuana Tecate, Tijuana, Playas de Rosarito 525 121,722 2018 Centro León León, Silao de la Victoria 538 156,100 2018 Sur Veracruz Alvarado, Boca del Río, Jamapa, Manlio Fabio Altamirano, Medellín de Bravo, Veracruz 336 63,692 2018 Longitudinal Norte Monterrey

Municipios que conforman el área metropolitana

Victoria,

Nicolás de los Garza, Hidalgo, Santa Catarina, Santiago. 1,552 454,217 (2015) 447,792 (2018) 2015, 2018 Centro San Luis Potosí San Luis Potosí, Soledad de Graciano Sánchez, Zaragoza 317 79,211 (2015) 80,001 (2018) 2015, 2018 Sur Villahermosa Centro, Nacajuca 201 54,291 (2016) 52,145 (2018) 2016, 2018

Zuazua, Guadalupe, Juárez, Monterrey, Pesquería, Salinas

San

Figura 7 Ubicación de las Zonas Metropolitanas de Estudio en el Territorio Nacional

Figura 8 Escuelas seleccionadas en el área metropolitana de Monterrey (Longitudinal Norte)

Figura 9 Escuelas seleccionadas en el área metropolitana de San Luis Potosí (Longitudinal Centro)

Figura 10 Escuelas seleccionadas en el área metropolitana de Villahermosa (Longitudinal Sur)

Figura 11 Escuelas seleccionadas en el área metropolitana de Tijuana (Transversal Norte)

Figura 12 Escuelas seleccionadas en el área metropolitana de León (Transversal Centro)

Figura 13 Escuelas seleccionadas en el área metropolitana de Veracruz (Transversal Sur

3.2.Fuentes de datos e información

3.2.1. Datos geográficos y estadísticos del sobrepeso y obesidad

Se solicitó al Instituto Nacional de Ciencias Médicas y Nutrición los conjuntos de datos del Registro Nacional de Peso y Talla (RNPT) correspondientes a las mediciones antropométricas de los cuatro ciclos escolares desde 2015 hasta 2018; obteniéndose cuatro archivos en formato .sav (SPSS) a nivel de individuo con los diagnósticos de cada ciclo escolar. Los archivos fueron posteriormente unidos en una sola tabla con 24,595,951 mediciones de alumnos de primaria para todo el país en los años anteriormente mencionados.

3.2.2. Datos geográficos de las tiendas de conveniencia

Se obtuvieron los datos para la ubicación de las tiendas de conveniencia a partir del DENUE en el sitio web del INEGI en formato SHP. Las tiendas de conveniencia de interés para el presente trabajo fueron identificadas utilizando el código de actividad “462112” de la taxonomía propuesta por el Sistema de Clasificación Industrial de América del Norte 2018, correspondiente a “Comercio al por menor en minisúper”, mismos que se definen como:

“Unidades económicas (minisúper) dedicadas principalmente al comercio al por menor de alimentos, bebidas y productos de primera necesidad para los hogares y personas, organizados en secciones o pequeñas áreas de exhibición especializadas que facilitan el acceso directo del público a las mercancías” (INEGI, 2018) clave 462112, posteriormente se acotó mediante consultas a la tabla de atributos a aquellas con las cadenas de caracteres

“OXXO” o “SEVEN ELEVEN” en su nombre de establecimiento o razón social

3.3.PASOS METODOLÓGICOS

En el presente trabajo, de manera general se pretendió relacionar las estadísticas de SP+Ob provenientes del Registro Nacional de Peso y Talla (RNPT) con los datos geográficos de las tiendas de conveniencia provenientes del Directorio Nacional de Unidades Económicas (DNUE). El eje principal fue el trabajo en QGIS para conjuntar y preparar los datos, así como realizar las operaciones espaciales; como softwares auxiliares se utilizaron SPSS para poder realizar estadística descriptiva y tablas de contingencia de los datos y también ArcGIS Desktop para llevar a cabo los análisis de estadística espacial. A continuación (Figura 14), se presenta el flujograma general de los procesos, mismos que se detallarán en el transcurso del presente capítulo.

Archivos en Formato *.shp del Directorio Nacional de Unidades Económicas.

Conversión a Geolpaquete y reproyección a WGS84 tilizando QGIS

Filtrado de atributos por cadena de Razón Social para obtener únicamente lasdos cadenas comercialesrequeridas

Conjunto final de tiendas seleccionadas localizadas en las zonas metropolitanas

Filtrado por Código de Actividad utilizando script dePython

Polígonos de zonas urbanas correspondientes a zonas metropolitanas

Datos antropométricos del Registro Nacional de Peso y Talla 20152018

Análisis desuperposición delos puntos de las tiendasde conveniencias en los polígonos de las áreas urbanas correspondientesa las zonasmetropolitanas

Datos de ubicación de los planteles educativos del SIGEED 2020

Agregado defrecuencias y prevalencias de SP/Ob por plantel esducativo

Selección deescuelascon másde 40 alumnosy eliminación de escuelas comunitarias y de educación especial

Selección de6 conjuntos deescuelas pertenecientes atres regiones delpaís(3 transversales y 3 longitudinales)

Análisis de superposición en Python-QGIS

Polígonos de zonas urbanas correspondientes a zonas metropolitanas

Conjunto final de escuelas en las zonas metropolitanas

Figura 14.1 Flujograma general de los procesos del presente estudio (PARTE 1)

CONTINUA... CONTINUA...

Conjunto final de Tiendas de Conveniencia seleccionadas localizadas en las zonas metropolitanas

Conjunto final de escuelas seleccionadas localizadas en las zonas metropolitanas

Capa puntos TIENDAS DE CONVENIENCIA

Capa puntos ESCUELAS

QGIS Conversión a SHP

QGIS Cálculo de la distancia a la tienda más cercana, Algoritmo: Distance to nearest hubs

QGIS Determinación del número de escuelas en un perímetro de 400 y 800 m Algoritmo Count points in polygon

SPSS Calculo de cuartiles, tablas de contingencias y estadística descriptiva

QGIS Creación de Buffers deEquidistancia 400 y 800 metros Algoritmo: Equidistance buffer

Capa depuntos deEscuelas con datos de distancia a la escuela más cercana y número detiendas en la periferia

QGIS Conversión a Tablas dedatos (CSV)

QGIS Agrupación de los datos de los puntos deescuelas en polígonos, algoritmo Join attributes by Location (Summary)

Capa de polígonos AGEBS

URBANOS

Capa de polígonos de AGEBS con los agregados delos datos de escuelas

QGIS Creación de Raster Heatmap con la densidad delas tiendas deconveniencia. Algoritmo: Kernel Density Estimation

Capa polígonos ZONAS METROPOLITA NAS

QGIS Conversión a SHP

ARCGIS 2.9 Regresión Geográficamente Ponderada Algoritmo: Geographically Weighted Rrgression (GWR)

Figura 14.2 Flujograma general de los procesos del presente estudio (PARTE 2)

CONTINUA... CONTINUA... CONTINUA... CONTINUA... CONTINUA...

Capa de polígonos de AGEBS con los agregadosdelos datosde escuelas

QGIS Creación de Raster Heatmap con ladensidad delastiendas deconveniencia. Algoritmo: Kernel Density Estimation

Capa polígonos ZONAS METROPOLITA NAS

ARCGIS 2.9 Análisisde autocorrelación espacial del sobrepeso y obesidad Algoritmo: Spatial Autocorrelation (Global Moran s I)

ARCGIS 2.9

Análisis dePuntos Calientes

Algoritmo: Hot Spot Analysis (Getis-Ord Gi*)

RESULTADO

Reportes, tabla de resultados, I de Moran s, Contribuyea responder laPregunta de investigación número 1

Capa polígonos AGEBS URBANOS con el valor y significancia del análisis de Hotspots

RESULTADO:

Mapas, de puntos calientes ydensidad responde lapregunta de investigación: número 2

SPSS Calculo de cuartiles, tablasde contingencias y estadística descriptiva

QGIS Conversión a SHP

Raster, densidad de Kernel de las tiendas

ARCGIS 2.9 Regresión Geográficamente Ponderada Algoritmo: Geographically Weighted Rrgression (GWR)

QGIS Restricción del l raster al área metropolitana. Algoritmo: Clip raster by mask layer

RESULTADO:

Tablas decontingenciay descriptivos Contribuyea responder lapreguntasde investigación número 1

RESULTADO:

Resultados del modelo, tablade residuales, capa de puntos deescuelas con losdatosobtenidosde laregresión, histogramas ygráficosde dispersión de puntos. Ayuda aresponder a la pregunta de investigación número 3

Figura 14.3 Flujograma general de los procesos del presente estudio (PARTE 3)

Para responder a la primera pregunta de investigación del presente trabajo: “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” Se utilizó en primer término la determinación de la autocorrelación espacial mediante el índice de I de Moran para establecer si el problema del sobrepeso y la obesidad a priori obedecen a algún patrón general dentro de las zonas metropolitanas del estudio. Posteriormente se realizó el cálculo del estadístico Gi* de Getis-Ord para la detección de puntos “calientes” y “fríos” dentro de las zonas metropolitanas. Ambos procesos fueron repetidos con los conjuntos de datos de 2015-16 y 2018-19 para evaluar el comportamiento longitudinal de la información

Para dar respuesta a la segunda pregunta “¿Cuál es la distribución espacial de las tiendas de conveniencia en las seis zonas metropolitanas seleccionadas y cómo se comportó la distribución de dichas tiendas entre los años 2015 y 2018?” se utilizó una densidad de kernel ya que lo que se pretende evaluar es únicamente la cantidad de tiendas en una determinada área, de nueva cuenta esto se repitió en los dos períodos de tiempo para evaluar el comportamiento longitudinal.

Finalmente para responder a la pregunta “¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?” se conjuntaron en una representación cartográfica las metodologías descritas anteriormente (hotspots y densidad de kernel) para identificar patrones del comportamiento del sobrepeso y obesidad con respecto a la densidad de tiendas. Para poder encontrar la significancia estadística de lo recién mencionado se recurrió a la regresión geográficamente ponderada (GWR) para poder correlacionar la variable de respuesta de sobrepeso y obesidad con algunas variables geográficas explicativas como distancia lineal a la tienda más cercana o número de tiendas en un buffer y de este modo calibrar por el componente espacial.

3.3.1. Tratamiento de los datos de sobrepeso y obesidad.

Una vez con el conjunto de datos del Registro Nacional de Peso y Talla (Ver 3.2.1 más atrás) se procedió a unir dicha información con las coordenadas de latitud y longitud de las escuelas a partir del Sistema de Información y Gestión Educativa de la Secretaría de Educación Pública (SIGEED) (SEP, 2020). Posteriormente se realizaron frecuencias simples de los individuos para poder tener tanto las enes como las prevalencias de sobrepeso y obesidad a nivel del plantel educativo. Como criterios de limpieza para evitar sesgos se llevó al cabo la eliminación de aquellas escuelas con menos de 40 menores para evitar efectos de ene pequeña (Lenth, 2001), se dieron de baja también los cursos comunitarios debido a que no corresponden a escuelas comunes a donde los niños asisten, así como aquellas escuelas cuyas coordenadas no pudieron obtenerse del SIGEED ni geo codificarse utilizando su dirección mediante la API de Google Maps (Google, 2020) también fueron excluidas del estudio.

En paralelo también se obtuvo el catálogo de zonas metropolitanas de México en donde se definen los municipios que componen las 74 zonas metropolitanas del país (SEDATU, 2018) Una vez con ambas tablas conformadas se identificaron las escuelas de las diferentes zonas metropolitanas y se realizaron frecuencias simples de los individuos y las escuelas seleccionando aquellas con las mayores enes para las regiones Norte, Centro y Sur del país. Lo anterior se llevó al cabo en dos conjuntos principales: el primero un conjunto lo más reciente posible y con una ene grande para el análisis transversal y el segundo un conjunto de las mismas zonas, pero con seguimiento longitudinal es decir datos disponibles para los mismos planteles escolares en el ciclo 2015-16 y en el 2018. Todo lo anterior fue realizado utilizando el software SPSS Versión 25.0 (IBM Corp, 2017)

Una vez con el conjunto de datos previamente descrito consolidado como un geopaquete, se procedió a filtrar las escuelas para conservar únicamente aquellas que se superpusieran a los polígonos de las localidades urbanas pertenecientes a los municipios de las áreas metropolitanas definidas mediante la delimitación de las zonas metropolitanas de México 2015 (SEDATU, 2018), para esto se utilizaron scripts de Python en QGIS (QGIS Development Team, 2020) con el algoritmo Join attributes by Location utilizando como input layer de

puntos “escuelas de las seis zonas metropolitanas”, el parámetro within y como input layer de polígonos “Polígonos de zonas metropolitanas”, en la Figura 15 se muestra el proceso anteriormente descrito en un flujograma.

Datos antropométricos del Registro Nacional de Peso y Talla 20152018

Datos de ubicación de los planteles educativos del SIGEED 2020

Agregado de frecuencias y prevalencias de SP/Ob por plantel esducativo

Selección de escuelas con más de 40 alumnos y eliminación de escuelas comunitarias y de educación especial

Selección de 6 conjuntos de escuelas pertenecientes a tres regiones del país (3 transversales y 3 longitudinales)

Joinattributesbylocation Análisis de superposición en Python-QGIS

Conjunto final de escuelas seleccionadas localizadas en las zonas metropolitanas

Polígonos de zonas urbanas correspondientes a zonas metropolitanas

3.3.2. Tratamiento de los datos de tiendas de conveniencia.

Se obtuvieron los datos a partir de los conjuntos de datos del Directorio Nacional de Unidades económicas (DENUE), se seleccionaron dos cadenas comerciales: la primer cadena de tiendas se trató de OXXO (Cadena Comercial OXXO, S.A. de C.V.), propiedad de la empresa Fomento Económico Mexicano (FEMSA), fundada 1890 es la responsable en México de embotellar el refresco Coca Cola, jugos Del Valle así como la distribución de las cervezas producidas por una de las dos principales cerveceras de México: CuauhtémocMoctezuma, propiedad el gigante internacional holandés Heineken (Ugarte, 2013). La otra cadena que se incluida en el presente estudio es 7-Eleven México, fundada en 1976 en la ciudad de Monterrey, a partir de la unión de la trasnacional estadounidense 7-Eleven Inc.

