103579

Master Thesis 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 Universidad de Salzburg

Inequidad social en salud: Quito (Ecuador), un enfoque espacial Social inequity in Health: Quito (Ecuador), a spatial approach by/por

Ingeniero Danny José Guzmán Mina 1323725

A thesis submitted in partial fulfillment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS)

Quito - Ecuador, 24 de enero del 2017

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.

Quito, 24 de enero del 2017 Lugar y fecha

Firma

AGRADECIMIENTOS

A mi esposa e hijos, que son los ejes que guían mi camino.

A toda la comunidad UNIGIS. Gracias por enseñarme el valor de la perspectiva del espacio.

RESUMEN Esta investigación aborda la problemática del acceso de los habitantes del cantón Quito, Ecuador, a las unidades de salud públicas, desde la perspectiva social y económica de su entorno geográfico.

La aplicación de dos indicadores agregados para representar medidas socioeconómicas en el territorio está basada en la información de la Encuesta de Condiciones de Vida (ECV). Este instrumento estadístico, en su sexta edición, ofrece información representativa, a nivel urbano y rural, de las características de los hogares ecuatorianos. Mediante el cálculo de distancias euclidianas a las unidades de salud más cercanas desde el centroide de cada subdivisión administrativa del territorio se establecen rangos de accesibilidad a los servicios de salud por parroquia, complementando las estadísticas descriptivas de tiempos de traslado. La visualización de mapas temáticos y las herramientas de análisis geográfico facilitan la obtención de clústeres y valores atípicos.

Geográficamente, las zonas alrededor del Distrito Metropolitano de Quito presentan una mejor condición socioeconómica que aquellas que se alejan de esta zona urbana. Se identifica a la parroquia de Cumbayá como una zona de mayor desarrollo socioeconómico, así como a la parroquia de San José de Minas como una de las más deprimidas. Así mismo, la mayoría de unidades de salud se concentran en torno a los 5 kilómetros de distancia del centroide de la parroquia, no existiendo diferencias significativas entre la mayoría de parroquias. No se encontró asociación significativa entre los factores socioeconómicos –excepto Servicios básicos deficitarios- y las medidas de accesibilidad a los servicios de salud mediante el uso de herramientas de exploración regresiva múltiple, no encontrando tampoco dependencias geográficas significativas.

No existe evidencia de que la accesibilidad a unidades de salud dependa de los factores socioeconómicos considerados, en su totalidad. Esta independencia, contribuye a la equidad en el acceso a la salud entre la población del cantón Quito.

Palabras

claves:

accesibilidad,

salud,

pobreza,

consumo,

distancia

5

ABSTRACT This research approaches the problem of accessing public health units in the Metropolitan District of Quito, Ecuador, from a social and economic perspective of its geographical environment.

It analyses the information of the Official Survey of Living Conditions (Encuesta de Condiciones de Vida - ECV) that, in the sixth edition, offers a representative data set for urban and rural households in Ecuador. It applies aggregated indicators that are built on a new methodology to represent socioeconomic measures through the characterization of territory. By calculating the euclidean distance from the centroid of the administrative subdivisions to the nearest health unit, it captures the accessibility of health services for each parish in the study area, complementing the descriptive statistics of transfer times. In addition, spatial clusters and outliers were identified and are presented in thematic maps.

In general, areas within and adjacent to the urban zone of Quito have better socioeconomic conditions than more peripheral areas. Cumbayรก was identified as the parish with the best socio-economic conditions, whereas San Jose de Minas is the worst performing parish. However, in the entire study area, most health units are within a 5 km range from the centroid of the administrative subdivision. Neither a significant relation between socioeconomic factors and the accessibility to health services was found, using multiple exploratory regression tools, nor could be identified a significant geographic dependence between the analysed variables.

Hence it can be concluded that there is no evidence that the accessibility of health units in Quito depend on the analysed socioeconomic indicators. These results support the assumption that health infrastructure in the Metropolitan District of Quito is equally accessible for its population regardless their socio-economic background.

Key words: accessibility, health, poverty, consumption, distance

6

TABLA DE CONTENIDO RESUMEN ........................................................................................................................ 4 ABSTRACT ...................................................................................................................... 5 1. INTRODUCCIÓN .........................................................................................................11 1.1 ANTECEDENTES ..................................................................................................11 1.2 OBJETIVOS Y PREGUNTAS DE INVESTIGACIÓN ..............................................12 1.2.1 General ............................................................................................................12 1.2.2 Específicos ......................................................................................................12 1.2.3 Preguntas de investigación ..............................................................................13 1.3. HIPÓTESIS ...........................................................................................................13 1.4 JUSTIFICACIÓN ....................................................................................................13 1.5 ALCANCE ..............................................................................................................14 2. REVISIÓN DE LITERATURA .......................................................................................16 2.1 MEDIDAS SOCIOECONÓMICAS BASADAS EN ÁREAS .....................................16 2.2 ACCESO A SERVICIOS DE SALUD ......................................................................21 2.3 INEQUIDADES SOCIALES EN EL ACCESO A SERVICIOS DE SALUD ...............26 3. METODOLOGÍA ..........................................................................................................32 3.1 POBLACIÓN DE REFERENCIA .............................................................................32 3.2 UBICACIÓN Y ESTRUCTURA DEL CANTÓN QUITO ...........................................33 3.3 HERRAMIENTAS Y METODOLOGÍA ....................................................................36 3.3.1 Flujo metodológico ...........................................................................................36 3.3.2 Justificación .....................................................................................................37 3.3.3 Composición de una medida socioeconómica basada en áreas ......................38 3.3.4 Análisis de accesibilidad a unidades de salud ..................................................43 3.3.5 Identificación de inequidades en la accesibilidad a servicios de salud .............45 4. RESULTADOS Y DISCUSIÓN.....................................................................................57 4.1. RESULTADOS ......................................................................................................57 4.1.1 Situación socioeconómica................................................................................57 4.1.2. Accesibilidad a las unidades de salud .............................................................67 4.1.3. Relaciones entre factores socioeconómicos y accesibilidad ...........................75 4.2 DISCUSIÓN ...........................................................................................................84 4.2.1 Situación socioeconómica................................................................................84 4.2.2 Accesibilidad a unidades de salud ...................................................................88 4.2.3 Relación entre factores socioeconómicos y accesibilidad ................................88

7

5. CONCLUSIONES ........................................................................................................94 6. REFERENCIAS ...........................................................................................................97

8

ÍNDICE DE ILUSTRACIONES

Ilustración 1: Mapa de la estructura administrativa del Cantón Quito. ..............................34 Ilustración 2. Flujo de la metodología a seguir .................................................................36 Ilustración 3: Mapa de NBI por parroquia del cantón Quito. .............................................64 Ilustración 4: Mapa de pobreza por consumo, por parroquias del cantón Quito. ..............66 Ilustración 5: Mapa de distribución de las unidades de salud en el cantón Quito. ............68 Ilustración 6: Distribución de las unidades de salud en la zona urbana del DMQ .............69 Ilustración 7: Composición de las unidades de salud por tipo ..........................................70 Ilustración 8: Mapa de distancias mínimas a la unidad de salud. .....................................73 Ilustración 9: Distancia a las unidades de salud más cercanas en el DMQ ......................74 Ilustración 10: Mapa de grupos y valores atípicos: Pobreza por consumo. ......................76 Ilustración 11: Mapa de grupos y valores atípicos: Necesidades básicas insatisfechas. ..77 Ilustración 12: Mapa de grupos y valores atípicos: Distancia a unidades de salud. .........79

9

ÍNDICE DE TABLAS

Tabla 1: Composición de la población del cantón Quito al 2014. .....................................35 Tabla 2: Estadísticos para la evaluación del modelo de regresión. ..................................51 Tabla 3: Variables empleadas en los modelos de regresión. ...........................................54 Tabla 4: Consumo mensual promedio. ............................................................................57 Tabla 5: Dependencia económica de los miembros del hogar. ........................................58 Tabla 6: Viviendas con materiales deficitarios .................................................................59 Tabla 7: Viviendas con servicios básicos inadecuados. ...................................................61 Tabla 8: Hacinamiento .....................................................................................................62 Tabla 9: Tiempos de traslado promedio a una unidad de salud .......................................71 Tabla 10: Abreviaturas empleadas en el modelo de regresión. ........................................80 Tabla 11: Resultados más altos para el modelo de regresión 1. ......................................81 Tabla 12: Factor de inflación de la varianza para el modelo 1..........................................82 Tabla 13: Resumen de normalidad y autocorrelación del modelo 1. ................................82 Tabla 14: Significancia de las variables explicativas del modelo 2. ..................................83

10

TABLA DE ACRÓNIMOS AED AEDE CAN CEPAL CIA DMQ ECV ENDEMAIN ESRI IESS INEC LISA MCO MSBA MSP NBI OMS OPS PNUD RPG SIG SNI SPSS UN VIF

Análisis Exploratorio de Datos Análisis Exploratorio de Datos Espaciales Comunidad Andina de Naciones Comisión Económica para América Latina y el Caribe Criterio de Información de Akaike Distrito Metropolitano de Quito Encuesta de Condiciones de Vida Encuesta Demográfica y de salud Materno Infantil Environmental Systems Research Institute Instituto Ecuatoriano de Seguridad Social Instituto Nacional de Estadística y Censos Local Indicators of Spatial Association Mínimos Cuadrados Ordinarios Medidas Socioeconómicas Basadas en Áreas Ministerio de Salud Pública del Ecuador Necesidades Básicas Insatisfechas Organización Mundial de la Salud Organización Panamericana de la Salud Programa de las Naciones Unidas para el Desarrollo Regresión Ponderada Geográficamente Sistemas de Información Geográfica Sistema Nacional de Información Statistical Package for the Social Sciences Naciones Unidas Variance Inflation Factor

11

1. INTRODUCCIÓN

1.1 ANTECEDENTES La dinámica de las condiciones sociales de la población ecuatoriana ha sido visualizada tradicionalmente mediante una encuesta de condiciones de vida. Esta encuesta presenta análisis multidimensionales que brindan una idea de la dimensión económica, demográfica y social de la población y su relación con el ámbito de la salud, pero no aborda las relaciones espaciales de vecindad, conglomerados y otras que se caracterizan por las propiedades de grupo en el territorio.

El Cantón Quito, es el segundo más poblado del Ecuador. Está compuesto por parroquias, algunas de las cuales conforman el Distrito Metropolitano de Quito (DMQ) que es la capital del Ecuador. Al año 2010, se estima que más del 26% de hogares son pobres, de acuerdo con el Sistema Nacional de Información (SENPLADES, 2014b).

Lo colectivo, las normas sociales y los recursos en el territorio necesitan ser incorporados en el análisis de las inequidades en el ámbito de la salud junto con las características sociales individuales. Aquí nacen y maduran, tanto relaciones como procesos esenciales de las condiciones de vida de la población, subyacentes al espacio geográfico en el cual habitan.

En Ecuador se han desarrollado investigaciones y análisis relacionados a la salud, a las condiciones de vida de sus habitantes y a sus relaciones sociales, pero carecen de discusión respecto a las relaciones geográficas. A pesar de ello, se observan investigaciones espaciales respecto a propagación y distribución de enfermedades, planificación de recursos en salud y cobertura en la atención.

Entre los años 2006 y 2014 se evidencia un incremento del 142% en la atención hospitalaria y ambulatoria de las redes del Ministerio de Salud Pública del

12

Ecuador, con una inversión pública de casi USD 11,000 millones desde el año 2008 (MSP, 2015a).

Esta investigación pretende vincular las condiciones sociales al factor de acceso a la salud, desde una perspectiva espacial, fusionando lo individual y lo colectivo.

Este análisis social y su discusión metódica, deben contar con un punto de vista integrador. Una visión más amplia, no en su contenido únicamente, sino en su enfoque. Una perspectiva espacial, sumada a las metodologías de análisis de factores sociales, pretende contribuir a las experiencias documentadas desde este ámbito.

Las políticas en salud, como en otros ámbitos, se nutren de investigaciones para llegar a ser efectivas. Este análisis puede contribuir a una mejor toma de decisiones.

1.2 OBJETIVOS Y PREGUNTAS DE INVESTIGACIÓN

1.2.1 General Evaluar la inequidad social relacionada con el acceso a la salud, en el cantón Quito (Ecuador).

1.2.2 Específicos 

Generar indicadores espaciales en la dimensión socioeconómica en el cantón Quito.



Evaluar la accesibilidad a servicios de salud.



Identificar inequidades sociales respecto a la accesibilidad a servicios de salud.

13

1.2.3 Preguntas de investigación 

¿Existen diferencias en la situación socioeconómica de la población y el acceso a servicios de salud, entre las parroquias del cantón Quito?



¿Cuáles son los patrones espaciales de estas diferencias?



¿Cuál es el grado de relación entre los distintos factores socioeconómicos y la accesibilidad a servicios de salud?

1.3. HIPÓTESIS En el cantón Quito (Ecuador), existe asociación significativa entre el indicador agregado de consumo y la distancia de acceso hacia la unidad de salud más cercana.

1.4 JUSTIFICACIÓN El acceso a la salud es una de las aristas de análisis más importantes en la aplicación de políticas públicas en el sector social. En entornos de países en desarrollo, donde la aplicación de cambios en políticas de salud conlleva una permanente evaluación de los beneficiarios de dichos lineamientos, es fundamental la asociación de criterios socioeconómicos, demográficos y hasta educativos, que permitan entender –en su globalidad- que el acceso y uso de los servicios de salud maneja en su esencia principios para el mejoramiento de las condiciones de vida de los habitantes.

Ecuador, presenta actualmente un escenario en el cual se aprecia un incremento sustancial en los servicios e infraestructura de salud pública, con alrededor de 3077 establecimientos de atención a la salud (MSP, 2015a). El Ministerio de Salud Pública del Ecuador (MSP) que es el ente rector de las políticas públicas de salud concentra al 47% de las unidades y el Instituto Ecuatoriano de Seguridad Social (IESS) un 24%; donde, el MSP, con la mayor oferta de servicios del país, cubre aproximadamente a un 51% de la población ecuatoriana, mientras que el

14

IESS cubre al menos a un 20% del total de la población ecuatoriana (Lucio, Villacrés y Henríquez, 2011).

De acuerdo con Ramírez (2004), los primeros pasos de la geografía aplicada a la salud se atribuyen a inicios de los años treinta, con un enfoque en la relación entre el medio geográfico y la carencia de salud, señalando básicamente el área de extensión de una enfermedad. A partir de la década del setenta, la preocupación social derivó en la producción de indicadores que revelen características espaciales de las desigualdades sociales y los estudios de distribución y accesibilidad a equipamientos y servicios médicos llegaron a ser hasta el 30% de las investigaciones en los años ochenta, de tal forma que la salud y el territorio parecen ser cuestiones alineadas cuyo análisis combinado resulta imprescindible para la mejora de los servicios sanitarios (Ramírez, 2004).

El cantón Quito, presenta condiciones sociales y territoriales muy diversas en su población. Esta heterogeneidad enriquece el análisis de condiciones de equidad social en el acceso a la salud, desde un punto de vista espacial.

1.5 ALCANCE El presente trabajo de investigación pretende analizar factores socioeconómicos y espaciales, relacionados con el acceso a la salud desde la perspectiva del tiempo de traslado y distancia mínima a una unidad de salud, dentro del cantón Quito (Ecuador). Para los fines de este trabajo, el DMQ constituye la agrupación administrativa de parroquias urbanas del cantón Quito ya que no se posee información desagregada para las mismas.

Al hablar de acceso a la salud, se cubren los servicios en establecimientos de la red pública de salud del cantón Quito, entendidos como tal aquellos prestados por centros propios administrados por el Gobierno Central a través del Ministerio de Salud Pública o bien asociados a la red, incluyendo a centros privados con convenio vigente al año 2014, instituciones públicas de seguridad social y otros

15

centros administrados por gobiernos locales con convenio de prestación de servicios con el Ministerio señalado.

El análisis presentado es de corte transversal, a diciembre 2014, de acuerdo a las fuentes de información disponibles y no discrimina entre unidades de reciente creación y otras ya existentes. Por tanto, este trabajo no pretende establecer diferencias entre gestiones de gobiernos recientes y de gobiernos anteriores, en la ubicación de establecimientos de salud o en la gestión de los mismos, sino reflejar la situación actual del acceso a dichas unidades con la perspectiva socioeconómica. Esta evaluación contribuirá a la gestión de políticas de igualdad en los servicios de salud por parte de la Subsecretaría Nacional de Promoción de la Salud e Igualdad, perteneciente al MSP.

16

2. REVISIÓN DE LITERATURA Esta sección muestra las diferentes discusiones y estudios relacionados con la aplicación de medidas socioeconómicas, análisis de accesibilidad e identificación de inequidades en el acceso a la salud, encontrados en la literatura disponible.

2.1 MEDIDAS SOCIOECONÓMICAS BASADAS EN ÁREAS La construcción de medidas que permitan la comparación de estados sociales y económicos ha sido un tema ampliamente analizado en estadística, economía y sociología. En particular, la idea de contar con medidas socioeconómicas basadas en áreas no es un tema reciente, contrario a lo que se podría pensar. La estadística, como un auxiliar metodológico para las ciencias, ha utilizado desde hace ya mucho tiempo ciertos conceptos asociados con geografía. Las conocidas segmentaciones de poblaciones respecto a sectores urbanos y rurales constituyen ya una primera aproximación de la necesidad de asociar localidades a índices de desarrollo.

