Pobreza y desigualdad en México

Definir la pobreza no es sencillo, existen múltiples concepciones, por ejemplo, el Banco Mundial, la define como: la incapacidad de las personas para obtener un nivel de vida mínimo, definición un tanto ambigua dado la complejidad de elementos que la pueden explicar. Pero no basta con definirla, sino también es igual de importante medirla. Su medición permite a los gobiernos contar con un instrumento para implementar políticas públicas que busquen mitigar o eliminar las carencias que sufren sus habitantes. De allí que, determinar la forma en cómo medir la pobreza permite cuantificar el número de pobres, dónde se ubican y cuáles son las principales afectaciones que padecen y, con ello, poder plantear estrategias de solución (^{Ortiz y Ríos, 2013}).

En México la institución encargada de medir la pobreza es el Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL), la cual utiliza la medición de la pobreza multidimensional, llevada a cabo de manera bianual a nivel entidad federativa desde 2008 a la fecha, y a nivel municipal cada cinco años, esta última con resultados para los periodos 2015 (^{CONEVAL, 2018}) y 2020 (^{CONEVAL, 2022}).

Los resultados de la medición de la pobreza en México para 2020 (^{CONEVAL 2022}), presentaron un panorama poco alentador, dado que en el periodo comprendido de 2018 a 2020 el número de personas pobres se incrementó en el país como consecuencia de la pandemia causada por el SARS-CoV-2 (COVID-2019), situación que podría agravarse aún más si la pandemia se alarga por un periodo mucho más largo. De acuerdo con las estimaciones de CONEVAL, para el año 2020, en el país había 55 millones 654 mil 225 personas en condición de pobreza, representando el 43.9% del total de la población. Si se comparan tales cifras con las previas de 2018 se identifica un aumento porcentual del 2.0% (para 2018 el valor se ubicó en 41.9%, es decir, 51 millones 890 mil 880 personas), que en términos absolutos representó un aumento de poco más de tres millones 763 mil personas.

En el caso de la población de pobreza extrema, también se presentó un incremento de 2018 a 2020, al pasar del 7.0 a 8.5 por ciento, que en términos reales significó un incremento de 2 millones 096 personas, pasando de 8 millones 696 mil a 10 millones 793 mil pobres extremos en ese periodo (^{CONEVAL, 2022}).

Dado lo anterior, si bien es cierto que la pandemia por COVID-19 incrementó la proporción de personas en situación de pobreza, también lo es que previo a la existencia de ésta (2018) la situación que privaba entre la sociedad mexicana no era la mejor, pues casi la mitad de la población padecía de algún grado de pobreza. Así, la emergencia sanitaria no vino más que a exacerbar las condiciones de desigualdad y pobreza presentes entre la población de México, las cuales se vieron particularmente afectadas en incrementos súbitos de i) la carencia por acceso a los servicios de salud y ii) la carencia en el acceso a la seguridad social.

En el caso específico del acceso a salud, este presentó un retroceso muy importante entre 2018 y 2020, pues incrementó en el periodo al pasar de 16.2% a 28.2%, situación que en términos absolutos supuso un aumento de alrededor de 15.6 millones de personas, pasó de 20.1 a 35.7 millones en el período analizado (^{CONEVAL, 2022}). En la Figura 1 se puede observar que, de la población con acceso a servicios de salud, poco más de la mitad se encuentra afiliada al IMSS (51%), el 35.5% al Instituto de Salud para el Bienestar (INSABI), antes Seguro Popular y 8.8% al ISSSTE (^{INEGI, 2021}).

Fuente: Elaboración propia con datos de ^{INEGI Censo de Población y Vivienda 2020}.

Figura 1 Afiliación a los servicios de salud en México, 2020 

Los resultados plasmados previamente permiten tener un panorama general de las condiciones de pobreza y acceso a salud entre la población de México, identificando que, mucho antes de la declaratoria de emergencia sanitaria gran parte de la población del país se encontraba sumida en la pobreza, enfrentando día con día profundas desigualdades en el acceso a satisfactores/derechos básicos, así como, a la incapacidad de la economía nacional de dotar de ingresos suficientes para brindar a las familias en México de mejores condiciones materiales y de acceso a oportunidades de desarrollo (^{CONEVAL, 2022}).