INPUT LAYER

POINTS

POLYGONS

Figura 15 Flujograma del proceso de preparación del conjunto de datos espaciales de las escuelas

y la empresa mexicana Iconn, comparativamente con OXXO se trata de una cadena más pequeña que tiene presencia en 12 de las 32 entidades de México (7-Eleven Mexico, 2020). Para el año 2009 la cadena contaba con 1,177 tiendas de conveniencia en México. Cifra que se elevó a 1,835 para 2019 (Zona Logística, 2012). A pesar de que para 2013 7-Eleven controlaba sólo un 11% del mercado mexicano de tiendas de conveniencia, esta cadena de tiendas cuenta con alrededor de 60 mil tiendas a nivel mundial.

Al utilizar los datos de 7-Eleven y OXXO se cubre el 94% de las tiendas de conveniencia de México, también se confirma que ambas cadenas han tenido un crecimiento importante en un período de tiempo coincidente con el período del incremento del sobrepeso y la obesidad en México y con el aumento de consumo de alimentos ultra procesados

Para el procesamiento de datos, los archivos en formato shp fueron descargados, convertidos a un geopaquete y reproyectados a WGS84 utilizando el software QGIS (QGIS Development Team, 2020), posteriormente utilizando un script de Python con el algoritmo selectbyexpression sobre el atributo de la razón social (OXXO o 7-Eleven) se extrajeron a un geopaquete los puntos correspondientes a las dos cadenas de tiendas anteriormente mencionadas. Posteriormente y usando de nueva cuenta el software QGIS se llevó a cabo un análisis de superposición mediante el algoritmo Joinattributesbylocation utilizando como input layer de puntos “tiendas de las seis zonas metropolitanas”, el parámetro within y como input layer de polígonos “Polígonos de zonas metropolitanas”, un diagrama general de este proceso puede verse en la Figura 16

Archivos en Formato *.shp del Directorio Nacional de Unidades Económicas.

Conversión a Geolpaquete y reproyección a WGS84 tilizando QGIS

Selectbyexpression Filtrado de atributos por cadena de Razón Social para obtener únicamente las dos cadenas comerciales requeridas

Selectbyexpression Filtrado por Código de Actividad utilizando script dePython

Joinattributesbylocation Análisis de superposición delos puntos de las tiendas de conveniencias en los polígonos de las áreas urbanas correspondientes a las zonas metropolitanas

Polígonos de zonas urbanas correspondientes a zonas metropolitanas

Conjunto final de escuelas seleccionadas localizadas en las zonas metropolitanas

Figura 16 Flujograma de los procesos realizados para la creación del conjunto de datos espaciales de tiendas de conveniencia

Como resultado del proceso anterior se obtuvieron las tiendas que se resumen en la Tabla 2

Tabla 2 Número y cadena comercial de las tiendas de conveniencia incluidas en el estudio, por año y zona metropolitana.

INPUT LAYER POINTS INPUT LAYER POLYGONS

AÑO 2015 2016 2018 NÚMERO DE TIENDAS OXXO 7-EVEVEN OXXO 7-EVEVEN OXXO 7-EVEVEN TIJUANA 412 71 480 82 625 80 LEÓN 139 0 212 0 280 0 MONTERREY 829 586 960 690 1311 702 SAN LUIS POTOSÍ 170 0 183 0 233 0 VILLAHERMOSA 91 0 100 0 120 0 VERACRUZ 161 0 178 0 264 0 Total 1802 657 2113 772 2833 782

3.3.3. Distancia de las escuelas a las tiendas y número de tiendas en regiones buffer, estadística descriptiva.

El análisis fue mayoritariamente desarrollado en QGIS mediante el editor de scripts de Python. Para cada zona metropolitana el primer paso consistió en calcular las distancias euclidianas de cada una de las escuelas hacia la tienda de conveniencia más cercana mediante la herramienta de QGIS Distance to nearest hub definiendo como input layer la “Capa de puntos de Escuelas” y como la capa de hubs la “Capa de puntos de tiendas de conveniencia” obteniendo el identificador de la tienda más cercana así como la distancia en metros a cada una de ellas, la variable continua fue categorizada en cuartiles para poder emplearla como categórica, esto se realizó para evaluar la cercanía de cada una de las escuelas a las tiendas es decir la cercanía de la exposición a los alimentos no recomendados. Posteriormente se procedió a generar buffers de 400 y 800 metros alrededor de las escuelas Utilizando la herramienta Equidistance buffer y definiendo como input layer la “Capa de puntos de Escuelas”, es importante mencionar que, debido a que los datos se encontraban proyectados en el sistema global WGS 84, se utilizó el plugin de buffer de equidistancia (Gandhi., 2019) el cual realiza buffers geodésicos utilizando una proyección azimutal equidistante para medir la distancia y re proyectando los datos de vuelta generando datos geográficamente precisos que no se ven afectados por las proyecciones locales (Drew, 2011) Posteriormente utilizando el algoritmo Count points in polygon se determinó el número de tiendas en cada uno de los buffers Las capas de datos mencionadas, fueron convertidas a tablas de datos (archivos csv) y se realizaron tablas de contingencia de los cuartiles de prevalencia de sobrepeso más obesidad contra las variables anteriormente mencionadas, así como también análisis descriptivos de los datos continuos (distancia) contra los cuartiles de sobrepeso y obesidad. Los datos fueron consolidados para las seis zonas metropolitanas, todo lo descrito anteriormente se llevó al cabo utilizando el software SPSS v 25.0 (IBM Corp, 2017). El flujograma de los procesos anteriormente descritos puede visualizarse en la Figura 17

Conjunto final de escuelas seleccionadas localizadas en las zonas metropolitanas

Capa puntos TIENDAS DE CONVENIENCIA

Conjunto final de Tiendas de Conveniencia seleccionadas localizadas en las zonas metropolitanas

QGIS Cálculo de la distancia a la tienda máscercana, Algoritmo: Distance to nearest hubs

Capa depuntos de Escuelas con datos de distancia a la tienda máscercana y número detiendas en un radio de400 y 800m

SPSS Calculo de cuartiles, tablasde contingencias y estadística descriptiva

Capa puntos ESCUELAS

QGIS Creación de Buffers deEquidistancia 400 y 800 metros Algoritmo: Equidistance buffer

QGIS Determinación del número de tiendas en un perímetro de 400 y 800 m Algoritmo Count points in polygon

QGIS Conversión a Tablas dedatos (CSV)

RESULTADO:

Tablas de contingencia y descriptivos

Figura 17 Flujograma del procesamiento de la distancia de las escuelas a las tiendas y número de tiendas en regiones buffer, estadística descriptiva

Esta parte de la metodología, generó archivos de datos y reportes estadísticos que contribuyeron a responder las preguntas de investigación: “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?”. Adicionalmente, debido a que se realiza para los dos períodos de tiempo y analiza la cercanía de las tiendas a las escuelas, así como la cantidad de las mismas, puede aportar información para responder la pregunta: “¿Cuál es la distribución espacial de las tiendas de conveniencia en las seis zonas metropolitanas seleccionadas? ¿Cómo se comportó la distribución de dichas tiendas entre los años 2015 y 2018?”

HUBS INPUT LAYER INPUT LAYER Capa Polígonos Buffers 400 Y 800m POLYGON LAYER POINT LAYER

3.3.4. Análisis de autocorrelación espacial, I de Moran

Con el fin de establecer la existencia y el tipo de autocorrelación espacial de las prevalencias de sobrepeso y obesidad se llevó al cabo un análisis estadístico de I de Moran global, para lo anterior se utilizó la capa de datos “Capa puntos escuelas” y el atributo de la prevalencia de sobrepeso más obesidad. El primer paso consistió en la conversión en QGIS a un archivo

SHP de la capa de puntos de las escuelas de las zonas metropolitanas con la prevalencia.

Posteriormente los datos fueron procesados utilizando ArcGIS Desktop v2.9 (Environmental Systems Research Institute, 2022a) y la herramienta Spatial Autoccorrelation (Global Moran I) utilizando como campo de entrada la prevalencia de sobrepeso y obesidad, se empleó el inverso del cuadrado de la distancia euclidiana como la relación espacial y se usó el valor por defecto para la distancia de vecindad. Se seleccionó el método del inverso del cuadrado de la distancia ya que es el recomendado para datos continuos (como lo son las prevalencias) y restringe las zonas de influencia a los vecinos más próximos (Environmental Systems Research Institute, 2022c). Este proceso se llevó a cabo para cada una de las seis áreas metropolitanas y para cada uno de los dos períodos de tiempo en el caso de las zonas de estudio de datos longitudinales generándose un reporte con el índice de Moran, la varianza, puntuación Z, valor de significancia estadística

(p) e interpretación del índice (disperso, agrupado o aleatorio). Todos los datos se condensaron en una tabla de resultados para poder comparar en las diferentes zonas metropolitanas y en los periodos temporales. El flujograma correspondiente a los pasos descritos puede verse en la Figura 18

QGIS Conversión a SHP savefeatures

INPUT FIELD: Sobrepeso más

Método

RESULTADO

Reportes, tabla de resultados, I de Moran s

Figura 18 Flujograma del Análisis de autocorrelación espacial, I de Moran

puntos ESCUELAS

Conjunto finalde escuelas seleccionadas localizadas en las zonas metropolitanas

Capa

ARCGIS 2.9 Análisisde autocorrelación espacial del sobrepeso y obesidad Algoritmo: Spatial Autocorrelation (Global Moran s I) obesidad de distancia: IDW

Este paso metodológico contribuye a responder la primera pregunta de investigación: “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” ya que resulta importante saber si los datos de nuestra variable de interés (SP+Ob) siguen algún tipo de autocorrelación espacial (positiva o negativa) o bien se distribuyen al azar. Al realizarse esto en los períodos 2015 y 2018 para cada zona metropolitana ayuda también a observar si existe algún tipo de cambio y también permite contrastar el comportamiento de los datos en las tres regiones de México.

3.3.5. Análisis de puntos calientes Gi* de Getis-Ord para sobrepeso y obesidad y heatmaps de tiendas de conveniencia.

Con el objeto de localizar zonas de escuelas con valores altos o bajos estadísticamente significativos de sobrepeso y obesidad se realizó un análisis de Puntos Calientes Gi de GetisOrd. El primer paso consistió en agrupar mediante un script de Python en QGIS los puntos correspondientes a las escuelas (y sus atributos como el número de menores con sobrepeso y obesidad) en polígonos usando la capa vectorial de AGEBS al interior de las zonas metropolitanas. Una AGEB de acuerdo con el INEGI es un conjunto de 1 a 50 manzanas bien delimitado por calles asignado a localidades urbanas (INEGI., 2010) dicha área es la mínima entidad sobre la cual se publican los indicadores censales. Para este paso se empleó el algoritmo Join attributes by Location (Summary) se utilizó como capa de polígonos “Capa de AGEBS urbanos del INEGI” y como capa de puntos “Capa puntos escuelas” la agregación de datos se hizo sumando los campos correspondientes a los menores y a su sestado de nutrición (sobrepeso y obesidad); el siguiente paso consistió en exportar la capa de AGEBS con la agrupación de los puntos correspondientes a las escuelas a un archivo SHP mediante el algoritmo savefeatueres. Posteriormente se procesó en ArcGIS 2.9 mediante la herramienta de geoprocesamiento Hot Spot Analysis (Getis-Ord Gi*) utilizando como input field el valor de la prevalencia de sobrepeso más obesidad de cada polígono, se empleó el umbral de búsqueda de vecinos definido por defecto por el algoritmo y, una relación espacial definida como el inverso de la distancia euclidiana al cuadrado (Ver 3.3.4). Como resultado del proceso mencionado se obtuvo una capa de

polígonos de AGEBS con el valor de la puntuación Z y la significancia estadística (p-value), el número de vecinos utilizados en el proceso y una variable de recodificación indicando los puntos (calientes y fríos) con 90,95 y 99% de confianza. La capa resultante del proceso fue importada de vuelta a QGIS para la representación cartográfica.

Para poder realizar una adecuada representación cartográfica que mostrara los puntos calientes y fríos obtenidos a través del análisis de Getis-Ord Gi* en comparación con la densidad de tiendas de conveniencia en el área metropolitana se realizó un proceso paralelo en QGIS mediante la generación de una superficie raster a partir de los puntos de las tiendas de conveniencia utilizando un script de Python con la herramienta Kernel Density Estimation (heatmap-kernel-density-estimation) usando como Input layer “Capa puntos tiendas de conveniencia”, se definió un radio de 0.025 grados (unidades de mapa) y para la forma del kernel, se eligió la fórmula de Epanechnikov que es, junto con la distribución normal, la más utilizadas (García-Portugués, 2022), estando disponible la primera para el software QGIS. Esta herramienta permite crear superficies a partir de la densidad de puntos utilizando una función de kernel y efectos de atenuación. (Wand, 1994) los heatmaps utilizan bandas de color continuas que reflejan la densidad de la distribución de los puntos. A continuación se procedió a utilizar le herramienta de GDAL Clip raster by mask layer (cliprasterbymasklayer)(GDAL/OGR contributors, 2022) utilizando como Input Raster la superficie recién creada “Raster densidad de Kernel de las Escuelas” y como Input Layer “Capa polígonos Zonas Metropolitanas” para recortar el raster únicamente al polígono del área metropolitana correspondiente obteniéndose la capa “Raster densidad de Kernel de las tiendas recortada”. Una vez con la capa vectorial de los puntos calientes de sobrepeso y obesidad y el raster de la densidad de las tiendas se procedió a realizar la representación cartográfica de los datos, representando los puntos calientes y fríos del análisis de hotspots mediante centroides con simbología Rojo-Azul respectivamente para los valores con significancia estadística de sobrepeso y obesidad y para representar la densidad de las tiendas de conveniencia una representación de rampa pseudocolor de una sola banda invertida azul a rojo. Esto generó como resultado los mapas de puntos calientes y densidad, permitiendo contrastar los resultados del análisis de puntos con la densidad de las tiendas en mapas para todas las regiones y los años seleccionados. El flujograma correspondiente a este proceso puede verse en la Figura 19.