La salud, entonces, no es un tema ajeno a la aplicación de criterios de segmentación de la población, siendo muy común el uso de medidas para describir las afectaciones, privaciones o condiciones de los individuos. Un ejemplo común de ello es la comparación de sectores de población respecto a medidas de morbilidad y mortalidad. Estas divisiones, permitían ya hacer comparaciones respecto a las diferencias entre localidades (Rodríguez Vignoli, 2001). Uno de los problemas más frecuentes en investigaciones de salud es la ausencia de datos socioeconómicos relacionados con los registros de información de salud y estadísticas vitales. Esta omisión resulta trascendente al considerar que muchos factores socioeconómicos tienen influencia en el uso y acceso de servicios de salud. La revisión y mejora de registros censales supuso un avance para superar este inconveniente pues, en este tipo de registros, los individuos eran caracterizados por el perfil socioeconómico del sector en el que vivía, un concepto temprano de medidas basadas en áreas (Krieger, 1992).

17

Las medidas socioeconómicas basadas en áreas (MSBA) resultan de la conjunción de información tanto de estadísticas vitales como de registros de encuestas de salud. Derivadas de ubicaciones geográficas, permiten involucrar individuos con el espacio que habitan, facilitando la compilación de datos socioeconómicos, información de salud y otros, para crear ―perfiles‖ de áreas pequeñas (Denny y Davidson, 2012). Las MSBA usualmente son empleadas para mediar y monitorear información de salud de acuerdo al nivel socioeconómico del grupo. La literatura disponible muestra que la magnitud de las diferencias en la información de salud varía dependiendo de si el indicador socioeconómico posee información individual o está basada en un área (Pampalon, Hamel y Gamache, 2009).

En Ecuador, el inicio de la actividad estadística profesional y científica ocurrió después de la segunda guerra mundial, al producirse el denominado ―Censo de América‖. El primer censo nacional de población, alrededor de 1950, marca la etapa propiamente estadística para el país mediante la organización de información censal como aporte a las políticas públicas de desarrollo. Hacia el 2010, el censo nacional fue estructurado para permitir a expertos de instituciones públicas, académicos y comunidad internacional, de forma que permita la toma de decisiones y pueda ser aplicado a toda la geografía nacional (INEC, 2015e).

Chapin

(1928)

desarrolló

un

esquema

de

construcción

de

medidas

socioeconómicas basado en la aplicación de cuatro factores: Ingresos del jefe de hogar, bienes culturales, bienes materiales y actividades. A estos elementos les aplicó un factor de ponderación que definía cuál de estas características era más importante. El resultado fue un indicador socioeconómico compuesto que mejoraba la aproximación en los cálculos de pobreza.

Towsend y Davidson (1982) mencionan que algunas de las medidas se basan en calcular razones o diferencias entre tasas en grupos situados en puntos extremos de las sociedades. Mediante el análisis exploratorio de datos y el análisis de grupos, tratan de establecer que, independientemente de la edad, aquellas personas con menor nivel socioeconómico poseen menor calidad de vida y de

18

salud en Gran Bretaña. Muestran también que el área de residencia tiene un impacto profundo en las condiciones de salud.

Mackenbach

y

Kunst

(1997)

analizan

comparativamente

las

medidas

socioeconómicas utilizadas para dimensionar las inequidades en salud, mediante la aplicación de factores de ocupación laboral y de nivel de educación. El resultado muestra que existen diferencias en el impacto obtenido respecto al nivel socioeconómico, dependiente de si la medida utilizada es un indicador simple o agregado.

Algunas medidas más sofisticadas utilizan el nivel socioeconómico, de modo que sea posible relacionar cuantitativamente la variación de los indicadores de salud con la variación del nivel socioeconómico u otras medidas, basadas en procedimientos de regresión lineal (Szwarcwald, Bastos y Andrade, 2002).

Domínguez-Berjón, Borrell y Pastor (2004) plantean valorar si dos indicadores socioeconómicos, como el porcentaje de desempleo y el índice de privación, permiten detectar inequidades en salud, concluyendo que la clasificación socioeconómica del individuo en el área de residencia es útil para observar desigualdades en salud.

Una recomendación para aproximar una medida de nivel socioeconómico incluye cuatro aspectos metodológicos relevantes: Inclusión de variables de análisis relevantes, incorporación de tantos datos socioeconómicos como se pueda respecto a las variables relevantes, considerar factores socioeconómicos específicos y no perder de vista a aquellos factores no medidos que pueden influir en los resultados (Braveman et al., 2005).

En el estudio de López-Cevallos, Chi y Ortega (2014), además de la relación entre factores sociales y accesibilidad, se señala dos conclusiones consideradas determinantes en el acceso a servicios de salud en Ecuador:

19



Hogares de bajos recursos, indígenas y zonas rurales tienen menos posibilidades de utilizar servicios de salud.



Alta concentración de prestadores y servicios de salud en zonas urbanas.

Sloggett y Joshi (1994) plantean su experiencia basada en el análisis de más de 300,000 individuos (censo de Gran Bretaña) señalando que los factores individuales son mejores predictores de la esperanza de vida que aquellos factores geográficos. Sin embargo, no involucran el análisis de los servicios de salud y recomiendan analizar si existen diferencias.

Ciertos estudios que involucran cuestiones de accesibilidad, se llevan a cabo en espacios determinados, con consideraciones propias del autor y cuya perspectiva pretende contribuir con el mejoramiento de la toma de decisiones. Por ejemplo, en zonas rurales, de acuerdo con Garrocho (1995) y Simonelli (1987), los tratamientos en salud son dependientes de la accesibilidad a los servicios, en kilómetros de distancia y del tiempo necesario para llegar, incluyendo obstáculos y condiciones sociales, culturales y económicas. Rodríguez Vignoli (2001) señala que el factor territorial representa hasta un tercio de la variación socioeconómica total, aplicando una segregación residencial mediante el censo de población y vivienda. Además, muestra que existen sectores claramente diferenciados por los altos ingresos de sus habitantes.

Quevedo y Rubio (2009) emplean una encuesta nacional de salud basada en un índice de concentración de ingresos de la población con el fin de determinar si existen desigualdades en temas de salud. Encontraron que sí existen diferencias y que además los sectores más favorecidos son aquellos con mayor renta.

Hernández-Quevedo,

Jones

y

Rice

(2008)

pusieron

de

manifiesto

las

desigualdades en salud explorando las contribuciones relativas de los factores socioeconómicos: ingreso, educación y ocupación asociados a la dependencia de servicios estatales de salud, empleando comparaciones en el tiempo mediante

20

datos de panel. El resultado evidenció la asociación entre el grado de desigualdad y las características socioeconómicas.

La existencia de un único perfil de MSBA, aplicable a los análisis de salud, es cuestionable. No existe consenso sobre qué medida debe ser utilizada y a qué nivel de unidad geográfica, sin embargo, la utilización de geocódigos y el empleo de MSBA, cada vez más extendida, es una solución poco costosa y potencialmente efectiva para contrarrestar los efectos de la ausencia de datos, mediante el cálculo de tasas estratificadas (Krieger, Chen, Waterman, Rehkopf, Subramanian, 2003). La producción de estudios científicos que incluyen medidas MSBA, en temas de salud va en aumento. El proyecto Public Health Disparities Geocoding Project es probablemente el más completo estudio de inclusión de MSBA en salud, con ensayos que varían la composición de las medidas y el escenario de salud analizado (Krieger et al., 2003), aunque algunos hallazgos de estudios que analizan justamente estos escenarios han mostrado resultados inconsistentes (Shavers, 2007).

A menudo, el interés recae en conocer alguna medida que permita cuantificar la condición. Suele, entonces, plantearse un primer conteo de pobres y no pobres, asumiendo que el nivel socioeconómico se relaciona con las condiciones de los pobres. Así medida, la pobreza como indicador tiene serias limitaciones incluyendo la imposibilidad de ser sensible ante variaciones entre la distribución del ingreso entre los pobres y el hecho de no poder observarse la magnitud de las brechas respecto a la línea de pobreza (Sen, 1992).En este sentido, la pobreza tiene relación con la negación de oportunidades y condiciones básicas para el desarrollo humano, y, por tanto, vinculada con la distribución de recursos económicos, sociales, políticos, ambientales y de infraestructura (PNUD, 1997).

Esta es la base para que sea un concepto multidimensional y, por tanto, para evidenciar la necesidad de la construcción de indicadores agregados; es decir, medidas que incluyan condiciones relacionadas con ámbitos no solamente económicos.

21

Wang y Luo (2005) consideran factores espaciales y no espaciales para examinar la accesibilidad a unidades de salud en Illinois. Mediante la agrupación de tres factores no espaciales: Desventaja socioeconómica, barreras socioculturales y necesidades de atención en salud, identifica las áreas con peor acceso a unidades de salud. Al consolidar los factores en un indicador múltiple, concluye que el factor más importante es el socioeconómico explicando casi la mitad de la varianza total del indicador agrupado.

Así, Feres y Mancero (2001) señalan que los indicadores de bienestar más utilizados son el ingreso y el gasto en consumo, debido a que en el análisis económico común se define pobreza como ‗nivel de vida‘. Ante ello, también sugieren que las mediciones y el indicador utilizado para ello deben contemplar un alcance conceptual, pues si el enfoque es medir un estándar de vida entonces el ingreso y consumo no son suficientes, siendo necesario incluir otros indicadores de bienestar que contemplen componentes no observados directamente como son los bienes durables y aquellos que no se transan totalmente en el mercado (salud y la educación). Por ello, el enfoque de Necesidades básicas insatisfechas (NBI), se basa en la existencia de información desagregada de individuos y hogares a mayor detalle, caracterizando el tipo de carencias por zona geográfica y/o estratos de población en un indicador que mide el grado de pobreza o riqueza del hogar. Esta información usualmente se encuentra a nivel censal o en muestras suficientemente grandes, como ocurre con la Encuesta de condiciones de vida (ECV) que es un instrumento de registro estadístico que recoge información, con mayor frecuencia que otros instrumentos, sobre características físicas, sociales y económicas de los hogares.

2.2 ACCESO A SERVICIOS DE SALUD En términos de transporte y rutas, la accesibilidad se define como la facilidad relativa para alcanzar una localidad específica. Esta cualidad es de gran interés para el análisis en salud, particularmente cuando se desea planificar y evaluar la ubicación de la infraestructura destinada para brindar servicios de salud. La

22

localización de estas unidades debería –en teoría- cubrir eficazmente la demanda de servicios de salud de la población y puede estar afectada por factores como la disponibilidad de profesionales de la salud, la existencia de recursos para su dotación y funcionamiento (BTS, 1997).

Aunque similar, la cobertura de servicios de salud es un concepto complementario a la accesibilidad. Es interesante la conjunción de estos dos criterios. Mientras la accesibilidad nutre la suposición de que las personas utilizan más servicios de salud por su cercanía, la cobertura da cuenta del número de unidades que ofrecen los servicios por área. Geográficamente, la primera enfoca nociones de disponibilidad y facilidad de servicios, mientras la segunda complementa el enfoque de capacidad de respuesta del servicio (Laurell y Ruiz, 1996).

En Ecuador, los profesionales de la salud usualmente prestaban sus servicios en sectores rurales, previo a su ejercicio profesional formal. Sin embargo, luego del año, la tasa de retorno a zonas urbanas es superior al 87% (OPS, 2008). El ordenamiento y desarrollo de las unidades de atención de la salud deben basarse en el derecho a la salud, donde el acceso a los servicios sanitarios es una cuestión de equidad social (Olivet, Aloy, Prat y Pons, 2008).

La teoría de ―lugares centrales‖ de Christaller, surge como un intento -del geógrafo alemán del mismo nombre- por explicar los asentamientos en su tamaño, ordenamiento y número (Parr y Denike, 1970). Basado en patrones de localización en el sur de Alemania, propone la idea de que los asentamientos suelen localizarse alrededor de los centros que ofrecen bienes y servicios. Esto en términos de unidades de salud, implicaría que los centros médicos se ubicarán alrededor de un lugar central para que se vuelva rentable (López y Aguilar, 2004).

Escalona y Díez (2003), señalan que la distribución espacial de las unidades de salud depende del nivel de atención que ofrecen y su localización. Para ello, se toman como referencia medidas de accesibilidad que permiten cuantificar el alcance espacial de las unidades de salud mediante la distancia euclidiana, distancia a través de una red de calles o carreteras e, incluso, mediante distancias

23

percibidas (Rodríguez Díaz, 2011). La longitud del camino entre dos puntos, llamada distancia, se constituye en euclidiana si su cálculo se realiza en el espacio que contiene los n pares ordenados de números reales, también llamados puntos cartesianos y nace a partir de las definiciones del Teorema de Pitágoras (Weisstein, 2016). Se evalúa entonces la accesibilidad física, entendida como la distancia que separa un lugar de otros, según la cual puede considerarse más o menos favorable para una actividad. Es decir, es un atributo espacial de los lugares, expresando así su centralidad o cercanía (Gutiérrez, 1998).

En los años ochenta, una encuesta sobre actitudes de indígenas ecuatorianos mostraba que la principal razón para no utilizar los servicios de medicina ―moderna‖ y continuar con la medicina tradicional era la falta de acceso cultural, financiero o geográfico (Kroeger, 1982). El estudio utilizó SIG para los análisis territoriales incluyendo análisis descriptivos de algunos factores socioeconómicos.

López y Aguilar (2004), proponen un análisis de la distribución territorial de unidades de salud de Instituciones de Seguridad Social en México, resaltando el poco enfoque territorial de las políticas públicas en salud. En su tratamiento, los autores consideran factores propios de las unidades de salud: Número de médicos, enfermeras, consultorios y camas de hospital para mostrar la alta concentración de estos en zonas urbanas. Esto puede ser obvio en la oferta de servicios privado, sin embargo, en la planificación de infraestructura para la oferta de servicios de salud públicos esta teoría se complementa con otras consideraciones. En el modelo de planificación de servicios en el Ecuador, se incluyen algunos estándares y criterios para la territorialización de servicios de salud, que incluyen: Perfil epidemiológico, dispersión y densidad de población, acceso geográfico, entre otros (SENPLADES, 2014a).

López y Garrido (2003) realizan el análisis de accesibilidad a hospitales públicos calculando la distancia en línea recta y temporal (tiempos de conducción) mediante SIG vectorial. Como resultado calculan los porcentajes de población que se encuentran dentro o fuera de las distancias máximas de servicio definidas.

24

Basoa y Otero (1994) se plantearon evaluar la accesibilidad geográfica como posible origen de la desigualdad en el acceso a servicios sanitarios, mediante el estudio descriptivo de curvas isométricas entre centroides residenciales y las unidades de salud, encontrando relación entre las distancias máximas, mínimas y promedio con las variables de desigualdad.

Escalona y Díez (2003) mencionan las limitaciones del análisis descriptivo de isócronas en aspectos de accesibilidad a los servicios básicos de salud. Mediante la estimación del costo de desplazamiento del individuo hacia la unidad de salud, en la provincia de Teruel, consideran que sólo hay un destino posible debido a la accesibilidad a través de isócronas construidas únicamente a partir de valores de tiempo de desplazamiento.

Zoido (2002) sostiene la importancia de aplicar indicadores económicos junto con medidas de accesibilidad en el análisis de la disponibilidad de servicios de salud.

El objetivo es cuantificar la proximidad de la unidad de salud en valores de tiempo. Aplica un tiempo medio de acceso junto con un índice de consumo y un índice de bienestar, obteniendo resultados positivos al asociar el factor económico al tiempo de acceso.

Olivet et al. (2008) estudian la accesibilidad de la población a las unidades de salud públicas mediante análisis de redes en SIG. Calculan la ruta entre un par de coordenadas origen-destino mediante distancias mínimas a recorrer y tiempos de desplazamiento, desde los núcleos de población a los distintos puntos de atención como indicadores de accesibilidad geográfica, concluyendo que los sistemas SIG apoyan fuertemente la evaluación de las medidas de accesibilidad. Prat et al.

(2008) sostienen que la estimación de la accesibilidad de los servicios públicos es posible mediante el uso de los Sistemas de Información Geográfica y proporciona un análisis cuantificado de su distribución territorial, que puede relacionarse con las características de la población atendida y facilitar la detección de cambios demográficos y territoriales. Utiliza un análisis de redes enfocado a un único tipo de servicio por las limitaciones de los registros de datos, plantea conocer la proximidad

y dependencia

de

servicios

entre

sí,

sin

asociar

factores

socioeconómicos. En general, la oferta y ubicación de servicios de salud ofrece

25

retos para la planificación adecuada. Ni los profesionales de salud ni la población se encuentran uniformemente distribuidos (Luo y Wang, 2003).

Khan (1992) propone una clasificación respecto al análisis de accesibilidad a servicios de salud. En particular, respecto al análisis espacial, revela dos escenarios posibles: Accesibilidad potencial y accesibilidad real, destacando la importancia de que la evaluación de la accesibilidad se realice en los dos escenarios. Independientemente de ello, tres aspectos se consideran básicos para analizar la accesibilidad (Wang y Luo, 2005): 

Que la medida de accesibilidad sea simple de implementar.



Que permita incluir medidas sociales, demográficas y económicas, así como otros factores no espaciales.



Que los factores espaciales y no espaciales puedan integrarse en un mismo marco de trabajo.

El concepto espacial enfoca la relevancia de las distancias y medidas espaciales, relacionadas con la localización de los servicios, al constituirse como barreras geográficas, incluso en términos de tiempo.

Al considerar qué factores deben incluirse en el análisis de accesibilidad, debe mantenerse la integralidad: Aspectos geográficos y aspectos socioeconómicos (Phillips, 1993). Esta accesibilidad integral, denota factores físicos como la distancia y el tiempo; factores socioeconómicos como el ingreso, niveles de pobreza; y factores geográficos como la ubicación (proximidad y distribución). No se consideran obstáculos subyacentes como la limitación de radios de servicio, de ser el caso. López-Cevallos et al. (2014) señalan ya algunas consideraciones para evaluar el acceso a servicios de salud en el Ecuador, mostrando información de concentración de la oferta de servicios de salud, mediante empleo del índice de autocorrelación espacial Moran's I a nivel cantonal y la inclusión de variables de personal médico y unidades de salud.