Capacidades sanitarias previo al COVID-19

Bajo una perspectiva global, como se observa en la Figura 2, el sistema hospitalario en México es limitado, de acuerdo con datos de BBVA Research en México hay 1.5 camas por cada mil personas (^{BBVA Research, 2020}); valor por debajo del promedio mundial que es de 2.7. El mayor promedio de camas por persona lo tiene China con 4.2 por cada mil.

Fuente: Elaboración con datos de ^{BBVA Research a partir del Banco Mundial, 2020}.

Figura 2 Camas hospitalarias por cada 1,000 personas en México, 2020-2021 

En cuanto al número de médicos, el caso de México se puede observar que en términos relativos se está arriba del dato del promedio mundial y de China (2.25 por cada mil personas), pero por debajo del indicador de médicos por casa mil personas, respecto a países como España, Italia y Estados Unidos (^{BBVA Research, 2020}).

Fuente: Elaboración con datos de ^{BBVA Research a partir del Banco Mundial, 2020}.

Figura 3 Médicos por cada 1,000 personas en México, Banco Mundial 2020-2021 

Sin embargo, la distribución de la infraestructura y los recursos sanitarios no es homogénea en México, particularmente por el nivel económico de cada región. Lo cual es muy heterogénea en el país, tal como puede observarse en la Figura 4. Mapas 1a y 1b; donde Nuevo León, Jalisco, el Estado de México y la Ciudad de México refieren a las entidades con los mayores niveles de PIB para el país, siendo Nayarit, Zacatecas y Tlaxcala los que menor porcentaje representan.

Fuente: Elaboración propia con base al Sistema de Información de la Secretaría de Salud DGIS 2018, disponible en: http://sinaiscap.salud.gob.mx:8080/DGIS/.

Figura 4 Mapas 1a y 1b. PIB 2018 y gasto público en salud por Entidad Federativa en México, 2018 

En cuanto al número de personal médico y de enfermería, se observa en la Figura 5. Mapas 2a y 2b, que estos se encuentran concentrados en las entidades cercanas al centro del país, tales como: la Ciudad de México (CDMX), Estado de México, Puebla, Guanajuato, Veracruz y Jalisco y, un poco más al norte, el estado de Nuevo León. En el caso del número de camas hospitalarias disponibles por cada 100 mil habitantes, entidades como la Ciudad de México (CDMX), Baja California Sur, Sonora, Durango, Coahuila, Tamaulipas, Colima, Campeche y Yucatán son los que más disponibilidad tienen; mientras que el Estado de México, Querétaro e Hidalgo son los que se ubican con los valores más bajos del indicador de personal médico y de enfermería, así como el de camas hospitalarias.

Fuente: Elaboración propia con base al Sistema de Información de la Secretaría de Salud DGIS 2018, disponible en: http://sinaiscap.salud.gob.mx:8080/DGIS/.

Figura 5 Mapas 2a y 2b. Personal médico y de enfermería y camas hospitalarias disponibles en México, 2018 

Los datos previos no hacen más que resaltar el hecho de las profundas desigualdades que han privado históricamente en el país, estados de la República con una dinámica económica pujante, la cual se ve reflejada en una mayor proporción de su aportación al PIB nacional, mayor nivel de ingreso de los habitantes que radican en ellos, así como mayores capacidades físicas en materia de infraestructura hospitalaria y de cuidados para la salud. Mientras que, en el extremo opuesto se ubica a entidades con altas tasas de pobreza, marginación y con limitadas posibilidades de acceso a la satisfacción de sus derechos básicos (Gamboa y Messmacher, 2002; ^{Székely et all, 2007}; y ^{Ortiz et all, 2015}).

Las condiciones de pobreza y carestía que han privado históricamente entre la población, los crecientes hábitos del consumo de alimentos chatarra, a lo que se suma un estilo de vida sedentario; han condicionado la existencia de un precario estado de salud y nutrición entre la población, así como, la presencia cada vez mayor de enfermedades crónico-degenerativas a edades más tempranas, tales como: obesidad, hipertensión, diabetes, entre otras (Soto, et all 2015; Hernández, 2015; Salud, 2016; ^{Barrera, 2021} y ^{ENSANUT, 2021}).

Dado lo anterior, tal como lo señalan ^{Cárdenas (2021)} y Nieves, (2021), la prevalencia de un frágil sistema de salud al que solo unos cuantos tienen acceso, así como, el alto porcentaje de población con la existencia de comorbilidades, desembocaron en la diferencia del impacto de la mortalidad de la pandemia por COVID-19. Además, algunos otros estudios primigenios han manifestado que, tanto las variables socioeconómicas como del entorno y ambientales han jugado un papel clave en cuanto a la magnitud y los efectos de la infección sobre distintas poblaciones (González, 2020).