Conjunto finalde Tiendas de Conveniencia seleccionadas localizadas en las zonas metropolitanas

Capa puntos TIENDAS DE CONVENIENCIA

INPUT LAYER

Conjunto finalde escuelas seleccionadas localizadas en las zonas metropolitanas

Capa puntos ESCUELAS

QGIS Agrupación de los datosde lospuntos deescuelasen polígonos, algoritmo Join attributesby Location (Summary)

Capa de polígonos AGEBS

Capa polígonos

ZONAS METROPOLITANAS

INPUT LAYER

QGIS Creación de RasterHeatmap con ladensidad delastiendas deconveniencia. Algoritmo: Kernel Density Estimation FIELD:SP+Ob

Raster, densidad de Kernel de las tiendas

Capa de polígonos de AGEBS con los agregadosdelos datosde escuelas

QGIS Conversión a SHP Savefeatures

QGIS Restricción del l raster al área metropolitana. Algoritmo: Clip raster by mask layer

INPUT RASTER

Raster, densidad de Kernel de las tiendas RECORTADA SINGLE BAND PSEUDOCOLOR

Capa polígonos AGEBS URBANOS con el valor y significancia del análisis de Hotspots

RESULTADO: Mapas, de puntos calientes y densidad

CENTROIDES

ARCGIS 2.9

Análisis dePuntos Calientes

Algoritmo: Hot Spot Analysis (Getis-Ord Gi*)

Este paso metodológico, al contrastar los puntos calientes del sobrepeso y la obesidad contra la densidad de tiendas de conveniencia, está encaminado a responder la pregunta de investigación: “¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?” al hacer esto para las tres zonas metropolitanas con datos longitudinales intenta evaluar si existen diferencias temporales en dicha relación, en este caso la evaluación de los resultados se realizó mediante la representación cartográfica.

Figura 19 Flujograma del Análisis de puntos calientes Gi* de Getis-Ord para sobrepeso y obesidad y heatmaps de tiendas de conveniencia

URBANOS

INPUT LAYER POINTS INPUT LAYER POLYGONS

3.3.6. Análisis de regresión geográficamente ponderada (GWR).

Se realizó un análisis de regresión geográficamente ponderada utilizando la herramienta de geoprocesamiento Geographically Weighted Rrgression (GWR) de ArcGIS desktop 2.9 empleando como Input layer “Capa de puntos de Escuelas con datos de distancia a la escuela más cercana y número de tiendas en la periferia” (Ver el paso metodológico 3.3.3 más atrás). Se definió como variable dependiente la prevalencia de sobrepeso más obesidad y como variables explicativas la distancia euclidiana a la tienda más cercana y el número de tiendas de conveniencia en un radio de 400 metros, las variables explicativas representan en el caso de la tienda más cercana, la accesibilidad rápida a los comercios que expenden alimentos chatarra y en el caso del número de tiendas en el radio de 400 metros representa la densidad de dichos expendios, en otras palabras, la exposición de los alumnos de las escuela a un mayor número de puntos de venta de productos chatarra. Para el citado algoritmo se utilizó la información de vecindad definida por el número de vecinos utilizando el método de selección Golden Search, que es un proceso iterativo que se comporta de buena manera al minimizar el Criterio de Información de Akaike (AIC) para la selección del ancho de banda y obteniendo mejores resultados (Fotheringham, Brunsdon, & Charlton, 2002)

Se ejecutaron las regresiones con las capas de las tres zonas metropolitanas y los dos períodos de tiempo en el caso de las longitudinales. Se obtuvieron los siguientes productos: tabla de procesamiento de número de vecinos vs AIC (Golden search), descripción de las variables utilizadas, R2 y R2 ajustada, así como los grados de libertad; también se obtuvo una capa con los residuales tanto crudos como estandarizados (puntuación Z), histogramas de frecuencia de las variables y gráficas de dispersión de la variable dependiente contra las dos variables independientes. Finalmente se obtuvo una capa de puntos de escuelas con los resultados del análisis entre cuyos datos están los residuales para evaluar la robustez de los modelos en cada punto. El flujograma correspondiente a este paso metodológico puede verse en la Figura 20

QGIS Conversión a SHP savefeatures

ARCGIS 2.9 Regresión

Geográficamente Ponderada

Algoritmo:

Geographically

Weighted Rrgression (GWR)

RESULTADO:

Resultados del modelo, tabla de residuales, capa de puntos de escuelas con los datos obtenidos de la regresión, histogramas y gráficos de dispersión de puntos.

Este paso metodológico -al igual que el anterior- pretende responder a la pregunta de investigación: “¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?”, sin embargo, a diferencia del paso previo, éste busca evaluar la significancia estadística de dichas relaciones mediante el análisis de regresión para poder determinar si en efecto existe una relación entre las tiendas y el sobrepeso y obesidad de las escuelas de las zonas metropolitanas seleccionadas o bien los posibles patrones encontrados se deben únicamente al azar.

Figura 20 Flujograma del análisis de regresión geográficamente ponderada Capa depuntos deEscuelascon datosde distancia a laescuelamás cercanay número detiendas en la periferia

INPUT LAYER

4. RESULTADOS Y DISCUSIÓN

4.1.IDENTIFICACIÓN DEL PATRÓN ESPACIAL Y TEMPORAL DE LA PREVALENCIA DE SOBREPESO Y OBESIDAD EN LAS ESCUELAS PRIMARIAS DE LAS SIGUIENTES ZONAS METROPOLITANAS SELECCIONADAS ENTRE 2015 Y 2018: TIJUANA, MONTEREY, SAN LUIS POTOSÍ, LEÓN, VERACRUZ Y VILLAHERMOSA.

4.1.1. Distribución en cuartiles del sobrepeso y obesidad en las zonas metropolitanas y años del estudio

En la Tabla 3 puede verse la construcción de los cuartiles a nivel de escuela para la prevalencia de SP+Ob en cada zona metropolitana y año; dichos cuartiles fueron utilizados para todas las categorizaciones de los análisis de estadística descriptiva del presente trabajo. Esta tabla describe la magnitud y distribución del SP+Ob en las diferentes zonas y años lo cual es la variable de interés de este estudio.

Tabla 3 Distribución y máximos /mínimos de los cuartiles del SP+Ob en las escuelas para las seis zonas metropolitanas y los dos períodos de estudio.

De acuerdo con los datos de la Tabla 3 puede verse que todas las zonas metropolitanas, con excepción de San Luis Potosí, presentan una distribución en cuartiles muy similar, mostrando una mediana (cota máxima del cuartil II) de alrededor del 40%, lo cual es consistente con lo reportado para población de zonas urbanas de México (Shamah-Levy T & Santaella-Castell JA, 2020). Con respecto al comportamiento longitudinal de los datos puede verse una cierta estabilidad en la distribución de los cuartiles manteniéndose alrededor del 45% de SP+Ob el límite inferior del cuartil IV (escuelas con las mayores

Total ZonaMetropolitana Año n %Min %Max n %Min %Max n %Min %Max n %Min %Max n TIJUANA 2018 131 0.0 35.4 131 35.4 40.3 132 40.4 46.0 131 46.1 71.4 525 LEON 2018 134 4.9 22.1 135 22.2 27.0 135 27.1 33.5 134 33.6 73.6 538 VERACRUZ 2018 84 20.4 38.7 84 38.8 43.2 84 43.2 49.4 84 49.5 89.0 336 2015 388 12.8 33.5 388 33.5 38.8 387 38.8 43.7 389 43.8 96.9 1552 2018 388 10.8 33.5 388 33.5 39.0 388 39.1 45.0 388 45.0 100.0 1552 2015 79 13.0 33.5 79 33.5 38.9 80 39.0 44.7 79 44.7 96.6 317 2018 79 9.2 31.2 79 31.3 37.9 79 37.9 43.4 80 43.5 94.0 317 2016 50 24.6 37.8 50 37.9 43.8 51 43.8 48.2 50 48.4 98.7 201 2018 50 8.7 35.4 50 35.6 40.3 51 40.3 45.2 50 45.3 80.3 201 MONTERREY SAN LUIS POTOSÍ VILLAHERMOSA Cuartiles de SP+Ob I II III IV

prevalencias), esto nos habla de que, en ese corto periodo de tres años,si bien hay cambios, los mismos no son de gran magnitud en lo que a la distribución de SP+Ob se refiere.

4.1.2. Análisis de autocorrelación espacial del sobrepeso y obesidad en las zonas metropolitanas y años del estudio

En la Tabla 4 se muestran los resultados del análisis de I de Moran para la prevalencia de SP+Ob en las escuelas de las zonas metropolitanas y los años de este estudio, se incluye también la puntuación Z, significancia estadística tipo de autocorrelación espacial detectada y una breve interpretación.

Lavariable estácasi enel límite de lasignificancia estadísticaparamostrarunaautocorrelaciónpositiva , sinembargonose tiene al menosun90% de probabilidadde que dichopatronnose debaal azar.

Existe un14% de probabilidadde que dichopatronse debaal azarporloque nose puede hablarde una autocorrelaciónespacial

Lavariable estácasi enel límite de lasignificancia estadísticaparamostrarunaautocorrelaciónpositiva , sinembargonose tiene al menosun90% de probabilidadde que dichopatronnose debaal azar.

Existe un74% de probabilidadde que dichopatronse debaal azarporloque nose puede hablarde una autocorrelaciónespacial

Lavariable se distribuye enclusters, debidoalaptan pequeñaesimposible que dichopatrónse debaal azar

Existe un40% de probabilidadde que dichopatronse debaal azarporloque nose puede hablarde una autocorrelaciónespacial

Para entender el comportamiento espacial de los datos de SP+Ob por sí mismos, es decir sin la influencia de las tiendas, se llevó al cabo un análisis de autocorrelación espacial de I de Moran para todas las zonas metropolitanas y años de estudio, con el objetivo de determinar si se trata de datos agrupados, dispersos o bien distribuidos de manera aleatoria obteniéndose los siguientes resultados (Ver Tabla 4 ) : en Tijuana (Norte Transversal) y León (Centro Transversal) la autocorrelación fue positiva con una certeza del 95 y 99% respectivamente, mientras que para Veracruz (Sur Transversal) los datos fueron

Tabla 4 Cálculo del coeficiente I de Moran, puntuación Z, significancia estadística, tipo de autocorrelación e interpretación para las prevalencias de SP+Ob en las seis zonas de estudio y los dos períodos de estudio.

ZonaMetropolitana Año Ide Morans PuntuaciónZ Significancia Autocorrelación Encontrada Interpretación TIJUANA 2018 0.095429 2.309374 0.020923 Positiva Lavariable se distribuye en clusters conuna probablidad <5% de que dichopatrónse debaal azar LEON 2018 0.171485 3.758284 0.000171 Positiva Lavariable

distribuye

clusters

probablidad <1%

patrónse debaal azar VERACRUZ 2018 -0.016299 -0.245603 0.805989 Ninguna Existe aproximadamente un80% de probabilidadde que ladistribuciónde lavariable se debaal azar 2015 0.044798 1.648365 0.099278 Ninguna

conuna

de que dicho

2018 0.039868 1.468631 0.141933 Ninguna

2015 0.078412 1.619964 0.10524 Ninguna

2018 0.013243 0.325963 0.744452 Ninguna

2016 0.292949 4.480357 0.000007 Positiva

2018 0.030916 0.532158 0.594617 Ninguna

MONTERREY SAN LUISPOTOSÍ VILLAHERMOSA

robustamente categorizados como aleatorios (aproximadamente 80%). Un aspecto importante, observado en el análisis de los datos longitudinales fue que en Monterrey (Norte Longitudinal) a pesar de que no se obtuvo significancia para la autocorrelación positiva (clusters) en el año 2015, la significancia es muy cercana al 90% y para 2018 ya muestra un 85% de dicha significancia. Esta tendencia pareciera hacer pensar que el fenómeno del SP+Ob en las escuelas de Monterrey está transitando a través del tiempo de una autocorrelación positiva a una distribución aleatoria; probablemente expandiéndose hacia el exterior de regiones en donde anteriormente se concentraba dicha problemática. Algo similar ocurre con San Luis Potosí (Centro Longitudinal) que en 2015 estaba al borde por décimas de la significancia para la autocorrelación positiva y tres años después en el 2018 ya se tiene un 74% de probabilidad de que dicho comportamiento se deba al azar, por lo que se perdió toda significancia. El caso de Villahermosa (Sur Longitudinal) mostró para 2016 la mayor de todas las significancias para la autocorrelación positiva y para 2018 no mostró correlación alguna, pero el cambio es tan abrupto en un período de dos años que tal vez exista algún problema con los datos que podría ser revisado en posteriores estudios. En esta parte de la discusión se responde a la pregunta de investigación: “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” y de manera resumida puede decirse que en las zonas metropolitanas de Tijuana y León se aprecia una autocorrelación espacial positiva; para Veracruz los datos se distribuyen de una manera completamente azarosa y en el caso de los datos longitudinales, en los tres casos pareciera existir un tránsito temporal de un patrón de clusters hacia uno aleatorio siendo en el sur (Villahermosa) demasiado abrupto. Es de destacar que no se encontró ninguna autocorrelación negativa, lo cual tiene sentido cuando se piensa en términos prácticos que la presencia de una escuela con altas prevalencias de SP+Ob no ocasiona que en su vecindad haya escuelas con menores prevalencias. El fenómeno del SP+Ob pareciese estar en clusters o bien difundirse espacialmente de manera aleatoria en las zonas metropolitanas estudiadas.

4.2.CARACTERIZACIÓN DE LA DISTRIBUCIÓN Y PROLIFERACIÓN ESPACIAL

Y TEMPORAL DE LAS TIENDAS DE CONVENIENCIA EN LAS ZONAS METROPOLITANAS SELECCIONADAS ENTRE LOS AÑOS 2015 Y 2018.

4.2.1. Número de tiendas en regiones buffer alrededor de los planteles escolares

En las tablas del Anexo 1 puede verse para todas las zonas metropolitanas y los años seleccionados, la tabla de contingencia del número de escuelas, categorizadas por el cuartil de SP+Ob contra el número de tiendas a su alrededor en radios de 400 y 800 metros, esta tabla permite ver cómo se comportan las prevalencias de SP+Ob con relación al número de tiendas en las regiones buffer.