26

Buzai (2011) señala que bajo la perspectiva del modelado de cálculo de distancias, un procedimiento importante en la determinación

de puntos de

demanda y de oferta, es la distancia entre los centroides de las áreas agrupadas hacia las instalaciones existentes y que una métrica entre las coordenadas de localización, para un espacio absoluto ideal, es la distancia en línea recta conocida como euclidiana- que no considera limitaciones para el tránsito en cualquier sentido y cumple las condiciones de positividad, identidad, simetría y desigualdad triangular.

En un modelo de localización – asignación, los puntos de demanda y oferta actúan para obtener la combinación de n centros en p puntos demandantes.

Cuando no se cuenta con puntos demandantes que permitan el cálculo y agrupación en centros de localización, el método se reduce a la determinación de una posición media para todos los puntos dentro del clúster (centroide del área determinada). Esta posición, bajo supuestos de homogeneidad entre la población dentro de un área específica (la parroquia, para este estudio) representa el punto crítico desde el cual se puede ejecutar el cálculo de la distancia euclidiana. Los métodos de cálculo de distancias que optimizan las limitaciones de la distancia euclidiana (barreras geográficas, rutas, carreteras, etc.) usualmente se enfrentan a la indisponibilidad de datos para su modelado, por lo cual en estos casos se prefiere la utilización de distancias lineales y tiempos estándar (Rodríguez Díaz, 2011).

2.3 INEQUIDADES SOCIALES EN EL ACCESO A SERVICIOS DE SALUD A nivel global, el entendimiento de la equidad –o inequidad- en salud ha sido un tema de análisis recurrente. Algunos proponen el entendimiento de una geografía que mapea discriminaciones (Smith y Easterlow, 2005). Los análisis que enfocan la inclusión de conceptos de justicia social, usualmente emplean variables socioeconómicas para reflejar las diferencias entre los habitantes y suelen

27

preguntarse si las condiciones geográficas contribuyen por sí mismas a explicar las variaciones en salud (Mitchell, Gleave y Bartley, 1998).

La geografía permanentemente se ha interesado por explicar las desigualdades en territorio, su distribución en el espacio y su condicionamiento por factores naturales, demográficos, culturales, económicos y sociales (Barcellos y Buzai, 2006). El criterio de Rawls o ―Teoría de la justicia‖, que denota la concepción de equidad espacial conceptualizada bajo consideraciones de necesidad, bien común y méritos, tiende a asociarse a la localización, accesibilidad y movilidad como componentes claves en una distribución geográfica (Ramírez, 2003).

El Sumak Kausay, como un concepto de promoción de bienestar del individuo, es parte de la estructura del Plan Nacional del Buen Vivir en Ecuador. Este plan, considera como objetivo fundamental de desarrollo el mejoramiento de la calidad de vida de la población a través de la atención integral de salud con equidad, a grupos de atención prioritaria con enfoques de género, generacional e intercultural, entre otros (SENPLADES, 2014a).

Entonces, determinar si un resultado social es equitativo depende de las consideraciones sobre justicia que se apliquen. Whitehead (1992) concibe una inequidad como aquella condición de desigualdad innecesaria, injusta y evitable, condiciones muy relacionadas a factores sociales, económicos, demográficos y posiblemente geográficos. Según Barcellos y Buzai (2006), inequidad existe si se evidencia asociación entre las condiciones de vida y aquella situación de salud evaluada y no es casual si el mapa social tiene alta relación con el mapa de salud.

La salud del ser humano está condicionada por factores múltiples que se relacionan de manera compleja. La Organización Mundial de la Salud (OMS), ha sabido reconocer que los factores biológicos que condicionan la salud no son los únicos, sino que aspectos ambientales, económicos y sociales también juegan un papel importante en el estado del individuo; y, por tanto, el acceso a servicios básicos -inclusive los de salud- (Urbanos, 2012).

28

Se menciona que ciertos trabajos sugieren una diferencia en la utilización de servicios de salud de acuerdo al género (Ruiz-Cantero y Verdú-Delgado, 2004) partiendo de un análisis en base al Modelo de Andersen, en países europeos. Sin embargo, este modelo plantea el estudio de los determinantes del acceso a servicios de salud, mediante la búsqueda de un modelo explicativo que tenga el menor número de variables y que entiende al acceso como resultado único de los recursos y la estructura del sistema de salud, sin considerar los factores socioeconómicos (Támez, 1999).

El Estado ha fortalecido su presencia en territorio para impulsar el desarrollo local en el Ecuador, estableciéndose que la decisión de crear nuevas unidades debe considerar la accesibilidad en cuanto a vías y distancia a otras unidades, bajo los siguientes criterios de las rutas disponibles a puntos determinados (SENPLADES, 2014a):

1. Rutas más rápidas. Los SIG serán la herramienta que seleccionará la ruta que consuma menos tiempo;

2. Rutas más cortas. Los SIG serán la herramienta que seleccionará la ruta que suponga menos distancia;

3. Una unidad de salud no debe estar a más de 60 minutos en transporte público;

4. Una unidad de salud no debe estar a más de dos horas de caminata en el sector rural.

Generalmente, el término ―desigualdades‖ es utilizado para indicar diferencias cuantitativas entre individuos, grupos o subgrupos poblacionales. Desde el punto de vista de la inferencia estadística, interesa garantizar la homogeneidad de la probabilidad de incidencia de un determinado suceso (relacionado con la salud) en la población condicionada a las características del individuo o del grupo al cual él pertenece (Manor, Matthews y Power, 1997; Szwarcwald et al., 2002). Borrel,

29

Rué, Pasarín, Benach y Kunst (1999), concluyen que, en un estudio de desigualdades en salud, es necesario seleccionar las medidas más relevantes de acuerdo a los objetivos de la investigación y a la disponibilidad de datos.

Mediante la revisión de los resultados de aplicar cocientes de indicadores de salud, curvas de Lorentz, correlación, regresión e índice de disimilitud, exploran las ventajas de utilizar medidas agregadas y regresiones lineales para explicar el comportamiento de la población, además de señalar la importancia de incluir la explicación socioeconómica en la relación con los indicadores de salud. No se aprecia el uso de SIG para el análisis espacial de relaciones.

Comber, Brundson, y Radburn (2011) analiza la relación entre las percepciones públicas respecto al acceso a medicina general y hospitales frente a su condición social representada por la propiedad de vehículos y la distancia geográfica. Las distancias a través de caminos fueron calculadas para cada participante investigado a través de SIG y los datos fueron obtenidos a través de encuestas a individuos, aunque presentaron problemas de respuesta. No se implementa un análisis espacial de localización. La relación fue obtenida a través de regresiones logísticas y ponderadas geográficamente, encontrando dificultades en la aplicación de las primeras. El estudio demostró que la noción de accesibilidad es un concepto multidimensional, que varía con la localidad y la situación socioeconómica del individuo.

Barcellos y Buzai (2006) presentan un análisis de técnicas y metodologías mediante las cuales la Geografía puede ayudar a explorar las desigualdades en las condiciones de salud. Mediante la exploración de conceptos y trabajos relacionados en la medición de desigualdades, destaca que las técnicas estadísticas multivariantes aportan en el análisis de correlaciones y de agrupamiento. En términos generales, las técnicas de análisis multivariante permiten analizar múltiples variables, cuantitativas o cualitativas, de forma que los efectos de dichas variables o de una combinación lineal de estas puedan analizarse en conjunto; siendo su objetivo más frecuente el resumir conjuntos de datos con la menor cantidad de parámetros suficientes (Ximénez y San Martín, 2013). Barcellos y Buzai (2006) también consideran que existen varias maneras

30

de segmentar el espacio, diversos indicadores para abordar las condiciones de vida y que existen desigualdades socio-espaciales en todas las escalas de análisis, mencionando –entre otras- dos técnicas para el estudio de las mismas: Análisis de accesibilidad espacial y evaluación multicriterio, concluyendo que surge el reto de desarrollar indicadores específicos y agregados enlazados con cuestiones sociales y de servicios.

Starfield (2002) refiere que las desigualdades de salud usualmente no son cuestión de azar. Mediante la construcción de un marco conceptual que vincula las condiciones que actúan sobre la distribución desigual de la salud y las causas de inequidad, señala que la situación de salud de los países americanos en los años noventa se debían principalmente a ajustes económicos y sociales que empujaron a sectores de la población hacia un mayor grado de pobreza y, por tanto, a las grandes diferencias entre los grupos de población. Concluye que la salud, en su concepto más general, guarda relación con características no solamente biológicas sino sociales del individuo y su organización políticoeconómica. González, Vega, Romero, Vega y Cabrera (2008) plantean determinar la relación existente entre exclusión social e inequidad en salud. Mediante el cálculo de tasas estandarizadas de salud e indicadores de inequidades, observan una clara exacerbación de las tasas de salud en aquellos grupos poblacionales marginados socioeconómicamente, asumiendo que esta exclusión es el resultado de factores sociales, políticos y económicos que en términos sanitarios también responden a esa misma caracterización y dependencia. El análisis carece del uso de SIG para análisis espacial de patrones socioeconómicos.

Villanueba

(2002)

propone

analizar

las

desigualdades

espaciales

y

la

accesibilidad a los centros comunitarios de salud mediante el uso de la distancia física y la interacción de factores sociales, concluyendo que existen jerarquías territoriales que marcan la desigualdad en la accesibilidad. No se analizaron patrones espaciales mediante SIG.

31

Los estudios que relacionan movilidad espacial con accesibilidad deben generar parámetros y medidas propias, que no aparecen en los tratados convencionales de recopilación de información. Estos estudios, por tanto, deben considerar cuantificaciones propias del espacio territorial analizado, que a través de SIG permiten reconocer rápidamente los colectivos de población en desventaja (Ramírez, 2009). Por ejemplo, López-Cevallos et al. (2014) analizan las inequidades socioeconómicas en la utilización de servicios de salud en el Ecuador,

utilizando

la

Encuesta

Demográfica

en

Salud

Materno-Infantil

(ENDEMAIN) a la cual aplican un análisis multivariado mediante el paquete informático MLWiN y análisis de patrones geográficos mediante GeoDa. Sin embargo, únicamente se analizaron los patrones relacionados con la distribución de profesionales de la salud. El análisis realizado encontró que las inequidades sociales, económicas y espaciales limitan el acceso a los servicios de salud: Hogares con bajos recursos tienden a utilizar menos los servicios.

32

3. METODOLOGÍA

3.1 POBLACIÓN DE REFERENCIA El análisis integral de la información debe ser tratado desde una perspectiva exploratoria. Las técnicas de Análisis Exploratorio de Datos (AED) y Análisis Exploratorio de Datos Espaciales (AEDE) representan una cuantificación de las relaciones entre las variables representadas para cierto estudio. Al considerar la parte espacial, es necesario emplear datos que posean una base geográfica. En esta investigación, se trata de población que se localiza o desarrolla actividades en unidades censales definidas, correspondientes al nivel geográfico de parroquias del cantón Quito.

Tanto las variables asociadas a dicha población, particularmente seleccionadas por su relevancia socioeconómica, como las unidades geográficas referenciadas para comparación, se encuentran asociadas a un espacio definido, bien sea por aproximación (datos de población) o por georreferencia (unidades de salud).

En el cantón Quito, existían 2‘239,191 habitantes en el año 2010, de los cuales más del 71% se encuentran en zonas urbanas (SENPLADES, 2014b). Se aprecia también un indicador de pobreza por necesidades básicas insatisfechas que ronda el 25% en zonas urbanas y alrededor del 40% en zonas rurales (Villacís y Carrillo; 2012).

También se observa que existen 661.684 viviendas ocupadas, de las cuales más del 31% se encuentran en zonas rurales, con un promedio de 3.5 personas por vivienda (INEC, 2015c).

Bajo los mismos límites administrativos, se concentran 192 unidades de salud públicas en los distintos niveles de atención (MSP, 2015a).

33

3.2 UBICACIÓN Y ESTRUCTURA DEL CANTÓN QUITO El cantón Quito se encuentra al norte de la República del Ecuador y forma parte de la provincia de Pichincha. Está compuesto por 34 divisiones administrativas oficiales, como se observa en la Ilustración 1, una de las cuales corresponde a la zona urbana o DMQ, que hace las funciones de cabecera cantonal y de capital de la República del Ecuador. Este cantón cubre una extensión mayor a 4000 km 2.

Si bien el DMQ posee una división parroquial interna, esta división se emplea para fines administrativos propios de la municipalidad que lo representa. Tanto para los instrumentos oficiales de medición censal, como para las encuestas nacionales, esta división interna no es considerada en su totalidad. Para fines de obtención de resultados y de análisis de los mismos, en esta investigación se emplea la división administrativa de los instrumentos oficiales emitidos por el INEC.

34

Ilustraciรณn 1: Mapa de la estructura administrativa del Cantรณn Quito.

35

El cantón Quito posee más de dos millones y medio de habitantes. De ellos, más del 85% se encuentran concentrados en la cabecera cantonal y sus suburbios más cercanos (INEC, 2012), como se puede observar en la Tabla 1.

Tabla 1: Composición de la población del cantón Quito al 2014.

Parroquia

Población – 2014

%

ALANGASÍ

27,134

1.1%

AMAGUAÑA

34,803

1.4%

ATAHUALPA (HABASPAMBA)

2,127

0.1%

CALACALÍ

4,358

0.2%

170,338

6.8%

CHAVEZPAMBA

896

0.0%

CHECA (CHILPA)

10,047

0.4%

CONOCOTO

91,827

3.7%

CUMBAYÁ

35,203

1.4%

EL QUINCHE

17,964

0.7%

GUALEA

2,266

0.1%

GUANGOPOLO

3,423

0.1%

18,140

0.7%

CALDERÓN (CARAPUNGO)

GUAYLLABAMBA LA MERCED

9,392

0.4%

11,942

0.5%

LLOA

1,672

0.1%

NANEGAL

2,949

0.1%

NANEGALITO

3,386

0.1%

NAYÓN

17,493

0.7%

NONO

1,938

0.1%

PACTO

5,368

0.2%

LLANO CHICO

PERUCHO

883

0.0%

PIFO

18,623

0.7%

PÍNTAG

20,061

0.8%

POMASQUI

32,346

1.3%

PUÉLLARO

6,140

0.2%

PUEMBO

15,209

0.6%

1,811,600

72.3%

36,203

1.4%

SAN JOSÉ DE MINAS

8,104

0.3%

TABABELA

3,159

0.1%

TUMBACO

55,880

2.2%

YARUQUI

19,976

0.8%

ZÁMBIZA

4,494

0.2%

QUITO SAN ANTONIO

TOTAL

2,505,344

36

3.3 HERRAMIENTAS Y METODOLOGÍA 3.3.1 Flujo metodológico El flujograma presentado en la Ilustración 2 muestra rápidamente la secuencia de los pasos a seguir para aplicar la metodología empleada. El flujo parte de la identificación de variables para la construcción de medidas socioeconómicas, analiza la distribución de las unidades de salud e identifica las relaciones, patrones y comportamientos de estas medidas en torno a la distancia de acceso.

Ilustración 2. Flujo de la metodología a seguir

37

3.3.2 Justificación La metodología empleada se basa en los trabajos de análisis de MSBA ampliamente desarrollados por Krieger (1992) y Krieger et al. (2003). Su metodología, que recurre a la construcción de índices compuestos y a la estratificación por niveles geográficos, evidencia la fuerte relación entre las medidas socioeconómicas aplicadas por áreas geográficas y el acceso a servicios de salud. Sin embargo, estas investigaciones incluyen características sociales que se reducen a género, etnia y edad, omitiendo otros factores sociales ampliamente revisados que influyen en las inequidades en la salud (Mackenbach y Kunst, 1997). Así mismo, basan sus trabajos en registros administrativos hospitalarios, los cuales en Ecuador son insuficientes a nivel parroquial.

Por ello, es necesario considerar también la investigación de López-Cevallos et al.

(2014) en el uso de medidas de pobreza, la experiencia del INEC (2015a, 2015b) en el cálculo de indicadores de pobreza y uso de encuestas con datos significativos a niveles geográficos desagregados y la aplicación de modelos regresivos profundizada por Szwarcwald et al. (2002). Todo esto, apoyado con herramientas de análisis geográfico.

Tobler (1970) señala que cada cosa tiene relación con algo más, pero aquellas cercanas tienen mayor relación que las distantes. Aquí radica la importancia de combinar métodos para comprobar la dependencia espacial: regresión lineal y ponderación geográfica. Esta última considera la segmentación en grupos espaciales afines y no afines, de acuerdo a la relación de la localización territorial con su entorno.

38

3.3.3 Composición de una medida socioeconómica basada en áreas 3.3.3.1 Identificación de registros de datos El Ecuador cuenta con información censal cada 10 años. Esta información brinda una información completa sobre la situación económica y social de los hogares ecuatorianos. Sin embargo, su temporalidad hace que sea necesaria la aplicación de encuestas con mayor frecuencia, aunque las características a observar sean más reducidas (INEC, 2015e). Los registros sanitarios u hospitalarios del MSP, cuentan con información sobre atención en unidades de salud, pero no reflejan adecuadamente las características socioeconómicas (OPS, 2008; SENPLADES, 2014b). Por ello, se ha utilizado la información de la Encuesta de Condiciones de Vida, en su última versión denominada ‗Sexta ronda‘, que cuenta con datos enfocados fuertemente a las condiciones sociales y económicas de la población, así como presenta información con alta desagregación geográfica.

3.3.3.2 Consideraciones para una MSBA Una sistematización fuertemente utilizada y probada en la construcción de MSBA (Krieger et al., 2003) es empleada como sigue: 

Evaluación de la distribución de los datos, mediante análisis exploratorio de datos.



Cálculo de tasas y proporciones estandarizadas por edad, género y etnia, estratificadas por nivel geográfico. La estandarización corresponde a la determinada en las fuentes señaladas. Representan índices simples de la situación socioeconómica de la población.



Construcción de un índice compuesto de ―situación socioeconómica‖ como una medida contextual, basada en áreas.