Las tendencias observadas en algunos otros estudios permiten concluir que los efectos de la pandemia no solo se deben a las características biológicas del virus (letalidad), sino también a la no disponibilidad de recursos (monetarios y de infraestructura) para enfrentarlo, los cuales están distribuidos (desigualmente) por procesos sociales (^{Luna, 2020}). Así, quienes residen en regiones con mayor marginación han tenido mayor riesgo de presentar la forma severa de la infección. Siendo la población indígena o con menores niveles de ingreso, la que tiene mayor riesgo de presentar neumonía, hospitalización y muerte (^{Ortiz y Pérez, 2020}; ^{Bacigalupe et all, 2022}).

Bajo tal tesitura los apartados subsecuentes de este proyecto analizan la relación de distintas variables sociales/ demográficas y su interacción con el territorio del país, mostrando la prevalencia de ciertos patrones en su desarrollo.

Análisis de la literatura actual

Sin duda, a partir del COVID-19 en todo el mundo se han tomado acciones que han cambiado la normalidad con la que se hacían ciertas cosas, incentivando con ello al gobierno para formular políticas públicas que garantizar el bienestar de sus ciudadanos en distintos aspectos.

Un ejemplo directo de lo anterior son las políticas públicas en materia de salud, que se han tenido que adaptar a la situación global generada por el virus SARS-CoV-2. Cruz-Meléndez y Valencia López (2020) muestran en su trabajo como el uso de tecnologías, la gobernanza y la pandemia dieron pie a crear políticas de e-salud que buscan aprovechar el uso de tecnologías para incentivar el autocuidado en los hogares además de brindar información oportuna y clara sobre la pandemia.

Landeros-Olvera, Arroyo-Cruz y Rodríguez-Hernández (2021) señalan que las políticas públicas de salud deben ser adaptadas a la realidad financiera y cultural de cada país, donde se buscará atender los retos en materia de salud, sin embargo, los profesionales de la salud, al proponer políticas públicas, deben estar conscientes de buscar respaldo del congreso, que sea la voz para representar la propuesta de quienes están en el lugar de los hechos.

El gobierno se ha visto en la necesidad de implementar estrategias a través de políticas públicas para poder reaccionar a la situación social, económica y de salud que se vieron afectadas con la pandemia, las políticas implementadas se encaminaron a aumentar el presupuesto, anticipar y organizar la respuesta, aprovechar las ventajas medioambientales, reacomodo de las infraestructuras, espacio público, mayor oferta monetaria y apoyo a las MIPYMES.

En la investigación de ^{Chiatchoua y Neme (2022)} se enfatiza que las políticas públicas utilizadas han disminuido el impacto de la pandemia, pero derivado de que estás políticas fueron una reacción más que una planeación, en un inicio estas medidas no tuvieron los resultados esperados, con lo que se debe de encaminar los esfuerzos en fortalecer las políticas existentes y orientar las políticas futuras para tener una reacción oportuna en caso de que se suscite un evento como el desatado por el virus SARS-Cov-2.

Otro caso analizado se puede observar en el trabajo de ^{Vázquez y Ortiz (2022)} donde analizaron las políticas regulatorias en el estado de Michoacán con el fin de regular las actividades en establecimientos públicos y privados, colocar filtros de control sanitario y la verificación y vigilancia de los establecimientos. Adicionalmente se formularon políticas distributivas relacionadas con programas de apoyo, de alimentación, créditos para micro y pequeñas empresas y programas culturales virtuales que apoyaron en el cuidado de la salud de los ciudadanos y poder aminorar con esto las afectaciones económicas y sociales.

Al analizar otra dimensión importante como lo es la educación, en la pandemia también se han generado políticas que buscan reducir el impacto del aislamiento con el uso de plataformas virtuales y recursos digitales para darle continuidad a los estudios desde casa, esta investigación realizada por ^{Navarrete, Manzanilla y Ocaña (2020)} confirma la importancia de adecuar el sistema educativo al entorno digital para poder afrontar la pandemia y mejorar la calidad de la educación que reciben los estudiantes en sus distintos niveles, añadiendo a esto el reto de llevar el conocimiento para su uso de las nuevas tecnologías y recursos digitales que se utilicen para impartir y tomar clases.