Cuando se compara el número de escuelas en las regiones buffer de 400 y 800 metros contra el cuartil de sobrepeso y obesidad (Ver Anexo 1), se observan los siguientes resultados: en primer lugar, existe una tendencia que se repite para todas las zonas metropolitanas (con excepción de León) consistente en que en el cuartil I (escuelas con menor SP+Ob) el porcentaje más grande de escuelas no tienen ninguna tienda de conveniencia en un radio de 400 metros. Otro comportamiento de los datos en este mismo sentido muestra que, para las escuelas del cuartil IV, que son aquellas con mayor prevalencia de SP+Ob en las zonas de Tijuana, Veracruz, Villahermosa en el año 2018 al menos un 5% de las escuelas tienen 5 o más tiendas de conveniencia en un radio de 400 metros, es decir una gran exposición a alimentos no recomendables en un radio reducido. También se realizó un análisis utilizando un radio de 800 metros que corresponde en promedio a una caminata promedio de 15 minutos, es decir un lugar no tan cercano, pero a final de cuentas accesible; en dicha distancia se encontró un resultado importante: en todas las zonas metropolitanas para el año 2018 -con excepción de Villahermosa- más del 85% de las escuelas tienen al menos una tienda de conveniencia en el radio mencionado. En otras palabras: de toda la muestra de escuelas del presente trabajo más de 8 de cada 10 escuelas tienen al menos una tienda de conveniencia ofertando alimentos no recomendables en un radio de 15 minutos caminando. En cuanto al comportamiento longitudinal de los datos un resultado relevante se encontró para las tres zonas

metropolitanas: en el período de tiempo entre 2015 y 2018 aquellas escuelas con mayor prevalencia de SP+Ob (cuartil IV) aumentaron de manera considerable el porcentaje de escuelas con más de 5 tiendas de conveniencia en un radio de 400 metros. Los incrementos fueron los siguientes: Monterrey pasó de 4.1% a 8.5%, San Luis Potosí de 1.3% a 2.5% y Villahermosa pasó de 2% a 6%. Esto puede interpretarse de la siguiente manera: en el período 2015 a 2018 para las tres zonas metropolitanas del estudio longitudinal, en las escuelas con mayor SP+Ob se duplicó y en Villahermosa se triplicó el porcentaje de escuelas con 5 o más tiendas de conveniencia en un radio de 400 metros. A partir del análisis de buffers puede desprenderse que los resultados obtenidos de este análisis espacial, son los planteados en la hipótesis (Ver página 15) es decir que efectivamente un mayor número de tiendas en la cercanía de las escuelas (densidad), se traduce en incrementos en las prevalencias de SP+Ob.

4.2.2. Análisis de distancia hacia la tienda más cercana al plantel escolar

En la Tabla 5 puede verse el promedio, desviación estándar, máximo y mínimo en metros de distancia a la tienda más cercana para las escuelas de las zonas metropolitanas y años seleccionados, divididas por cuartil de SP+Ob. Esta tabla permite visualizar para las zonas y períodos de tiempo de estudio ¿de qué manera se comporta el SP+Ob en relación a la distancia promedio hasta la tienda de conveniencia más cercana?

Tabla 5 Ene, promedio, desviación estándar, máximo y mínimo de la distancia promedio entre la escuela y tienda de conveniencia más cercana, para las seis zonas metropolitanas y los dos períodos de estudio.

ZONA METROPOLITANA AÑO n Media D.E Min Max n Media D.E Min Max n Media D.E Min Max n Media D.E Min Max TIJUANA 2018 131 462.9 409.1 28 2,399 131 382.6 313.2 28 2,090 132 350.8 250.1 41 1,408 131 322.2 238.7 31 1,826 LEON 2018 134 731.9 1305.9 11 9726 135 571.1 1040.1 11 8747 135 424.7 438.3 11 4532 134 554.1 1202.5 11 8969 VERACRUZ 2018 84 491.7 822.5 37 6536 84 451.7 1238.2 35 11302 84 623.8 1830.9 6 11283 84 259.7 175.3 11 918 MONTERREY 2015 388 550.6 694.9 11 6172 388 494.6 600.9 11 6335 387 495.1 765.9 23 6742 389 385.9 376.7 24 5269 2018 388 427.6 577.9 14 5456 388 324 211.4 19 2212 388 347.3 542.1 15 5986 388 330.8 421 19 5474 SAN LUIS POTOSÍ 2015 79 1229.5 2625.4 6 13267 79 608.4 772.1 50 5254 80 441.8 461.5 60 4044 79 641.4 1519.8 12 13208 2018 79 764.6 1327 46 10610 79 724.7 1708.5 28 10936 79 548 1227.7 52 10967 80 387.4 586.9 7 5254 VILLAHERMOSA 2016 50 1179.4 1925.7 79 11470 50 1792.9 3353.4 60 11834 51 725.7 1280.3 60 8703 50 635.7 1352.1 44 8933 2017 50 1609.1 3001.8 60 11822 50 1203.7 2471 51 11832 51 752.3 1692.4 44 11822 50 659.1 1323.3 32 8931 I II III IV

CUARTIL DE SP+Ob

La Tabla 5 muestra para todos los casos una tendencia importante: en aquellas escuelas con mayor sobrepeso y obesidad (Cuartiles III y IV) la distancia hacia la tienda de conveniencia es siempre menor con respecto a aquellas con prevalencias más bajas de SP+Ob. Otro hallazgo interesante que sucede en varias de las zonas metropolitanas de estudio longitudinal, pero particularmente de Monterrey, es que para el período 20152018 la distancia promedio para todos los cuartiles la distancia disminuye, al tratarse de un panel de escuelas en inmuebles fijos, esto es atribuible a la apertura de nuevas tiendas que han “acercado” la oferta de alimentos no recomendados a las escuelas, un ejemplo de lo anterior son los 400 metros en promedio de “acercamiento” para las escuelas del cuartil II de Monterrey en el período de tiempo mencionado. Esto es consistente con lo mencionado en la justificación acerca del acelerado crecimiento del número de tiendas de conveniencia. (Ver 1.6).

En las gráficas del Anexo 2 puede verse de manera gráfica la tendencia, expresada anteriormente en la Tabla 5 para las tres zonas de estudio transversal (a,b,c),así como para las tres zonas de estudio longitudinal (d,e,f), los gráficos permiten una mejor visualización de las tendencias de la distancia a medida que se incrementa el cuartil de SP+Ob, asimismo permite comparar mediante la inclusión de las dos series, los datos de las zonas longitudinales para los dos años de estudio.

Las gráficas del Anexo 2 muestran para todos los casos puede verse que las líneas que representan la distancia promedio en el eje de las “y” tienden a descender a medida que se incrementa el cuartil (mayor SP+Ob). Con excepción de León y San Luis Potosí año 2015 es el cuartil IV en todos los casos el que cuenta con una menor distancia promedio a la tienda más cercana. En la misma figura, pero en las zonas longitudinales, podemos ver que, en todos los casos, pero sobre todo en Monterrey la línea correspondiente a 2018 está por debajo de la de 2015 lo que nos habla del “acercamiento” de las tiendas para todos los cuartiles entre 2015-2018. Lo anterior representa una más accesible disponibilidad de alimentos no recomendados.

En las Figura 21 puede verse, para las áreas transversales (1) y longitudinales (2 y 3) respectivamente, la representación mediante gráficas de dispersión el comportamiento de

la prevalencia de SP+Ob (eje de las Y) a medida que se incrementa la distancia a la tienda más cercana, así como una línea de tendencia calculade mediante un ajuste lineal, por zona metropolitana y año. Se muestra el estadístico R2 que, debido a la enorme dispersión y heterogeneidad de los datos, en ningún caso es significativo. Para la representación gráfica de la tendencia general y poder establecer una comparación visual, fueron excluidas de la representación gráfica aquellas escuelas cuya tienda más cercana se encontraba a más de 3 kilómetros.

Figura 21 Gráficas de dispersión, ajuste lineal y coeficiente de correlacíon de la prevalencia de SP+Ob vs la distancia a la tienda más cercana.

2015

Figura 21-2 Gráficas de dispersión, ajuste lineal y coeficiente de correlación de la prevalencia de SP+Ob vs la distancia a la tienda más cercana VILLAHERMOSA 2016 VILLAHERMOSA 2018

VILLAHERMOSA 2016 VILLAHERMOSA 2018

Figura 21-3 Gráficas de dispersión, ajuste lineal y coeficiente de correlación de la prevalencia de SP+Ob vs la distancia a la tienda más cercana

En las gráficas de la Figura 21 -1 se aprecia que en Tijuana (Norte Transversal) y León (Centro Transversal) y en menor medida Veracruz (Sur Transversal) el ajuste lineal de los puntos muestra una pendiente negativa, lo cual puede interpretarse como que, a medida que las escuelas están más alejadas de una tienda de conveniencia su prevalencia de SP+Ob disminuye en mayor o menor medida. Dicha tendencia se repite para las regiones longitudinales (Figura 21 2 y 3) sin diferencias claramente apreciables entre los años de estudio lo que habla de una tendencia sostenida y también de cierta estabilidad y robustez de los datos de las dos mediciones consecutivas.

Todos los resultados de esta sección -al comparar los cuartiles de SP+Ob y las distancias y densidades de tiendas mediante estadística descriptiva- contribuyen a responder dos de las preguntas de investigación:” ¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” y también la de “¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?”.

4.3.ESTABLECIMIENTO DE LA POSIBLE RELACIÓN ESPACIAL Y TEMPORAL DE LA UBICACIÓN Y DENSIDAD DE LAS TIENDAS DE CONVENIENCIA

SOBRE LAS PREVALENCIAS DE SOBREPESO Y OBESIDAD EN LAS

ESCUELAS PRIMARIAS DE LAS ZONAS METROPOLITANAS SELECCIONADAS ENTRE LOS AÑOS 2015 Y 2018.

4.3.1. Análisis Gi* de Getis-Ord del sobrepeso y obesidad en las escuelas de las zonas metropolitanas del estudio.

Como resultado del análisis Gi* de Getis-Ord se obtuvo la capa de polígonos de AGEBS con los puntos fríos y calientes para las significancias de 90%, 95% y 99%, el resultado del conteo de dichas capas para las zonas metropolitanas y años correspondientes pueden verse en la Tabla 6

Tabla 6 Número de puntos fríos y calientes con su grado de significancia encontrados mediante el método de Getis Ord-Gi*, para las seis zonas metropolitanas y los dos períodos del estudio.

La Tabla 6 muestra, el número de puntos calientes y fríos obtenidos mediante el análisis Gi* de Getis-Ord, se encontró que existen más puntos calientes que fríos (117 vs 89), esto significa que existen más lugares que destaquen entre sus vecinos por prevalencias más altas de SP+Ob. La región de Monterrey (Norte Longitudinal) pasó en 2015 de un número similar de puntos calientes y fríos (23 vs 25) a una relación 2:1 en 2018 (40 vs 20), mostrando que existe una tendencia a encontrar más lugares de concentración del SP+Ob en fechas más recientes. Con respecto a las zonas transversales en todos los casos el número de puntos calientes fue superior al de fríos. Este análisis contribuye a responder la pregunta de investigación “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” mostrando que de manera global y particular hay una tendencia hacia un mayor número de puntos calientes y que dicha tendencia con el tiempo se incrementa.

4.3.2. Representación cartográfica del análisis Gi* de Getis-Ord y el heatmap de la densidad de tiendas

Para poder comparar los puntos fríos y calientes y obtenidos del análisis recién descrito con la densidad de las tiendas de conveniencia se realizaron mapas para las seis zonas metropolitanas y los dos períodos de estudio, contrastando los puntos calientes y fríos

Zona Metropolitana Año PUNTOS NEUTROS 0.99 0.95 0.90 0.90 0.95 0.99 TIJUANA 2018 3 4 5 280 6 4 5 LEON 2018 0 2 5 200 3 3 4 VERACRUZ 2018 2 0 2 146 1 4 4 2015 3 11 11 760 9 4 10 2018 2 8 10 748 10 13 17 2015 2 3 7 155 1 4 2 2018 1 4 1 162 1 3 2 2016 0 0 0 85 0 0 3 2018 1 1 1 81 2 1 1 PUNTOS FRIOS PUNTOS CALIENTES MONTERREY SAN LUIS POTOSÍ VILLAHERMOSA (p) (p)

contra un raster de heatmap, representando la densidad de tiendas de conveniencia

Dichos mapas se muestran de la Figura 22 a la Figura 30 con su respectiva discusión y hallazgos más relevantes a continuación de cada mapa.

Figura 22 Zona metropolitana de Tijuana (transversal norte), mostrando los puntos calientes y fríos obtenidos mediante el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de convenienc, año 2018

Como puede verse en la Figura 22 hacia el centro de la zona metropolitana de Tijuana, alrededor de 11 puntos calientes coinciden con las zonas de mayor densidad de tiendas, mientras que en la zona de Tecate (Noreste del mapa) y Ensenada (al suroeste de la mancha urbana principal) se pueden apreciar 5 puntos fríos que coinciden con zonas de baja densidad de tiendas de conveniencia. En este mapa de manera general se observa la relación esperada en el estudio en la cual a mayor densidad de tiendas se tienen escuelas de mayor prevalencia de SP+Ob.

Figura 23 Zona metropolitana de León (transversal centro), mostrando los puntos calientes y fríos obtenidos mediante el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2018

En el caso de la zona metropolitana de León (Figura 23) el patrón de puntos calientes de robustez (90-95%) sobre la zona de mayor densidad de tiendas es muy claro justo el centro de la mancha urbana principal, observándose en el perímetro de dicha mancha en zonas de baja densidad de tiendas, los puntos fríos. Es de destacarse que hacia el centro de la zona metropolitana de Silao (polígono urbano ubicado al sureste del mapa) existe un punto caliente y es una zona de densidad intermedia de tiendas. En esta región puede afirmarse que también se cumple de manera general el comportamiento esperado en el estudio en el cual los puntos calientes coinciden con las áreas de mayor densidad de tiendas de conveniencia.

Figura 24 Zona metropolitana de Veracruz (transversal sur), mostrando los puntos calientes y fríos obtenidos mediante el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia año 2018 ,

En la Zona Metropolitana de Veracruz (Figura 24) el comportamiento de los puntos calientes/fríos vs la densidad de tiendas no es tan claro ya que en la mancha principal están mezclados hacia el centro escuelas con robustez de 99% pero en ambos sentidos, de modo que no puede establecerse fácilmente un patrón, se trata de la zona geográficamente más dispersa y no puede hablarse de algún comportamiento espacial destacable entre los puntos calientes de SP+Ob y la densidad de tiendas. .

