La zona metropolitana como ecosistema de negocios

Cada zona metropolitana posee características ecosistémicas y presiones que simultáneamente impulsan la creación y cierre de negocios. En este sentido, una forma de explicar la creciente especialización y la mejora en la eficiencia de las empresas en entornos metropolitanos, es la metáfora biológica, que consiste en equiparar a las organizaciones con seres biológicos, que forman parte de ecosistemas, se enfocan a objetivos de supervivencia y buscan el equilibrio entre sus subsistemas y el entorno (^{Montoya et al., 2012}).

La integración de unidades económicas en ecosistemas de negocios es un tema que ha sido explorado ampliamente. Autores como ^{Williamson (1975)} apuntan a la idea de que la posibilidad de reducir sus costos de transacción es una de las principales motivaciones para que las empresas se integren, lo que también conlleva a la mejora en su productividad, ya que la colectividad permite a las empresas mejorar su eficiencia individual (^{Montoya et al., 2012}) pues favorece su grado de especialización. Entre los agrupamientos empresariales que han sido ampliamente estudiados se encuentran los clusters (^{Kothandaraman y Wilson, 2001}) y las aglomeraciones productivas (^{Teixeira y Ferraro, 2009}).

En este orden de ideas, ^{Moore (2005)} propone la noción de ecología de las organizaciones para caracterizar las comunidades económicas en las que interactúan productores líderes, proveedores, clientes y competidores, que al desarrollar funciones especializadas realizan procesos co-evolutivos, es decir, relaciones benéficas entre dos especies para evolucionar.

^{Montoya el al., (2012)} puntualiza que en este tipo de ecosistemas, los agentes, es decir las empresas se relacionan por competencia, cooperación y/o por mutualismo, y que en general existe una intención de acceder a mercados, solucionar problemas o acceder a la tecnología que motiva a las empresas a integrarse.

^{Duranton y Puga (2000)} apuntan varios aspectos clave sobre la diversificación y la especialización en las ciudades, entre ellos, que ambas características coexisten. Para calcular el grado de especialización, proponen un Índice de Especialización que consiste en cuantificar la participación de un sector en el empleo local, mientras que para la diversificación proponen el inverso del índice de Hirshman-Herfindal, el cuál consiste en la suma de los cuadrados de las cuotas de mercado de las empresas en un determinado sector.

Respecto a las ciudades altamente especializadas, ^{Duranton y Puga (2000: 534)} apuntan que detrás de su estructura económica subyace una fuerte dependencia de los recursos naturales. También observan que las ciudades grandes tienden a ser más diversificadas, mientras que ciudades con semejantes niveles de especialización tienen tamaños parecidos, y que el crecimiento de una ciudad está relacionado con la especialización y la diversificación.

En otro documento, ^{Duranton y Puga (2019: 43)} proponen un modelo sobre la forma en que las ciudades y la urbanización interactúan con el ingreso agregado y el crecimiento económico. En este sentido, identifican patrones en los que los residentes de las localidades menos productivas se ven incentivados a moverse a localidades más productiva; sin embargo, esta tendencia se ve limitada porque los residentes de las ciudades imponen regulaciones que limitan la llegada de nuevos residentes. En este sentido, al modelar la heterogeneidad de las localidades proponen considerar tanto las economías de aglomeración como los costos urbanos, y advierten que al limitarse el tamaño de las ciudades también se limitan los beneficios de la aglomeración.

Por otra parte, al asociar composición industrial con diversidad, ^{Park (2020)} advierte que la diversidad industrial tiende a aumentar en industrias intensivas en tecnología, pero disminuye en las tradicionales. También encontró que las fábricas verticales están fuertemente correlacionadas con la diversidad en los espacios de construcción, y que los altos precios del suelo dificultan la aglomeración y pueden tener una asociación negativa con la diversidad.

Al analizar la conformación de clusters de empresas intensivas en conocimiento, ^{Pérez-Campuzano (2021)} encuentra que variables como el nivel educativo influyen en la ubicación de empresas, pero no necesariamente en el número de empresas, mientras que la presencia de otras empresas y las variables transporte y movilidad si tienen influencia sobre el número de empresas que se instalan.

Otro factor que se relaciona tanto con la diversidad económica como con los niveles de pobreza, es la tasa de emprendimiento. Al respecto, Lee y Rodríguez-Pose (2020) advierten que el efecto del emprendimiento sobre los niveles de pobreza en las ciudades depende de los sectores en los que este incursiona; por ejemplo cuando se concentra en sectores comerciables con otras ciudades o regiones, puede generar efectos multiplicadores positivos e impactar sobre los niveles de pobreza, mientras que si se enfoca hacia sectores no comerciables, puede saturar los mercados locales, neutralizando sus efectos sobre la pobreza.