^{Ordoñez (2021)} replantea todas las políticas públicas implementadas en México para afrontar la pandemia por COVID-19 en función de los derechos políticos de los ciudadanos y si fueron restringidos o vulnerados por esta mediadas tomadas, haciendo énfasis en que el gobierno mexicano debe encontrar un equilibrio entre las políticas públicas implementadas y la salvaguarda de los derechos políticos.

Se puede observar una fuerte necesidad de diseñar políticas públicas orientadas a disminuir los efectos negativos en lo social y lo económico, derivado de que hubo rezago en el aprendizaje y un atraso en actividades sociales y culturales a pesar de haber hecho uso de nuevas tecnologías.

Lo anterior se sustenta con el trabajo presentado por ^{García Tejeda (2020)} dónde se muestra que las agendas locales de 31 entidades federativas y la Ciudad de México son diversas y en algunos casos amplias, pero enfrentan la emergencia de forma semejante, por lo que las respuestas de las administraciones públicas locales pueden tener un efecto limitado ante los problemas económicos generados por el COVID19.

Datos utilizados

Para el presente estudio se propone un modelo empírico basado en el análisis de la base de datos elaborada por el gobierno federal a través del Consejo Nacional de Ciencia y Tecnología (CONACYT) - CentroGeo - GeoInt - DataLab, referida al tablero de control de COVID-19 y disponible en la página electrónica https://datos.covid-19.conacyt.mx/#DOView,¹ esta base de datos proporciona información estadística sobre los casos confirmados y defunciones en México respecto a la enfermedad COVD-19 a nivel municipal actualizada de forma diaria en el país.

Adicionalmente, se agregó un conjunto de variables a nivel municipal, provenientes de otras fuentes, que permiten identificar características económicas y demográficas en el territorio. Entre ellas destaca el del índice de marginación, elaborado por el Consejo Nacional de Población (CONAPO); indicadores de pobreza multidimensional y desigualdad de CONEVAL, con referencia al año 2015. En la Tabla 1 se presenta la descripción general de las variables incluidas en la base de datos empleada para el estudio.

Metodología a emplear

Para este presente estudio se consideró como hipótesis que, la presencia de contagios por COVID-19 se correlaciona con variables del entorno, particularmente con el tamaño poblacional del municipio, así como, variables sociales y económicas que lo caracterizan. En este sentido, se presenta un análisis simple de correlación espacial, para después describir y visualizar la distribución de la pandemia por COVID-19 en el territorio, contrastando la hipótesis inicial del proyecto, todo ello mediante la identificación de patrones de distribución territorial sustentados en instrumentos estadísticos como el índice de Moran y la identificación de “hot points”, según la localización.

Correlación espacial

Por lo que respecta a la segunda parte del análisis y de forma complementaria, se retoma el análisis de autocorrelación espacial de ^{Suberos (2018)} que permite identificar el grado de asociación que existe entre las variables en el mismo lugar, tomando en cuenta que cada variable representa un fenómeno geográfico diferente (^{Siabato y Marique 2019}). Por lo que, para la presente investigación se busca identificar los siguientes elementos: i) los atributos cuantitativos o los atributos cualitativos de los fenómenos espaciales analizados, y ii) la localización como referencia geográfica o sistemas coordenados (^{Siabato y Marique 2019}).

Como resultado, el grado de asociación puede arrojar los resultados siguientes de acuerdo con ^{Celemín (2009)}:

Bajo este análisis se contemplan índices que permiten relacionar conjuntamente la dependencia entre unidades de estudio y atributos, cuya estructura general está compuesta como se señala en la Ecuación (1).

Donde n es la población total de unidades en el mapa, W_ij es una matriz de pesos, la cual representa las interdependencias entre las unidades analizadas. Cabe destacar que, de acuerdo con Pérez y Fonseca, esta matriz es cuadrada no estocástica y cada elemento que la contiene refleja la interdependencia existente entre cada par de unidades i y j (^{Pérez y Fonseca, 2017}). El valor C_ij es la distancia de los valores i y j en alguna dimensión. De tal manera que, la autocorrelación espacial refleja el grado en que las unidades son similares a otras unidades próximas (^{Goodchild, 1987}).