Figura 25 Zona metropolitana de Monterrey (longitudinal norte), mostrando los puntos calientes y fríos obtenidos mediante el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2015

Figura 26 Zona metropolitana de Monterrey (longitudinal norte), mostrando los puntos calientes y fríos obtenidos mediante el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2018

En el caso de la Zona Metropolitana de Monterrey (Figura 25 y Figura 26) se observa que el raster de densidad de tiendas de 2018 tiene más áreas densas en comparación al 2015, el patrón es el esperado para el estudio: en las zonas de mayor densidad se concentran hotspots con significancia del 95-99% y es en los alrededores de la zona metropolitana que se aprecian los puntos fríos. Entre 2015 y 2018 hay un incremento importante en el número de puntos calientes, observándose, sobre todo, al centro de la mancha urbana. Puede destacarse el caso de Cadereyta (polígono urbano al extremo este de la mancha urbana), que en 2015 tenía sólo un coldspot y baja densidad de tiendas y para 2018 la densidad de tiendas incrementó, mostrando dos puntos calientes con significancia >95%. Esta tendencia podría indicar la posible interacción del incremento de la densidad de tiendas con el de las prevalencias de SP+Ob.

Figura 27 Zona metropolitana de San Luis Potosí (longitudinal centro), mostrando los puntos calientes y fríos obtenidos con el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2015

Figura 28 Zona metropolitana de San Luis Potosí (longitudinal centro), mostrando los puntos calientes y fríos obtenidos con el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2018

En la Figura 27 y la Figura 28 puede apreciarse la zona metropolitana de San Luis Potosí, en ambos años de estudio los puntos calientes y fríos no aparecen distribuidos en un patrón que obedezca al comportamiento de la densidad de tiendas, la zona centro 2015-18no tiene puntos significativos, la densidad de tiendas en la zona central se incrementó. A pesar de lo anterior en esta zona metropolitana la densidad de las tiendas no parece tener efecto sobre el número de puntos calientes de prevalencia de SP+Ob.

Figura 29 Zona metropolitana de Villahermosa (longitudinal sur), mostrando los puntos calientes y fríos obtenidos con el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2016

Figura 30 Zona metropolitana de Villahermosa (longitudinal sur), mostrando los puntos calientes y fríos obtenidos con el análisis de Getis-Ord Gi* en comparación con una superficie heatmap que representa la densidad de tiendas de conveniencia, año 2018

La Figura 29 y la Figura 30 muestran la Zona Metropolitana de Villahermosa, en la cual para 2016 hay dos puntos calientes hacia la zona centro, mientras que para 2018 ya hay más puntos calientes (4) puede verse la tendencia del aumento de la densidad de tiendas en el lapso de tres años; el año 2015 para esta zona es el único que no muestra puntos fríos. Para 2018 ya aparecen puntos fríos hacia la periferia de la mancha urbana. El patrón es similar al de otras áreas metropolitanas donde las zonas de densidad alta coinciden con los puntos calientes. Esta es la zona metropolitana con la ene e intervalo de tiempo más pequeños por lo que probablemente sus resultados no sean tan robustos.

4.3.3. Resultados del análisis de la regresión geográficamente ponderada (GWR)

En este análisis se muestran los resultados de los modelos para las zonas metropolitanas y años del estudio utilizando como variable dependiente la prevalencia de SP+Ob y como variables explicativas la distancia a la tienda más cercana y el número de tiendas en un radio de 400 metros. En la se muestran los estadísticos R2 y R2 ajustado que indican mientras más cercanos son a uno que tan bien predice el modelo a la variable dependiente; en la extrema derecha se tiene el número de puntos (escuelas) utilizados y aquellos en los cuales los residuales estandarizados son menores (entre -0.5 y 0.5) indicando que en dichas escuelas el modelo explica de manera precisa el comportamiento de la variable dependiente Como datos informativos se incluyen también el ancho de banda en metros encontrado por el algoritmo Golden search y el AIC (Criterio de Información de Akaike) utilizado para determinar el ancho de banda.

Tabla 7 Resultados de los modelos de regresión geográficamente ponderada (GWR) para las seis zonas metropolitanas y dos períodos de estudio

La Tabla 7 muestra los resultados de los modelos (GWR) para las seis zonas metropolitanas y los dos períodos de tiempo, debido a la dispersión de los datos el coeficiente de correlación (R2) es bajo en todos los casos, sin embargo, entre los años 2015-2018 R2 es consistente para las regiones longitudinales, lo que implica un comportamiento similar de la relación entre las variables. Con respecto al ancho de banda encontrado por el algoritmo gold standard la banda más grande fue la de Veracruz (68 km) y la más pequeña fue León (18 km), esto muestra los extremos de dispersión de las escuelas, en el caso de las regiones longitudinales la variación del ancho de banda entre los años también se mantiene cercana con excepción de San Luis Potosí (zona centro), esto significa que, para 2018, el factor espacial estuvo más acotado que para 2015.

El resultado presentado a continuación de la Figura 31 a la Figura 39 corresponde al proceso de la regresión lineal y el comportamiento de las variables, así como los residuales del modelo Al interior de cada figura hay tres gráficos de dispersión que representan: (a) la interacción de la distancia con el número de tiendas, (b) el comportamiento de la prevalencia de SP+Ob a medida que se incrementa el número de tiendas en un radio de 400 metros y (c) se puede observar el comportamiento de la prevalencia de SP+Ob en comparación con la distancia en metros de la tienda más cercana. En todas las gráficas los puntos de las escuelas se encuentran coloreados de acuerdo a su residual estandarizado, como medida de robustez, recordando que aquellos entre -0.5 y 0.5 (color gris) son aquellos donde el modelo de regresión se aplica de manera más exacta.

R2 R2 Dist. Banda AIC Puntos Puntos residual Ajustada Metros Totales (-0.5-0.5) TIJUANA 2018 0.0519 0.0385 35017 3743.2 525 210 LEON 2018 0.0421 0.0245 18285 3876.7 538 219 VERACRUZ 2018 0.0251 0.0124 68352 2424.0 336 147 MONTERREY 2015 0.0352 0.0234 24388 11149.5 1552 700 2018 0.0463 0.0348 25091 11772.1 1552 728 SAN LUIS POTOSÍ 2015 0.0251 0.0108 31277 2389.2 317 147 2018 0.0265 0.0085 23625 2392.7 317 143 VILLAHERMOSA 2016 0.0502 0.0164 24144 1524.0 201 105 2018 0.0562 0.0252 25359 1455.1 201 96

Zona Metropolitana Año

DATOS DEL MODELO DE REGRESIÓN

Dentro de los resultados de los modelos de regresión calculados en ArcGIS las gráficas de las relaciones entre variables son quizás el más importante, debido a que dichas gráficas muestran cómo se comporta la variable dependiente con relación a las variables explicativas en el contexto de los residuales del modelo es decir ¿qué tanto y en que intervalos el modelo explica efectivamente las relaciones?

4.3.4. Modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Tijuana (Transversal Norte)

Para el caso de Tijuana, puede verse en la Figura 31 en el gráfico a (eje de las “x”: distancia en metros tienda más cercana vs eje de las “y”: tiendas en un radio de 400 metros) se aprecia una colinealidad de pendiente negativa debido a que, mientras menor sea la distancia a la tienda más cercana podría esperarse un número mayor de tiendas en un radio de 400 metros. Esto se cumple en esta región y es de destacar que es la región en donde ninguna escuela tiene su tienda más cercana a más de 2.5 km (el menor radio para todas las regiones del estudio); con respecto a los residuales del modelo, aquellos en donde mejor ajusta (-0.5 a +0.5) se distribuyen de manera uniforme a lo largo de todo el gradiente de distancia y número de tiendas. En el gráfico b se aprecia una de las tendencias esperadas en la hipótesis del presente trabajo, pues a medida que se incrementa el número de tiendas en un radio de 400 m es claro cómo se incrementa la prevalencia de SP+Ob, el ajuste lineal predice una prevalencia cercana al 40% para aquellas escuelas con ninguna tienda en un radio de 400 metros contra un 50% en aquellas con 15-20 tiendas en dicho radio. Finalmente, en el gráfico c, cuando se compara la distancia a la tienda más cercana, nuevamente se obtiene la tendencia esperada en la hipótesis, es decir una pendiente negativa en la cual la prevalencia de SP+Ob disminuye a medida que la distancia a la tienda más cercana aumenta. La tendencia parece indicar que es de alguna manera protector el tener más lejos las tiendas de conveniencia. El ajuste lineal de este análisis muestra para aquellas escuelas con una distancia de menos de 50 metros a la tienda más cercana, una prevalencia de aproximadamente 42% de SP+Ob, mientras que para aquellas escuelas con la tienda más cercana a dos kilómetros la prevalencia se ubica alrededor del 32%.

Figura 31 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Tijuana 2018

4.3.5. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de León (Transversal Centro)

Para el caso de León, puede verse en la Figura 32 (gráfico a) la misma colinealidad de pendiente negativa mencionada en la región anterior, en el caso de esta región puede apreciarse que existe un plantel escolar a poco menos de 10km de la tienda más cercana; la distribución de los residuales del modelo es también uniforme. En el gráfico b se aprecia la misma tendencia negativa a medida que se incrementa el número de tiendas en un radio de 400 m se incrementa también la prevalencia de SP+Ob, el ajuste lineal predice una prevalencia cercana al 28% para aquellas escuelas sin tiendas en un radio de 400 metros contra un 32% en aquellas con 10 tiendas en dicho radio. En el gráfico c cuando se compara la distancia a la tienda más cercana, nuevamente se obtiene la tendencia de pendiente negativa en la cual la prevalencia de SP+Ob disminuye a medida que la distancia a la tienda más cercana aumenta. El ajuste lineal de este análisis muestra para aquellas escuelas con una distancia de menos de 50 metros a la tienda más cercana, una prevalencia de aproximadamente 30% de SP+Ob, mientras que para aquellas escuelas con la tienda más cercana a 10 kilómetros la prevalencia se ubica alrededor del 20%. Esto representa un descenso relativo del 33%.

100

101

Figura 32 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de León 2018

4.3.6. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Veracruz (Transversal Sur)

Para la zona metropolitana de Veracruz, puede verse en la Figura 33 (gráfico a) la misma colinealidad de pendiente negativa mencionada anteriormente, en el caso de esta región puede apreciarse en el extremo derecho del eje de las “y” que existe, en el extremo, un plantel escolar a poco menos de 12km de la tienda más cercana; la distribución de los residuales del modelo es uniforme. En el gráfico b se aprecia una tendencia negativa: conforme se incrementa el número de tiendas en un radio de 400 m se incrementa también la prevalencia de SP+Ob, el ajuste predice una prevalencia del 42% para aquellas escuelas sin tiendas en un radio de 400 metros contra un 50% en aquellas con 10 tiendas en dicho radio, este es el único gráfico de todas las regiones transversales donde a medida que se incrementa el número de tiendas, existe una considerable dispersión de los datos, en otras palabras el grafico indica que, para el caso de escuelas con 4 tiendas en un radio de 400 metros, existen aún valores extremadamente altos y bajos de SP+Ob, este patrón de varianza particularmente alta y diferente a las demás regiones puede sugiere que deben revisarse los datos para detectar inconsistencias en estudios posteriores. En el gráfico c, cuando se compara la prevalencia de SP+Ob contra la distancia a la tienda más cercana, nuevamente se obtiene la tendencia de pendiente negativa en la cual la prevalencia de SP+Ob disminuye a medida que la distancia a la tienda más cercana aumenta. El ajuste lineal de este análisis muestra para aquellas escuelas con una distancia de menos de 50 metros a la tienda más cercana, una prevalencia de aproximadamente 46% de SP+Ob, mientras que para aquellas escuelas con la tienda más cercana a 10 kilómetros la prevalencia se ubica alrededor del 38%. Esta pendiente es la menor entre las regiones transversales, sin embargo, sigue siendo considerable.

102

103

Figura 33 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Veracruz 2018

4.3.7. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Monterrey (Longitudinal Norte)

En la Figura 34 y Figura 35 pueden verse los gráficos para 2015 y 2018 respectivamente. El comportamiento de la distancia contra el número de tiendas es similar al de otras zonas, sin embargo, es destacable que para 2015 se apreciaban algunas escuelas con su tienda más cercana a 8 km y para 2018 dicha distancia se redujo a 6 km, lo cual nuevamente pone de manifiesto el fenómeno de la apertura de tiendas. Con respecto al número de tiendas en un radio de 400 metros y su efecto sobre la prevalencia de SP+Ob (gráfico b) , el ajuste en ambos períodos de tiempo muestra el incremento de las prevalencias conforme aumenta el número de tiendas, en esta zona se dio el aumento longitudinal más grande entre 2015-18 pasando de 38% a 46% SP+Ob entre aquellas escuelas con cero tiendas en el radio y hasta 16 tiendas a un cambio de 38 a 58% entre cero y 20 tiendas, esto refleja el impacto importante sobre el SP+Ob. Aquellas escuelas con el máximo número de tiendas alrededor tuvieron un incremento relativo de la pendiente de un 88% en tan solo tres años. En el gráfico c se aprecia un descenso de 40% a 30% entre aquellas con una escuela a 50 metros o menos y aquellas con una escuela a aproximadamente 8 km en 2015 Sin embargo, dicha tendencia “protectora” disminuye para el 2018 pasando de 40% a 34%; lo anterior implica que el impacto de la apertura de nuevas tiendas, “acercó” la disponibilidad de alimentos no recomendables para 2018, ocasionando una menor reducción de las prevalencias. Monterrey puede ser la zona más importante del presente estudio: Es la muestra con la ene más grande de escuelas y alumnos (datos robustos), es una ciudad altamente industrializada y con una fuerte influencia de las costumbres alimenticias de los Estados Unidos de América. Adicionalmente es la región de origen y de mayor expansión de la cadena comercial de tiendas de conveniencia OXXO (Ver 3.2.2). Todo lo anterior convierte esta zona metropolitana en un modelo de estudio adecuado para los objetivos del presente trabajo y resalta la importancia y consistencia de sus resultados.

104

105

Figura 34 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Monterrey 2015

106

Figura 35 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Monterrey 2018

4.3.8. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de San Luis Potosí (Longitudinal Centro)

En la Figura 36 y Figura 37 puede verse los gráficos para 2015 y 2018 respectivamente. El comportamiento de una mayor cercanía de las tiendas para un período más también aparece aquí. Con respecto al número de tiendas en un radio de 400 metros y su efecto sobre la prevalencia de SP+Ob (gráfico b), el ajuste en 2015 parece no tener efecto alguno sobre las prevalencias esto ya se había documentado en el apartado de análisis de los mapas de puntos calientes/fríos y densidades (Ver Figura 27 y Figura 28 ) Para el año 2018 se muestra una discreta tendencia de aumento de las prevalencias entre ambos períodos de tiempo (de 38% a 40%); el ligero cambio de no tener efecto hacia una ligera tendencia ascendente podría implicar que San Luís Potosí está en las etapas iniciales del impacto de las tiendas sobre las prevalencias, futuros estudios y actualización de datos serían requeridos para comprobar lo anterior. Con respecto a la relación distancia-prevalencias, se transitó en ambos casos de 40% a 28% (2015) y 25% (2018). No se aprecia “aproximación” ni “densificación” de las tiendas, es decir que no hubo una cantidad significativa de tiendas aperturadas entre 2015 y 2018.

