Análisis de agrupamiento espacial de la letalidad por COVID-19 en México
Article Sidebar
Publicado
jul 13, 2021
##plugins.pubIds.doi.readerDisplayName##
https://doi.org/10.30878/ces.v28n4a2
Main Article Content
Juan Manuel Núñez
http://orcid.org/0000-0002-9835-0599
Mauricio Galena-Pizaña
http://orcid.org/0000-0003-3623-6851
Aldo Daniel Jiménez-Ortega
http://orcid.org/0000-0003-1183-138X
Gabriela Quiroz-Cazares
http://orcid.org/0000-0001-7221-7987
Iyari Balderas-Cruz
http://orcid.org/0000-0003-3013-9719
Sofia Seemann-Carús
http://orcid.org/0000-0001-9020-1444
Manuel Ordorica-Collado
http://orcid.org/0000-0002-7649-1729
José Alberto Lara-Pulido
http://orcid.org/0000-0003-1484-8451
http://orcid.org/0000-0002-9835-0599
Mauricio Galena-Pizaña
http://orcid.org/0000-0003-3623-6851
Aldo Daniel Jiménez-Ortega
http://orcid.org/0000-0003-1183-138X
Gabriela Quiroz-Cazares
http://orcid.org/0000-0001-7221-7987
Iyari Balderas-Cruz
http://orcid.org/0000-0003-3013-9719
Sofia Seemann-Carús
http://orcid.org/0000-0001-9020-1444
Manuel Ordorica-Collado
http://orcid.org/0000-0002-7649-1729
José Alberto Lara-Pulido
http://orcid.org/0000-0003-1484-8451
Resumen
Se lleva a cabo un análisis de agrupamiento espacial para identificar patrones espaciales y caracterizar los efectos de la letalidad por COVID-19 en México. Se explica en un nivel municipal las similitudes y diferencias en la tasa de letalidad acumulada del 22 de abril al 6 de agosto de 2020 en relación con el perfil demográfico de la población, factores socioeconómicos y ambientales, así como la accesibilidad a establecimientos de salud. Los resultados muestran que, si bien la mayor parte de la población agrupada mantiene una tasa de letalidad promedio en los centros urbanos, los grupos más aislados presentan tasas de letalidad inferiores a la media nacional. Las tasas de letalidad más altas se alcanzan en los municipios rurales e indígenas, donde las personas son más vulnerables.
Article Details
Como citar
NÚÑEZ, Juan Manuel et al.
Análisis de agrupamiento espacial de la letalidad por COVID-19 en México.
CIENCIA ergo-sum, [S.l.], v. 28, n. 4, jul. 2021.
ISSN 2395-8782.
Disponible en: <https://cienciaergosum.uaemex.mx/article/view/16031>. Fecha de acceso: 07 abr. 2025
doi: https://doi.org/10.30878/ces.v28n4a2.
Sección
Número especial
Citas
Assunção, R. M., Neves, M. C., Câmara, G., & Da Costa Freitas, C. (2006). Efficient regionalization techniques for socio-economic geographical units using minimum spanning trees. International Journal of Geographical Information Science, 20(7), 797-811.
Armitage, P., & Berry, G. (1997). Estadística para la investigación biomédica (tercera edición). Madrid: Harcourt Brace.
Boulos, M. N. K., & Geraghty, E. M. (2020). Geographical tracking and mapping of coronavirus disease COVID-19/severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic and associated events around the world: how 21st century GIS technologies are supporting the global fight against outbreaks and epidemics. International Journal of Health Geographics, 19(1), 8.
Brand, F. (2009). Critical natural capital revisited: Ecological resilience and sustainable development. Ecological economics, 68(3), 605-612.
Caliński, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory and Methods, 3(1), 1-27.