39

Barneche et al. (2010) señalan que son varios los trabajos que muestran a la determinación

de

la

pobreza

como

una

aproximación

a

la

situación

socioeconómica de un individuo, entre ellos las mediciones de ingreso o gasto en consumo y las de necesidades básicas. También mencionan, que las dos mediciones cuantifican objetivamente condiciones de privación y no constituyen medidas basada en sentimientos ni percepciones, además de ser los métodos compuestos más utilizados a nivel mundial. Señalan además que la primera medición se enfoca en la distribución desigual del ingreso, mientras que la medición de NBI mira como origen de la pobreza a la desigualdad en el consumo y en el acceso a los servicios públicos.

Bajo esta consideración, es adecuado el emplear los dos enfoques como medidas socioeconómicas: 

El indicador agregado de consumo ―Pobreza por consumo‖ como primera medida socioeconómica a evaluar. Este indicador agregado, considera dos elementos para su análisis: El consumo de alimentos y el consumo de otros bienes no alimenticios. La ECV posee información sobre alimentos obtenidos mediante compra, producción, salarios en especies y otros similares, considerando una canasta básica. También recoge información de consumo de otros bienes, incluyendo bienes durables, electricidad, agua, renta (arrendamiento), educación y otros.



El indicador agregado por NBI como una medida socioeconómica que considera la dependencia económica del individuo respecto a su hogar, el hacinamiento, los materiales de construcción de la vivienda que habita, su acceso a la educación básica y el acceso a servicios básicos, como factores de privación del bienestar.

40

3.3.3.3 Cálculo del indicador de Pobreza por Consumo

El método más utilizado internacionalmente, a pesar de sus limitaciones, es el método de la línea de pobreza que utiliza el ingreso o el gasto de consumo como medidas de bienestar. Este método indirecto de evaluación de la pobreza intenta cuantificar el nivel de vida respecto al consumo del hogar, partiendo de la estimación de una línea de pobreza monetaria sobre la cual se puede satisfacer una canasta de bienes y servicios (llamados satisfactores esenciales) que permiten la diferenciación de los niveles de pobreza. Para su medición, se define un indicador que expresa el porcentaje total de hogares, dentro de un dominio geográfico y de un período anual determinado, que se encuentran en condiciones de insuficiencia determinadas por la línea estimada de pobreza (Barneche et al., 2010).

Constituye un indicador agregado que para su cálculo considera dos tipos de bienes y servicios: alimentos y no alimentos (INEC, 2015a).

En lo relativo a los alimentos, considera el gasto en dólares en productos alimenticios correspondientes a la canasta básica de alimentos consumidos durante el mes anterior al levantamiento de la ECV. Este indicador agregado considera los bienes comprados y no comprados, es decir también incluye el autoconsumo: Huertos, producción propia, donaciones y otros. En este agregado se considera también el consumo de cerveza.

El componente no alimenticio, mide el gasto en dólares respecto al consumo de bienes durables, bienes y servicios en educación, en servicios básicos y otros productos no alimenticios. En el sentido estricto del consumo, los bienes durables se consumen a través del servicio que estos proveen, por ejemplo, electrodomésticos. Usualmente, para determinar el valor de estos bienes en el tiempo, se utiliza la siguiente expresión matemática (Deaton y Zaidi, 2002):

41

Donde: 

VUM corresponde al valor de uso mensual del bien único o por tipo de producto,



N° bienes secundarios es la cantidad de bienes considerados por tipo,



Promedio(valor) corresponde al valor individual del bien o al promedio de varios bienes, y,



Promedio(edades) corresponde a los años de vida esperada del bien o al promedio de varios bienes.

Esta expresión es válida para un número cualquiera de bienes, aun cuando sean del mismo tipo. Si solamente existe un bien de cada tipo, la expresión se reduce al valor del bien y su edad, en lugar de los promedios. Con ello se obtiene un valor de 'uso mensual' de cada bien.

En la ECV sexta ronda, se logra total representatividad a nivel de provincias y regiones sin embargo, en niveles inferiores no se garantiza representatividad en todas las áreas geográficas (INEC, 2015b). Debido a ello, en el caso de no contar con información representativa a nivel local para el indicador, se especificará esa limitación en el análisis de resultados para esa área. En cualquier caso, luego de realizar un análisis exploratorio de datos, se encontró información representativa para las principales variables involucradas para 31 parroquias del cantón Quito.

La ficha metodológica completa, las variables utilizadas y las sentencias de programación en lenguaje para Statistical Package for the Social Sciences (SPSS) para el cálculo del indicador de consumo son las especificadas por INEC (2015a), desagregadas a nivel parroquial y reducidas al territorio del cantón Quito.

42

3.3.3.4

Cálculo

del

indicador

de

Necesidades

Básicas

Insatisfechas Una aproximación muy utilizada respecto a la definición de un instrumento de medición de la pobreza, es aquella en la cual se considera pobre al hogar que persistentemente presenta carencias en la satisfacción de sus necesidades de vivienda, salud, educación y empleo (Feres y Mancero, 2001). Para su medición, se define un indicador que expresa el porcentaje total de hogares, dentro de un dominio geográfico y de un período anual determinado, que se encuentran en condiciones de pobreza bajo la definición antes descrita. Matemáticamente, se representa en una expresión como sigue:

De acuerdo con las recomendaciones de la Comunidad Andina de Naciones (CAN), Comisión Económica para América Latina y el Caribe (CEPAL) y Naciones Unidas (UN), el INEC define algunas condiciones para la determinación de la condición de 'pobre' para un hogar. Dicha definición de hogar se visualiza como la persona o grupos de personas que ocupan una vivienda (en su totalidad o no), sean o no parientes, comparten la comida y satisfacen en común varias necesidades (INEC, 2015b).

Bajo estas consideraciones, el INEC en su ficha metodológica de cálculo de NBI (INEC, 2015a, 2015b), considera a un hogar como 'pobre' si presenta una o más de las siguientes condiciones: 

La vivienda tiene características físicas inadecuadas (inapropiadas para el alojamiento humano: Con paredes exteriores de lata, tela, cartón, estera o

43

caña, plástico u otros materiales de desecho o precario; con piso de tierra. Se incluyen las móviles, refugio natural, puentes y similares). 

La vivienda tiene servicios inadecuados (sin conexión a acueductos o tubería, o sin sanitario conectado a alcantarillado o a pozo séptico).



El hogar tiene una alta dependencia económica (con más de 3 miembros por persona ocupado y que el jefe o jefa del hogar hubiera aprobado como máximo dos años de educación primaria).



En el hogar existen niños o niñas que no asisten a la escuela (con al menos un niño de seis a doce años de edad que no asiste a la escuela).



El hogar se encuentra en un estado de hacinamiento crítico (con más de tres personas en promedio por cuarto utilizado para dormir).

INEC (2015b) especifica la ficha metodológica completa, las variables utilizadas y las sentencias de programación en SPSS para el cálculo del indicador, desagregadas a nivel parroquial y dentro del territorio del cantón Quito.

3.3.4 Análisis de accesibilidad a unidades de salud 3.3.4.1 Identificación de la medida de accesibilidad

De acuerdo con Gutiérrez (1998), la distancia temporal está ligada a las velocidades del desplazamiento. Es decir, si aumenta la velocidad, el espacio parece contraerse y la distancia reducirse. Aquí hay dos cuestiones: Por un lado, el análisis de la velocidad y del tiempo de desplazamiento, y por otro, la distancia recorrida. Dado que la ubicación absoluta de las ciudades y de la infraestructura física de la unidad de salud no varían considerablemente con el tiempo (Rodríguez Díaz, 2011), la distancia física recorrida representa la unidad de medida con menor variación. Así mismo, dado que las condiciones económicas, sociales y culturales pueden influir en el uso de uno u otro medio de transporte (BTS, 1997), y considerando que el objetivo de esta investigación no es analizar el impacto de las barreras físicas ni geográficas de accesibilidad, entonces la

44

medida adecuada corresponde a la definición euclidiana de la distancia. La distancia, así medida, es siempre positiva, no regula ni limita las direcciones o sentidos del tránsito al ser simétrica y permite evaluar sin distorsión la relación entre el acceso potencial a la unidad de salud y los factores socioeconómicos (Buzai, 2011). No se evalúa la accesibilidad efectiva, al ser necesario la utilización de datos de servicios de salud o registros hospitalarios (Rodríguez Díaz, 2011).

En este sentido, al carecer de información respecto a la localización georreferenciada de los hogares que albergan potenciales usuarios de las unidades de salud del DMQ, se plantea un análisis de accesibilidad a dichas unidades mediante el cálculo de la distancia euclidiana medida desde el centroide de la parroquia (tracto censal) hasta la unidad de salud más cercana.

3.3.4.2 Localización y caracterización de las unidades de salud

Mediante el uso de ArcMap, como herramienta SIG, se creó una base de datos geográficos incorporando la información de ubicación georreferenciada de las unidades de salud (MSP, 2015b) y de la división político administrativa del cantón Quito (INEC, 2015d).

Mediante un procedimiento de Select by location se identifican aquellas unidades de salud que se asientan dentro del territorio del área parroquial, en el cantón Quito.

La caracterización de las unidades de salud, se realiza mediante un análisis descriptivo de su ubicación, tipología. Se incluye únicamente como referencia, los tiempos de traslado reflejados en la ECV, por tracto censal, considerando las limitaciones de estos datos debido a que reflejan una percepción más no una medición objetiva.

45

3.3.4.3 Cálculo de la distancia

Para el cálculo de la distancia entre la unidad de salud más cercana y el centroide de la parroquia es necesario empezar por determinar el centroide de cada parroquia en el mapa del cantón.

El centroide corresponde al punto de coordenadas que representa el centro geométrico de la figura poligonal que describe los límites de cada parroquia.

Simbólicamente, si el polígono que delimita a una parroquia fuese representado en una lámina con dimensiones y masa uniformes en su extensión, el centroide corresponde al punto donde esa lámina se balancea (Klinkenberg, 1997).

Una vez obtenida la capa de puntos centroides de las parroquias, esta se debe analizar en conjunto con la capa de unidades de salud del cantón Quito, para determinar la distancia a la unidad de salud más cercana.

Mediante el uso de la herramienta ‗Near‘ en ArcMap se puede calcular la distancia desde los elementos de una capa inicial (centroides) hasta el elemento puntual más cercano en la capa objetivo (unidades de salud).

3.3.5 Identificación de inequidades en la accesibilidad a servicios de salud 3.3.5.1 Análisis de patrones espaciales Se propone observar la distribución de los indicadores socioeconómicos y su cuantificación a nivel geográfico, con el fin de identificar patrones espaciales de comportamiento en el acceso y accesibilidad a los servicios de salud.

La aplicación de análisis de clúster y de valores atípicos identifica agrupaciones que presentan patrones con valores altos o bajos. El análisis clúster es una técnica de análisis multivariante que permite clasificar y agrupar datos, en relación

46

a características que comparten, donde el clúster o conglomerado muestra un alto grado de homogeneidad (similitud) interna y un alto grado de heterogeneidad externa (Pedroza y Dicovskyi, 2007). También permite identificar aquellas observaciones que no comparten la característica o su valor difiere en gran medida del resto. Estos análisis se basan en indicadores de asociación globales y locales: los globales resumen toda la zona de estudio, mientras que los locales profundizan el análisis en áreas más pequeñas dentro de la zona de estudio, particularmente cuando la homogeneidad no es evidente con el indicador global (Anselin, 1995). El índice local I de Moran, pertenece a los indicadores locales de asociación espacial (LISA) y evalúa la agrupación para cada unidad en el espacio a través del cálculo de la diferencia entre el valor de la característica analizada, el valor medio de la misma, su varianza y una ponderación espacial, junto con una significancia estadística p (ESRI, 2015a). El nivel de significancia estadística es la probabilidad de rechazar una hipótesis, cuando ésta es verdadera, donde el valor p, constituye el más bajo nivel de significancia al cual puede rechazarse una determinada hipótesis (Gujarati, 2007).

Dado que el valor p es una probabilidad, en el análisis de patrones existe la probabilidad de que el patrón espacial observado sea resultado de algún proceso aleatorio. Cuando el valor p es muy pequeño, es muy poco probable que el patrón espacial observado sea el resultado de procesos aleatorios y, por tanto, la presencia de esas estructuras espaciales debe ser considerada (ESRI, 2015a).

El análisis así realizado, permite responder al menos dos preguntas necesarias en la investigación (ESRI, 2015a): 

¿Dónde están los límites más evidentes entre bienestar y pobreza en un área de estudio?



¿Existen ubicaciones con patrones de gastos anómalos, en un área de estudio?

Un valor positivo para el índice refleja que una entidad posee valores altos o bajos similares y por tanto, debe ser parte de un clúster (grupo). Aunque existen varias

47

opciones para construir zonas de puntos calientes y fríos, solamente la herramienta Análisis de clúster y de valor atípico basada en el I Anselin local de Moran puede identificar valores atípicos espaciales (un valor alto rodeado por valores bajos o un valor bajo rodeado por valores altos) estadísticamente significativos, lo cual es una ventaja sobre el Gi* de Getis-Ord (ESRI, 2015c). Eso constituye una ventaja para la discusión socioeconómica, pues permite considerar o no a dichas zonas dentro del análisis global.

El índice local I de Moran se aplica a los valores de pobreza por NBI, pobreza por consumo y distancias mínimas de acceso a unidades de salud como parámetro del Input_field de la herramienta en ArcMap, dado que la entrada para su aplicación requiere una medida numérica. El método de conceptualización de las relaciones espaciales se realizará en función de distancias inversas, con el fin de asegurar que las entidades vecinas tengan mayor influencia que aquellas alejadas, pero permitiendo evaluar las relaciones entre todas las parroquias. No se especifica una distancia inversa cuadrada para evitar sesgar el cálculo, pues esta supone influencias sustanciales únicamente de las entidades vecinas más cercanas.

3.3.5.2 Análisis de regresión Gujarati (2007) menciona que el análisis de regresión, en su interpretación actual, consiste en analizar la dependencia de una variable (llamada dependiente) respecto a una o más variables (llamadas explicativas) para estimar o predecir un valor medio poblacional de la primera variable, dados valores fijos de muestras repetidas de las variables explicativas. También señala que una regresión estadística, aun cuando sea suficientemente fuerte, nunca establece una conexión causal entre las variables.

Kizys y Juan (2002) reseñan que los modelos de regresión requieren para su aplicación algunas condiciones o supuestos respecto a las características y data analizada, entre ellos: variabilidad, determinismo en la variable exógena; linealidad, esperanza nula, normalidad, no autocolinealidad y varianza constante

48

en las perturbaciones. En base a ello, se construye una función de regresión muestral que es una aproximación al modelo real poblacional. Esta función muestral representa a una muestra dada y por tanto, existen tantas funciones muestrales como muestras obtenidas. Esta función permite realizar infinitos ajustes, de acuerdo a las muestras obtenidas.

El objetivo es explicar el comportamiento de una variable dependiente o exógena (distancia y número de unidades de salud) en función de un número de variables explicativas (factores y agregados socioeconómicos). Pero no solamente explicar, sino encontrar el mejor ajuste, de manera que los valores estimados resulten ser los más próximos posibles a los valores observados.

Gujarati (2007) define a un estadístico o estimador como una variable tal que proporciona el verdadero valor de un parámetro de una función de densidad poblacional; su valor numérico se conoce como estimación o estadística. Así mismo, señala que un estimador deseable es insesgado (su valor esperado es igual al valor real del parámetro), es eficiente (presenta la menor varianza) y es consistente (a medida que aumenta el tamaño de la muestra es más próximo al valor real del parámetro).

Wooldridge (2012) señala tres métodos generales de estimación de parámetros, que proporcionan buenos estimadores: Mínimos cuadrados, máxima verosimilitud y método general de momentos. El método de mínimos cuadrados minimiza la distancia entre las respuestas medidas y las estimadas; el método de máxima verosimilitud

toma el valor de estimación que haga mayor la probabilidad de

obtener la muestra observada, maximizando la función de densidad muestral conjunta o función de verosimilitud; y, el método de momentos consiste en reemplazar los momentos poblacionales con su contraparte muestral, respecto a la función y parámetro de interés (por ejemplo, la media poblacional se reemplaza por la media muestral) (Wooldridge, 2012).

Particularmente, el modelo de regresión por mínimos cuadrados ordinarios (MCO), es un modelo lineal, de predicción directa cuya ventaja operativa radica

49

en la rápida aplicación y su costo bajo. Los métodos de regresión lineal son usados para examinar la relación entre la variable dependiente cuyo valor es conocido en varias localidades y un conjunto de variables independientes con valores también conocidos para dichas localidades (ESRI, 2014). Esto facilita la ejecución iterativa de pruebas respecto a qué factores influyen significativamente en el modelo, si es que existe asociación.

De

manera

complementaria,

los

métodos

de

regresión

ponderada

geográficamente (RPG) basan su aplicación en que un parámetro puede ser estimado en cualquier área de estudio, dados una variable dependiente y un conjunto de variables independientes que se pueden medirse en lugares cuya ubicación es conocida (Charlton, Fotheringham y Brunsdon, 2009). La RPG es una técnica de regresión espacial que proporciona un modelo local de la variable o proceso, ajustando una función de regresión para cada entidad (ESRI, 2015b).

En los modelos de regresión globales, MCO por ejemplo, los resultados suelen no ser

confiables

cuando

las

variables

presentan

multicolinearidad.

La

multicolinearidad consiste en la redundancia de variables o de una combinación de estas en el modelo especificado, lo que conduce a que este sea poco confiable (ESRI, 2014). En los modelos RPG se construyen ecuaciones de regresión en áreas más pequeñas, bajo los mismos supuestos de MCO, para cada característica,

mostrando

si

existen

valores

que

presenten

clústeres

(conglomerados) -los cuales pueden ser un serio problema- mostrando sistemáticamente la variación espacial (ESRI, 2014).