107

108

Figura 36 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de San Luis Potosí 2015

109

Figura 37 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de San Luis Potosí 2018

4.3.9. Discusión del modelo de regresión y el comportamiento de las variables de la Zona Metropolitana de Villahermosa (Longitudinal Sur)

La Figura 38 y Figura 39 muestran los gráficos para 2016 y 2018 respectivamente. El comportamiento de la distancia contra el número de tiendas es similar al de otras zonas, en este caso no se aprecia que la distancia a la tienda más cercana disminuya por lo que se asume que no hubo nuevas tiendas en dicho período. Con respecto al número de tiendas en un radio de 400 metros y su efecto sobre la prevalencia de SP+Ob (gráfico b) El ajuste lineal en 2016 muestra un aumento de 44% a 50% entre aquellas escuelas con cero tiendas y hasta 6 tiendas, para 2018 la tendencia va de 40% a 48%, lo cual es cercano sin embargo aquellas con tiendas más cercanas han disminuido en 4 puntos porcentuales en el período de tiempo a pesar de tener tiendas muy cercanas. Esto puede obedecer a que el fenómeno efectivamente esté disminuyendo o a algún error en los datos, dicho comportamiento sugiere revisión y actualización de los datos. Con respecto a la distancia a la tienda más cercana nuevamente se aprecia como el fenómeno en las escuelas con mayor cercanía a las tiendas desciende al pasar en 2016 de 44% a 40%, y para 2018 de 40% a 38%.

110

111

Figura 38 Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Villahermosa 2016

112

Figura 39Relaciones entre las variables, de acuerdo con el residual obtenido por la GWR para las zonas de estudio transversal, Zona Metropolitana de Villahermosa 2018

5. CONCLUSIONES

El presente estudio abordó mediante un conjunto de métodos espaciales la problemática del SP+Ob en las escuelas primarias de seis zonas metropolitanas de México y la posible interacción de dicho fenómeno con la presencia de tiendas de conveniencia. Se pretendió abordar las preguntas de investigación con un conjunto de metodologías: desde cuestiones espaciales básicas, como lo es el cruce de las variables de interés (prevalencia de SP+Ob) con distancias lineales o número de tiendas en regiones buffer; se determinó la autocorrelación espacial del SP+Ob para describir el fenómeno mediante el estadístico i de Moran. Adicionalmente se realizaron dos de análisis espaciales (Gi* de Getis Ord y heatmaps) para poder visualizar mediante una representación cartográfica la relación anteriormente mencionada. Finalmente se utilizó la GWR para visualizar y modelar las relaciones entre las variables del estudio, así como para evaluar una posible significancia. Del análisis de distancias y buffer puede concluirse que existe en primera instancia una gran exposición de la mayoría de las escuelas a un entorno de tiendas de conveniencia particularmente en las zonas metropolitanas del norte de México (Monterrey y Tijuana), sin embargo, en todas las regiones se tiene un número considerable de escuelas con tiendas de conveniencia en un radio de 400m. También pudo documentarse el hecho de que un buen número de escuelas tienen una o más tiendas de conveniencia a menos de 400 metros. Al comparar la distribución de las tiendas con los cuartiles de SP+Ob puede constatarse que existe una relación directamente proporcional entre el número de tiendas en radios de 400 y 800 metros y el incremento de las prevalencias de SP+Ob en la población escolar. Con respecto al patrón de distribución del SP+Ob en las escuelas de las zonas metropolitanas de México, puede afirmarse que existen regiones (Tijuana y León) en donde dicha problemática se concentra en clusters, otras como San Luís Potosí en donde se distribuye de manera aleatoria y otras como Monterrey en donde -por los valores del coeficiente- en el intervalo 2015-2018 parece estarse transitando de un fenómeno en clusters hacia una distribución aleatoria. Las representaciones cartográficas de los puntos calientes y fríos sobre la superficie de densidad de tiendas de conveniencia permitieron permiten afirmar que en zonas como Tijuana, León, Veracruz y Monterrey la mayor parte de los puntos calientes de sobrepeso y obesidad se ubican en regiones de mayor densidad

113

de tiendas de conveniencia. Los modelos de GWR y los gráficos de relación entre variables derivados del mismo permiten afirmar de manera general para todas las regiones de México que, conforme se incrementa el número de tiendas en un radio de 400 metros las prevalencias de sobrepeso y obesidad aumentan; asimismo se pudo constatar que a medida que la tienda más cercana está a una mayor distancia de los planteles las prevalencias de SP+Ob descienden, sugiriendo que la cercanía de dichos comercios tiene efectos negativos sobre el estado de nutrición de los escolares al promover el incremento del sobrepeso y la obesidad.

Con respecto al cumplimento de los objetivos del presente trabajo, la distribución espacial de Sp+Ob en las escuelas primarias de Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa pudo ser visualizada mediante representaciones cartográficas, con respecto a su patrón la existencia y el grado de autocorrelación espacial, pudo ser determinado mediante el coeficiente de I de Moran. La distribución espacial y la proliferación de las tiendas en el periodo 2015-2018 pudo ser constatada no solo mediante las estadísticas descriptivas de proximidad y densidad en regiones buffer sino también mediante mapas de densidad (heatmaps). Finalmente, el objetivo de establecer la relación espacial y temporal entre las tiendas y el SP+Ob en las escuelas fue cumplido mediante diversas metodologías como estadística descriptiva de variables espaciales, comparación de puntos calientes Gi* de Getis-Ord vs heatmaps, así como GWR.

En el caso de las preguntas de investigación, la primera: “¿El sobrepeso y la obesidad en las escuelas primarias de las siguientes zonas metropolitanas de México tienen algún patrón espacial? Tijuana, Monterey, San Luis Potosí, León, Veracruz y Villahermosa. ¿Cómo se comporta dicho patrón en el período de tiempo comprendido entre 2015 y 2018?” puede verse una gran heterogeneidad entre las regiones de México yendo desde un comportamiento claro en clusters en Tijuana y León, aleatorio en Veracruz, una especie de transición temporal de clusters hacia la aleatoriedad en los casos de Monterrey, San Luis Potosí y Villahermosa. La segunda pregunta de investigación “¿Cuál es la distribución espacial de las tiendas de conveniencia en las seis zonas metropolitanas seleccionadas?

¿Cómo se comportó la distribución de dichas tiendas entre los años 2015 y 2018? “ pudo ser respondida mediante dos métodos: el primero las variables geográficas densidad en

114

áreas buffer de 400 metros y distancia a la más cercana mostraron que el número se incrementó y que al paso del tiempo en las zonas longitudinales se aperturaron tiendas que, de alguna manera, “acercaron” la oferta de alimentos no recomendables a los planteles escolares. Finalmente, respondiendo la tercera pregunta “¿Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018?” puede hablarse de comportamientos diferentes para cada zona metropolitana. Sin embargo, puede afirmarse que de manera general aquellas zonas con una mayor densidad de tiendas mostraron mayores prevalencias de SP+Ob. Este último punto lleva a la confirmación de la hipótesis del presente trabajo en donde se sugiere que “Existe una relación espacial y temporal de la ubicación y densidad de las tiendas de conveniencia sobre las prevalencias de sobrepeso y obesidad en las escuelas primarias de las zonas metropolitanas seleccionadas entre los años 2015 y 2018”.

Dentro de los hallazgos y aportaciones más importantes del trabajo puede enumerarse las siguientes: la caracterización en zonas metropolitanas de los datos del Registro Nacional de Peso y Talla que anteriormente se habían únicamente publicado a nivel estatal o municipal, esto permite el comprender los contrastes entre las diferentes regiones de un país grande y diverso como México. Otra aportación es en sí mismo el planteamiento de una posible relación entre las tiendas y el SP+Ob ya que, como se mencionó en los antecedentes (Ver 2.2.2), en México no se han llevado al cabo este tipo de estudios y el presente puede ser un primer intento de describir estos datos y abundar en el tema en posteriores trabajos. En México existe un consenso general acerca de la problemática compleja que representa el problema del SP+Ob en población cada vez más joven producto de malas prácticas alimenticias, en este sentido el presente trabajo contribuye con información a documentar un elemento de riesgo como lo puede ser la proliferación de tiendas de conveniencia.

Como limitaciones del presente trabajo puede señalarse de manera importante que la relación estadística y espacial entre SP+Ob y las tiendas de conveniencia no tomó en cuentas otras variables como el nivel socioeconómico, factores demográficos, sociales, familiares e incluso culturales, de alguna manera el problema se redujo a las tiendas a pesar

115

de que existen un sin número de factores que pueden estar impactando. Se sugiere la realización de posteriores estudios que tomen en cuenta otros factores. Dentro del ámbito del análisis espacial una limitación del presente estudio es el uso de puntos cercanos y buffers lineales, probablemente podrían obtenerse resultados más precisos utilizando distancias determinadas mediante áreas de servicio sobre redes de calles. Finalmente cabe mencionar que el Registro Nacional de Peso y Talla fue suspendido por la pandemia de COVID-19, sin embargo, se sugiere que (si es reactivado) se continúe la serie histórica y se rellenen huecos de información para poder extender un análisis similar al llevado al cabo aquí en otras regiones y con datos más recientes.

Finalmente -como una última reflexión- puede afirmarse que ,a pesar de que el sentido común hace inaceptable que existan escuelas en ciertas regiones de México con 20 tiendas de conveniencia en un radio de 400 metros ofertando alimentos y bebidas que se sabe dañan la salud de los niños, es necesario e imperativo seguir aportando evidencia científica en este respecto y que la misma esté disponible para las autoridades de salud y los legisladores, para poder contrarrestar las prácticas de expansión de la industria de alimentos chatarra que están condenando a los niños del país a una vida adulta de enfermedades crónicas.

116

REFERENCIAS

Andueza, N., Navas-Carretero, S., & Cuervo, M. (2022). Effectiveness of Nutritional Strategies on Improving the Quality of Diet of Children from 6 to 12 Years Old: A Systematic Review. Nutrients, 14(2). doi:10.3390/nu14020372

Anselin, L. (1996). Interactive Techniques and Exploratory Spatial Data Analysis

Aradillas-García, C., Palos-Lucio, G., & Padrón-Salas, A. (2016). Socio-Urban Spatial Patterns Associated with Dyslipidemia among Schoolchildren in the City of San Luis Potosi, Mexico. J Urban Health, 93(1), 53-72. doi:10.1007/s11524-015-9997-5

Ávila- Curiel A, J.-M. L., Del Monte-Vega M, Ávila Arcos MA, Galindo-Gómez C, AmbrocioHernández R. . (2016). Estado de Nutrición en Población Escolar Mexicana que Cursa el Nivel de Primaria. (Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán Ed.).

Avila-Curiel, A. D. M.-V. M., Avila ,MA. (2018). Bases de Datos nominales del Registro Nacional de Peso y Talla 2015-2018

Benjamin Neelon, S. E., Burgoine, T., Gallis, J. A., & Monsivais, P. (2017). Spatial analysis of food insecurity and obesity by area-level deprivation in children in early years settings in England. Spat Spatiotemporal Epidemiol, 23, 1-9. doi:10.1016/j.sste.2017.07.001

Birch, L. L. (1998). Development of food acceptance patterns in the first years of life. Proc Nutr Soc, 57(4), 617-624. doi:10.1079/pns19980090

Briefel, R. R., Wilson, A., & Gleason, P. M. (2009). Consumption of low-nutrient, energy-dense foods and beverages at school, home, and other locations among school lunch participants and nonparticipants. J Am Diet Assoc, 109(2 Suppl), S79-90. doi:10.1016/j.jada.2008.10.064

Burrough, P. A., McDonnell, R., & Lloyd, C. D. (2015). Principles of geographical information systems (Third edition. ed.). Oxford ; New York: Oxford University Press.

Centers for Disease Control and Prevention National Center for Health Statistics. (2000). CDC growth charts: United States. Retrieved from http://www.cdc.gov/growthcharts

Declaratoria de Emergencia Epidemiológica EE-4-2016, (2016).

CEPAL. (2019). Informe de la actividad portuaria de América Latina y el Caribe 2018 Retrieved from https://www.cepal.org/es/notas/informe-la-actividad-portuaria-america-latinacaribe-2018

Clark, S. E., Hawkes, C., Murphy, S. M., Hansen-Kuhn, K. A., & Wallinga, D. (2012). Exporting obesity: US farm and trade policy and the transformation of the Mexican consumer food environment. Int J Occup Environ Health, 18(1), 53-65. doi:10.1179/1077352512z.0000000007

117

Cole, T. J., Bellizzi, M. C., Flegal, K. M., & Dietz, W. H. (2000). Establishing a standard definition for child overweight and obesity worldwide: international survey. BMJ, 320(7244), 12401243. doi:10.1136/bmj.320.7244.1240

Consejo Nacional de Población. (2018). Conciliación Demográfica de México, 1950-2015 y Proyecciones de la Población de México y de las Entidades Federativas, 2016-2050

Consejo Nacional de Población. (2021). Índice de marginación por entidad federativa y municipio 2020. https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372

De Cosmi, V., Scaglioni, S., & Agostoni, C. (2017). Early Taste Experiences and Later Food Choices Nutrients, 9(2). doi:10.3390/nu9020107

de Onis, M., Onyango, A. W., Borghi, E., Siyam, A., Nishida, C., & Siekmann, J. (2007). Development of a WHO growth reference for school-aged children and adolescents. Bull World Health Organ, 85(9), 660-667. doi:10.2471/blt.07.043497

Delgado Floody, P. A., Caamaño-Navarrete, F., Martínez-Salazar, C., Jerez-Mayorga, D., CarterThuiller, B., García Pinillos, F., & Latorre Román, P. (2018). [Childhood obesity and its association with the feeling of unhappiness and low levels of self-esteem in children of public schools]. Nutr Hosp, 35(3), 533-537. doi:10.20960/nh.1424

Drew, F. (2011). Understanding Geodesic Buffering Correctly use the Buffer tool in ArcGIS. https://www.esri.com/news/arcuser/0111/files/geodesic.pdf

Environmental Systems Research Institute. (2018a). Cómo funciona Análisis de puntos calientes (Gi* de Getis-Ord). Retrieved from https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/h-how-hotspot-analysis-getis-ord-gi-spatial-stati.htm

Environmental Systems Research Institute. (2018b). Cómo funciona GWR. Retrieved from https://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/how-gwrregression-works.htm

Environmental Systems Research Institute. (2022a). Arcgis Desktop 2.9 (Version 2.9).

