Movilidad laboral en las Zonas Metropolitanas de México: una

aproximación computacionalMarcos Valdivia

CRIM-UNAM

Seminario de complejidad en economía CEICH UNAM

22 octubre 2013

Objetivos Generales

• Analizar puntos de atracción a nivel de ZM en la migración interna

• Metodológicos– Mostrar el uso de un modelo computacional de

interacción de agentes integrado a Sistemas de Información Geográfica (caso de las ZMs de México)

– Simular las decisiones de movilidad de agentes entre unidades territoriales

• Teóricos (modelos de migración)– Analizar un modelo que introduce variables de

aglomeración y de amenidades

Objetivos particulares

1. Analizar puntos de atracción basados en modelos con información global

2. Analizar puntos de atracción basados en modelos con información local (o limitada)

3. Analizar puntos de atracción ante cambio en valores de parámetros clave del modelo

Tipos de Migración

4

1. Migración Internacional

entre países

2. Migración de Retorno

país de origen

3. Migración Interna

entre regiones del mismo país (interurbana)

4. Migración Pendular (Commuting)

Dentro de la misma región (diaria, intraurbana)

Hechos Estilizados de la Migración Interna

Tomado de Sobrino (2011) Tomado de Partridge (2012)

0.0

5.0

10.0

15.0

20.0

25.0

PuertoVallarta

Pachuca

Cancún

Monterrey

Colima-VilladeÁlva

Cuernavaca

Tlaxcala-Apizaco

Reynosa-RíoBravo

ValledeM

éxico

Guadalajara

Acayucan

Querétaro

Oaxaca

Tampico

Toluca

Nacional

Mina

tlán

Cuautla

Tepic

Veracruz

Xalapa

Orizaba

Mérida

Morelia

Tijuana

Tecomán

Tulancingo

PiedrasNegras

Zacatecas

Aguascalientes

Guaymas

Tehuacán

Villaherm

osa

TuxtlaGu

érrez

Coatzacoalcos

SanLuisPotosí

Tula

PozaRica

Salllo

Córdoba

Puebla-Tlaxcala

SanFranciscodelRi

NuevoLaredo

LaLaguna

Tehuantepec

Tianguistenco

Teziutlán

Mexicali

Zamora-Jacona

Monclova-Frontera

Ríoverde

Celaya

Moroleón-Uriangato

Ocotlán

Matamoros

Chihuahua

Juárez

Acapulco

León

Piedad-Pénjamo

TasadeMigracióndelasZonasMetropolitanas2005-2010

Tasa de migración

Participación de la Migración Interna de las ZMs : puntos de atracción

0.000

0.050

0.100

0.150

0.200

0.250

0.300

0.350

0.400

ValledeM

éxico

Monterrey

Guadalajara

Toluca

Puebla-Tlaxcala

Tijuana

Querétaro

Cancún

Cuernavaca

Tampico

Pachuca

Reynosa-RíoBravo

Mérida

SanLuisPotosí

Veracruz

Morelia

PuertoVallarta

Aguascalientes

LaLaguna

Oaxaca

Tlaxcala-Apizaco

Xalapa

Salllo

Juárez

Villaherm

osa

Colima-VilladeÁlva

León

TuxtlaGu

érrez

Mexicali

Cuautla

Tepic

Orizaba

Chihuahua

Acapulco

PozaRica

Mina

tlán

Celaya

Coatzacoalcos

Zacatecas

Matamoros

Tehuacán

NuevoLaredo

Córdoba

Tulancingo

Monclova-Frontera

Guaymas

Tula

PiedrasNegras

Acayucan

Zamora-Jacona

Tecomán

SanFranciscodelRi

Tehuantepec

Tianguistenco

Ríoverde

Ocotlán

Teziutlán

Moroleón-Uriangato

Piedad-Pénjamo

Participación MI

Densidades de las ZMS

Datos log transformados

9

La aglomeración es la distribución en el espacio de la actividad económica agregada. (Brackman, et. al. 2009)

Economías de Aglomeración y Migración

Geografía

Económica

1era Naturaleza(Exógena)

Geografía

2da Naturaleza(Endógena)

Economías de

Localización

Economías de

Urbanización

Amenidades

Naturales

(à la Ricardo

ó à la H-O)

Economías

Externas

(à la NEG)

Amenidades

Urbanas

(à la Glaeser)

Movilidad de firmas y personas: ¿Quién sigue a quién?

• Tensión entre movilidad de firmas y movilidad de personas. ¿ Quién sigue a quién? (Storper & Scott 2010)

• Repuestas:– Nueva Geografía Económica

(a là Krugman): Los individuos siguen a las firmas

– Enfoque de Economía de las ciudades o equilibrio espacial en las ciudades (a la Glaeser): las firmas siguen a los individuos

• Interacciones personales, flujo de ideas e información, spillovers

• Propuestas teóricas:– Crecimiento endógeno, Lucas y

el capital humano– Más allá del capital humano o

del nivel de calificación, clase creativa (Florida):• Decisiones de localización de los

individuos hacia sitios atractivos (mezcla de oportunidades económicas y estilos de vida)

Localización y movilidad Externalidades

Modelo Formal : NGE

11

La decisión a migrar es tomada al maximizar la siguiente función;

El individuo k se localizará en la región i, si

k

iijijtiti

k

i

k

tji

k

tji bFdV

1ln 1,,,,

Donde ti , es la probabilidad de encontrar empleo para un migrante en la región i en el

periodo t y ijij bFd 1 es un costo de migración el cual se incrementa con la distancia

entre los lugares de origen y destino. y b son coeficientes estrictamente positivos, y ijF

es una variable dummy que indica si las regiones i y j no comparten una frontera

común. k

i es una componente estocástico que captura las sk` percepciones personales

de las características de la región i .

k

tjr

k

tji VV 1,1, ir

Modelo Gravitacional: Crozet (2004)

12

En términos agregados, Crozet (2004) señala que la proporción de migrantes de la región j que decide dirigirse a la región i, es;

Donde

empleo total en la región i

Salario nominal esperado

Distancia carretera entre ciudades capitales

Dummy de regiones que no comparten frontera común

área del destino para controlar sesgos por desigualdad de tamaño

Efectos fijos para el origen

Dummy por elegibilidad de fondeo por parte de la Comisión Regional Europea

jijititi

ji tij

tjiFdprobwL

migr

migr,4,31,21,1

,

,logloglogloglog

tijiji vobjtrendaS ,65 loglog

1, tiL

1,1,1, tititi Ewprobw

jidij

jiF ,

iS

ja

iobj

Equilibrio Espacial y el Modelo Alonso-Muth-Mills

a. No hay ganancia extra por obtener debido a un cambio de lugar (o localización)

b. Ingreso + Amenidades – costos de vivienda –costos de transporte

c. El supuesto de equilibrio espacial implica que el flujo de b) es constante en el espacio

d. El Modelo Alonso-Muth-Mills dentro de las ZMsasume que el ingreso es constante y se concentra en ver si los costos elevados de la vivienda pueden ser compensados por pocas amenidades o bajos costos de transporte

modelo “básico” de equilibrio espacial

En el caso más simple del modelo,1. Todos trabajan en el centro de la ciudad, y2. Predicción: Los costos de transporte se

incrementan linealmente con la distancia al centro de la ciudad, es decir, si los costos igualan “t” veces la distancia al centro, entonces los costos de vivienda deben igualar los costos en el centro de la ciudad menos “t” veces la distancia

Implicación del modelo sobre la estructura urbana

1. Monocentrismo2. Sin embargo, las ciudades (sobre todo las

norteamericanas) exhiben fuerte descentralización del empleo

Modelo de equilibrio espacial en la ciudad – [Ingreso + amenidades – Costos de

vivienda – Costos de transporte] Equilibrio espacial implica que este flujo se mantiene

constante a lo largo del espacio

36

coeff:-1132.315 se:199.4381 R2:.1491

Fig. 1: 2000 Housing Value on Distance to BostonDistance to Boston

0 20 40 60

50000

100000

150000

200000

250000

ABINGTON

ACTON

AMESBURY

ANDOVER

ARLINGTO

ASHLAND

ATTLEBORAUBURNAVON

AYER

BEDFORD

BELLINGH

BELMONT

BERKLEY

BERLIN

BEVERLYBILLERIC

BLACKSTO

BOLTON

BOXBOROU

BOXFORD

BOYLSTON

BRAINTRE

BRIDGEWABROCKTON

BROOKLIN

BURLINGTCAMBRIDG CANTON

CARLISLE

CARVER

CHELMSFO

CHELSEACLINTON

COHASSETCONCORD

DANVERSDEDHAM

DIGHTON

DOUGLAS

DOVER

DRACUT

DUNSTABL

DUXBURY

EAST BRIEASTON

ESSEX

EVERETT FOXBOROU

FRAMINGH

FRANKLIN

FREETOWN

GEORGETO

GLOUCEST

GRAFTONGROTONGROVELANHALIFAX

HAMILTONHANOVER

HANSON

HARVARD

HAVERHIL

HINGHAM

HOLBROOK

HOLDEN

HOLLISTO

HOPEDALEHOPKINTO

HUDSON

HULL

IPSWICH

KINGSTON

LAKEVILL

LANCASTE

LAWRENCELEICESTE

LEOMINST

LEXINGTO

LINCOLN

LITTLETO

LOWELL

LUNENBUR

LYNN

LYNNFIEL

MALDEN

MANCHEST

MANSFIEL

MARBLEHE

MARLBOROMARSHFIEMAYNARD

MEDFIELD

MEDFORD

MEDWAY

MELROSE

MENDONMERRIMAC

METHUEN

MIDDLEBO

MILFORD

MILLBURY

MILLIS

MILLVILL

MILTON

NAHANTNATICK

NEEDHAM

NEWBURY

NEWBURYP

NEWTON

NORFOLK

NORTH AN

NORTH AT

NORTH RENORTHBOR

NORTHBRI

NORTON

NORWELLNORWOODPAXTON

PEABODY

PEMBROKE

PEPPERELPLAINVIL

PLYMOUTHPLYMPTON

PRINCETOQUINCY RANDOLPH

RAYNHAM

READING

REHOBOTH

REVERE

ROCKLAND

ROCKPORT

ROWLEY

SALEM

SALISBUR

SAUGUS

SCITUATE

SEEKONK

SHARON

SHERBORN

SHIRLEY

SHREWSBUSOMERSET

SOMERVIL

SOUTHBOR

STERLING

STONEHAM

STOUGHTO

STOW

SUDBURY

SUTTON

SWAMPSCO

SWANSEATAUNTON

TEWKSBUR

TOPSFIEL

TOWNSENDTYNGSBOR

UPTONUXBRIDGE

WAKEFIEL WALPOLEWALTHAMWATERTOW

WAYLAND

WELLESLE

WENHAM

WEST BOY

WEST BRI

WEST NEW

WESTBORO

WESTFORD

WESTON

WESTWOOD

WEYMOUTH

WHITMAN

WILMINGT

WINCHEST

WINTHROP WOBURN

WORCESTEWRENTHAM

coeff:-.0812 se:.0064 R2:.4593

Fig. 2: Log Population Density on Distance to BostonDistance to Boston

0 20 40 60

4

6

8

10

ABINGTON

ACTONAMESBURY

ANDOVER

ARLINGTO

ASHLAND

ATTLEBORAUBURN

AVON

AYERBEDFORD

BELLINGH

BELMONT

BERKLEY

BERLIN

BEVERLY

BILLERIC

BLACKSTO

BOLTON

BOXBOROUBOXFORD BOYLSTON

BRAINTRE

BRIDGEWA

BROCKTON

BROOKLIN

BURLINGT

CAMBRIDG

CANTON

CARLISLE

CARVER

CHELMSFO

CHELSEA

CLINTON

COHASSETCONCORD

DANVERS

DEDHAM

DIGHTON

DOUGLAS

DOVER

DRACUT

DUNSTABL

DUXBURY

EAST BRIEASTON

ESSEX

EVERETT

FOXBOROU

FRAMINGH

FRANKLIN

FREETOWN

GEORGETO

GLOUCEST

GRAFTON

GROTON

GROVELAN

HALIFAX

HAMILTON

HANOVER

HANSON HARVARD

HAVERHIL

HINGHAM

HOLBROOK

HOLDEN

HOLLISTO

HOPEDALE

HOPKINTO

HUDSON

HULL

IPSWICHKINGSTON

LAKEVILL

LANCASTE

LAWRENCE

LEICESTE

LEOMINST

LEXINGTO

LINCOLN

LITTLETO

LOWELL

LUNENBUR

LYNN

LYNNFIEL

MALDEN

MANCHESTMANSFIEL

MARBLEHE

MARLBORO

MARSHFIE

MAYNARD

MEDFIELD

MEDFORD

MEDWAY

MELROSE

MENDON

MERRIMAC

METHUEN

MIDDLEBO

MIDDLETO

MILFORD

MILLBURY

MILLIS

MILLVILL

MILTON

NAHANT

NATICKNEEDHAM

NEWBURY

NEWBURYP

NEWTON

NORFOLK

NORTH AN

NORTH ATNORTH RE

NORTHBOR

NORTHBRI

NORTONNORWELL

NORWOOD

PAXTON

PEABODY

PEMBROKE

PEPPEREL

PLAINVIL

PLYMOUTH

PLYMPTON

PRINCETO

QUINCY

RANDOLPH

RAYNHAM

READING

REHOBOTH

REVERE

ROCKLAND

ROCKPORT

ROWLEY

SALEM

SALISBUR

SAUGUS

SCITUATE

SEEKONKSHARON

SHERBORN

SHIRLEY

SHREWSBU

SOMERSET

SOMERVIL

SOUTHBOR

STERLING

STONEHAM

STOUGHTO

STOW

SUDBURY

SUTTON

SWAMPSCO

SWANSEA

TAUNTONTEWKSBUR

TOPSFIEL

TOWNSEND

TYNGSBOR

UPTON

UXBRIDGE

WAKEFIEL

WALPOLE

WALTHAM

WATERTOW

WAYLAND

WELLESLE

WENHAM WEST BOYWEST BRI

WEST NEW

WESTBORO

WESTFORD

WESTON

WESTWOOD

WEYMOUTH

WHITMAN

WILMINGT

WINCHEST

WINTHROP

WOBURN

WORCESTE

WRENTHAM

Amenidades

15

La decisión a migrar se realiza a través de la maximización de la utilidad por la localización de su residencia

Cálculo del valor presente neto por movilidad, con base en la teoría del capital humano (Becker 1962, Sjaastad 1962)

Se evalúa la localización actual respecto a otras alternativas

Costos y beneficios son monetarios y no monetarios.

Los beneficios pueden incluir oportunidades de empleo local, ingresos laborales, costos de la vivienda, entre otros.

Ttt

t

Ttt

t

r

C

r

BVPN

11

Amenidades

16

En un entorno de un modelo de Equilibrio Espacial, los beneficios de la migración pueden ser de carácter subjetivo tal como los incentivos de amenidades relativas en el área. (Graves 1980)

Las amenidades que pueden capitalizarse en ingresos y precios de vivienda en la literatura pueden encontrarse como :

1. Naturales. Clima, playas, temperatura, etc (Graves y otros)

2. Urbanas. Culturales, infraestructura, TIC´s, gobierno, educación, etc. (Glaeser, Storper, Scott, etc)

Amenidades

17

Por tanto, el VPN de la migración en un modelo de Equilibrio Espacial

Donde son los costos de relocalizarse,

es la utilidad indirecta de residencia que está en función de los rendimientos del trabajo, costos de vivienda y calidad de vida.

es el VPN entre las localidades (Partridge y Rickman 1997)

Por lo que la tasa de migración para cualquier periodo es

kk MVV k

M

V

V

Ni

itt VPNfMig

Implementación de Partrigde et al (2010)

18

La tasa de migración en el área k en el periodo de tiempo 0 a t, relacionada con los factores que afectan el VPN es;

Donde

choques de demanda laboral local

medidas de restructuración de la industria

amenidades naturales

Proximidad en la jerarquía urbana e influencia de aglomeraciones urbanas

características demográficas

otros factores

000000 ,,,,, kkkkkkkt xdemurbameindldshockfMig

ldshock

ind

ame

urb

dem

x

Cartografía de la ZMs

Información del Censo 2010

Datos Censos Datos Muestra

Migrantes Internos 3,579,016 2,035

. Tab Migrantes Internos

Freq. Percent Cum.

0 18,420 90.05 90.051 2,035 9.95 100.00

Total 20,455 100.00

Estadísticas descriptivas de variables “explicativas”

La transformación Logit

• Atacar la parte sistémica: hacer depender i de un vector de covariables observadas xi , la idea más simple es suponer un modelo lineal (i.e. modelo de probabilidad lineal):

• Este modelo puede ser estimado bajo OLS; sin embargo, un problema es que las predicciones producidas por el lado derecho de la ecuación pueden tomar cualquier valor real, por lo que no hay garantía de que las predicciones se encuentren en el rango (0, 1).

• Una posibilidad de resolver esto es transformando las probabilidades para remover el rango de restricción y pasar a los odds (o momios):– Si la probabilidad es ½, los

momios son uno a uno; si la probabilidad es un 1/3, los momios son uno a 2, etc.

• Segundo paso es tomar los logaritmos de los odds:

• La transformación inversa es el antilogit, y nos permite regresar de logits a probabilidades; siresolvemos por i , obtenemos:

Modelo de regresión logística

• Supongamos que tenemos k observaciones independientes y1,…,yk , y que la i-thobservación puede ser tratada como una realización de una variable aleatoria Yi

• Asumimos que Yi tiene una distribución binomial

• Además asumimos que el logitde la probabilidad subyacente i , es una función lineal de los predictores,

• La anterior expresión es un MLG con componente estocástico binomial y liga logit.

• Note que en este modelo es más natural considerar la distribución de la respuesta Yi que la distribución del término de error Yi-mi (como es típico en los modelos ordinarios) .

• Tome en cuenta que lado izquierdo de la ecuación es un logit en igual de una media

• j representa el cambio en el logitde la probabilidad asociada a una unidad de cambio del j-th predictorceteris paribus.

• Exponenciando,

Interpretación de la razón de momios: tenemos un modelo multiplicativo para los momios; por ejemplo, si cambia el j-th predictor por una unidad dejando todas las demás variables constantes, multiplicaríamos los momios por la expresión exp{j}; es decir, supongamos que el predictor lineal es xi´ e incrementamos xj por uno para obtener xi´ j , entonces exp{j} representa una razón de momios.

Modelo computacional de decisión individual con interacción social (véase Valdivia, 2010, “Choice and Non-Coordination Behavior in a Global and Local Information Setting: a

ComputationalApproach,” en Pueblos y Fronteras Digital, véase http://www.pueblosyfronteras.unam.mx

Agent i chooses action (from a discrete set choice) which reports a “utility” to her. An

underlying latent variable *Y exists such that it denotes the indirect “utility” associated to

action . The underlying utility depends on:

)),(,()(*

iiii ShFY (1)

where h is a private incentive that can be a function of sex, education, etc., S is a social

interaction term that reflects the behavior of the agents other than i in choosing (in a

reference group), and is a random variable (which can register unobservable variables

that affect agent i action). A particular specialization of (1) reports the following payoff

function of agent i in choosing action :

)()()()(*

iiii tJahY (2)

where

N

i

tiN

ta1

,

1)(

Equation (2) is a case of social influence with proportional spillover effects in where agents wish to match the average decision of the community; likewise, the model introduces Jwhich is a parameter of social strength. This specification is similar to the one analyzed in Brock and Durlauf (2001; 2003)

Véase Valdivia 2010, en http://www.pueblosyfronteras.unam.mx/a10n9/art_01.html

Now, by invoking standard behavioral rules in economics, it must be expected that

equation (2) responds to a rational decision such that

))()...(),(()( .

*

2,

*

1,

*

,

*

kiiiki YYYMaxY , where k is the total number of choices.1 It

can be shown (McFadden 1974; Maddala 1994) that if )( i are i.i.d. with the type I

extreme-value whose cumulative distribution function is:

)exp())(( x

i exF (3)

a standard multinomial logit approach can instrument a probability for agent i in

choosing such that its payoff is maximal among all the payoffs available to the agent:

1 In doing this, it is established that the observed variables )( iY are defined as:

1)( iY if ))()...(),(()( .

*

2,

*

1,

*

,

*

kiiiki YYYMaxY

0)( iY , otherwise

K

j

jji

kki

iiki

Jah

JahahkY

1

,

,

,

*

)exp(

)exp(),|Pr()(Pr(

(4)

The model produces a common parameter , which controls the extent to which the

random term is important. If , the random term is unimportant and it means it is

highly likely that the “best action” is taken by the agent, while close to zero implies that

choice decision is mostly random. As indicated in equation (2), the model has a parameter J

that indicates the intensity to conform to the behavior of others; therefore, the probabilistic

model in (4) has a compound parameter J that controls the social interaction effect.

Véase Valdivia 2010, en http://www.pueblosyfronteras.unam.mx/a10n9/art_01.html Suppose that agents are facing only two options: +1 and -1. Consequently, the

decision framework, at time t, can be reduced to a familiar logit model of the form:

)](exp[1

1)1)(Pr(

, tti

iJah

t

(5)

conversely,

]1)(Pr[1)1)(Pr( tt ii (5.a)

In contrast, we think that is more appropriate to model (5) in an adaptive way such

that agents “expect” the average choice at time t+1 to be the same as it is in the present

period t: )()1( tatai . Under this formulation, it is possible to take into account any

possible mechanism available to agents that can aggregate information at time t (or t-1).

Therefore, equation (5) is transformed in:

)](exp[1

1)1)1(Pr(

, tti

iJah

t

(6)

The latter types of probabilistic models have been analyzed in physics (random fields), and

they have been incorporated into economics to explain individual choice.

Note that in this formulation, agent i has perfect knowledge of the average choice [

N

i

tiN

ta1

,

1)( ]. Also, the formulation can be interpreted as if agents form expectations

about )(ta ; in this sense, equation (5) would imply that agent i has “perfect foresight”:

)()( tatai . That is, under the symmetric conditions of equation (5), it would be necessary

to impose “rational expectations” such that each agent i has a common expected value of

the average choice.

Modelo con información global

Modelo con información local

)](exp[1

1)1)1(Pr(

,, tlti

iJah

t

(7)

where

n

jVijij

ntla

1:

1),( , n is the number of neighbors of agent i, V is the vision of agents

(i.e., the maximal distance that an agent’s vision can reach in order to see the behavior of the other

agents; the number of neighbors depends on this distance). In most of the simulations V is constant

for all agents and set to 1, such that each agent has 4 neighbors (which is equivalent to the von

Neumann neighborhood). In some simulations,

heterogeneous V’s among agents will be considered (this implies that the number of

neighbors is not the same for each agent), this situation is appropriately indicated in the

text. Likewise, different ’s and h’s will be also considered (this is also indicated in the

text). Finally (and without losing generality), in the simulations the parameter J is common

to all agents and it is set to one such that we can control private incentives and group effect

by only the parameter .

Diagrama de bifurcación

Modelo logit

Distribución de probabilidades

A skilled agent follows a rule of migration choice where she is facing only two options 1 (no migrate) and 0 (migrate). The idea is to model an agent´s decision to stay at the metropolitan area which has been chosen as migration destination in previous period; in particular, this decision is a linear function of some urban characteristics that make metropolitan areas attractive for migrants:

tltii JaXt ,,]}1)1({

where X is a vector of observed contextual economic characteristics of the city associated and individual characteristics : such as average wages in

service sector, participation of creative industry employment over total employment, gradient employment and labor productivity

N

i

ttiN

ta1

, /1

)( Social interaction effect

]exp[1

]exp[)1)1(Pr(

,,

,,

tlti

tlti

iJax

Jaxt

Agent´s probability

where omega is total labor force with post secondary education.

Un modelo computacional basado en movilidad de la migración interna para identificar zonas metropolitanas

como puntos atractores

To instrument final decisions at time t + 1:1) A random number (rnd) is generated between 0 and 1002) If (rnd /100)i >

then, agent moves to the metropolitan area with the highest probability given her available horizon of information (it could be either perfect or limited)

otherwise, stay at the metropolitan areaSee for a justification : Kniveton, D.R., C.D. Smith, and R. Black. 2012. “Emerging Migration Flows in a

Changing Climate in Dryland Africa.” Nature Climate Change 2(6):444–447.

)1)1(Pr( ti

Information horizon of metropolitan areas:

A) Global. Agent knows probabilities of all metropolitan areasB) Local. Agent knows probabilities of k nearest metropolitan areas

Proximities between metropolitan areas are based in actual road distances measured by kms. and transportation time.

Resultados de la simulación

Monterrey el centro de atracción

Avg vecinos 53.1

Información limitada, 8 vecinos

ZMCM

Toluca

Monterrey

Saltillo

Guadalajara

0.09 0.04

0.25 0.23 0.19

0.80

0.01 0.08

0.38

0.03 0.10

0.60

Puntos de atracción con información limitada

Simulado

Observado

Sensibilidad del modelo ante el cambio del parámetro asociado a años acumulados de

educación

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

0.04 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

% M

igra

nte

s In

tern

os

ZMCM Guadalajara Saltillo Toluca Qrto Monterrey

Beta educación

Modelo bajo condiciones de información completa

Sensibilidad del modelo ante el cambio del parámetro asociado a restaurantes per cápita

0.000

0.100

0.200

0.300

0.400

0.500

0.600

0.700

0.800

66 70 75 80 85 90 95 100

Par

tici

pac

ión

MI

ZMCM Guadalajara Oaxaca Toluca Querétaro Monterrey

Beta restaurante

Simulado con información global

Ejemplos de simulación con información local de los migrantes calificados

• Modelo A. Interacción local entre 8 más cercanas ZMs

• Modelo B. Interacción local entre 8 más cercanas Zms

-5%

0%

5%

10%

15%

20%

25%

30%

35%

40%

t = 1 t = 5 t = 10 t = 20 t = 50 t = 100 t = 400

Saltillo Moroleón-Uriangato

Toluca Cuernavaca

Querétaro Veracruz

Trajectories of Creative Metropolitan AreasModel A under bounded information

Skilledmigrant

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0 8

16 24 32 40 48 56 64 72 80 88 96

104

112

120

128

136

144

152

160

Queretaro Saltillo Moroleon

Ocotlan Cuernavaca

Reflexiones finales

• Relevancia de modelar desde abajo: incorporar “microfundamentaciones”

• Mayor “realismo” con integración ABM y SIGs

• Importancia de que los modelos de migración involucren “información limitada” y/o “interacción local

• Utilidad en escenarios regionales