La estimación por MCO ofrece un modelo con estimadores insesgados, eficientes y consistentes (Gujarati y Porter, 2009). Para ello, es necesario suponer que: 

Los factores y agregados socioeconómicos son deterministas, es decir no son procesos aleatorios puros, son medidas sin error y no tienen relación exacta entre sí.



El modelo incluye los factores socioeconómicos relevantes y no se incluyen aquellos irrelevantes.

50



Los parámetros de los valores observados no son variables.

Bajo estas consideraciones, se pueden obtener estimadores y varianzas insesgadas, es decir, los valores estimados coinciden con los valores reales del parámetro. El método de estimación por máxima verosimilitud, aunque más flexible, no ofrece un estimador de varianza insesgado (Gujarati y Porter, 2009).

Entonces, el modelo a estimar es de la forma: Y=  X2 + … + kXk + U, donde: Y es la variable dependiente (distancia, unidades de salud), corresponde a los parámetros o coeficientes a determinar para el ajuste del modelo, X

corresponde

a

las

k

variables

explicativas

(factores

y

agregados

socioeconómicos), suponiendo X 1 = 1, y U representa el término de error.

Para identificar la bondad del ajuste (mejor ajuste) se emplea el coeficiente de determinación R2. Este coeficiente indica la proporción de la variabilidad total del modelo que se explica debido a la acción de las variables explicativas, pero su valor es sensible al aumento en el número de variables explicativas: A mayor número de variables incluidas, mayor valor de R2 (Gujarati, 2007). Para corregir este problema se emplea, como medida de la bondad del ajuste, el valor R 2 ajustado que en su cálculo toma en cuenta el número de variables en el modelo, siendo insensible a su variación.

En este punto se evalúan dos criterios de significación del modelo obtenido. Por un lado, la significación teórica, en el contexto de los trabajos de análisis de inequidad, que permite discutir si los resultados obtenidos son consistentes con la revisión de la literatura. Por otro lado, la significación estadística, que contrasta la probabilidad de la influencia de la aleatoriedad en el resultado mediante las pruebas t de Student y F de Snedecor, con un nivel de significación de 0.1, 0.05 y

51

0.01 (Gujarati y Porter, 2009). El estadístico t, es un valor utilizado para probar una hipótesis simple acerca de los parámetros en la regresión; mientras que el estadístico F permite probar múltiples hipótesis acerca de los parámetros en una regresión multivariante (Wooldridge, 2012).

Los estadísticos detallados en la Tabla 2, coherentes con lo señalado anteriormente, permiten rápida y tempranamente detectar si el modelo es adecuado o si requiere mayor análisis para su composición, así como la necesidad de incorporar una regresión de tipo RPG para mejorar el ajuste del factor geográfico (ESRI, 2014).

Tabla 2: Estadísticos para la evaluación del modelo de regresión.

Bondad de ajuste

Criterios y estadísticos a evaluar

¿Las variables explican el modelo?

Su probabilidad t o F es estadísticamente significativa

Koenker estadísticamente significativo

¿Qué tan bien explican estas variables?

Coeficiente de correlación ajustado

Criterio de Akaike

¿Las relaciones obtenidas son las esperadas?

Signo del coeficiente de regresión

¿Variables redundantes?

VIF

¿El modelo tiene sesgo?

Jarque-Bera estadísticamente significativo

¿Es un sesgo de especificación?

Jarque-Bera estadísticamente significativo

Residuales en clúster

Entonces, se considera la construcción de varios modelos de regresión para identificar asociaciones y diferencias que permitan analizar inequidades en la accesibilidad, que parecería ser la consecuencia del entendimiento de la

52

distribución de las unidades de salud existentes y por tanto, la oferta de servicios de salud públicos. Los modelos a considerar son: 

Un modelo de regresión donde la variable dependiente corresponde a la distancia de la unidad de salud más cercana al centroide de la parroquia, y las variables independientes sean los indicadores agregados de NBI y pobreza por consumo, así como sus factores socioeconómicos desagregados, en regresión simple y multivariada.



Un modelo que analice la relación entre el número de unidades de salud y los factores socioeconómicos desagregados de los indicadores NBI y pobreza por consumo, en regresión simple y multivariada

Una vez revisados los estadísticos propuestos, aplicados a las regresiones modeladas que muestran las relaciones de forma estática en el espacio, es necesario observar la prueba de Koenker. Esta prueba muestra si las relaciones que se están modelando cambian en el área de estudio -no estacionarias- o varían con la magnitud de la variable –heterocedásticas- (ESRI, 2014). Si este estadístico muestra una posible asociación espacial, se debe ejecutar el modelo RPG. Este modelo, considera una regresión local que involucra características geográficas cercanas, permitiendo observar relaciones que pueden cambiar en el espacio, aunque no siempre estas variaciones mejoren el ajuste final del modelo (ESRI, 2014).

La herramienta Exploratory regression o regresión exploratoria de ArcMap, permite realizar un análisis exploratorio de todas las variables consideradas, combinadas, en un solo procedimiento recursivo. Esta herramienta realiza una extracción de datos para ejecutar todas las combinaciones posibles de variables y diagnosticar la bondad del modelo para evidenciar la mejor opción bajo el método MCO, considerando que cada modelo se prueba contra el criterio de aceptación al encontrar que (ESRI, 2014): 

Excede el umbral R2 ajustado especificado.

53



Contiene los valores p de los coeficientes para todas las variables explicativas, menos de las que especificó.



Posee un coeficiente de factor de varianza (VIF) menor que el umbral especificado, para todas las variables explicativas.



Devuelve un valor p Jarque-Bera mayor del especificado.

El estadístico VIF mide la redundancia entre las variables explicativas (multicolinearidad); usualmente, las variables explicativas asociadas con valores VIF mayores que 7,5 deben quitarse una a una del modelo de regresión (ESRI, 2014).

El estadístico de Jarque-Bera indica si los residuales (diferencia entre los valores observados de la variable dependiente y los estimadores) se distribuyen normalmente; si el valor p de esta prueba es bajo, los residuales no están distribuidos normalmente (ESRI, 2014).

De acuerdo a ESRI (2015a), esta herramienta toma en cuenta que un modelo MCO especificado adecuadamente considera las siguientes cuestiones: 

Variables explicativas donde todos los coeficientes son estadísticamente significativos.



Los coeficientes reflejan la relación esperada, o al menos una justificable, entre cada variable explicativa y la variable dependiente.



Las variables explicativas se obtienen bajo diferentes aspectos de lo que se intenta modelar (ninguna es redundante; las valores VIF menores que 7,5).



Los valores residuales distribuidos normalmente indican que el modelo está libre de sesgo (el valor p Jarque-Bera no es estadísticamente significativo).



Distribuido aleatoriamente, la probabilidad de la autocorrelación espacial no es estadísticamente significativa.

Esta herramienta también prueba la correlación de los residuales, aplicando el índice I de Moran global. Este índice, resume la intensidad de la autocorrelación entre valores de unidades territoriales variando entre los valores -1 y +1: Un valor

54

cercano a 1 indica mayor autocorrelación sin distinción de signos (Anselin, 1995).

Sin embargo, carece del detalle de las correlaciones entre las unidades geográficas

constituyentes

del

territorio

(vecinas

o

no).

Aunque

esta

herramienta es una forma de regresión por pasos, su ventaja radica en que, en lugar de buscar únicamente modelos con valores altos de R2 ajustada, la regresión exploratoria busca modelos que cumplan con todos los requisitos y supuestos planteados por el método MCO (ESRI, 2014).

Los siguientes parámetros son considerados, para la aplicación de la herramienta (ESRI, 2015c): 

VIF máximo: 7.5, debido a que valores superiores suelen mostrar un modelo inestable ante la presencia de multicolinealidad.



Nivel de confianza: 90%, 95% y 99%.



R2 ajustado: Mínimo 0.5, con el fin de garantizar que los factores expliquen al menos el 50% de la variación total.



Jarque-Bera: Mínimo 0.1, si el valor es muy pequeño los residuos del modelo no cumplen el supuesto de normalidad.



I de Moran global: Mínimo 0.1, si el valor es muy pequeño puede conducir a problemas de especificación del modelo por autocorrelación.

La descripción de variables empleadas en los modelos de regresión o factores socioeconómicos desagregados, se muestran en la Tabla 3: Tabla 3: Variables empleadas en los modelos de regresión.

VARIABLE

DESCRIPCIÓN

FUENTE

TIPO DE VARIABLE

Servicios básicos deficitarios

Viviendas sin conexión a acueductos o tubería, INEC o sin sanitario conectado a alcantarillado o a (2015b) pozo séptico.

Dependiente

NBI

Hogares con servicios básicos deficitarios o hacinamiento o vivienda deficitaria o INEC dependencia económica o con al menos un (2015b) niño de seis a doce años de edad que no asiste a la escuela.

Dependiente

55

VARIABLE

Vivienda deficitaria

DESCRIPCIÓN

FUENTE

Viviendas con paredes exteriores de lata, tela, cartón, estera o caña, plástico u otros INEC materiales de desecho o precario; con piso de (2015b) tierra. Se incluyen las móviles, refugio natural y similares.

TIPO DE VARIABLE

Dependiente

Agregado de consumo

Hogares con gastos que no cubren el costo mínimo de una canasta de bienes y servicios que satisfagan las necesidades de alimentación, vivienda, vestido, educación y salud.

INEC (2015b)

Dependiente

Dependencia económica

Hogares con más de 3 miembros por persona ocupada y que el jefe(a) de hogar hubiera aprobado como máximo dos años de educación básica.

INEC (2015b)

Dependiente

Consumo mensual

Gasto mensual en bienes y servicios de consumo, en dólares, por hogar.

INEC (2015b)

Dependiente

Hogar con más de tres personas en promedio INEC por cuarto utilizado para dormir.

(2015b)

Dependiente

Hacinamiento Tiempo promedio de traslado

Tiempo en minutos de traslado a la unidad de INEC Dependiente salud más cercana (2015b) /Independiente

Distancia mínima

Distancia mínima de traslado a la unidad de salud más cercana.

Propia

Dependiente /Independiente

Distancia promedio

Distancia promedio de traslado a la unidad de salud más cercana.

Propia

Dependiente

Número de unidades de salud

Número de unidades de salud por área.

MSP Dependiente (2015a) /Independiente

* Ninguna variable fue considerada como independiente y dependiente al mismo tiempo.

La herramienta RPG de ArcMap, permite complementar los modelos de regresión global, pues en MCO los resultados son poco confiables si dos o más variables son redundantes. Los modelos RPG construyen ecuaciones locales para cada entidad en el dataset (ESRI, 2015b). Los parámetros siguientes son considerados, en la aplicación de RPG: 

Kernel_type: Fijo, debido a que el contexto espacial no es función del número de vecinos.



Bandwith_method:AICc, en concordancia con el criterio de información Akaike utilizado en la evaluación de la regresión global por MCO.

56



Explanatory_field: se incluyen los mismos factores socioeconómicos evaluados en MCO, para aquel modelo que requiera una regresión tipo RPG.

57

4. RESULTADOS Y DISCUSIÓN

4.1. RESULTADOS

4.1.1 Situación socioeconómica

El promedio de gastos en consumo en el Cantón Quito, ronda los USD 200 per cápita. Sin embargo, las diferencias entre parroquias son notables. Mientras en el sector de Cumbayá se superan los USD 800 en San José de Minas apenas llega a los USD 60. Las tres parroquias con mayor consumo promedio se encuentran resaltadas en rojo y corresponden a: Cumbayá, Nayón y Tumbaco, en ese orden.

Las tres parroquias con menor consumo son: San José de Minas, Guayllabamba y Lloa (Ver Tabla 4).

Tabla 4: Consumo mensual promedio.

PARROQUIA QUITO ALANGASI AMAGUAÑA ATAHUALPA (HABASPAMBA) CALACALI CALDERON (CARAPUNGO) CONOCOTO CUMBAYÁ CHECA (CHILPA) EL QUINCHE GUALEA GUANGOPOLO GUAYLLABAMBA LA MERCED LLANO CHICO LLOA NAYON NONO PACTO PERUCHO

CONSUMO MENSUAL (USD) 259 164 178 211 138 227 343 824 167 137 125 147 80 145 182 85 661 125 109 185

58

PARROQUIA PIFO PINTAG POMASQUI PUELLARO PUEMBO SAN ANTONIO SAN JOSE DE MINAS TABABELA TUMBACO YARUQUI ZAMBIZA PROMEDIO

CONSUMO MENSUAL (USD) 114 153 176 212 182 177 60 156 388 135 172 207

4.1.1.1 Dependencia económica del hogar Se observó que, en general, en el cantón Quito no existe alta dependencia económica del jefe de hogar. Sin embargo, la zona de San José de Minas presenta valores de dependencia altos en relación al promedio del cantón, superiores al 20% como se puede ver en la Tabla 5.

Tabla 5: Dependencia económica de los miembros del hogar.

PARROQUIA QUITO ALANGASI AMAGUAÑA ATAHUALPA (HABASPAMBA) CALACALI CALDERON (CARAPUNGO) CONOCOTO CUMBAYÁ CHECA (CHILPA) EL QUINCHE GUALEA GUANGOPOLO GUAYLLABAMBA LA MERCED LLANO CHICO LLOA

DEPENDE 0.6% 0.0% 0.5% 0.0% 0.0% 1.6% 0.0% 0.0% 4.9% 7.3% 0.0% 0.0% 0.0% 0.0% 0.0% 0.0%

59

PARROQUIA

DEPENDE

NAYON NONO PACTO PERUCHO PIFO PINTAG POMASQUI PUELLARO PUEMBO SAN ANTONIO SAN JOSE DE MINAS TABABELA TUMBACO YARUQUI ZAMBIZA PROMEDIO

0.0% 0.0% 0.0% 0.0% 0.0% 1.2% 1.6% 0.0% 3.0% 3.5% 21.2% 0.0% 0.4% 2.6% 0.0% 0.8%

4.1.1.2 Materiales deficitarios en vivienda Cuatro zonas del Cantón Quito tienen un promedio de viviendas construidas con materiales adecuados menor al 90% (Ver tabla 6). De ellas la parroquia de San José de Minas sigue presentando el menor índice.

Tabla 6: Viviendas con materiales deficitarios

PARROQUIA QUITO ALANGASI AMAGUAÑA ATAHUALPA (HABASPAMBA) CALACALI CALDERON (CARAPUNGO) CONOCOTO CUMBAYÁ

MATERIALES DEFICITARIOS .8% 0.0% 3.8% 3.6% 9.7% 0.0% .3% 0.0%

60

PARROQUIA CHECA (CHILPA) EL QUINCHE GUALEA GUANGOPOLO GUAYLLABAMBA LA MERCED LLANO CHICO LLOA NAYON NONO PACTO PERUCHO PIFO PINTAG POMASQUI PUELLARO PUEMBO SAN ANTONIO SAN JOSE DE MINAS TABABELA TUMBACO YARUQUI ZAMBIZA PROMEDIO

MATERIALES DEFICITARIOS 0.0% 11.1% 7.0% 5.4% 0.0% 9.0% 4.6% 10.0% 0.0% 0.0% 0.0% 0.0% 14.6% 1.6% 0.0% 0.0% 0.0% 0.0% 54.6% 0.0% 1.0% 3.2% 0.0% 1.0%

4.1.1.3 Servicios básicos En lo que respecta al acceso adecuado a los servicios de agua potable y alcantarillado en la vivienda, se observó que las zonas de Lloa y San José de Minas prácticamente no tienen un servicio adecuado de excretas y suministro de agua potable (Ver Tabla 7). Se muestran en rojo las 4 parroquias con mayor porcentaje de hogares con servicios inadecuados.

61

Tabla 7: Viviendas con servicios básicos inadecuados.

PARROQUIA QUITO ALANGASI AMAGUAÑA ATAHUALPA (HABASPAMBA) CALACALI CALDERON (CARAPUNGO) CONOCOTO CUMBAYÁ CHECA (CHILPA) EL QUINCHE GUALEA GUANGOPOLO GUAYLLABAMBA LA MERCED LLANO CHICO LLOA NAYON NONO PACTO PERUCHO PIFO PINTAG POMASQUI PUELLARO PUEMBO SAN ANTONIO SAN JOSE DE MINAS TABABELA TUMBACO YARUQUI ZAMBIZA PROMEDIO

ACCESO INADECUADO A SERVICIOS DE AGUA POTABLE ALCANTARILLADO 0.3% 11.5% 2.7% 3.6% 19.3% 1.8% 1.9% 0.0% 4.9% 15.7% 37.2% 2.7% 22.0% 7.4% 10.0% 100.0% 0.0% 0.0% 17.6% 0.0% 2.4% 4.7% 0.0% 0.0% 0.0% 4.3% 100.0% 16.7% 1.5% 0.0% 0.0% 12.5%

4.1.1.4 Hacinamiento Se muestran resaltadas en rojo las parroquias con mayor hacinamiento, donde Nono presenta la tasa más alta en el cantón (Ver Tabla 8). El promedio del

62

Cantón Quito se encuentra en el 8%, considerando que el promedio calculado es ponderado por el número de hogares.