Environmental Systems Research Institute. (2022b). Cómo funciona la densidad kernel. Retrieved from https://pro.arcgis.com/es/pro-app/latest/tool-reference/spatial-analyst/howkernel-density-works.htm

Environmental Systems Research Institute. (2022c). Modelado de relaciones espaciales. Retrieved from https://pro.arcgis.com/es/pro-app/latest/tool-reference/spatial-statistics/modelingspatial-relationships.htm#GUID-729B3B01-6911-41E9-AA99-8A4CF74EEE27

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2002). Geographically weighted regression : the analysis of spatially varying relationships. Chichester, England ; Hoboken, NJ, USA: Wiley.

Fraser, L. K., Clarke, G. P., Cade, J. E., & Edwards, K. L. (2012). Fast food and obesity: a spatial analysis in a large United Kingdom population of children aged 13-15. Am J Prev Med, 42(5), e77-85. doi:10.1016/j.amepre.2012.02.007

118

Gamboa-Melendez, M. A., Galindo-Gomez, C., Juarez-Martinez, L., Gomez, F. E., Diaz-Diaz, E., Avila-Arcos, M. A., & Avila-Curiel, A. (2015). Novel association of the R230C variant of the ABCA1 gene with high triglyceride levels and low high-density lipoprotein cholesterol levels in Mexican school-age children with high prevalence of obesity. Arch Med Res, 46(6), 495-501. doi:10.1016/j.arcmed.2015.07.008

Gandhi., U. (2019). Approximating Geodesic Buffers with PyQGIS. https://spatialthoughts.com/2019/04/05/geodesic-buffers-in-qgis/

García-Portugués, E. (2022). Notes for Nonparametric Statistics Version 6.5.2. In. Retrieved from https://bookdown.org/egarpor/NP-UC3M/

GDAL/OGR contributors. (2022). GDAL/OGR Geospatial Data Abstraction software Library.: Open Source Geospatial Foundation. Retrieved from https://gdal.org

Getis, A., & Ord, J. K. (1992). The Analysis of Spatial Association by Use of Distance Statistics. 24(3), 189-206. doi:10.1111/j.1538-4632.1992.tb00261.x

Glen, S. (2022). Moran’s I: Definition, Examples. StatisticsHowTo.com: Elementary Statistics for the rest of us! Retrieved from https://www.statisticshowto.com/morans-i/

Google. (2020). Geocoding API. Retrieved from https://developers.google.com/maps/documentation/geocoding/overview

Hall, B. J., Huang, L., Yi, G., & Latkin, C. (2021). Fast food restaurant density and weight status: A spatial analysis among Filipina migrant workers in Macao (SAR), People's Republic of China. Soc Sci Med, 269, 113192. doi:10.1016/j.socscimed.2020.113192

Hernandez-Cordero, S., Cuevas-Nasu, L., Morales-Ruan, M. C., Humaran, I. M., Avila-Arcos, M. A., & Rivera-Dommarco, J. A. (2017). Overweight and obesity in Mexican children and adolescents during the last 25 years. Nutr Diabetes, 7(6), e280. doi:10.1038/nutd.2017.29

Hernández-Vásquez, A., Bendezú-Quispe, G., Díaz-Seijas, D., Santero, M., Minckas, N., Azañedo, D., & Antiporta, D. A. (2016). [Spatial analysis of childhood obesity and overweight in Peru, 2014]. Rev Peru Med Exp Salud Publica, 33(3), 489-497. doi:10.17843/rpmesp.2016.333.2298

Hollands, S., Campbell, M. K., Gilliland, J., & Sarma, S. (2013). A spatial analysis of the association between restaurant density and body mass index in Canadian adults. Prev Med, 57(4), 258-264. doi:10.1016/j.ypmed.2013.07.002

Huang, H. (2021). A Spatial Analysis of Obesity: Interaction of Urban Food Environments and Racial Segregation in Chicago. J Urban Health, 98(5), 676-686. doi:10.1007/s11524-02100553-y

Huang, R., Moudon, A. V., Cook, A. J., & Drewnowski, A. (2015). The spatial clustering of obesity: does the built environment matter? J Hum Nutr Diet, 28(6), 604-612. doi:10.1111/jhn.12279

IBM Corp. (2017). IBM SPSS Statistics for Windows (Version 25.0). Armonk, NY.

119

INEGI. (2018). Sistema de Clasificación Industrial de América del Norte 2018 (SCIAN 2018). Retrieved from https://www.inegi.org.mx/app/scian/

INEGI. (2010). Definición del Marco Geoestadístico Nacional. http://internet.contenidos.inegi.org.mx/contenidos/clasificador/4_cartografia/2.pdf

Instituto Nacional de Ciencias Médicas y Nutrición Salvador Zubirán. (2015). ¿Qué es el RNPT? . Retrieved from http://rnpt.sivne.org.mx/pagina_/index.php/pages/2015-02-02-15-01-12

Instituto Nacional de Estadística Geografía e Informática, Consejo Nacional de Población, & Secretaría de desarrollo Agrario Territorial y Urbano. (2015). Delimitación de las zonas metropolitanas de México 2015. In. Retrieved from https://www.gob.mx/cms/uploads/attachment/file/344506/1_Preliminares_hasta_V_cor recciones_11_de_julio.pdf

Instituto Nacional de Estadística Geografíá e Informática e Instituto Nacional de Salud Pública. (2019). Encuesta Nacional de Salud y Nutrición, Presentación de Resultados. Retrieved from https://ensanut.insp.mx/encuestas/ensanut2018/doctos/informes/ensanut_2018_presen tacion_resultados.pdf

Instituto Nacional de Estadística y Geografía (INEGI). (2017). Directorio Estadístico Nacional de Unidades Económicas DENUE Interactivo 03/2017, Documento Metodológico. Retrieved from http://www3.inegi.org.mx/contenidos/temas/economia/empresas/directorio/metodologi as/DENUE_metodologia.pdf

Jaime, P. C., Duran, A. C., Sarti, F. M., & Lock, K. (2011). Investigating environmental determinants of diet, physical activity, and overweight among adults in Sao Paulo, Brazil. J Urban Health, 88(3), 567-581. doi:10.1007/s11524-010-9537-2

Juan Rivera Dommarco, I. C. N., Simón Barqauera Cervera, Teresita González de Cossio. (2015). Epidemiología de la obesidad en México: magnitud, distribución, tendencias y factores de riesgo. In Obesidad en México: recomendaciones para una política de Estado: UNAM.

Kim, Y., Kim, G., Lee, Y., & Jang, K. (2020). Bandwidth Selection of Kernel Density Estimation for GIS-based Crime Occurrence Map Visualization. Paper presented at the International Conference on Information and Communication Technology Convergence (ICTC).

Lakes, T., & Burkart, K. (2016). Childhood overweight in Berlin: intra-urban differences and underlying influencing factors. Int J Health Geogr, 15, 12. doi:10.1186/s12942-016-0041-0

Lenth, R. V. (2001). Some Practical Guidelines for Effective Sample Size Determination. The American Statistician, 55(3), 187-193.

Marron-Ponce, J. A., Flores, M., Cediel, G., Monteiro, C. A., & Batis, C. (2019). Associations between Consumption of Ultra-Processed Foods and Intake of Nutrients Related to Chronic Non-Communicable Diseases in Mexico. J Acad Nutr Diet, 119(11), 1852-1865. doi:10.1016/j.jand.2019.04.020

120

Martins, A. P., Levy, R. B., Claro, R. M., Moubarac, J. C., & Monteiro, C. A. (2013). Increased contribution of ultra-processed food products in the Brazilian diet (1987-2009). Rev Saude Publica, 47(4), 656-665. doi:10.1590/S0034-8910.2013047004968

McMillen, D. P. (2004). Geographically weighted Regression: The analysis of Spatial Varying Relationships. American Journal of Agricultural Economics, 86, 554-556. doi:10.1111/j.0002-9092.2004.600_2.x

Mendonca, R. D., Pimenta, A. M., Gea, A., de la Fuente-Arrillaga, C., Martinez-Gonzalez, M. A., Lopes, A. C., & Bes-Rastrollo, M. (2016). Ultraprocessed food consumption and risk of overweight and obesity: the University of Navarra Follow-Up (SUN) cohort study. Am J Clin Nutr, 104(5), 1433-1440. doi:10.3945/ajcn.116.135004

Mennella, J. A. (2014). Ontogeny of taste preferences: basic biology and implications for health. Am J Clin Nutr, 99(3), 704s-711s. doi:10.3945/ajcn.113.067694

OECD. (2015). Health at a Glance 2015.

OECD. (2019). The Heavy Burden of Obesity.

Oginsky, M. F., Goforth, P. B., Nobile, C. W., Lopez-Santiago, L. F., & Ferrario, C. R. (2016). Eating 'Junk-Food' Produces Rapid and Long-Lasting Increases in NAc CP-AMPA Receptors: Implications for Enhanced Cue-Induced Motivation and Food Addiction. Neuropsychopharmacology, 41(13), 2977-2986. doi:10.1038/npp.2016.111

Ord, J. K., & Getis, A. (1995). Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. 27(4), 286-306. doi:https://doi.org/10.1111/j.1538-4632.1995.tb00912.x

PAHO. (2015). Ultra-processed food and drink products in Latin America: Trends, impact on obesity, policy implications. Retrieved from Washington, DC:

Penney, T. L., Rainham, D. G., Dummer, T. J., & Kirk, S. F. (2014). A spatial analysis of community level overweight and obesity. J Hum Nutr Diet, 27 Suppl 2, 65-74. doi:10.1111/jhn.12055

Pérez, W., Melgar, P., Garcés, A., de Marquez, A. D., Merino, G., & Siu, C. (2020). Overweight and obesity of school-age children in El Salvador according to two international systems: a population-based multilevel and spatial analysis. BMC Public Health, 20(1), 687. doi:10.1186/s12889-020-08747-w

Popkin, B. M. (2017). Relationship between shifts in food system dynamics and acceleration of the global nutrition transition. Nutr Rev, 75(2), 73-82. doi:10.1093/nutrit/nuw064

Poskitt, E. M. (1995). Defining childhood obesity: the relative body mass index (BMI). European Childhood Obesity group. Acta Paediatr, 84(8), 961-963. doi:10.1111/j.16512227.1995.tb13806.x

Poti, J. M., & Popkin, B. M. (2011). Trends in energy intake among US children by eating location and food source, 1977-2006. J Am Diet Assoc, 111(8), 1156-1164. doi:10.1016/j.jada.2011.05.007

QGIS Development Team. (2020). QGIS Geographic Information System: Open Source Geospatial Foundation. Retrieved from http://qgis.org

121

Qin, W., Wang, L., Xu, L., Sun, L., Li, J., Zhang, J., & Shao, H. (2019). An exploratory spatial analysis of overweight and obesity among children and adolescents in Shandong, China. BMJ Open, 9(8), e028152. doi:10.1136/bmjopen-2018-028152

Rodriguez-Ramirez, S., Mundo-Rosas, V., Garcia-Guerra, A., & Shamah-Levy, T. (2011). Dietary patterns are associated with overweight and obesity in Mexican school-age children. Arch Latinoam Nutr, 61(3), 270-278.

Rolland-Cachera, M., Akrout, M., & S., P. (2015). History And Meaning Of The Body Mass Index. Interest Of Other Anthropometric Measurements en The ECOG’s eBook on Child and Adolescent Obesity. In. Retrieved from http://ebook.ecogobesity.eu/?utm_source=text&utm_medium=article-link&utm_campaign=ebook-en

Rowe, F. A.-B., Dani. (2022). Spatial Modelling for Data Scientists. Retrieved from https://gdslul.github.io/san/

Scherdel, P., Botton, J., Rolland-Cachera, M. F., Leger, J., Pele, F., Ancel, P. Y., . . . Heude, B. (2015). Should the WHO growth charts be used in France? PLoS One, 10(3), e0120806. doi:10.1371/journal.pone.0120806

Secretaría de Economía. (2016). Información economica y estatal (Serie Entidades Federativas). https://www.gob.mx/cms/uploads/attachment/file/175913/san_luis_potosi_2016_1116 pdf

Secretaría de Salud. (2018, 18/05/2018). NORMA Oficial Mexicana NOM-008-SSA3-2017, Para el tratamiento integral del sobrepeso y la obesidad. Diario Oficial de la Federación. Retrieved from https://dof.gob.mx/nota_detalle.php?codigo=5523105&fecha=18/05/2018

Secretaría de Salud Unidad de Análisis Económico. (2015). Impacto Económico del Sobrepeso y la Obesidad en México 1999-2023. Retrieved from http://oment.salud.gob.mx/wpcontent/uploads/2016/09/impacto_financiero_OyS_060815_oment.pdf

SEDATU, C., INEGI. (2018). Delimitación de las zonas metropolitanas de México 2015 (Primera edición: febrero 2018 ed.).

SEP. (2020). Sistema de Información y Gestión Educativa. Retrieved from https://siged.sep.gob.mx/SIGED/

Shamah-Levy, T., Cuevas-Nasu, L., Gaona-Pineda, E. B., Gomez-Acosta, L. M., Morales-Ruan, M. D. C., Hernandez-Avila, M., & Rivera-Dommarco, J. A. (2018). [Overweight and obesity in children and adolescents, 2016 Halfway National Health and Nutrition Survey update]. Salud Publica Mex, 60(3), 244-253. doi:10.21149/8815

Shamah-Levy, T., Cuevas-Nasu, L., Mendez-Gomez-Humaran, I., Jimenez-Aguilar, A., MendozaRamirez, A. J., & Villalpando, S. (2011). [Obesity in Mexican school age children is associated with out-of-home food consumption: in the journey from home to school]. Arch Latinoam Nutr, 61(3), 288-295.