Sistemas socioecológicos y acomplamiento estructural

Una perspectiva que también puede ser empleada para explicar el comportamiento y la capacidad de supervivencia de las organizaciones es el enfoque de sistemas socio ecológicos y acoplamiento estructural. Esta aproximación teórica propone que existe un entramado de relaciones en torno a los recursos que son necesarios para la vida humana donde interactúan variables sociales y ambientales (^{Ostrom, 2009}), de tal suerte que las interacciones no se dan únicamente en el ámbito de lo social, sino que también tienen que ver con el espacio físico.

Entre los conceptos que incorpora el enfoque de sistemas socio ecológicos se encuentra la auto-organización, que designa mecanismos que responden a las condiciones previas del sistema a partir de las cuáles puede modificarse su estructura; y atractores o estados de estabilidad auto organizada (^{Gunderson y Holling, 2002}; Urquiza y Cadenas, 2015).

Otro concepto que puede ayudar a la comprensión de un sistema socioecológico es el de resiliencia, que en su forma general se entiende como la capacidad de un sistema para adaptarse a condiciones cambiantes de su entorno y para resistir y/o rebotar impactos sin perder su integridad; para el caso de un sistema socioecológico, parece estar relacionada con la diversidad de los elementos que lo conforman, de tal suerte que una mayor variedad de los elementos mejora las posibilidades de enfrentar situaciones de estrés y riesgo (Urquiza y Cadenas, 2015).

En este contexto, es relevante revisar los conceptos y métricas utilizados para estimar la diversidad específica de las comunidades. Al respecto, es importante advertir que aunque el tema ha sido ampliamente debatido y también ha derivado en problemas semánticos y conceptuales (Hurblert, 1971), la diversidad específica es considera como una propiedad emergente que se relaciona con la variedad de las comunidades y que se deriva de dos componentes: la variedad o riqueza de las especies y la equitabilidad, que es la distribución de la abundancia entre el número de especies.

El índice de ^{Margalef (1956)} expresa la riqueza específica, es decir, la relación entre el número de especies (S) y el número total de individuos observados (n).

Por otra parte, los índices de Shannon Wiener (H) y de Simpson (D), miden la diversidad, incorporando en un solo valor la riqueza específica y la equitabilidad. El índice de Shannon-Wiener deriva de la teoría de la información, y mide el contenido de información por individuo en muestras obtenidas al azar provenientes de una comunidad extensa, de tal forma que la diversidad se entiende como el grado de incertidumbre para predecir a qué especie corresponde un individuo tomado al azar en una muestra de S especies y N individuos (^{Pla, 2006}).

Finalmente, el índice de diversidad de Simpson nos indica la probabilidad de encontrar dos individuos de especies diferentes en dos extracciones sucesivas al azar sin reposición (^{Bouza, 2005}). Se expresa mediante la siguiente ecuación:

donde pi es la abundancia proporcional de la iesima especie, y representa la probabilidad de que un individuo de la especie i esté presente en una muestra, por lo que la sumatoria de pi es igual a 1. Por lo tanto,

Valores cercanos a 0 en el Índice de Diversidad de Simpson nos indicarían la dominancia de pocas especies, mientras que valores cercanos a 1 nos indicarían mayor diversidad, menos dominancia de algunas especies y mayor estabilidad del ecosistema.

Análisis de datos

En primer lugar se definió una muestra de 29 de las 59 zonas metropolitanas identificadas por INEGI en México (ver Tabla 4). El principal criterio para la selección de las ZM consideradas fue su importancia demográfica, pues en ellas habitan el 76.31% de la población de las zonas metropolitanas así como el 48.5% de la población total de México.

A continuación, utilizando el Directorio Nacional de Unidades Económicas (DENUE) del INEGI, se extrajeron los datos correspondientes al número de empresas y/o establecimientos existentes en cada zona metropolitana para cada uno de los 93 subsectores de actividad económica considerados en el catálogo del Sistema de Clasificación Industrial de América del Norte (SCIAN) utilizado por ^{INEGI (2018)}.

Utilizando el software Microsoft Excel: Mac 2011 se calcularon los índices de Riqueza Específica y Simpson para cada una de las zonas metropolitanas. Los resultados se muestran en la Tabla 2.

