1. Introducción

El avance de la urbanización como fenómeno global se relaciona con mayores niveles de bienestar y productividad, aunque también se asocia al deterioro medioambiental. El funcionamiento de las grandes ciudades demanda una enorme cantidad de recursos materiales y energéticos. Éstos, a través del proceso metabólico social, se transforman en residuos que contaminan tierra, agua y aire.

El tránsito vehicular, la actividad industrial, la incineración de desechos sólidos y la quema de combustibles de uso residencial son los principales responsables de la contaminación del aire (^{ONU, 2018}; ^{IPCC, 2014}). Las ciudades producen el 75% de emisiones de dióxido de carbono, y en el 97% de los centros urbanos -de páıses con ingresos medios y bajosse respira aire contaminado. En la dinámica demográfica, el 55% de la población mundial reside en áreas urbanas y se espera que esa proporción se eleve a 68% para el año 2050, principalmente en los páıses en desarrollo. Esto potencialmente agravará los problemas ambientales de los páıses en desarrollo, como México, en donde la urbanización produce ciudades extensas y dispersas, con infraestructuras saturadas y deficientes (^{ONU, 2019}).

La contaminación del aire en las ciudades es un problema de salud pública, ya que existe una correlación entre el volumen de material particulado (PM10 y PM2.5 ) y las enfermedades en el sistema nervioso, los padecimientos cardíacos, el cáncer de pulmón y las enfermedades respiratorias crónicas (^{Kampa y Castanas, 2008}), lo cual incrementa los gastos de salud y disminuye la productividad laboral por el deterioro en la salud de la fuerza de trabajo, llegando a ocasionar 4.2 millones de muertes prematuras en el mundo al año (^{OCDE, 2016}).

En México, la contaminación del aire en las ciudades es un problema grave debido a que hasta el 43% de la población es urbana y se concentra en zonas metropolitanas, con el 84.5% de la población urbana del páıs residiendo en 74 zonas metropolitanas a lo largo del territorio nacional (^{SEDATU-SEGOB, 2018}). De acuerdo con el informe de la calidad del aire 2019, las principales ciudades del páıs agrupadas en áreas metropolitanas¹ mantienen concentraciones en niveles tóxicos de al menos uno de los contaminantes atmosféricos (monóxido de carbono (CO), material particulado de 10 y 2.5 micrómetros (PM ₁₀ y PM _2.5 )² y ozono (CO₃) (^{INECC, 2020}).

Asimismo, en México se estima que 29 mil muertes prematuras se asocian a la exposición de material particulado (^{INECC, 2016}). La carga económica estimada asciende a 20 mil millones de pesos debido a las PM₁₀ y 16 mil millones de pesos debido a las PM _2.5 . Además, las muertes asociadas a contaminación ambiental han crecido en la última década, al pasar de 21.8 muertes por cada 100 mil personas en 2007, a 29.3 en 2019 (^{IHME, 2021}).

En este contexto, se propone determinar la existencia de una correlación espacial en la aglomeración urbana y el nivel de contaminación de aire para los municipios de México. Asimismo, se analiza el peso relativo de diversas variables relacionadas con la urbanización en la presencia de contaminación de aire. El estudio también permitirá conjeturar sobre el estado de desarrollo urbano asociado a la relación entre urbanización y contaminación ambiental, con base en el planteamiento teórico de la Curva Ambiental de Kuznets. Para comparar la evolución del fenómeno se incluyen dos períodos: 2013 y 2016.

Se parte de la posibilidad de que las características de la localización estén vinculadas con la distribución de los contaminantes en el espacio. En Estados Unidos y Europa se han estudiado los efectos del tamaño de las ciudades en su relación con los costos pecuniarios y medioambientales (^{Glaeser y Kahn, 2010}; ^{Kahn, 2010}; ^{Combes et al., 2019}). Sin embargo, estos análisis no consideran los efectos espaciales entre regiones vecinas, por lo que los estimadores hallados presentarían un sesgo por la autocorrelación de las observaciones. Como alternativa, investigaciones recientes emplean técnicas de econometría espacial para modelar explícitamente la dependencia espacial entre regiones (^{Li et al., 2014}; ^{Fang et al., 2015}; ^{Liu et al., 2017}).

En este trabajo se consideran de forma explícita las posibles interacciones espaciales de las variables de estudio. Para ello, se utilizan datos a nivel municipal para México, a partir de los cuales se construye una variable representativa de las emisiones asociadas a la contaminación del aire. Se contempla el material particulado (PM₁₀ y PM _2.5 ) como sustancias que tienen efectos degenerativos en la salud. También se incluye la generación de CO dado que representa más del 70% de las emisiones de gases contaminantes en México. Las variables explicativas están relacionadas con la aglomeración urbana: el grado de urbanización, la actividad manufacturera, el comercio, el consumo de combustibles y el número de vehículos en circulación.

Los resultados muestran que la contaminación del aire presenta dependencia espacial. Y constatan que los factores asociados a la aglomeración urbana tienen un efecto positivo sobre el nivel de emisiones de contaminantes en las ciudades.

El resto del documento está organizado de la siguiente manera. La segunda sección contempla la relación de la aglomeración urbana y económica con la contaminación ambiental. La tercera sección analiza los hallazgos en la literatura relacionados a la distribución espacial de la contaminación del aire y se aborda el tema para México. La metodología y los datos se detallan en la cuarta sección. En la quinta sección se presentan los resultados del análisis espacial, que incluye análisis gráfico, estadísticos de autocorrelación espacial I-Moran y las regresiones espaciales. Finalmente, se presentan las conclusiones.

2. De la relación entre aglomeración urbana y económica con la contaminación

La relación entre urbanización, aglomeración, actividad económica y contaminación ha recibido particular atención recientemente, debido al notorio incremento de urbanización de la población en las últimas décadas, pasando de un tercio de la población global en la década de 1960 a cerca de 56% para 2020 (^{Poumanyvong y Kaneko, 2010}; ^{Liang et al., 2019}). Aqúı, se entiende a la urbanización como la transición de población agrícola a no-agrícola, y de la transformación de la actividad económica basada en la agricultura hacia industrias no agrícolas (^{Wang, 2018}; ^{Chen et al., 2014}).

Existe una correlación entre el proceso de urbanización y de la actividad económica, donde mayor actividad económica atrae a población en forma de empleados, empresarios y proveedores de servicios, que van dando paso a estados más avanzados de la urbanización, lo que en algunos casos deviene en aglomeración urbana (^{Fang et al., 2015}; ^{Wang et al., 2020}; ^{Arvin et al., 2015}; ^{Mendoza-González et al., 2017}). A su vez, esta mayor concentración de personas va requiriendo de mayor cantidad y diversidad de bienes y servicios, por lo que aumenta la demanda y se genera un incremento en las actividades y la diversidad de las industrias económicas. Es decir, se generan economías a escala que propician la aglomeración económica (^{Henderson, 2003}; ^{Wang et al., 2018}). La teoría de la aglomeración económica señala al incremento de la concentración de población como uno de sus factores principales (^{Chen et al., 2014}).

Por otro lado, existe una relación directa entre la actividad económica y la contaminación, ya que el proceso productivo y el metabolismo social generan una degradación al medio ambiente a través de dos vías. Por un lado, la extracción de recursos naturales para ser transformados en bienes de consumo que degrada los recursos naturales; y por otro, los residuos de la producción y el consumo que, al no poder ser absorbidos por la naturaleza para reintegrarse a la misma -y ser en muchos casos nocivos para la saludgeneran contaminación ambiental (^{Sun et al., 2019}; ^{Grimm et al., 2008}; ^{Liang y Yang, 2019}).

Sin embargo, la relación entre urbanización y contaminación urbana resulta más compleja. Estudios seminales para determinar la relación entre el crecimiento económico y la degradación ambiental desarrollan la denominada Curva Ambiental de Kuznets (^{Grossman y Krueger, 1995}). Esta sugiere que, en etapas iniciales de desarrollo, el crecimiento económico generará mayores niveles de contaminación; no obstante, esta teoría expone que existe un punto de inflexión en que la relación se invierte, y mayores niveles ingreso generarán mejoras en la calidad ambiental.

Estudios recientes sobre la dinámica en los procesos de urbanización y contaminación encuentran evidencia que confirma la existencia de una relación en forma de U invertida, para economías nacionales de diferentes niveles de ingreso per cápita (^{Henderson, 2003}; ^{Sun et al., 2019}; ^{Poumanyvong y Kaneko, 2010}; ^{Wang et al., 2020}; ^{Liang y Yang, 2019}).

Lo anterior sugiere la existencia de una relación bidireccional en forma de U invertida entre urbanización, aglomeración urbana y económica, y contaminación. Es decir, para estados bajos del desarrollo urbano, los procesos de aglomeración urbana y económica se relacionan con mayores niveles de contaminación. Mientras que, para estados de desarrollo económico elevados, el incremento en el grado de urbanización se relacionará con reducciones en la contaminación ambiental.

Los trabajos de ^{Grossman y Krueger (1995)} distinguen entre tres factores que generan cambios en la actividad económica y la contaminación asociada: el efecto tecnología, el efecto escala y el efecto composición. El primero se refiere a la parte del cambio en la contaminación asociada a la introducción de nueva tecnología en los procesos productivos y usualmente tiene un efecto mitigador; es decir, estos cambios generan una reducción en la cantidad de contaminantes emitidos por unidad de producto, para cada industria. El efecto escala se refiere a los cambios en la contaminación asociados a cambios en la población y su nivel de ingreso; es decir, más población con mayores ingresos incrementa la demanda, lo que a su vez estimula la producción y la contaminación. Finalmente, el efecto composición está asociado a la estructura económica de cada región, donde aquellas que estén basadas en industrias más contaminantes, como las de transformación, generarán mayor contaminación por cada unidad de valor de producción. Mientras que aquellas regiones que hayan transitado hacia el sector terciario, o menos contaminante, generarán menor contaminación por unidad de valor de producción. Típicamente estas últimas se relacionan a las industrias de las comunicaciones o intensivas en conocimiento, por lo que también se asocian a estados más elevados de desarrollo económico (^{Liobikiené y Butkus, 2019}).

La contaminación se presenta entonces como un reto complejo, puesto que las ciudades demandan una enorme cantidad de recursos naturales y energéticos para sostener su funcionamiento por la concentración de la industria. A su vez, este fenómeno retroalimenta el crecimiento de la producción y el consumo que elevan la demanda de energía en viviendas y transporte, y con ello, la consecuente emisión de contaminantes (^{Cheng, 2016}; ^{Glaeser y Kahn, 2010}; ^{Hanley et al., 1997}), generando concentraciones de contaminantes a una escala que no puede ser asimilada por el ecosistema (^{Hanley et al., 1997}).

Además, en términos económicos, no existen incentivos para que las empresas internalicen los costos por la contaminación (^{Henderson, 1974}); ya que en una economía de mercado las empresas incurren en costos de producción, pero no cubren los costos de sus desechos o emisiones contaminantes.

Henderson (1977) considera que el espacio juega un papel crucial en la contaminación de las ciudades y resalta dos elementos. En primer lugar, la contaminación es consecuencia de la interdependencia espacial entre productores y consumidores. Y segundo, la contaminación se genera en un punto para luego disiparse con la distancia.

3. Evidencia empírica de la relación de la contaminación y la aglomeración económica y urbana

Existe una amplia literatura dedicada al estudio de la distribución espacial de la actividad económica. Estos estudios muestran que las empresas se aglomeran en el espacio debido a la existencia de economías de aglomeración (^{Ellison y Glaeser, 1997}), como la especialización del mercado de trabajo (^{Rosenthal y Strange, 2001}), los spillovers de conocimiento (^{Moretti, 2004}) y la proximidad entre empresas relacionadas verticalmente (^{Glaeser y Gottlieb, 2009}).

Las economías de aglomeración se fortalecen con el tamaño de las ciudades (^{Combes et al., 2019}); en ellas, la productividad y los salarios están correlacionados positivamente con la propia escala urbana y los efectos de sinergia que se dan entre ciudades cercanas (^{Gong et al., 2019}). Al mismo tiempo, el crecimiento de las ciudades sin límite aparente pone en evidencia las desventajas de la concentración. Altas concentraciones de empresas y población profundizan los costos sociales, entre ellos la degradación del medio ambiente (^{Cho y Choi, 2014}). Además de estos factores, se hace necesario incorporar al análisis los efectos espaciales que pueden surgir de la proximidad entre regiones vecinas (^{Qian et al., 2014}).

Estudios recientes incorporan las interacciones espaciales en la determinación de estos fenómenos. ^{Qian et al. (2014)} realizan estimaciones por medio de un modelo espacial del error (SEM, por sus siglas en inglés) usando datos a nivel municipal en China para indicar que un incremento del 1% del Producto Interno Bruto (PIB) per cápita provocaría un aumento promedio del 0.72% en las emisiones de azufre (SO₂), y un aumento del 1% en la densidad de población resultaría en un aumento promedio de la emisión de SO₂ en un 0.50%.

Por su parte, ^{Fang et al. (2015)} examinan 289 ciudades en China, usando una regresión ponderada geográficamente. Y observan que la población, la tasa de urbanización, la densidad del automóvil y la proporción de la industria secundaria tienen influencia significativa y negativa sobre la calidad del aire. Al estudiar la incidencia de factores socioeconómicos y naturales sobre la concentración de contaminantes áereos se ha observado que las áreas más contaminadas se encuentran en aglomeraciones urbanas. ^{Liu et al. (2017)} encontraron que la urbanización, la población urbana y la industrialización contribuyen de manera significativa al deterioro de la calidad del aire. Mediante un modelo espacial de Durbin (SDM, por sus siglas en inglés) constataron la existencia de spillovers originados por el tráfico vehicular. Otros estudios, como el de ^{Poon et al. (2006)} -basado en un modelo de error espacial (SEM)y el de ^{Cheng et al. (2017)} -centrado en un SDMconcluyen que la contaminación del aire tiene efectos de spillovers entre regiones vecinas.

Al analizar los factores que contribuyen al crecimiento del material particulado PM _2.5 , usando un panel espacial dinámico, ^{Cheng et al. (2017)} observan que la industria secundaria, el carbón como insumo energético, la aglomeración de la población y la densidad del automóvil explican el aumento en la concentración de estas partículas. Algunos estudios además muestran evidencia a favor de la existencia de clusters de contaminación del aire, ya sea que se contemple el SO₂ y la demanda qúımica de oxígeno (^{Qian et al., 2014}; ^{Cheng, 2016}), el índice de calidad del aire (^{Fang et al., 2015}; ^{Liu et al., 2017}), o el material particulado PM _2.5 (^{Cheng et al., 2017}), como variables para medir la contaminación.

Estas investigaciones -que usan modelos de econometría espacial en su análisissugieren que dicha técnica incorpora de manera eficiente el sesgo por autocorrelación espacial en las variables y genera resultados insesgados, identificando que la contaminación tiende a concentrarse en el espacio, influenciada por variables socioeconómicas, y a difundirse hacia regiones vecinas.

4. Metodología

La primera ley de la geografía de Tobler, o el principio de autocorrelación espacial, establece que todas las cosas están relacionadas entre sí, pero las cosas más cercanas en el espacio se encuentran más relacionadas (^{Anselin, 1988}). La autocorrelación espacial mide el grado en que un fenómeno de interés está correlacionado en el espacio (^{LeSage y Pace, 2009}), mientras que la dependencia espacial es la explicación teórica del fenómeno (^{Vilalta, 2005}).

En términos analíticos, para representar los vínculos espaciales se utiliza información de la posición derivada del espacio cartesiano y de contigu¨idad, así se establece que existe una relación de vecindad si las regiones comparten alguna frontera o si cumplen algún criterio de cercanía (^{Anselin, 1988}).

Las matrices de contigu¨idad se representan en una matriz binaria, en donde uno indica que existe vecindad y cero indica lo contrario.

Las matrices basadas en la distancia son una función continua de la distancia métrica. Una forma de especificar estas matrices es a través de una función decreciente con la distancia entre las regiones, ponderadas por un parámetro que penaliza el peso a mayor distancia entre las regiones (^{LeSage y Pace, 2009}).

Generalmente, las matrices se estandarizan por filas al dividir todos sus elementos entre el número de vecinos de cada region. La suma de las filas es igual a la unidad (∑ _j w _ij = 1); de esta forma, se obtienen matrices de ponderadores espaciales (W), que al multiplicarse con el vector de una variable (y) resulta el rezago espacial (W _y ), dicho rezago representa una media ponderada de la variable (^{Anselin, 2001}).

Un primer paso para visualizar las relaciones espaciales es mediante mapas temáticos. Para corroborar la presencia de autocorrelación espacial global se aplica la prueba I-Moran, que es la más utilizada en este tipo de análisis (^{Anselin, 2001}; ^{Ord y Getis, 1995}):

Donde n es el número de regiones, mientras que x _i y x _j son los valores de las regiones i y j, respectivamente. w _ij son los elementos de la matriz de ponderadores espaciales (W) y S la desviación estándar de los datos. El I-Moran toma valores en el intervalo (-1, 1); si I ≈ −1, hay dispersión perfecta; si I ≈ +1, hay correlación perfecta; y un I = 0 indica que el patrón espacial es aleatorio. Se utiliza el estadístico Z para la prueba de hipótesis, que sigue la distribución normal, donde la hipótesis nula indica que no hay autocorrelación espacial.

Los indicadores de asociación espacial local (LISA, por sus siglas en inglés) permiten descomponer el I-Moran global en las aportaciones de cada región y evaluar la asociación espacial local (I-Moran local, I _i ) alrededor de una región especifica. Esta técnica es apropiada para identificar agrupamientos de fenómenos en el espacio y visualizar puntos calientes. Valores altos y positivos del estadístico I _i indican asociación de valores similares; regiones con niveles altos (bajos) de la variable de interés tienen vecinos con niveles altos (bajos) de dicha variable. Mientras tanto, valores negativos indican asociación entre valores disimiles; regiones con niveles altos (bajos) de la variable de interés se rodean de regiones con niveles bajos (altos) de la misma variable.

Cuando existe dependencia espacial no se cumple el supuesto clásico de independencia entre las observaciones de la econometría tradicional, por lo que es necesario especificar una estructura de dependencia entre las n observaciones de la muestra de datos. Los modelos de regresión espacial se recomiendan cuando los datos exhiben heterogeneidad espacial y/o dependencia espacial (^{LeSage y Pace, 2009}).

Esta investigación utiliza el SDM que contiene rezagos espaciales en la variable dependiente y en las variables explicativas, el cual es empleado para capturar el efecto de spillovers entre regiones vecinas (^{LeSage y Pace, 2009}):

Donde y es la variable dependiente, X son las variables explicativas y β sus parámetros asociados, W es la matriz de ponderadores espaciales, ρ es el parámetro autorregresivo, γ es el parámetro de rezago espacial de las variables explicativas, ι _n es un vector de unos, y ε son las perturbaciones. Estos modelos estiman la forma en que el promedio de la variable endógena de las regiones vecinas, más un grupo de variables exógenas, inciden en las variaciones de y.

Los coeficientes de una regresión lineal tienen una interpretación directa a través de las derivadas parciales. Gracias a la independencia entre las observaciones, las variaciones de la variable dependiente en la región i son explicadas por las variables exógenas de la propia región, mientras que las variables exógenas de la región j no afectan a y _i . En los modelos de regresión espacial, por otro lado, los coeficientes contemplan información que aportan las variables exógenas de la región misma y de regiones vecinas, y es posible que ∂yi∂xjr≠0 donde el subíndice r indica que la variable exógena x pertenece a otra región (^{LeSage y Pace, 2009}). Debido a la presencia de efectos endógenos, los parámetros tienen una interpretación diferente a la de una regresión lineal tradicional.

La introducción de rezagos espaciales en las variables explicativas genera un efecto directo, que es el promedio del efecto de cada región en sí misma. El rezago espacial en la variable dependiente implica efectos de retroalimentación, donde un cambio en la observación i ejerce un efecto en la región j, que a su vez influye de regreso en i. También se generan efectos indirectos que miden el promedio en la respuesta de la variable dependiente de cada región ante las variaciones en regiones vecinas (^{LeSage y Pace, 2009}).

Existen diferentes estrategias para elegir el mejor modelo. La propuesta de Anselin (1998) es a través de pruebas de Lagrange. Otros autores recomiendan el modelo SDM sobre los modelos SAR, SEM y SAC (^{LeSage y Pace, 2009}), ya que afirman que la dependencia espacial en dichos modelos exacerba el sesgo por variables omitidas. Además, los efectos indirectos del SDM ajustan mejor los spillovers espaciales al considerar efectos endógenos y exógenos de forma simultánea.

5. Análisis gráfico-espacial de las emisiones contaminantes al aire

En términos logarítmicos, la distribución espacial de las emisiones de contaminantes del aire para el caso de México se presenta en la gráfica 1.⁶ Los tonos más oscuros indican valores más altos de las emisiones. Esta primera aproximación sugiere que no hay homogeneidad en la distribución espacial de las emisiones contaminantes.

Fuente: Elaboración propia con datos de ^{SEMARNAT (2021)}.

Gráfica 1 Emisiones de contaminantes del aire en logaritmos, 2013 y 2016 (cortes naturales) 

A nivel de entidad federativa se observa una ligera reducción de las emisiones totales en el lapso entre 2013 y 2016; sobre todo para las entidades donde prevalecían altos niveles de contaminación, como Jalisco, Michoacán, Estado de México, Baja California y Nuevo León. Esto no generó un cambio relevante en las zonas que concentran mayores niveles de emisiones.

Para detectar patrones de correlación espacial se aplican pruebas estadísticas. Para ello, es preciso definir una matriz de contigúidad (o proximidad) que represente las relaciones de vecindad entre los municipios. Primero se considera la contigúidad de esferas de influencia (W _soi ), donde el área de influencia es un círculo cuyo centro es el centroide del polígono y el radio mide la distancia al vecino más cercano. Si el área de influencia de una región se superpone con el área de influencia de otra región, se consideran vecinos. También se realizaron pruebas con matrices que consideran los vecinos más cercanos utilizando de uno a 50 vecinos (W _k ). Por último, se incluye una matriz de distancia inversa con banda máxima al vecino m´as cercano (W _dinv ).

En la gráfica 2 se presentan los resultados del I-Moran para las emisiones de contaminantes del aire (en logaritmos) según las diferentes matrices de ponderadores espaciales (W). La variable log (emis) presenta dependencia espacial positiva y significativa, lo que sugiere que estas emisiones se encuentran más concentradas en el espacio de lo que se esperaría si se distribuyeran aleatoriamente, para los dos períodos de análisis. Municipios con altos (bajos) niveles de contaminación se encuentran rodeados de municipios con niveles similares. Con la matriz de distancia inversa se confirma la presencia de autocorrelación espacial. En la gráfica 2 se observa que al incrementar el número de vecinos hay una disminución del nivel de autocorrelación y esto se asocia a las características del fenómeno que se está estudiando; es decir, el efecto de las emisiones de contaminantes en el aire tiene un menor impacto en los vecinos más lejanos.

Fuente: Elaboración propia.

Gráfica 2 I-Moran de las emisiones (en logaritmos) según diferentes matrices de ponderadores espaciales (W) 

Una primera aproximación para elegir una matriz de ponderadores espaciales es utilizar aquella con mayor nivel de autocorrelación espacial. En el caso de las emisiones, el mayor I-Moran se presenta cuando se considera solo al vecino más cercano (W _k1 ). Para propósitos comparativos se analiza también la vecindad de esferas de influencia (W _soi ), la matriz de distancia inversa con banda máxima al vecino más cercano (W _dinv ) y los nueve vecinos más cercanos (W _k9 )⁷.

Las variables asociadas a la aglomeración urbana presentan coeficientes de autocorrelación espacial (I-Moran) positivos y significativos (cuadro 2). Cuando una región toma valores altos (bajos), de dichas variables, se rodea de regiones con valores altos (bajos) de las mismas. Esta propiedad es más intensa cuando se utiliza W _k1 y la variable con un mayor nivel de autocorrelación espacial es el grado de urbanización. La variable con menor grado de autocorrelación espacial es el coeficiente de localización del consumo de combustibles, en todos los casos, aunque sigue siendo positiva y significativa.

El I-Moran local permite evaluar la autocorrelación espacial de cada municipio. Éste mide el grado de similitud o diferencia entre el volumen de las emisiones de un municipio en relación con las emisiones de los municipios vecinos. En la gráfica 3 se presentan mapas elaborados a partir del I-Moran local que permiten la identificación de puntos calientes, puntos fríos y outliers espaciales (^{Brunsdon y Comber, 2015}). Estos últimos se observan en regiones donde existen municipios con niveles bajos (altos) de emisiones rodeados por municipios con niveles altos (bajos).

Fuente: Elaboración propia.

Gráfica 3 LISA para las emisiones de contaminantes del aire (en logaritmos), utilizando W _k9 (p < 0.05) 

En la gráfica 3, se observa que la concentración puntos calientes corresponden a las principales aglomeraciones urbanas del páıs; entre ellas, la Ciudad de México, Monterrey, Guadalajara, Tijuana, Toluca, Torreón y León.

El grado de urbanización (gráfica 4) presenta puntos calientes en las áreas metropolitanas más importantes del páıs. Esto nos indica que los municipios que ahí se concentran tienen un grado de urbanización alto, al igual que sus vecinos. El coeficiente de localización (LQ) de la población ocupada en el sector comercio (gráfica 4) indica la presencia de municipios con un bajo LQ rodeadas de municipios con uno alto. El LQ de consumo de combustibles presenta puntos calientes dispersos en el territorio nacional (gráfica 4). El LQ del producto total bruto de las manufacturas (gráfica 5) presenta puntos calientes en las zonas industrializadas del páıs, algunas en el norte y una concentración en el centro de México. La variable relacionada con el número de vehículos coincide en los puntos calientes respecto a la variable anterior y sobresalen algunos municipios con valores altos rodeados de municipios con valores bajos.

Fuente: Elaboración propia.

Gráfica 4 LISA para el grado de urbanización, los coeficientes de localización de la población ocupada en el sector comercio y del consumo de combustibles, lubricantes y energéticos, utilizando W _k9 (p < 0.05) 

Fuente: Elaboración propia.

Gráfica 5 LISA para el coeficiente de localización del producto bruto total de las manufacturas y el logaritmo del número de vehículos por cada 1000 habitantes, utilizando W _k9 (p < 0.05) 

Los resultados anteriores sugieren que las emisiones contaminantes y las variables explicativas exhiben autocorrelación espacial a nivel global y local. Asimismo, la contaminación tiende a concentrarse en el espacio, formando agrupaciones de municipios con altos niveles de contaminación del aire. Lo siguiente es el uso de econometría espacial para determinar la contribución de cada una de las variables en el fenómeno de contaminación del aire.

6. Conclusiones

La contaminación del aire, vinculada a la aglomeración urbana, es uno de los problemas más graves que padecen las ciudades alrededor del mundo, por los riesgos que representa para la salud humana, la calidad de vida de sus habitantes y la productividad de la fuerza laboral.

En esta investigación, el análisis espacial brinda evidencia de la concentración regional de la contaminación. A través del estadístico I-Moran, se determina que las emisiones están espacialmente autocorrelacionadas a nivel global y local. La identificación de clusters o puntos calientes reveló que la contaminación del aire se concentra en las principales aglomeraciones urbanas del páıs. Las mayores aglomeraciones espaciales de contaminación áerea se encuentran en las zonas metropolitanas de la Ciudad de México, Monterrey, Guadalajara, Tijuana, Mexicali, La Laguna, Aguascalientes, León, Querétaro y Toluca. Asimismo, el análisis gráfico permite identificar corredores regionales de contaminación.

El análisis econométrico mediante el SDM muestra que el grado de urbanización y los coeficientes de localización de la población ocupada en el sector comercio, del consumo de combustibles y del producto bruto manufacturero, junto con la densidad vehicular, tienen una influencia positiva y significativa sobre la contaminación a nivel local (efecto directo).

Los resultados concuerdan con estudios anteriores, en donde la densidad del automóvil y el grado de urbanización impactan positivamente en las emisiones contaminantes del aire (^{Qian et al., 2014}; ^{Cheng et al., 2017}). A diferencia de los estudios de ^{Qian et al. (2014)} y ^{Fang et al. (2015)}, donde únicamente se mide la influencia del sector secundario, en este trabajo se incluye la incidencia de las actividades económicas instaladas pertenecientes al sector comercio. Esta variable permite establecer el impacto diferenciado en la contaminación del aire por tipo de industria, sugiriendo que el tránsito de la industria manufacturera hacia el sector terciario tiene un efecto reductor de la contaminación del aire, lo cual sería un indicio de la existencia de la Curva de Kuznets ambiental.

Por otro lado, la autocorrelación espacial indica que la contaminación de un lugar está condicionada en cierta medida por la de sus vecinos. En consecuencia, se requiere de coordinación y correspondencia entre las acciones de los gobiernos nacionales y subnacionales responsables de reducir la contaminación.

Al respecto, es necesario que los gobiernos locales mejoren sus prácticas de planeación urbana bajo estrategias de sustentabilidad, como las planteadas en el Objetivo 11 de los Objetivos del Desarrollo Sostenible (^{CEPAL, 2018}), ya que la velocidad del proceso de urbanización sobrepasa la construcción de infraestructura básica y la capacidad de organizar el crecimiento urbano. Adicionalmente, el desarrollo de infraestructura verde puede contribuir a reducir la concentración de contaminantes del aire.

Por otro lado, en esta investigación se determinó que la densidad de los vehículos privados tiene un impacto significativo en la contaminación del aire. Por tal razón, debería contemplarse la construcción de infraestructura pública que favorezca al transporte colectivo eficiente; así como también, la promoción del uso de medios de transporte alternativos que no utilicen combustibles fósiles, o la movilidad no motorizada.

Las actividades secundarias contribuyen de manera significativa a la contaminación, por lo que la transferencia de fábricas y otras instalaciones industriales fuera de la ciudad no tendrán un impacto en la disminución de la generación de contaminantes si no se acompaña con la incorporación de tecnologías más eficientes, en términos de emisiones. La relocalización de una fábrica de un municipio a otro, sin mejoras tecnológicas, no contribuirá a la reducción global de las emisiones; únicamente a la reducción de la contaminación en el municipio que expulsa esa instalación.