Tabla 8: Hacinamiento

PARROQUIA QUITO ALANGASI AMAGUAÑA ATAHUALPA (HABASPAMBA) CALACALI CALDERON (CARAPUNGO) CONOCOTO CUMBAYÁ CHECA (CHILPA) EL QUINCHE GUALEA GUANGOPOLO GUAYLLABAMBA LA MERCED LLANO CHICO LLOA NAYON NONO PACTO PERUCHO PIFO PINTAG POMASQUI PUELLARO PUEMBO SAN ANTONIO SAN JOSE DE MINAS TABABELA TUMBACO YARUQUI ZAMBIZA

PRESENTA HACINAMIENTO 7.8% 5.1% 8.9% 0.0% 0.0% 9.1% 6.5% 0.0% 12.2% 15.4% 27.9% 0.0% 8.0% 20.6% 7.6% 20.0% 7.5% 41.7% 29.4% 0.0% 16.0% 9.3% 11.0% 0.0% 35.1% 5.6% 21.2% 9.5% 5.6% 16.2% 0.0%

63

4.1.1.5 Necesidades básicas insatisfechas Se construyó un indicador agregado para la estimación del NBI, bajo la metodología propuesta por el INEC (Ver sección "Metodología"). Se pudo apreciar que las zonas con mayor índice de hogares pobres es San José de Minas y Lloa, como se puede observar en la Ilustración 3. El DMQ y algunas zonas cercanas son las que contienen menor número de hogares pobres por NBI. No se cuenta con información para determinar este indicador en las poblaciones de Nanegal, Nanegalito y Chavezpamba.

64

Ilustraciรณn 3: Mapa de NBI por parroquia del cantรณn Quito.

65

4.1.1.6 Pobreza por consumo Se construyó un indicador agregado para la estimación de hogares bajo la línea de pobreza de acuerdo al consumo, bajo la metodología propuesta por el INEC (Ver sección "Metodología"). Se observó que la zona de San José de Minas posee la mayor proporción de hogares pobres. Nuevamente, el DMQ y algunas zonas cercanas muestran el menor número de hogares pobres por consumo (Ver Ilustración 4). No se cuenta con información para determinar este indicador en las poblaciones de Nanegal, Nanegalito y Chavezpamba.

66

Ilustraciรณn 4: Mapa de pobreza por consumo, por parroquias del cantรณn Quito.

67

4.1.2. Accesibilidad a las unidades de salud

4.1.2.1 Distribución de las unidades de salud en el DMQ

De acuerdo con información oficial, en el año 2014 se encontraban habilitadas 217 unidades de salud en el cantón Quito. Estas unidades se concentraron mayoritariamente en la zona del DMQ y en su mayoría corresponden a niveles primarios de atención. Se pudo apreciar en la Ilustración 5 una importante y mayoritaria concentración de unidades de salud públicas en el Distrito Metropolitano de Quito. También es notoria la cantidad de unidades de salud de primer nivel en las parroquias periféricas del noroccidente del cantón, pero se observa claramente una ausencia de unidades especializadas de salud (tercer nivel).

68

Ilustraciรณn 5: Mapa de distribuciรณn de las unidades de salud en el cantรณn Quito.

La distribuciรณn de las unidades de salud en la zona urbana del DMQ se muestra con mejor detalle en la Ilustraciรณn 6.

69

Ilustraciรณn 6: Distribuciรณn de las unidades de salud en la zona urbana del DMQ

70

4.1.2.2 Tipología de las unidades de salud

Se puede observar en la Ilustración 7, en concordancia con los niveles de atención, que la mayoría de unidades de salud corresponden a centros de salud.

Los hospitales especializados son los menos numerosos, mientras que los centros de salud son los más abundantes.

Ilustración 7: Composición de las unidades de salud por tipo

4.1.2.3 Tiempo promedio de traslado a una unidad de salud pública

Se muestra los tiempos obtenidos de la ECV, respecto a los tiempos promedio de traslado desde cada hogar hacia una unidad de salud pública (Ver Tabla 9). No se hace referencia a la distancia a la que se encontró la unidad de salud cuando se acudió por atención. Se puede observar que los tiempos más altos de traslado se encuentran en las parroquias de Lloa, Gualea y San José de Minas.

71

Tabla 9: Tiempos de traslado promedio a una unidad de salud

PARROQUIA PACTO QUITO CUMBAYÁ LLANO CHICO SAN ANTONIO TABABELA ALANGASI LA MERCED TUMBACO PERUCHO AMAGUAÑA PIFO PINTAG ZAMBIZA CALDERON (CARAPUNGO) PUEMBO GUANGOPOLO POMASQUI YARUQUI CONOCOTO EL QUINCHE NAYON GUAYLLABAMBA PUELLARO ATAHUALPA (HABASPAMBA) NONO CHECA (CHILPA) CALACALI SAN JOSE DE MINAS GUALEA LLOA

TIEMPO PROMEDIO (minutos) 28.2 28.6 29.5 29.6 35.3 35.5 35.9 36.2 36.9 38.8 39.1 39.3 39.4 39.8 40.0 40.5 40.6 41.2 41.3 42.2 44.1 44.3 45.3 45.4 49.1 53.1 57.8 61.9 66.0 85.0 101.6

72

4.1.2.4. Distancia mínima a la unidad de salud

Se calculó la distancia desde los centroides de cada división administrativa del cantón, hacia las unidades de salud. La distancia a la unidad más cercana se representa en la Ilustración 8. La mayor distancia se puede apreciar en la parroquia rural de Lloa, con más de 10 kilómetros. San José de Minas, también posee valores superiores a los 5 kilómetros junto con otras parroquias.

73

IlustraciĂłn 8: Mapa de distancias mĂ­nimas a la unidad de salud.

74

La menor distancia se encuentra en el Distrito Metropolitano de Quito y algunas zonas aledañas, esta información se puede apreciar de mejor forma en la Ilustración 9.

Ilustración 9: Distancia a las unidades de salud más cercanas en el DMQ

75

4.1.3. Relaciones entre factores socioeconómicos y accesibilidad

Se realizó un análisis de modelos regresivos tentativos a construir. Ninguna de las posibles combinaciones, tomando como variable explicativa de los cambios en la distancia de acceso a las unidades de salud al indicador de consumo y de necesidades básicas insatisfechas, fue significativa.

4.1.3.1 Análisis de patrones

4.1.3.1.1 Pobreza por consumo

Se evidenció un grupo donde existe una asociación espacial positiva en las parroquias de Cumbayá, Guangopolo y Conocoto, donde se observan territorios con un nivel económico superior al promedio (no pobres por consumo) y además rodeados de áreas geográficas con nivel económico también superior al promedio (Ver Ilustración 10).

También se observó a la parroquia de Gualea, que parecería corresponder a un territorio con nivel económico inferior al promedio rodeados de territorios también afectados por un nivel económico menor. Sin embargo, no se puede comparar con Nanegal y Nanegalito en este grupo, pues no se dispone de información representativa para estas parroquias.

76

IlustraciĂłn 10: Mapa de grupos y valores atĂ­picos: Pobreza por consumo.

77

4.1.3.1.2 Pobreza POR NBI

Ilustración 11: Mapa de grupos y valores atípicos: Necesidades básicas insatisfechas.

78

Se evidenció un único asentamiento territorial donde existe una asociación espacial positiva: Cumbayá, un territorio con un nivel económico superior al promedio y además rodeado por áreas geográficas con nivel económico también superior al promedio, como se puede observar en la Ilustración 11.

No se puede incluir a Nanegal y Nanegalito en el análisis, pues no se dispone de información representativa para estas parroquias.

4.1.3.1.3 Distancias mínimas de traslado

Se pudo observar que las parroquias de Quito, Llano Chico, Nayón, Cumbayá y Conocoto constituyen un grupo de territorios que involucran una distancia de traslado menor al promedio a la unidad de salud más cercana y que además se encuentran rodeados por territorios también con distancias menores de traslado, como se aprecia en la Ilustración 12.

Lloa se visualiza como un valor atípico, presenta una distancia de traslado mayor a los territorios que lo rodean.

79

IlustraciĂłn 12: Mapa de grupos y valores atĂ­picos: Distancia a unidades de salud.

80

4.1.3.2 Regresión exploratoria

A efectos de presentar los resultados, las descripciones de la Tabla 10 aplican a los modelos regresivos utilizados.

Tabla 10: Abreviaturas empleadas en el modelo de regresión.

Abreviatura

Descripción

AdjR2

Coeficiente R cuadrado ajustado

AICc

Criterio de información de Akaike

JB

Valor p para el coeficiente de Jarque Bera

K(BP)

Valor p para el estadístico de Koenker (BP)

VIF

Factor de inflación de la varianza

SA

Valor p del Moran's I

SBD

Servicios básicos deficitarios

NBI

Indicador de necesidades básicas insatisfechas

VD

Indicador de vivienda deficitaria

ACONS

Indicador agregado de consumo

DE

Indicador de dependencia económica

CM

Consumo mensual en USD

HAC

Indicador de hacinamiento

TT

Tiempo promedio de traslado a unidades de salud, en minutos

MIN_DISTAN

Distancia mínima en metros a la unidad de salud más cercana

4.1.3.2.1 Modelo 1: Distancia de traslado como variable dependiente

Se observó que ninguna de las variables explicativas, por sí sola o en combinación con otras variables, logra explicar al menos el 40% de las variaciones en la distancia a la unidad de salud más cercana.

81

Individualmente, las variables: Servicios básicos deficitarios, NBI y vivienda deficitaria son estadísticamente significativas para los modelos univariantes respectivos.

En modelos multivariantes, no se obtuvo significancia para todas las variables de un mismo modelo (Ver Tabla 11).

Tabla 11: Resultados más altos para el modelo de regresión 1.

Primera iteración ADJ R2 AICC 0.36 632.94 0.22 639.57 0.2 640.6

K(BP) VIF SA 0.04 1 0.02 3 1 0.86 0 1 0.03

Segunda iteración ADJ R2 AICC 0.39 632.97 0.38 633.32 0.38 633.65

K(BP) 0.11 0.03 0.1

VIF 1.07 1.41 1.11

SA 0.36 0.15 0.18

MODELO (-CM)+SBD*** (-NBI)+SBD*** (-ACONS)+SBD***

Tercera iteración ADJ R2 AICC 0.38 635.08 0.37 635.36 0.37 635.49

K(BP) 0.06 0.13 0.02

VIF 1.89 1.58 2.21

SA 0.42 0.42 0.17

MODELO (-NBI)-CM+SBD*** (-ACONS)-CM+SBD*** (-NBI)+SBD**+TT

Cuarta iteración ADJ R2 AICC 0.37 637.66 0.36 638.02 0.36 638.04

K(BP) 0.05 0.06 0.07

VIF 2.92 2.57 1.89

SA 0.44 0.44 0.45

MODELO (-NBI)-CM+SBD**+TT (-NBI)-CM+VD+SBD** (-NBI)-CM+SBD**+HAC

Quinta iteración ADJ R2 AICC 0.34 640.81 0.34 640.84 0.34 640.85

K(BP) 0.05 0.06 0.05

VIF 2.99 2.93 6.9

SA 0.43 0.45 0.43

MODELO (-NBI)-DE-CM+SBD**+TT (-NBI)-CM+VD+SBD**+TT (+ACONS)-NBI-CM+SBD**+TT

MODELO (+SBD***) (-NBI**) (+VD***)

(+/-) Signos de la variable en el modelo (*=0.10, **=0.05; ***=0.01) Significancia de la variable en el modelo

82

No se encontró problemas de multicolinearidad, considerando un VIF igual a 7.5 como límite de comparación. Sin embargo, el agregado de NBI presenta el valor más alto (Ver Tabla 12).

Tabla 12: Factor de inflación de la varianza para el modelo 1

VARIABLE ACONS NBI DE CM VD SBD HAC TT

VIF VIOLACIONES COVARIANZA 5.13 0 No aplica 6.9 0 No aplica 3.68 0 No aplica 1.57 0 No aplica 5.38 0 No aplica 3.14 0 No aplica 1.22 0 No aplica 1.79 0 No aplica

La Tabla 13 muestra los valores más altos para las pruebas de normalidad y de autocorrelación espacial, considerando que ninguno de los modelos es significativo.

Tabla 13: Resumen de normalidad y autocorrelación del modelo 1.

Normalidad en los residuos (JB) JB 0.3867 0.3702 0.314

ADJ R2 0.1993 0.216 0.2103

AICC 643775709 641410627 641657432

K(BP) 0.1121 0.0781 0.0282

VIF 1452449 1050141 1425274

SA 0.7315 0.9966 0.8365

MODELO (-NBI**)-CM (-NBI**)+HAC (-NBI*)-CM

Autocorrelación espacial en los residuos (SA) SA 0.9966 0.8644 0.8365

ADJ R2 0.216 0.2238 0.2103

AICC 641410627 639569255 641657432

JB 0.3702 0.302 0.314

K(BP) 0.0781 0.0129 0.0282

VIF 1050141 1000000 1425274

MODELO (-NBI**)+HAC (-NBI**) (-NBI*)-CM

83

4.1.3.2.2 Modelo 2: Número de unidades de salud como variable dependiente.

Ninguna de las variables explicativas es significativa para este modelo, solas o en combinación con otros factores socioeconómicos y de accesibilidad, como se muestra en la Tabla 14.

Tabla 14: Significancia de las variables explicativas del modelo 2.

VARIABLE ACE NBI DE CM VD SBD HAC DIS AVE_DIS TT

SIGNIFICANCIA (p) 0 0 0 0 0 0 0 0 0 0

84

4.2 DISCUSIÓN

4.2.1 Situación socioeconómica La población del cantón Quito se encuentra concentrada en su gran mayoría alrededor del DMQ. Esta es la zona con mejor cobertura de servicios básicos y mayor índice de erradicación de la pobreza en el país (SENPLADES, 2014b).

Existen diferencias significativas en cuanto a la distribución del consumo en el cantón. Considerando que el consumo es, bajo ciertas circunstancias, una buena aproximación del ingreso, se puede suponer un comportamiento similar del ingreso.

Revisando algunas consideraciones sobre las limitaciones para obtener información sobre ingresos y su uso en evaluaciones de equidad, parecería que es preferible utilizar al gasto como un indicador de la capacidad de los hogares de adquirir un bien o servicio. Además, el hecho de que un hogar tenga un ingreso corriente inferior a la línea de pobreza no significa que dicho hogar no pueda hacer uso de otros medios (el ahorro, por ejemplo) para satisfacer sus necesidades o adquirir bienes o servicios (Perelman y Beccaria, 1999). Si bien el promedio del DMQ es algo superior al promedio cantonal, dicho consumo es inferior a lo que se podría esperar de una cabecera cantonal y de la capital ecuatoriana. Sin embargo, al revisar la concentración del consumo en el resto de divisiones administrativas, se puede notar algunos valores extremos que pueden explicar esta situación.

En efecto, sectores del DMQ tradicionalmente considerados como referentes de quintiles de ingreso altos como son los valles de Cumbayá, Nayón y Tumbaco poseen los mayores valores de consumo per cápita mensual. Estos valles constituyen sectores suburbanos del distrito, pero de alta plusvalía, cuyos habitantes no necesariamente generan los ingresos en esas zonas, sino que suelen constituir fuerza laboral y/o empresarial en el DMQ.

85

En el otro extremo, muy por debajo del promedio del cantón, se encuentran los sectores de San José de Minas, Lloa y Guayllabamba.

El primero, es una zona localizada a más de 80 kilómetros del DMQ. Tradicionalmente fue una zona de canteras, cultivo de caña y producción de aguardiente. Las tres actividades paulatinamente fueron disminuyendo a favor de cultivos de granos, principalmente como insumo para avícolas de parroquias cercanas. Lloa es un sector alejado, el más extenso del cantón, dedicado a la agricultura y ganadería, así como a la piscicultura. De forma similar, Guayllabamba es un sector agrícola, con algún impulso turístico.

Parecería que estas zonas, cuya actividad mayoritaria se relaciona con la agricultura, tienden a ocuparse en labores con remuneraciones relativamente bajas. Su fuerte relación con los cultivos, podría relacionarse con un autoconsumo que no se traduce en gasto. La presencia de centros educativos y otras infraestructuras públicas podría explicar en parte también estos niveles.

Uno de los indicadores más homogéneos en el cantón resulta ser la dependencia económica de los miembros del hogar, con un promedio superior al 99% de no dependencia. Las diferencias entre parroquias son mínimas, excepto en San José de Minas. En esta zona, más del 20% de hogares tiene más de 3 miembros del hogar por persona ocupada, y además el jefe de hogar tiene hasta dos años de educación primaria. En menor grado, la parroquia de El Quinche, donde más del 7% poseen dependencia económica.

Respecto a las condiciones de la vivienda, nuevamente las zonas aledañas al DMQ poseen los valores más altos respecto a materiales de construcción adecuados. En este sentido las parroquias de San José de Minas y Pifo son las que mayores deficiencias presentan. En San José de Minas la situación es crítica ya que casi seis de cada diez viviendas no están construidas con materiales que permitan un alojamiento adecuado. En el aspecto sanitario, la situación es algo más dispersa. Cantones como Gualea, Calacalí, Pacto poseen un moderado porcentaje de hogares en condiciones adversas de salubridad, relacionadas particularmente con acceso al agua potable y alcantarillado. Sin embargo, es recurrente la condición adversa de San José de Minas, que posee un alarmante

86

porcentaje cercano a cero. Si bien la ECV no posee la información de la totalidad de hogares de cada sector, es un referente de lo que sucede en territorio. Si se considera y se da validez al proceso de recolección de información en campo, los datos que proporciona este instrumento para la población de San José deben poner en alerta a sus administradores.

En cuanto al hacinamiento, considerado como crítico en aquellas zonas con más de tres personas por cuarto en promedio (INEC, 2015c), muestra resultados considerables en varias de las zonas del cantón. Si bien, el promedio cantonal parece ser alto (91%) hay que recordar que este valor considera una ponderación por número de hogares. Esto significa que, si la población del DMQ y sus suburbios es del 85%, estas zonas influirán altamente en el promedio cantonal.

Por ello es necesario establecer las diferencias por parroquia. Nuevamente parroquias como San José de Minas, Pacto y Gualea aparecen entre los peores puntuados. Sin embargo, es notorio que la zona de Nono es la menos favorecida en este indicador.

Varias de las condiciones antes evaluadas, constituyen un punto de partida para la construcción de indicadores que representan medidas de pobreza. Existen diferentes aproximaciones a estas medidas, algunas apuntan a evaluar el ingreso o el gasto de los hogares o de las personas, otras tratan de considerar medidas de bienestar: indicadores de salud, educación, vivienda y otras. Ninguna medida es, por sí sola, un claro y exhaustivo indicador de la situación socioeconómica del hogar. Tampoco se puede hablar de una superioridad, una mejor que otra. En efecto, son complementarias y muestran un lado particular o un enfoque específico de las privaciones.

La pobreza por NBI, es una medida socioeconómica que establece el porcentaje de hogares pobres, considerados como tales a aquellos que presentan persistentemente deficiencias o carencias en la satisfacción de sus necesidades básicas, entre otras, respecto a sus condiciones de salud, educación, empleo, vivienda y otras (Deaton y Zaidi, 2002) Consistente con la evaluación individual de los resultados, el cómputo del indicador NBI es más favorable en las zonas aledañas al DMQ. Aquellos sectores

87

geográficamente

más

alejados

del

centro

urbano

parecen

escalar

progresivamente a condiciones desfavorables en cuanto a satisfacción de necesidades. Las zonas de San José de Minas y Lloa poseen los valores más altos de pobreza por NBI, ubicándose en el rango más alto (más del 75% de hogares pobres). Estos sectores también poseen los rangos más altos de indigencia (más de una condición evaluada que es desfavorable). Es necesario en estos casos evaluar condiciones adicionales que permitan explicar su condición.

A nivel cantonal, el promedio es bastante alentador. Uno de cada diez hogares aproximadamente es pobre.

La pobreza por consumo es otra medida que intenta explicar las carencias económicas de la población. Es una medida monetaria, relacionada con el nivel de vida, por no directamente con componentes del bienestar. Sin embargo, es una medida de bienestar, que no depende de fenómenos cíclicos y que puede, bajo ciertas condiciones, ser una medida aproximada del ingreso permanente de los hogares (INEC, 2015c).

A nivel cantonal, el promedio es bastante alentador y coincide con el indicador de consumo. Uno de cada diez hogares aproximadamente es pobre.

En su mayor parte, en términos globales, la tendencia se mantiene. Es decir, aquellas zonas cercanas al DMQ son también aquellas menos pobres.

Espacialmente, parece también seguir la tendencia del indicador de NBI: aumentar progresivamente mientras se aleja del DMQ. Sin embargo, en términos de consumo, Lloa reduce sus niveles a un poco menos del 50% en comparación con el indicador de NBI, sin embargo, dicha cifra no es nada despreciable.

Tres sectores aumentan considerablemente sus niveles de pobreza, en este enfoque de consumo, respecto a lo ocurrido en NBI: Gualea, Nono y Guayllabamba. San José de Minas parece ser el más desfavorecido con cualquiera de los dos enfoques. Sigue constando en el rango superior de pobreza, con cerca del 80% de hogares pobres.

88

4.2.2 Accesibilidad a unidades de salud Desde hace varios años se incrementó sostenidamente el número de unidades de salud pública funcionando a nivel nacional. El cantón Quito no es la excepción, cerca de 217 unidades se encuentran en operación. Su número y distribución, básicamente, podría responder a criterios de densidad de población, aunque no se ha analizado la concentración y distribución geográfica de los hogares con respecto a la posición de cada unidad de salud.

En efecto, la zona del DMQ, mayoritariamente poblada, concentra el 70% de unidades de salud (MSP, 2015a).

Es destacable que todas las parroquias poseen dentro de su área geográfica, al menos una unidad de salud, en el cantón Quito. En efecto, los tiempos de traslado a una unidad asistencial pública, de acuerdo con la ECV, en promedio son de alrededor de 40 minutos. En zonas de menor acceso, este tiempo es aproximadamente de una hora y 20 minutos lo cual puede tener relación con el medio de transporte y las vías de acceso a la unidad de salud.

Geográficamente, las distancias de acceso a la unidad de salud más cercana se ven reducidas en la medida en que existe mayor concentración de estas en el área relacionada. Hay que mencionar, que aun cuando existen diferencias entre sectores, ninguna de las distancias promedio evaluadas supera los 13 kilómetros en el cantón. La mayor distancia a cubrir se encuentra en la parroquia de Lloa con algo más de 12 kilómetros de recorrido. Una distancia que, en vehículo libre de tráfico, puede cubrirse en poco más de diez minutos; sin embargo, parecen ser obstáculos que no se han considerado: Las condiciones del terreno, las rutas y los medios de transporte, factores que deben ser evaluados en lo posterior.

4.2.3 Relación entre factores socioeconómicos y accesibilidad Se ha evidenciado un patrón de asentamiento de territorios con bajo nivel socioeconómico en el sector noroccidental del cantón Quito. Un sector,

89

Guayllabamba, se muestra como área de nivel económico algo inferior al promedio dentro de un entorno cuyo consumo, que puede aproximarse al ingreso, posee niveles algo superiores al promedio.

Guayllabamba se muestra como un territorio que, bajo la noción de satisfacción de necesidades básicas, posee uno de los indicadores más bajos de la zona, menor al 25% de hogares considerados como pobres. Sin embargo, respecto al agregado de consumo, se muestra un nivel de hogares pobres algo superior. La economía de esta parroquia se mueve básicamente alrededor de dos ejes: Agricultura y turismo, dejando algo de lado movimientos de tipo comercial (Gobierno autónomo descentralizado parroquial de Guayllabamba, 2012). Esto podría explicar cierta diferencia entre los indicadores de NBI y de consumo, ya que, al ser zona turística, su provisión y acceso a servicios e infraestructura tiende a mejorar. Geográficamente, es un punto obligado de tránsito desde el DMQ hacia el norte del país, lo que apoya la importancia de la infraestructura en el sector.

Esto hace pensar que las diferencias entre los dos indicadores no son muy amplias y por tanto no constituyen un factor 'atípico' en su esencia.

De manera similar, ocurre algo interesante en los suburbios colindantes a Quito.

Particularmente Cumbayá se muestra como un área con un nivel socioeconómico superior al promedio (el más alto) y se encuentra rodeada de territorios con ingresos superiores al promedio. No se encuentra con precisión una bitácora histórica respecto a la evolución de la economía de este sector. Sin embargo, es claro que en el presente esta parroquia alberga gran cantidad de hogares con un nivel económico superior al promedio. Su amplio desarrollo comercial y la alta inversión (visible) en infraestructura la ubican como una zona 'privilegiada'. Su potencial económico no radica en el territorio fundamentalmente, sino que parecería ser el resultado de un asentamiento mayoritario de hogares con capacidades de adquisición de bienes y servicios muy elevadas. Si bien podría constituirse un factor 'atípico', su ubicación geográfica hace pensar que la zona alrededor del DMQ presenta de manera general un mayor ingreso (superior al promedio) que el resto de asentamientos del cantón por lo que no puede ser descartada de un análisis global.

90

Existen todavía desigualdades socioeconómicas en las distancias de acceso a la unidad de salud más cercana. La más evidente se encuentra en los sectores de San José de Minas. San José de Minas es la parroquia con mayor índice de pobreza, evaluada tanto en consumo como en NBI, y su distancia mínima de acceso a unidades de salud es superior al promedio. Un poco menos crítica es la situación de Lloa, Pifo, Píntag y Pacto, que aunque con menores índices de pobreza también presentan distancias de acceso de más de 5 kilómetros y en el caso de Lloa, de más de 10 kilómetros.

Pero también se observan avances en equidad. Zonas como Gualea y Calderón presentan distancias de acceso de menos de 3 kilómetros y en el caso de Nono, de hasta 5 kilómetros. Estas parroquias poseen niveles superiores al 50% de hogares pobres.

Sin embargo, en el caso de los tiempos de traslado, la situación es mucho más igualitaria. Zonas con mayor número de hogares pobres presentan tiempos de traslado menores o muy cercanos al promedio (40 minutos). San José de Minas sigue siendo la excepción, aunque no muy alejada de la media, pues su tiempo mínimo es de 45 minutos.

Estas diferencias, aunque quedan fuera del alcance de esta investigación, sugieren que entre ellas debe existir un vínculo medible que explique su comportamiento. Un componente de demanda de servicios y otro relacionado con la movilidad y conectividad podrían ser los factores que definan la facilidad o la obstaculización en el acceso a los servicios de salud (De Pietri, Dietrich, Mayo, Carcagno y Titto, 2013).

No se ha podido establecer una dependencia significativa entre las medidas de situación socioeconómica y la accesibilidad a unidades de salud públicas, mediante asociaciones lineales.

Estos modelos de regresión, en su mecánica de cálculo, no consideran cómo las variables se encuentran definidas, pero la interpretación de sus coeficientes sí depende de dichas definiciones. En este sentido, es mucho más importante y eficiente realizar una buena interpretación de los resultados que ser muy eficiente en el cálculo de fórmulas (Wooldridge, 2012).

91

Así, al modelar las relaciones entre el indicador agregado de consumo, el indicador de NBI, los factores socioeconómicos desagregados y su efecto en la variable distancia a la unidad de salud más cercana, se encontró significancia estadística para algunas de las variables del modelo. Eso significa que algunas de ellas aportan y por tanto explican una parte de las variaciones de la distancia a las unidades de salud.

Sin embargo, al revisar los coeficientes ajustados de asociación, se puede notar que en el mejor de los casos, la variable 'Servicios básicos deficitarios' por sí sola logra explicar hasta un 36% de las variaciones en la distancia. Ninguna combinación de variables, agregadas o desagregadas, logra un mejor ajuste que este. El criterio de información de Akaike (CIA) es una medida que permite seleccionar el mejor modelo dado varios conjuntos de datos. Bajo esta afirmación, este criterio apoya lo observado, dado que este estadístico castiga la inclusión de variables que no aportan al modelo (Díaz, González, Henao, Díaz; 2013).Las otras combinaciones de variables no logran un valor menor al calculado para este primer modelo, siendo este el mejor ajuste. En cuanto a la normalidad de la distribución, el coeficiente de Jarque-Bera es bajo como para no rechazar el supuesto de normalidad aunque se debe considerar un cierto sesgo. Los valores del factor de inflación de la varianza suelen ser problemáticos a partir de 7.5 (ESRI, 2014), lo cual no es un problema para este modelo. Al analizar la prueba de Koenker (Breusch-Pagan) se pueden notar rasgos de subespecificación, es decir, que no se han incluido suficientes variables en el modelo (Wooldridge, 2012). El valor de autocorrelación espacial muestra que, con un nivel de significancia del 5%, existe mala especificación del modelo, es decir, no se han incluido todas las variables necesarias. Bajo estas consideraciones, es claro que esta variable es un aporte al modelo, pero no la única. En este sentido, los otros factores que afectan a la distancia posiblemente no correspondan a componentes socioeconómicos sino a otros factores que están fuera del alcance de esta investigación.

Al modelar las relaciones entre el indicador agregado de consumo, el indicador de NBI, los factores socioeconómicos desagregados y su efecto en la variable tiempo

92

de traslado a la unidad de salud más cercana, se encontró significancia estadística para algunas de las variables del modelo, incluso en modelos bivariados. Entonces, algunas de ellas aportan y por tanto explican una parte de las variaciones del tiempo de traslado a las unidades de salud.

Al revisar los coeficientes ajustados de asociación, se puede notar que la mejor combinación de variables apenas logra explicar un 33% de las variaciones en el tiempo. El CIA es el más bajo de los modelos probados. Respecto al comportamiento normal de la distribución, el coeficiente de Jarque-Bera es suficientemente bajo como para no rechazar el supuesto de normalidad. No se observa redundancia de variables en este modelo, a partir del valor de inflación de la varianza. Al analizar la prueba de Koenker (Breusch-Pagan) se pueden notar rasgos de subespecificación, es decir, que no se han incluido suficientes variables en el modelo. El valor de autocorrelación espacial muestra que no parece existir mala especificación del modelo. Bajo estas consideraciones, es claro que esta variable es un aporte al modelo, pero, al igual que en el caso de la distancia, no es la única ni la más importante. En este sentido, los otros factores que afectan mayormente al tiempo de traslado con seguridad no corresponderán a componentes socioeconómicos, sino a otros factores que están fuera del alcance de esta investigación.

Algunos críticos de los métodos de regresión exploratoria, podrían objetar su uso.

Esto debido a que el método científico plantea una hipótesis formal previo a la exploración de datos, con el fin de minimizar la posibilidad de buscar modelos que se acomoden a los datos y no reflejen el fenómeno relacionado. Sin embargo, la teoría de minería de datos observa la imposibilidad de determinar con anterioridad los factores exactos que contribuyen al resultado de la investigación (ESRI, 2015b). Este trabajo contempla las dos aristas. Por un lado, se plantea un conjunto de factores que previamente han sido utilizados y explicados por la literatura y trabajos de investigación, pero de los cuales no se tiene una consideración exacta respecto al aporte que cada uno realiza al modelo. Aquí existe un caso adicional de estudio respecto a la conveniencia de los métodos de análisis de regresión.

93

Parte de los posibles factores que pueden influir a la equidad en la accesibilidad a la salud no ha sido explicada por esta investigación. Este trabajo constituye solamente una de las posibles aproximaciones al abordaje de este tema, por lo que es recomendable analizar no solamente otros indicadores socioeconómicos y factores de accesibilidad sino factores o variables adicionales que permitan complementar la visión de esta investigación y ampliar su alcance.

Las medidas socioeconómicas de tipo agregado, empleadas en este trabajo, se basan en criterios globales de medición de condiciones de pobreza (o no pobreza). Sin embargo, queda espacio todavía para proponer la construcción de mediciones alternativas a las tradicionales.

Una

última

comparación

establecimientos de salud

mereció como

el criterio variable

de

incluir al

número

de

dependiente. Algunos autores

consideran a esta variable como parte de la accesibilidad, desde el punto de vista de la cobertura (López y Aguilar, 2004). Sin embargo, ninguna variable explicativa fue significativa y por tanto no sugiere aporte alguno al modelo. Es posible que esta variable en asociación con otras no consideradas en este análisis, arroje resultados concordantes con el punto de vista de López y Aguilar (2004).

Adicionalmente, es necesario considerar al analizar los resultados que, al probar gran cantidad de modelos en un esquema de regresión paso a paso, se aumenta la probabilidad de producir falsos positivos considerando que la regresión se basa en la teoría de probabilidades (Gujarati y Porter, 2009).

94

5. CONCLUSIONES

Existen diferencias socioeconómicas entre las parroquias del cantón Quito, desde la óptica de medición del consumo y de las necesidades básicas insatisfechas.

Geográficamente las zonas contiguas al DMQ presentan una mejor situación socioeconómica, mientras que las zonas más alejadas progresivamente disminuyen su nivel económico. Esta situación parece más evidente a medida que se acerca a las zonas noroccidentales del cantón.

Existen diferencias, aunque relativamente menores, en el acceso a unidades de salud medidas a través de la distancia mínima hasta la unidad de salud más cercana. El rango de variación va desde menos de 3 kilómetros hasta algo más de 12 kilómetros, aunque la mayoría se concentran en torno a los 5 kilómetros de distancia.

Existen diferencias menores en la distribución de tiempos de traslado a unidades de salud, de las parroquias del cantón Quito. Los tiempos rondan los 40 minutos.

En términos generales, se ha evaluado las condiciones socioeconómicas y los factores de accesibilidad a las unidades de salud, considerando sus posibles relaciones y dependencias. No se pudo demostrar una asociación lineal fuerte ni, por tanto, una dependencia entre el indicador agregado de consumo y la distancia de acceso a la unidad de salud más cercana. Tampoco se evidencia asociación entre el indicador de pobreza por necesidades básicas insatisfechas y la distancia, ni respecto al número de establecimientos de salud. Mediante la generación de indicadores sociales y económicos, se pudo caracterizar la situación socioeconómica del cantón Quito. De cierta manera, era esperado que las áreas urbanas del cantón presenten mejores indicadores que el resto de parroquias.

En particular, el DMQ tiene mejores condiciones sobre el resto de áreas tanto en consumo como en necesidades básicas insatisfechas. Es significativamente menos pobre por NBI que el promedio del cantón. Era de esperarse, también, que la zona rural de Cumbayá, presente mejores indicadores que el resto del cantón, debido a su infraestructura y capacidad económica creciente en los últimos años.

95

Esto se refleja claramente en los patrones generados para los indicadores de NBI y consumo. Sin embargo, se observa un clúster relacionado con los patrones de gastos de consumo que incluye a dos parroquias que no necesariamente eran reconocidas por su capacidad de gasto: Guangopolo y Conocoto; al parecer, los valles orientales aledaños al DMQ se empiezan a fortalecer como áreas de mejor capacidad económica.

La distribución de unidades de salud se encuentra concentrada mayormente en el DMQ. Sin embargo, el acceso a unidades de salud desde parroquias con un nivel socioeconómico deprimido, parece lograr niveles de equidad. En cuanto a la distancia a las unidades de salud, es relevante señalar que no se observa una diferencia significativa entre las parroquias rurales y el DMQ de acuerdo a los patrones generados. De hecho, una sola parroquia presenta un valor atípico de distancia: Lloa. Es notoria también la inclusión de la parroquia Llano Chico dentro del clúster de territorios con menores distancias de recorrido, respecto a territorios que ya tienen distancias cortas de traslado. Si se considera al tiempo de traslado, las zonas con mayores índices de pobreza presentan niveles menores o similares al promedio del cantón, respecto a los tiempos que les toma trasladarse a las unidades de salud más cercanas.

A pesar de lo señalado, no se ha podido establecer un grado de relación o asociación estadísticamente significativa entre el indicador agregado de consumo y la distancia mínima de traslado a las unidades de salud. Lo propio con el indicador NBI y la distancia, así como otras posibles combinaciones de factores sociales, económicos y de accesibilidad. Esto permite rechazar la hipótesis planteada en la investigación, pues no existe evidencia de que la accesibilidad a unidades de salud dependa de todos los factores socioeconómicos considerados.

Esta independencia, por tanto, no se contrapone a la noción de equidad en el acceso a la salud entre la población del cantón Quito.