Posteriormente, utilizando el módulo Pobreza a Nivel Municipio 2010 y 2015 del Consejo Nacional para la Evaluación de la Política de Desarrollo Social (^{CONEVAL, 2015}), se construyó la Tabla 3, en la que se muestra la variación que tuvieron los indicadores de pobreza extrema y pobreza moderada en las zonas metropolitanas consideradas en la muestra. Como puede observarse, en 28 de las 29 Zonas Metropolitanas se redujo el indicador de pobreza extrema, mientras que en 17 se redujo el de pobreza moderada.

También se tuvo acceso al módulo de consulta de trabajadores asegurados permanentes ante el Instituto Mexicano del Seguro Social [IMSS] por entidad federativa (Secretaría del Trabajo y Previsión Social ^{[STPS], 2020}) y se extrajeron los datos correspondientes al 31 de diciembre de 2010 y al 31 de diciembre de 2015, los cuáles fueron comparados para determinar la variación neta de trabajadores asegurados durante ese período, que corresponde al período de comparación de indicadores de pobreza proporcionados por CONEVAL.

Como primer paso en el análisis estadístico, utilizando el software XLSAT 2016, se determinaron los coeficientes de correlación Pearson entre el Índice de Diversidad de Simpson y las variables Tasa de Informalidad, Variación de Trabajadores Permanentes 2010-2015 y Variación Neta del PIB 2010-2015. Como puede observarse en la Tabla 5, todas las correlaciones son significativas a un nivel de 0.05%.

Con base en lo anterior, se procedió a formular un modelo de regresión lineal utilizando las variables ya correlacionadas, con el fin de contar con una ecuación que nos permita realizar estimaciones de la variación en el número de asegurados permanentes a partir de las variaciones que pudieran registrar los factores Índice de Simpson, Tasa de Informalidad en la ZM y Variación del PIB en el Período. Cabe señalar que la variación del PIB sólo pudo obtenerse con un nivel de desagregación por Entidad Federativa, por lo que para la formulación del modelo se utilizó como variable de ponderación el porcentaje de población que representa la ZM con respecto a la población estatal. Los parámetros del modelo se muestran en la Tabla 6 y los estadísticos de bondad de ajuste en la Tabla 7.

La ecuación del modelo es:

Donde

Con el fin de buscar un mejor ajuste, se formuló otro modelo utilizando el método de regresión por mínimos cuadrados parciales (PLS), técnica que permite reducir el número de predictores, generando un conjunto pequeño de componentes no correlacionados sobre los que se realiza una regresión de mínimos cuadrados, a partir de la cuál se construye un modelo con mayor solvencia ante la incertidumbre de las mediciones.

En este caso, se obtuvo un modelo con el mismo número de componentes (t) que predictores (variables). La Tabla 7 muestra las correlaciones entre las variables y los componentes, mientras que la Tabla 8 muestra los estadísticos de bondad de ajuste.

La ecuación del modelo es :

Al comparar los estadísticos de ambos modelos, se encontró una mejor bondad de ajuste del modelo de regresión lineal, pues como puede apreciarse, el coeficiente R², que es la variabilidad explicada por los predictores seleccionados, es más alto en el primer modelo que en la regresión PLS.

Posteriormente se procedió correlacionar los predictores ya mencionados con las variables Pobreza Moderada y Pobreza Extrema, a los que se añadió la variable Años de Escolaridad Promedio. Los resultados se muestran en la Tabla 10, donde puede apreciarse que ambas variables tienen correlaciones significativas con los predictores seleccionados.

Posteriormente, se elaboró un modelo de regresión lineal para estimar las determinantes de la pobreza extrema, utilizando los predictores mostrados en la Tabla 9. Se encontró que los predictores Índice de Diversidad de Simpson, Años de Escolaridad son significativos a un nivel de 0.05%, y que de acuerdo a los estadísticos de bondad de ajuste (R²) explican el 0.557 de la variabilidad de la Pobreza Extrema.

La ecuación del modelo es

Donde

Finalmente, se formuló un modelo de regresión lineal con los predictores ya mencionados y la variable Pobreza Moderada, encontrándose que tanto el empleo informal como los años de escolaridad son las determinantes cuya relación estadística es significativa a un nivel de 0.05%. En la Tabla 14 además se muestran los estadísticos de bondad de ajuste, en los cuáles el coeficiente R² indica que los predictores seleccionados explican el 76% de la variabilidad de la Pobreza Moderada.

La ecuación del modelo es:

Donde