CONEVAL (Consejo Nacional de Evaluacion de la Politica de Desarrollo Social) (2020). Visor Geoespacial de la Pobreza y la COVID-19 en los municipios de México. CONEVAL. Disponible en https://www.coneval.org.mx/Medicion/MP/Paginas/Visor_Geoespacial_Pobreza_COVID-19.aspx
Czúcz, B., Molnár, Z., Horváth, F., Nagy, G. G., Botta-Dukát, Z., & Török, K. (2012). Using the natural capital index framework as a scalable aggregation methodology for regional biodiversity indicators. Journal for Nature Conservation, 20(3), 144-152.
De Figueiredo, A. M., Codina, A. D., De Figueiredo, D. C. M. M., Gil-García, E., & Kalache, A. (2020). Letalidad del COVID-19: ausencia de patrón epidemiológico. Gaceta Sanitaria.
DGE (Dirección General de Epidemiología) (2020). Datos abiertos. Secretaría de Salud. Disponible en https://www.gob.mx/salud/documentos/datos-abiertos-152127
Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. The Lancet infectious diseases, 20(5), 533-534.
ESRI (Environmental Systems Research Institute). (2020). ArcGIS 2.6.1 for Desktop GIS application. Redlands: ESRI Inc.
Everitt, B., Landau, S., Leese M., & Stahl, D. (2011). Cluster Analysis (5th ed.). New York,: John Wiley.
Frakes, B. T., Flowe, T., & Sherrill, K. R. (2015). National park service travel time cost surface model (TTCSM). Natural Resource Report NPS/NRSS/NRR-2015/933. Fort Collins: National Park Service.
Franch-Pardo, I., Napoletano, B. M., Rosete-Verges, F., & Billa, L. (2020). Spatial analysis and GIS in the study of COVID-19. A review. Science of The Total Environment, 140033.
Gao, P., Zhang, H., Wu, Z., & Wang, J. (2020). Visualising the expansion and spread of coronavirus disease 2019 by cartograms. Environment and Planning A: Economy and Space, 52(4), 698-701.
García de León-Loza, A. (2020). Indicadores básicos y tendencias espacio-temporales en 20 países por mortalidad COVID-19. Posición, 3(1), 3-23.
Ghilardi, A., Ruiz-Mercado, I., Navarrete, A., Sturdivant, E., Larrazábal, A., Velasco, R., Gazcón Núñez, M. y Franch, I. (2020). Plataforma de información geográfica de la UNAM sobre COVID-19 en México. Centro de Investigaciones en Geografía Ambiental (CIGA), Laboratorio Nacional de Análisis y Síntesis Ecológica (LANASE), Escuela Nacional de Estudios Superiores, Unidad Mérida y Escuela Nacional de Estudios Superiores, Unidad Morelia. Disponible en https://covid19.ciga.unam.mx.
INEGI (Instituto Nacional de Estadística y Geografía) (2012). Conjunto de datos vectoriales de información topográfica digital. Escala 1:250 000. Serie IV. México: Instituto Nacional de Estadística y Geografía.
INEGI (Instituto Nacional de Estadística y Geografía) (2016). Conjunto de datos vectoriales de uso de suelo y vegetación. Escala 1:250 000. Serie VI (Capa Unión), escala: 1:250,000. México: Instituto Nacional de Estadística y Geografía.
INEGI (Instituto Nacional de Estadística y Geografía), SCT (Secretaría de Comunicaciones y Transportes) e IMT (Instituto Mexicano del Transporte) (2017). Red Nacional de Caminos (RNC), versión 2018. Instituto Mexicano del Transporte.
INEGI (Instituto Nacional de Estadística y Geografía) (2020a). Visualizador analítico para el COVID-19. Instituto Nacional de Estadística y Geografía. Disponible en https://gaia.inegi.org.mx/covid19/
INEGI (Instituto Nacional de Estadística y Geografía) (2020b). Continuo de Elevaciones Mexicano 3.0. Disponible en http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/descarga.aspx (mayo de 2020).
Kaundinya, D. P., Balachandra, P., Ravindranath, N. H., & Ashok, V. (2013). A GIS (Geographical Information System)-based spatial data mining approach for optimal location and capacity planning of distributed biomass power generation facilities: A case study of Tumkur district, India. Energy, 52, 77-88.