Es necesario considerar que, aunque no se estableció asociación con las medidas socioeconómicas planteadas en conjunto, se encontró una asociación significativa con el factor Servicios básicos deficitarios. A partir de esta evidencia, que explica aproximadamente el 36% de la variación total en la distancia de acceso y con un nivel de confianza del 99%, se debe continuar con el análisis de otros factores

96

relevantes para la relación con la accesibilidad a unidades de salud. Queda claro entonces, que este es un factor socioeconómico a considerar y un punto de referencia para futuras investigaciones en el ámbito social.

Los resultados de esta investigación aportan al debate de la equidad en todas las dimensiones sociales y la evidencia apoya el uso de SIG en ámbitos sociales. Por un lado, los métodos de análisis de patrones aplicados en SIG permiten monitorear los cambios atípicos en la situación de cada territorio, y pueden ser aplicados tanto a factores físicos, sociales y económicos. Así mismo, los métodos de análisis de estadísticas espaciales permiten conjugar el análisis de regresión con métodos exploratorios y geográficos que consideran también la influencia del territorio circundante.

97

6. REFERENCIAS Anselin, L. (1995). Local Indicators of Spatial Association – LISA. Geographical Analysis 27(2): 93–115.

Barcellos, C. y Buzai, G. (2006). La dimensión espacial de las desigualdades sociales en salud: aspectos de su evolución conceptual y metodológica.

Anuario de la División Geografía, 93–115.

Barneche, P., Bugallo, A., Ferrea, H., Ilarregui, M., Monterde, C., Pérez, M., Santa María, M., Serrano, S., y Angeletti, K. (2010). Métodos de medición de la pobreza, conceptos y aplicaciones en América Latina. Entrelíneas de la Política Económica, 26 (4), 31-41.

Basoa, G. y Otero, A. (1994). Accesibilidad geográfica a los centros de salud y planteamiento urbanístico en Fuenlabrada (Madrid). Revista sanitaria de higiene pública, 68, 503-511.

Borrel, C., Rué, M., Pasarín, M., Benach, J. y Kunst, A. (1999). La medición de las desigualdades en salud. Gaceta Sanitaria, 14(3), 20-33.

Braveman, P. A., Cubbin, C., Egerter, S., Chideya, S., Marchi, K. S., Metzler, M., y Posner, S. (2005). Socioeconomic status in health research: one size does not fit all. Jama, 294(22), 2879-2888.

BTS, Bureau of Transportation Statistics (1997). Transportation Statistics Annual Report 1997. Washington, 135-141.

Buzai, G. (2011). Modelos de localización-asignación aplicados a servicios públicos urbanos: análisis espacial de Centros de Atención Primaria de Salud (caps) en la ciudad de Luján, Argentina. Revista Colombiana de Geografía: Cuadernos de Geografía, 20(2), 109-123.

Chapin FS. (1928) A quantitative scale for rating the home and social environment of middle class families in an urban community: A first approximation to the measurement of socio-economic status. Journal of Education and Psychology,19(2), 99-111.

98

Charlton, M., Fotheringham, S., y Brunsdon, C. (2009). Geographically weighted regression. White paper. National Centre for Geocomputation. National University of Ireland Maynooth, 3-17.

Comber, A., Brundson, C. y Radburn, R. (2011). A spatial analysis of variations in health Access: linking geography, socio-economic status and access perceptions. International Journal of Health Geographics, 10 (44), 1-11.

Deaton, A. y Zaidi, S. (2002). Directrices para Construir Agregados de Consumo para Analizar el Bienestar. Banco Mundial, 231-275.

Denny, K. y Davidson, M. J. (2012). Area-based socio-economic measures as tools for health disparities research, policy and planning. Canadian Journal of Public Health/Revue Canadienne de Sante'e Publique, S4-S6.

De Pietri, D., Dietrich, P., Mayo, P., Carcagno, A., y Titto, E. D. (2013). Use of indicators of geographical accessibility to primary health care centers in addressing inequities. Revista Panamericana de Salud Pública, 34(6), 452460.

Díaz, M., González, A., Henao, A. y Dia ́ z, M. (2013). Introducción al análisis estadístico multivariado aplicado: experiencia y casos en el Caribe colombiano. Editorial Universidad del Norte.

Domínguez-Berjón, M. F., Borrell, C. y Pastor, V. (2004). Indicadores socioeconómicos de área pequeña en el estudio de las desigualdades en salud. Gaceta Sanitaria, 18(2), 92-100.

Escalona, A. y Díez, C. (2003): ―Accesibilidad geográfica de la población rural a los servicios básicos de salud: estudio en la provincia de Teruel‖, Revista de Estudios sobre Despoblación y Desarrollo Rural, 3, 111-149.

ESRI, Environmental Systems Research Institute, Inc (2014). Regression Analysis using ARCGIS. ESRI Virtual Training.Accedido el 23 de septiembre del 2015 en:

99

https://www.esri.com/training/catalog/57630435851d31e02a43efbf/regressio n-analysis-using-arcgis/

ESRI, Environmental Systems Research Institute, Inc (2015a). Spatial Statistics.

Accedido el 23 de septiembre del 2015 en: http://pro.arcgis.com/es/proapp/tool-reference/spatial-statistics/.

ESRI, Environmental Systems Research Institute, Inc (2015b). Spatial Statistics.

Accedido el 23 de septiembre del 2015 en: http://desktop.arcgis.com/es/arcmap/10.3/tools/spatial-statistics-toolbox/howgwr-regression-works.htm

ESRI, Environmental Systems Research Institute, Inc (2015c). Modelado de relaciones espaciales. Accedido el 25 de septiembre del 2015 en: https://pro.arcgis.com/es/pro-app/tool-reference/spatial-statistics/howexploratory-regression-works.htm

Feres, J. y Mancero, X (2001). Enfoques para la medición de la pobreza. Breve revisión de la literatura. Naciones Unidas.

Garrocho, C (1995). Análisis socioespacial de los servicios de salud: accesibilidad, utilización y calidad. Social Science and Medicine, 43(7), 11621163.

Gobierno autónomo descentralizado parroquial de Guayllabamba (2012). Plan de desarrollo y ordenamiento territorial de la parroquia Guayllabamba 20122025. Pichincha. p. 45-49.

González, G., Vega, M., Romero, S., Vega, A. y Cabrera, C. (2008). Exclusión social e inequidad en salud en México: un análisis socio-espacial. Revista Salud Pública, 10(1), 15-28.

Gujarati, D. (2007). Econometría (pp. 22-883). Cuarta edición. McGraw-Hill.

Gujarati, D. y Porter, D. (2009). Econometría (pp. 97-262). Quinta edición.

McGraw-Hill.

100

Gutiérrez, J. (1998). Redes, espacio y tiempo. Anales de Geografía de la Universidad Complutense, Volumen extraordinario, 269-280.

Hernández-Quevedo C., Jones A.M., y Rice N. (2008). Persistence in health limitations: a European comparative analysis. Journal of Health and Economy. 27, 1472-1488.

INEC, Instituto Nacional de Estadísticas y Censos (2015a). Manual para el buen uso de la sintaxis para la construcción del agregado de gasto de consumo.

Quito.

INEC, Instituto Nacional de Estadísticas y Censos (2015b). Metodología de la Encuesta de Condiciones de Vida ECV. Quito.

INEC, Instituto Nacional de Estadísticas y Censos (2015c). Encuesta de Condiciones de Vida. Quito.

INEC, Instituto Nacional de Estadísticas y Censos (2015d). Cobertura digital de la División Político Administrativa del Cantón Quito. Escala 1:50000. Disco compacto. Quito.

INEC, Instituto Nacional de Estadísticas y Censos (2015e). Una mirada histórica a la estadística del Ecuador. Editorial El Telégrafo EP.

INEC, Instituto Nacional de Estadísticas y Censos (2012). Proyecciones de población 2010 – 2020. Quito.

Khan, A. (1992). Un enfoque integrado para la medición de potencial acceso espacial a los servicios de salud. Ciencias de la planificación socioeconómica. 26(4), 275-287.

Kizys, R. y Juan, A. (2002). Modelo de regresión lineal múltiple. Proyecto e-Math.

26(4) ,275-287. Accedido el 17 de septiembre de 2015 en: http://www.uoc.edu/in3/emath/docs/T01_Reg_Lineal_Multiple.pdf

101

Klinkenberg, B. (1997). Simple algorithms II - Polygons. GIS Notes. University of British Columbia. Accedido el 14 de septiembre de 2015, en: http://ibis.geog.ubc.ca/courses/klink/gis.notes/ncgia/u33.html#SEC33.4

Krieger, N. (1992). Overcoming the absence of socioeconomic data in medical records: validation and application of a census-based methodology. American journal of public health, 82(5), 703-710.

Krieger, N; Chen, J; Waterman, P; Rehkopf, D; Subramanian, S (2003).

Race/Ethnicity, Gender, and Monitoring Socioeconomic Gradients in Health: A Comparison of Area-Based Socioeconomic Measures—The Public Health Disparities Geocoding Project. American Journal of Public Health, 93(10), 1655-1671

Kroeger, A. (1982). Los indígenas Sudamericanos ante una alternativa: servicios de salud tradicionales o modernos en las zonas rurales del Ecuador. Boletín Oficina Panamericana, 95(4), 300-315.

Laurell, C. y L. Ruiz (1996), ¿Podemos garantizar la salud? (pp. 19-46), México, Fundación Friedich Ebert.

López, F., y Aguilar, A. G. (2004). Niveles de cobertura y accesibilidad de la infraestructura de los servicios de salud en la periferia metropolitana de la Ciudad de México. Investigaciones geográficas, (53), 185-209.

López-Cevallos, D., Chi, C., y Ortega, F. (2014). Consideraciones para la transformación del sistema de salud del Ecuador desde una perspectiva de equidad. Revista salud pública, 16(3), 346-359.

López, E. y Garrido, M. (2003). Análisis de la accesibilidad hospitalaria por carretera en Andalucía mediante Sistemas de Información Geográfica.

Servicios y Transportes en el Desarrollo Territorial de España, 405-416.

Lucio, R., Villacrés, N., y Henríquez, R. (2011). Sistema de salud de Ecuador. Salud Pública de México, 53(2), s177-s187. Recuperado en 13 de septiembre de 2015, de

102

http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S003636342011000800013&lng=es&tlng=es.

Luo, W., y Wang, F. (2003). Measures of spatial accessibility to health care in a GIS environment: synthesis and a case study in the Chicago region.

Environment and Planning B, 30(6), 865-884.

Mackenbach, J. y Kunst, A. (1997). Measuring the magnitude of socioeconomic inequalities in health: An overview of available measures illustrated with two examples from Europe. Social Science and Medicine, 44, 757-771.

Manor, O.; Matthews, S. y Power, C., 1997. Comparing measures of health inequality. Social Science and Medicine, 45, 761-771.

Mitchell, R., Gleave, S., y Bartley, B. (1998). Multilevel analysis of the geography of health inequalities: using better geographies. ESRC Health Variations Programme. Accedido el 26 de julio del 2015 en http://www.geocomputation.org/1998/41/gc_41.htm

MSP, Ministerio de Salud Pública del Ecuador (2015a). Oferta actual de salud.

Accedido el 27 de julio del 2015 en https://aplicaciones.msp.gob.ec/salud/publico/dniscg/geosalud/gui/#

MSP, Ministerio de Salud Pública del Ecuador (2015b). Cobertura digital de las unidades de salud 2014. Escala 1:50000. Disco compacto. Quito.

Olivet, M., Aloy, A., Prat, E. y Pons, X. (2008). Oferta de servicios de salud y accesibilidad geográfica. Medicina Clínica, 131 (4), 16-22.

OPS, Organización Panamericana de la Salud (2008). Perfil de Sistema de Salud: Ecuador, monitoreo y análisis de los procesos de cambio y reforma (pp. 1243). Washington. Biblioteca OPS.

Pampalon R., Hamel, D., Gamache, P. (2009). A comparison of individual and area-based socio-economic data for monitoring social inequalities in health.

Health reports 82-003-X, 20(4).

103

Parr, J. y Denike, K. (1970). Theoretical Problems in Central Place Analysis.

Economic Geography, 46 (4), 568-586.

Pedroza, H y Dicovskyi, L. (2007). Sistema de análisis estadístico con SPSS (pp.

108-150). IICA-INTA.

Perelman, P. y Beccaria, L. (1999). La utilización del gasto y del ingreso en la medición de pobreza. Tercer Taller Regional sobre Medición del Gasto en las Encuestas de Hogares, LC/R. 1914, 515-527.

Phillips, D. (1993). Urbanization and human health. Parasitology, 106(S1), S93S107.

PNUD, Programa de las Naciones Unidas para el Desarrollo (1997). Human Development Report 1997 (pp. 15-61). New York. Oxford University Press.

Prat, E., Sánchez, J., Pesquer, L., Olivet, M., Aloy, J., Fusté, J., Pons, X. (2008).

Estudio sobre la accesibilidad de los centros sanitarios públicos de Cataluña.

Docplayer.es. Accedido el 12 de diciembre del 2015 en http://docplayer.es/9084548-Estudio-sobre-la-accesibilidad-de-los-centrossanitarios-publicos-de-cataluna.html

Quevedo, C. H. y Rubio, D. J. (2009). Las diferencias socioeconómicas en salud entre la población española y extranjera en España: evidencia de la Encuesta Nacional de Salud. Gaceta sanitaria, 23, 47-52.

Ramírez, M. L. (2003). Cálculo de medidas de accesibilidad geográfica, temporal y económica generadas mediante Sistemas de Información Geográfica. En I Congreso de la Ciencia Cartográfica y VIII Semana Nacional de Cartografía.

Ramírez, M. L. (2004). La moderna geografía de la salud y las tecnologías de la información geográfica. Revista Investigaciones Ensayos Geográficos, 4, 5364.

104

Ramírez, M. L. (2009). Modelado espacial de la accesibilidad de la población a los centros de salud en el área metropolitana del Gran Resistencia – Chaco (Argentina). Ponencia presentada en la Conferencia internacional de cartografía, Santiago, Chile.

Rodríguez Díaz, V. (2011). Medición de la accesibilidad geográfica de la población a los Hospitales de Alta Resolución de Andalucía mediante herramientas SIG basadas en el análisis de redes. GeoFocus, 11, 265-292

Rodríguez Vignoli, J. (2001). Segregación residencial socioeconómica: ¿ qué es?,¿ cómo se mide?,¿ qué está pasando?,¿ importa?. Población y desarrollo, 16.

Ruiz-Cantero, M. T., y Verdú-Delgado, M. (2004). Gender bias in treatment.

Gaceta Sanitaria, 18, 118-125.

Sen, A. (1992). Sobre conceptos y medidas de pobreza. Revista Comercio Exterior, 42(4).

SENPLADES, Secretaría Nacional de Planificación y Desarrollo (2014a).

Distribución espacial referencial de los establecimientos prestadores de servicios públicos. Primera edición. Quito.

SENPLADES, Secretaría Nacional de Planificación y Desarrollo (2014b). Atlas de las desigualdades socio-económicas en Quito. Quito.

Shavers, V. L. (2007). Measurement of socioeconomic status in health disparities research. Journal of the National Medical Association, 99(9), 1013–1023.

Simonelli, J. M. (1987). Defective modernization and health in Mexico. Social Science and Medicine, 24(1), 23-36.

Sloggett, A., y Joshi, H. (1994). Higher mortality in deprived areas: community or personal disadvantage? Bmj, 309(6967), 1470-1474.

105

Smith, S. J., y Easterlow, D. (2005). The strange geography of health inequalities.

Transactions of the Institute of British Geographers, 30(2), 173-190.

Starfield, B. (2002) Equity and health: a perspective of nonrandom distribution of health in the population. Revista Panamericana de Salud Pública, 12(6), 384–387.

Szwarcwald, C. L., Bastos, F. I., y Andrade, C. D. (2002). Medidas de desigualdad en salud: la discusión de algunos aspectos metodológicos con una aplicación para la mortalidad neonatal en el Municipio de Rio de Janeiro, 2000. Cad Saúde Pública, 18(4), 959-970.

Támez, S. (1999). Modelo de Andersen: Una visión crítica. Reencuentro, 25, 6985

Tobler, WR. (1970). A computer movie simulating urban growth in the Detroit region, Economic Geography, 46(2), 23-24

Towsend, P. y Davidson, N. (1982). Inequalities in Health: The Black Report and The Health Divide (pp. 94-212). Harmondworth: Penguin.

Urbanos, R. (2012). Desigualdades sociales en salud: malos tiempos para la lírica. Gaceta Sanitaria, 26(2), 101-102.

Villacís B. y Carrillo D. (2012). País atrevido: la nueva cara sociodemográfica del Ecuador. Analitika, edición especial, 23-30.

Villanueba, A. (2002). Accesibilidad geográfica a los sistemas de salud y educación. Análisis espacial de las localidades de Necochea y Quequén.

Revista Transporte y Territorio, 2, 136-157.

Wang, F. y Luo, W. (2005). Assessing spatial and nonspatial factors for healthcare access: towards an integrated approach to defining health professional shortage areas. Health & place, 11(2), 131-146.

106

Weisstein, E. (2016). Distance. MathWorld- A Wolfram Web Resource. Accedido el 16 de febrero del 2016 en http://mathworld.wolfram.com/Distance.html

Whitehead, M. (1992). The concepts and principles of equity and health.

International journal of health services, 22(3), 429-445

Wooldridge, J. (2012). Introductory Econometrics (pp. 22-303). Fifth Edition.

Cengage Learning.

Ximénez, M. y San Martín, R. (2013). Fundamentos de las técnicas multivariantes (pp. 3-48). Segunda edición. Editorial UNED.

Zoido, F. (2002). Andalucía, cohesión y diversidad territorial. Scripta Nova: Revista electrónica de Geografía y Ciencias Sociales, 128, 105-132.