Shamah-Levy, T., Cuevas-Nasu, L., Romero-Martínez, M., Gómez-Humaran, I. M., Ávila-Arcos, M. A., & Rivera, J. A. (2021). Nutrition Status of Children, Teenagers, and Adults From

122

National Health and Nutrition Surveys in Mexico From 2006 to 2020. Front Nutr, 8, 777246. doi:10.3389/fnut.2021.777246

Shamah-Levy T, V.-O. E., Heredia-Hernández O, Romero-Martínez M, Mojica-Cuevas J, CuevasNasu L,, & Santaella-Castell JA, R.-D. J. (2020). Encuesta Nacional de Salud y Nutrición 2018-19: Resultados Nacionales. Cuernavaca, México.

Stein, L. J., Cowart, B. J., & Beauchamp, G. K. (2012). The development of salty taste acceptance is related to dietary experience in human infants: a prospective study. Am J Clin Nutr, 95(1), 123-129. doi:10.3945/ajcn.111.014282

Tejeda, C. (2019). FEMSA prevé moderado crecimiento en Oxxo. El Economista. Retrieved from https://www.eleconomista.com.mx/mercados/FEMSA-preve-moderado-crecimiento-enOxxo-20190228-0150.html

Vandevijvere, S., Sushil, Z., Exeter, D. J., & Swinburn, B. (2016). Obesogenic Retail Food Environments Around New Zealand Schools: A National Study. Am J Prev Med, 51(3), e5766. doi:10.1016/j.amepre.2016.03.013

Vatanparast, H., Islam, N., Masoodi, H., Shafiee, M., Patil, R. P., Smith, J., & Whiting, S. J. (2020). Time, location and frequency of snack consumption in different age groups of Canadians. Nutr J, 19(1), 85. doi:10.1186/s12937-020-00600-5

W. H. O. Multicentre Growth Reference Study Group. (2006). WHO Child Growth Standards based on length/height, weight and age. Acta Paediatr Suppl, 450, 76-85.

Wand, M. P. J., M.C. (1994). Kernel Smoothing (1st ed.). In C. a. Hall/CRC (Ed.). doi:https://doi.org/10.1201/b14876

Watters, D. (2022). Application of the Getis-Ord Gi* statistic (Hot Spot Analysis) to seafloor organisms. https://proceedings.esri.com/library/userconf/proc16/papers/269_524.pdf

Welker, E., Lott, M., & Story, M. (2016). The School Food Environment and Obesity Prevention: Progress Over the Last Decade. Curr Obes Rep, 5(2), 145-155. doi:10.1007/s13679-0160204-0

Wheeler D.C., P. A. (2010). Geographically Weighted Regression. In Handbook of Applied Spatial Analysis. Berlin, Heidelberg. : Springer.

World Health Organization. (2009). WHO AnthroPlus for personal computers Manual: Software for assessing growth of the world's children and adolescents. Retrieved from http://www.who.int/growthref/tools/en/

123

ANEXOS

Anexo 1 Tabla de contingencia de los cuartiles del SP+Ob vs el número de tiendas de conveniencia en radios de 400 y 800m para las seis zonas metropolitanas y dos periodos de estudio.

124

n % n % n % n % n % 0 51 38.9 46 35.1 42 31.8 31 23.7 170 32.4 1 43 32.8 43 32.8 45 34.1 42 32.1 173 33 2 21 16 23 17.6 23 17.4 30 22.9 97 18.5 3 6 4.6 7 5.3 11 8.3 12 9.2 36 6.9 4 4 3.1 3 2.3 7 5.3 10 7.6 24 4.6 5 y más 6 4.6 9 6.9 4 3 6 4.6 25 4.8 0 18 13.7 10 7.6 9 6.8 5 3.8 42 8 1 10 7.6 10 7.6 12 9.1 7 5.3 39 7.4 2 21 16 25 19.1 16 12.1 16 12.2 78 14.9 3 19 14.5 13 9.9 19 14.4 13 9.9 64 12.2 4 15 11.5 26 19.8 22 16.7 16 12.2 79 15 5 a 10 40 30.5 33 25.2 51 38.6 60 45.8 184 35 11 a 20 7 5.3 11 8.4 3 2.3 11 8.4 32 6.1 21 y más 1 0.8 3 2.3 0 0 3 2.3 7 1.3 Total Número de Tiendas en un radio de 400m Cuartiles de SP+Ob TIJUANA 2018 Número de Tiendas en un radio de 800m I II III IV n % n % n % n % n % 0 67 50 58 43 62 45.9 53 39.6 240 44.6 1 45 33.6 44 32.6 38 28.1 51 38.1 178 33.1 2 19 14.2 18 13.3 17 12.6 18 13.4 72 13.4 3 3 2.2 10 7.4 9 6.7 7 5.2 29 5.4 4 0 0 2 1.5 4 3 4 3 10 1.9 5 y más 0 0 3 2.2 5 3.7 1 0.7 9 1.7 0 32 23.9 21 15.6 9 6.7 10 7.5 72 13.4 1 18 13.4 16 11.9 15 11.1 11 8.2 60 11.2 2 21 15.7 17 12.6 23 17 25 18.7 86 16 3 19 14.2 19 14.1 19 14.1 25 18.7 82 15.2 4 16 11.9 15 11.1 16 11.9 18 13.4 65 12.1 5 a 10 26 19.4 39 28.9 43 31.9 42 31.3 150 27.9 11 a 20 2 1.5 8 5.9 10 7.4 3 2.2 23 4.3 21 y más 0 0 0 0 0 0 0 0 0 0 Total LEON 2018 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m

I II III IV

Cuartiles de SP+Ob

125 n % n % n % n % n % 0 23 27.4 17 20.2 18 21.4 11 13.1 69 20.5 1 30 35.7 33 39.3 23 27.4 30 35.7 116 34.5 2 16 19 13 15.5 16 19 17 20.2 62 18.5 3 9 10.7 10 11.9 11 13.1 13 15.5 43 12.8 4 3 3.6 6 7.1 10 11.9 7 8.3 26 7.7 5 y más 3 3.6 5 6 6 7.1 6 7.1 20 6 0 9 10.7 6 7.1 6 7.1 1 1.2 22 6.5 1 7 8.3 6 7.1 1 1.2 11 13.1 25 7.4 2 3 3.6 7 8.3 5 6 4 4.8 19 5.7 3 12 14.3 7 8.3 5 6 2 2.4 26 7.7 4 12 14.3 13 15.5 9 10.7 10 11.9 44 13.1 5 a 10 34 40.5 32 38.1 39 46.4 37 44 142 42.3 11 a 20 7 8.3 12 14.3 19 22.6 18 21.4 56 16.7 21 y más 0 0 1 1.2 0 0 1 1.2 2 0.6

I II III IV Total VERACRUZ

Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m n % n % n % n % n % 0 186 47.9 167 43 160 41.3 140 36 653 42.1 1 122 31.4 106 27.3 114 29.5 132 33.9 474 30.5 2 50 12.9 67 17.3 71 18.3 55 14.1 243 15.7 3 16 4.1 34 8.8 23 5.9 36 9.3 109 7 4 11 2.8 11 2.8 9 2.3 10 2.6 41 2.6 5 y más 3 0.8 3 0.8 10 2.6 16 4.1 32 2.1 0 55 14.2 47 12.1 35 9 25 6.4 162 10.4 1 78 20.1 61 15.7 57 14.7 45 11.6 241 15.5 2 61 15.7 53 13.7 52 13.4 39 10 205 13.2 3 47 12.1 43 11.1 47 12.1 53 13.6 190 12.2 4 40 10.3 49 12.6 43 11.1 41 10.5 173 11.1 5 a 10 98 25.3 127 32.7 132 34.1 152 39.1 509 32.8 11 a 20 7 1.8 7 1.8 16 4.1 31 8 61 3.9 21 y más 2 0.5 1 0.3 5 1.3 3 0.8 11 0.7 III IV Total

2018

2015 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m I II

Cuartiles de SP+Ob

MONTERREY

Cuartiles de SP+Ob I II III IV

126 n % n % n % n % n % 0 125 32.2 111 28.6 90 23.2 99 25.5 425 27.4 1 124 32 118 30.4 117 30.2 104 26.8 463 29.8 2 80 20.6 95 24.5 99 25.5 76 19.6 350 22.6 3 35 9 33 8.5 38 9.8 62 16 168 10.8 4 16 4.1 18 4.6 27 7 14 3.6 75 4.8 5 y más 8 2.1 13 3.4 17 4.4 33 8.5 71 4.6 0 32 8.2 8 2.1 10 2.6 13 3.4 63 4.1 1 35 9 29 7.5 28 7.2 19 4.9 111 7.2 2 60 15.5 48 12.4 25 6.4 28 7.2 161 10.4 3 46 11.9 47 12.1 45 11.6 44 11.3 182 11.7 4 51 13.1 46 11.9 42 10.8 37 9.5 176 11.3 5 a 10 145 37.4 170 43.8 186 47.9 191 49.2 692 44.6 11 a 20 19 4.9 38 9.8 44 11.3 47 12.1 148 9.5 21 y más 0 0 2 0.5 8 2.1 9 2.3 19 1.2 Total MONTERREY 2018 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m

n % n % n % n % n % 0 40 50.6 39 49.4 36 45 33 41.8 148 46.7 1 20 25.3 25 31.6 28 35 26 32.9 99 31.2 2 18 22.8 12 15.2 15 18.8 15 19 60 18.9 3 1 1.3 2 2.5 1 1.3 3 3.8 7 2.2 4 0 0 1 1.3 0 0 1 1.3 2 0.6 5 y más 0 0 0 0 0 0 1 1.3 1 0.3 0 20 25.3 13 16.5 3 3.8 8 10.1 44 13.9 1 18 22.8 16 20.3 18 22.5 14 17.7 66 20.8 2 8 10.1 9 11.4 14 17.5 11 13.9 42 13.2 3 11 13.9 14 17.7 20 25 9 11.4 54 17 4 5 6.3 3 3.8 6 7.5 9 11.4 23 7.3 5 a 10 17 21.5 24 30.4 19 23.8 27 34.2 87 27.4 11 a 20 0 0 0 0 0 0 1 1.3 1 0.3 21 y más 0 0 0 0 0 0 0 0 0 0 SAN LUIS POTOSÍ 2015 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m I II III IV Total

Cuartiles de SP+Ob

Cuartiles de SP+Ob I II III IV

127 n % n % n % n % n % 0 38 48.1 25 31.6 34 43 19 23.8 116 36.6 1 21 26.6 28 35.4 23 29.1 28 35 100 31.5 2 13 16.5 20 25.3 18 22.8 27 33.8 78 24.6 3 7 8.9 3 3.8 1 1.3 3 3.8 14 4.4 4 0 0 1 1.3 3 3.8 1 1.3 5 1.6 5 y más 0 0 2 2.5 0 0 2 2.5 4 1.3 0 17 21.5 9 11.4 6 7.6 4 5 36 11.4 1 12 15.2 5 6.3 8 10.1 3 3.8 28 8.8 2 9 11.4 11 13.9 11 13.9 12 15 43 13.6 3 9 11.4 11 13.9 18 22.8 14 17.5 52 16.4 4 6 7.6 6 7.6 9 11.4 12 15 33 10.4 5 a 10 25 31.6 33 41.8 27 34.2 33 41.3 118 37.2 11 a 20 1 1.3 4 5.1 0 0 2 2.5 7 2.2 21 y más 0 0 0 0 0 0 0 0 0 0 Total SAN LUIS

Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m

POTOSÍ 2018

n % n % n % n % n % 0 31 62.0 27 54.0 28 54.9 18 36.0 104 51.7 1 12 24.0 12 24.0 12 23.5 18 36.0 54 26.9 2 4 8.0 7 14.0 6 11.8 8 16.0 25 12.4 3 1 2.0 3 6.0 1 2.0 4 8.0 9 4.5 4 0 0.0 0 0.0 1 2.0 1 2.0 2 1 5 y más 2 4.0 1 2.0 3 5.9 1 2.0 7 3.5 0 16 32.0 16 32.0 8 15.7 7 14.0 47 23.4 1 11 22.0 6 12.0 19 37.3 5 10.0 41 20.4 2 10 20.0 8 16.0 6 11.8 7 14.0 31 15.4 3 3 6.0 4 8.0 2 3.9 4 8.0 13 6.5 4 5 10.0 3 6.0 3 5.9 3 6.0 14 7 5 a 10 4 8.0 13 26.0 8 15.7 21 42.0 46 22.9 11 a 20 1 2.0 0 0.0 5 9.8 3 6.0 9 4.5 21 y más 0 0.0 0 0.0 0 0.0 0 0.0 0 0

I II III IV Total VILLAHERMOSA 2016 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m

Cuartiles de SP+Ob

Cuartiles de SP+Ob

Anexo 2 Distancia promedio a la tienda de conveniencia más cercana para los cuartiles de SP+Ob para las zonas metropolitanas y años seleccionados.

128

n % n % n % n % n % 0 27 54.0 22 44.0 23 45.1 20 40.0 92 45.8 1 14 28.0 14 28.0 11 21.6 10 20.0 49 24.4 2 5 10.0 8 16.0 6 11.8 8 16.0 27 13.4 3 4 8.0 4 8.0 7 13.7 6 12.0 21 10.4 4 0 0.0 0 0.0 1 2 3 6.0 4 2 5 y más 0 0.0 2 4.0 3 5.9 3 6.0 8 4 0 15 30.0 11 22.0 7 13.7 8 16.0 41 20.4 1 5 10.0 11 22.0 11 21.6 9 18.0 36 17.9 2 7 14.0 7 14.0 5 9.8 6 12.0 25 12.4 3 4 8.0 2 4.0 3 5.9 2 4.0 11 5.5 4 6 12.0 1 2.0 7 13.7 1 2.0 15 7.5 5 a 10 13 26.0 14 28.0 14 27.5 16 32.0 57 28.4 11 a 20 0 0.0 4 8.0 4 7.8 8 16.0 16 8 21 y más 0 0.0 0 0.0 0 0 0 0.0 0 0 III IV Total

VILLAHERMOSA 2018 Número de Tiendas en un radio de 400m Número de Tiendas en un radio de 800m I II

129 0 200 400 600 800 1000 1200 1400 1600 1800 2000 I II III IV DISTANCIA EN METROS A LA TIENDA MÁS CERCANA CUARTIL DE SP+OB (b)

LEON 2018

130

131