Liu, Y., Gayle, A. A., Wilder-Smith, A., & Rocklöv, J. (2020). The reproductive number of COVID-19 is higher compared to SARS coronavirus. Journal of Travel Medicine, 27(2), https://doi.org/10.1093/jtm/taaa021
Moore, T. W., & Dixon, R. W. (2015). A Spatiotemporal analysis and description of hurricane Ivan’s (2004) tornado clusters. Papers in Applied Geography, 1(2), 192-196.
Mora, F. (2017). A structural equation modeling approach for formalizing and evaluating ecological integrity in terrestrial ecosystems. Ecological Informatics, 41, 74-90.
Mora, F. (2019). The use of ecological integrity indicators within the natural capital index framework: The ecological and economic value of the remnant natural capital of México. Journal for Nature Conservation, 47, 77-92.
NLCD (National Land Cover Dataset). (1992). National Land Cover Dataset. The USGS Land Cover Institute (LCII). Disponible en http://landcover.usgs.gov/natllandcover.php.
Porta, M. (2014). A dictionary of epidemiology. International Epidemiological Association (6th ed. Oxford: Oxford University Press.
Rizkiana-Prima, R., Yashintia Arien, E., & Sutikno Departemen Statistika, F. S. (2020). Analisis Cluster Virus Corona (COVID-19) di Indonesia pada 2 Maret 2020-12 April 2020 dengan Metode K-Means Clustering.
Rothman K. J., Greenland S., & Lash T. (1998). Types of Epidemiologic Studies. Modern Epidemiology (2nd ed.). Philadelphia: Lippincott Raven.
Ruda, A. (2016). Exploring tourism possibilities using GIS-based spatial association methods. Geographia Technica, 11(2).
Simón-Domínguez, J. I., Simón-Domínguez, N., & Reyes-Núñez, M. A. (2020). Cómo estimar la letalidad del COVID-19. Revista Mexicana de Patología Clínica y Medicina de Laboratorio, 67(1), 4-8
Suárez-Lastra, M., Valdés González, C., Galindo Pérez, M., Salvador Guzmán, L., Ruiz Rivera, N., Alcántara-Ayala, I., López Cervantes, M., Rosales Tapia, A., Lee Alardin, W., Benítez Pérez, H., Juárez Gutiérrez, M. del C., Bringas López, O., Oropeza Orozco, O., Peralta Higuera, A. y Garnica-Peña, R. (2020). Índice de vulnerabilidad ante el COVID-19 en México. Investigaciones Geográficas. https://doi.org/10.14350/rig.60140.
Theobald, D. M. (2010). Estimating natural landscape changes from 1992 to 2030 in the conterminous US. Landscape Ecology, 25(7), 999-1011.
Tobler, W. (1993). Non-isotropic geographic modeling. In W. Tobler (ed.), Three presentations on geographic analysis and modeling. Santa Barbara: National Center for Geographic Information and Analysis, University of California.
UNISDR (United Nations International Strategy for Disaster Reduction/ Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastre). (2017). Report of the open-ended intergovernmental expert working group on indicators and terminology relating to disaster risk reduction. Geneva: UNISDR
Wallace, R. (2016). Big farms make big flu: Dispatches on influenza, agribusiness, and the nature of science. NYU Press.
Yan, Y., Wang, D., Yue, S., & Qu, J. (2019). Trends in summer air temperature and vapor pressure and their impacts on thermal comfort in China. Theoretical and Applied Climatology, 138(3-4), 1445-1456.
Armitage, P., & Berry, G. (1997). Estadística para la investigación biomédica (tercera edición). Madrid: Harcourt Brace.
Boulos, M. N. K., & Geraghty, E. M. (2020). Geographical tracking and mapping of coronavirus disease COVID-19/severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic and associated events around the world: how 21st century GIS technologies are supporting the global fight against outbreaks and epidemics. International Journal of Health Geographics, 19(1), 8.
Brand, F. (2009). Critical natural capital revisited: Ecological resilience and sustainable development. Ecological economics, 68(3), 605-612.