Esta afirmación sigue la primera ley de la geografía “Todas las cosas están relacionadas entre sí, pero las cosas más próximas en el espacio tienen una relación mayor que las distantes” (^{Tobler, 1970}). De lo anterior, se desprende el índice de Moran, estadístico que mide la correlación espacial entre unidades territoriales cercanas de un indicador (^{Pérez y Fonseca, 217}), es decir, ofrece una medida de la intensidad de la autocorrelación de las unidades consideradas (^{CEPAL, 2021}). Además, es considerado el coeficiente de Pearson con una matriz de pesos definida entre -1 y 1 (^{Celemn, 2009}).

Dentro del Índice de Moran existen dos tipos: el global y el local. Mientras el Índice de Moran global detecta la influencia que tienen regiones más dispersas cuando es calculado con la matriz de interdependencias, el Índice de Moran local es obtenido a partir del índice global para detectar la presencia de autocorrelación (^{Barros y Aroca, 2014}). La estructura general del Índice de Moran se indica en la Ecuación (2).

Donde S0=∑i=1n∑j=1nwij, como se mencionó, es la matriz de pesos. La Z son las desviaciones de la media (xi-x-) o (xj-x-), además x_i es el valor de la variable en una unidad espacial determinada xj es el valor de la variable en otra localización.

El análisis de correlación espacial permite obtener clasificaciones sobre grupos homogéneos con características análogas, con ello es posible realizar la identificación de clusters, que no es más que medir el grado de agrupamiento de valores atípicos como altos o bajos. En este sentido, permite identificar y visualizar un territorio cuando sus valores analizados sean superiores a la media en el tamaño de la población, por ejemplo, las condiciones sociales o la presencia y contagios de COVID-19.

Por otro lado, y de la misma forma, el análisis “hot points” se vale de puntuaciones z y los valores p-value resultantes para indicar el agrupamiento espacial de las unidades con valores altos y bajos, pero, específicamente se realiza mediante una búsqueda dentro del contexto de unidades vecinas (^{Esri, 2021}), posteriormente se evalúa si este “hot points” (punto caliente) es significativo. Este análisis se obtiene a partir del cálculo de Gi* de Getis-Ord para cada municipio, tomando en cuenta la función que se expresa en la Ecuación (3).

Donde x_j es el valor del atributo para la unidad j, w_i,j es el peso entre la característica i y j, n es igual al número total de características. El estadístico Gi* es una puntuación z. Para las puntuaciones z positivas que son estadísticamente significativas, mientras más grande es la puntuación z, más intenso es el cluster de valores altos (punto caliente). Para las puntuaciones z negativas que son estadísticamente significativas, mientras más pequeña es la puntuación z, más intenso es el cluster de valores bajos o punto frío (^{Esri, 2021}).

Variables sociodemográficas y su correlación de la incidencia del COVID-19

Para la identificación de la correlación entre las variables sociales y económicas se empleó la matriz de correlación que se presenta en la Tabla 2. Dichos resultados resaltan algunas relaciones particularmente interesantes, en primer lugar, la existencia de una correlación moderada negativa con el valor de -0.4525 y -0.4727 para enero de 2021 y 2022 respectivamente entre el número de muertes por COVID-19 para cada año y el porcentaje de la población en situación de pobreza; resultado que permite asumir que, cuando varía el porcentaje de pobreza en un sentido, el número de muertes lo hará en sentido contrario, pero con una fuerza similar. La misma relación se obtiene para la población en situación de extrema pobreza (-0.4146 en enero 2021 y -0.4449 para enero 2022). En otras palabras, cuando crece el número de muertes disminuye el porcentaje de población pobreza y en extrema pobreza, por lo que podría pensarse el hecho de que el COVID-19 estuviera afectando (causando más muertes) entre la población menos pobre, lo cual, a falta de evidencia en este momento, nos haría suponer que tal tendencia se debe al hecho de que la enfermedad por COVID-19 se ha concentrado en las zonas urbanas (menos pobres del país), lo cual fortalece el hecho de que la transmisión se da primordialmente en zonas altamente pobladas, no necesariamente con mayores niveles de pobreza.

En segundo lugar, los resultados de la Tabla 2 permiten identificar que las muertes por COVID-19 mantienen una correlación positiva alta con la población vulnerable por ingreso (con valores de 0.4825 y 0.4452). Esto quiere decir que cuando crece la población vulnerable por ingresos, el número de muertes por COVID-19 también lo hace, aunque en una proporción diferente. Misma situación se presenta entre la población no pobre y no vulnerable, pero en una proporción un tanto mayor que la variable anterior.