Caliński, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory and Methods, 3(1), 1-27.
CONEVAL (Consejo Nacional de Evaluacion de la Politica de Desarrollo Social) (2020). Visor Geoespacial de la Pobreza y la COVID-19 en los municipios de México. CONEVAL. Disponible en https://www.coneval.org.mx/Medicion/MP/Paginas/Visor_Geoespacial_Pobreza_COVID-19.aspx
Czúcz, B., Molnár, Z., Horváth, F., Nagy, G. G., Botta-Dukát, Z., & Török, K. (2012). Using the natural capital index framework as a scalable aggregation methodology for regional biodiversity indicators. Journal for Nature Conservation, 20(3), 144-152.
De Figueiredo, A. M., Codina, A. D., De Figueiredo, D. C. M. M., Gil-García, E., & Kalache, A. (2020). Letalidad del COVID-19: ausencia de patrón epidemiológico. Gaceta Sanitaria.
DGE (Dirección General de Epidemiología) (2020). Datos abiertos. Secretaría de Salud. Disponible en https://www.gob.mx/salud/documentos/datos-abiertos-152127
Dong, E., Du, H., & Gardner, L. (2020). An interactive web-based dashboard to track COVID-19 in real time. The Lancet infectious diseases, 20(5), 533-534.
ESRI (Environmental Systems Research Institute). (2020). ArcGIS 2.6.1 for Desktop GIS application. Redlands: ESRI Inc.
Everitt, B., Landau, S., Leese M., & Stahl, D. (2011). Cluster Analysis (5th ed.). New York,: John Wiley.
Frakes, B. T., Flowe, T., & Sherrill, K. R. (2015). National park service travel time cost surface model (TTCSM). Natural Resource Report NPS/NRSS/NRR-2015/933. Fort Collins: National Park Service.
Franch-Pardo, I., Napoletano, B. M., Rosete-Verges, F., & Billa, L. (2020). Spatial analysis and GIS in the study of COVID-19. A review. Science of The Total Environment, 140033.
Gao, P., Zhang, H., Wu, Z., & Wang, J. (2020). Visualising the expansion and spread of coronavirus disease 2019 by cartograms. Environment and Planning A: Economy and Space, 52(4), 698-701.
García de León-Loza, A. (2020). Indicadores básicos y tendencias espacio-temporales en 20 países por mortalidad COVID-19. Posición, 3(1), 3-23.
Ghilardi, A., Ruiz-Mercado, I., Navarrete, A., Sturdivant, E., Larrazábal, A., Velasco, R., Gazcón Núñez, M. y Franch, I. (2020). Plataforma de información geográfica de la UNAM sobre COVID-19 en México. Centro de Investigaciones en Geografía Ambiental (CIGA), Laboratorio Nacional de Análisis y Síntesis Ecológica (LANASE), Escuela Nacional de Estudios Superiores, Unidad Mérida y Escuela Nacional de Estudios Superiores, Unidad Morelia. Disponible en https://covid19.ciga.unam.mx.
INEGI (Instituto Nacional de Estadística y Geografía) (2012). Conjunto de datos vectoriales de información topográfica digital. Escala 1:250 000. Serie IV. México: Instituto Nacional de Estadística y Geografía.
INEGI (Instituto Nacional de Estadística y Geografía) (2016). Conjunto de datos vectoriales de uso de suelo y vegetación. Escala 1:250 000. Serie VI (Capa Unión), escala: 1:250,000. México: Instituto Nacional de Estadística y Geografía.
INEGI (Instituto Nacional de Estadística y Geografía), SCT (Secretaría de Comunicaciones y Transportes) e IMT (Instituto Mexicano del Transporte) (2017). Red Nacional de Caminos (RNC), versión 2018. Instituto Mexicano del Transporte.
INEGI (Instituto Nacional de Estadística y Geografía) (2020a). Visualizador analítico para el COVID-19. Instituto Nacional de Estadística y Geografía. Disponible en https://gaia.inegi.org.mx/covid19/
INEGI (Instituto Nacional de Estadística y Geografía) (2020b). Continuo de Elevaciones Mexicano 3.0. Disponible en http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/descarga.aspx (mayo de 2020).
Kaundinya, D. P., Balachandra, P., Ravindranath, N. H., & Ashok, V. (2013). A GIS (Geographical Information System)-based spatial data mining approach for optimal location and capacity planning of distributed biomass power generation facilities: A case study of Tumkur district, India. Energy, 52, 77-88.
Liu, Y., Gayle, A. A., Wilder-Smith, A., & Rocklöv, J. (2020). The reproductive number of COVID-19 is higher compared to SARS coronavirus. Journal of Travel Medicine, 27(2), https://doi.org/10.1093/jtm/taaa021
Moore, T. W., & Dixon, R. W. (2015). A Spatiotemporal analysis and description of hurricane Ivan’s (2004) tornado clusters. Papers in Applied Geography, 1(2), 192-196.
Mora, F. (2017). A structural equation modeling approach for formalizing and evaluating ecological integrity in terrestrial ecosystems. Ecological Informatics, 41, 74-90.
Mora, F. (2019). The use of ecological integrity indicators within the natural capital index framework: The ecological and economic value of the remnant natural capital of México. Journal for Nature Conservation, 47, 77-92.
NLCD (National Land Cover Dataset). (1992). National Land Cover Dataset. The USGS Land Cover Institute (LCII). Disponible en http://landcover.usgs.gov/natllandcover.php.
Porta, M. (2014). A dictionary of epidemiology. International Epidemiological Association (6th ed. Oxford: Oxford University Press.
Rizkiana-Prima, R., Yashintia Arien, E., & Sutikno Departemen Statistika, F. S. (2020). Analisis Cluster Virus Corona (COVID-19) di Indonesia pada 2 Maret 2020-12 April 2020 dengan Metode K-Means Clustering.
Rothman K. J., Greenland S., & Lash T. (1998). Types of Epidemiologic Studies. Modern Epidemiology (2nd ed.). Philadelphia: Lippincott Raven.
Ruda, A. (2016). Exploring tourism possibilities using GIS-based spatial association methods. Geographia Technica, 11(2).
Simón-Domínguez, J. I., Simón-Domínguez, N., & Reyes-Núñez, M. A. (2020). Cómo estimar la letalidad del COVID-19. Revista Mexicana de Patología Clínica y Medicina de Laboratorio, 67(1), 4-8
Suárez-Lastra, M., Valdés González, C., Galindo Pérez, M., Salvador Guzmán, L., Ruiz Rivera, N., Alcántara-Ayala, I., López Cervantes, M., Rosales Tapia, A., Lee Alardin, W., Benítez Pérez, H., Juárez Gutiérrez, M. del C., Bringas López, O., Oropeza Orozco, O., Peralta Higuera, A. y Garnica-Peña, R. (2020). Índice de vulnerabilidad ante el COVID-19 en México. Investigaciones Geográficas. https://doi.org/10.14350/rig.60140.
Theobald, D. M. (2010). Estimating natural landscape changes from 1992 to 2030 in the conterminous US. Landscape Ecology, 25(7), 999-1011.
Tobler, W. (1993). Non-isotropic geographic modeling. In W. Tobler (ed.), Three presentations on geographic analysis and modeling. Santa Barbara: National Center for Geographic Information and Analysis, University of California.
UNISDR (United Nations International Strategy for Disaster Reduction/ Oficina de las Naciones Unidas para la Reducción del Riesgo de Desastre). (2017). Report of the open-ended intergovernmental expert working group on indicators and terminology relating to disaster risk reduction. Geneva: UNISDR
Wallace, R. (2016). Big farms make big flu: Dispatches on influenza, agribusiness, and the nature of science. NYU Press.
Yan, Y., Wang, D., Yue, S., & Qu, J. (2019). Trends in summer air temperature and vapor pressure and their impacts on thermal comfort in China. Theoretical and Applied Climatology, 138(3-4), 1445-1456.