Ambas situaciones previas refuerzan dos elementos claves de la epidemia por COVID-19, por un lado, ésta se intensifica y ha desarrollado prioritariamente en los territorios más urbanos del país (con niveles de pobreza no tan bajos). Pero la incidencia de muerte se correlaciona con el nivel de ingresos de la familia, es decir, aquellos que no cuentan con los medios para acceder a servicios de salud oportunos.

Identificación de “Hot points” en el territorio nacional

Para identificar si efectivamente el contagio y muerte por COVID-19 se ha venido desarrollando en el país bajo un patrón específico o de forma aleatoria, se calculó el índice de Moran en relación con el nivel de contagios y muertes por COVID-19, alcanzando un valor de 0.1873 a enero de 2021 y para enero de 2022 de 0.1555 respectivamente, como se puede observar en la Figura 6.

Fuente: Elaboración propia con datos del tablero de control de COVID-19 disponible en la página electrónica https://datos.covid-19.conacyt.mx/#DOView.

Figura 6 Autocorrelación Espacial (Índice de Moran) 

Los resultados de la autocorrelación espacial, índice de Moran, confirma la existencia de una correlación espacial entre unidades territoriales cercanas (a nivel municipal). En este caso, el valor alcanzado nos muestra una autocorrelación espacial positiva agrupada, debido a las condiciones físicas en las que se transmite o contagia el Coronavirus.

En lo que respecta a la magnitud del patrón espacial de contagio y muertes por COVID-19 en el país, se llevó a cabo la identificación territorial de “hot points”. Para analizar lo anterior se consideraron dos cortes temporales de la evolución de la pandemia por COVID-19 en México, el primero a enero de 2021 (Figura 7. mapa 3a), el cual refiere a los primeros meses de entrar en vigor la vacunación en el país y, el segundo (Figura 7. mapa 3b), a enero de 2022 una vez que el proceso de vacunación en México ya tenía un avance importante. Los resultados de ambos periodos destacan que las zonas de mayor transmisibilidad (“hot points”) en el país se han mantenido más o menos estables en el tiempo, concentrándose en seis regiones; la zona Metropolitana del Valle de México, una franja del Bajío; la zona norte del país compuesta por Baja California, Chihuahua, Coahuila y Nuevo León y, en el sureste, el estado de Tabasco. Para enero 2022, la situación no presenta cambios significativos salvo que a las regiones previas se añade Sonora, Zacatecas y Yucatán.

Fuente: Elaboración propia con datos del tablero de control de COVID-19 disponible en la página electrónica https://datos.covid-19.conacyt.mx/#DOView.

Figura 7 Mapa 3a y 3b. “Hot points” transmisión por COVID-19 

En el caso de las regiones con menor transmisibilidad o zonas frías, destaca Veracruz, Oaxaca y Chiapas para ambos cortes (2021 y 2022).

De forma similar, en el caso de la distribución territorial de muertes por COVID-19, se realizaron los mismos cortes temporales: enero de 2021 (Figura 8. mapa 4a) y enero de 2022 (Figura 8. mapa 4b). Tal como se aprecia más abajo, los resultados mostraron un comportamiento similar a la distribución geográfica de personas contagiadas en el territorio nacional, concentrándose primordialmente en la zona centro del país (Ciudad de México, Estado de México, Hidalgo y la parte norte de Puebla), el Bajío (Guanajuato y Aguascalientes), pasando por Zacatecas y Sinaloa, además de la franja norte del país (Baja California, Sonora, Chihuahua, Coahuila y Nuevo León). Mientras que, al sureste del país destacan los estados de Yucatán, norte de Campeche y Quintana Roo. Tal como se aprecia en ambos, Figura 8. Mapas (4a y 4b), las regiones de mayor prevalencia de muertes por COVID-19 se mantuvieron de forma más o menos estable entre 2021 y 2022.

Fuente: Elaboración propia con datos del tablero de control de COVID-19 disponible en la página electrónica https://datos.covid-19.conacyt.mx/#DOView.

Figura 8 Mapa 4a y 4b. “Hot points” muertes por COVID-19 

Por su parte, Estados como Oaxaca, Chiapas, Veracruz y la zona sur de Guerrero y Puebla se mantuvieron, en ambos cortes, como regiones “frías”; es decir, con una muy baja incidencia de muertes asociadas a la pandemia.

Los resultados previos, relacionados con el contagio y muertes por COVID-19, vienen a reforzar algunos elementos importantes: