variaciÓn espacial de los factores … · resultados señalan que las variables contextuales, que...

XIV CONGRESO NACIONAL DE POBLACIÓN, AGE Sevilla 2014

CAMBIO DEMOGRÁFICO Y SOCIO TERRITORIAL EN UN CONTEXTO DE CRISIS

511

VARIACIÓN ESPACIAL DE LOS FACTORES ASOCIADOS A LA MIGRACIÓN

INTERNA EN ESPAÑA: ¿INFLUYE LA PRESENCIA DE POBLACIÓN

EXTRANJERA?

Juan A. MÓDENES Depto. de Geografía, Univ. Autòn. de Barcelona, y Centre d’Estudis Demogràfics.

E-mail: [email protected]

Hernán G. VILLARRAGA Depto. de Geografía, Univ. Autòn. de Barcelona, y Centre d’Estudis Demogràfics.

E-mail: [email protected]

Resumen

La distribución espacial de los fenómenos demográficos es un área emergente de

investigación. Un análisis de los patrones espaciales de movilidad residencial tiene el

potencial de dar cuenta de una manera alternativa acerca de la interacción entre el espacio,

los flujos de migrantes y las características de los individuos, hogares y lugares. En este

estudio se analizan los movimientos residenciales al interior de las provincias españolas en

el período reciente y se busca determinar si los factores que desencadenan estos

movimientos (en los lugares de origen) varían a través del país. Se utiliza la regresión

ponderada geográficamente (GWR) (Villarraga, Sabater, Módenes, 2014), utilizando los

datos de la Estadística de Variaciones Residenciales, y se estudia la variación espacial de la

relación entre la movilidad residencial y una serie de variables agregadas de tipo

socioeconómico, demográficas y de la vivienda para todos los municipios de España. Los

resultados señalan que las variables contextuales, que son importantes para explicar la

intensidad de la movilidad, no tienen un nivel homogéneo de influencia en todo el

territorio, llegando incluso a no ser significativa su influencia en algunas áreas. La

interpretación de estas diferencias dará lugar a una reflexión sobre la eventual existencia de

diferentes sistemas de movilidad residencial, siguiendo diferencias regionales o

funcionales.

Movilidad residencial: Municipios, Regresión Ponderada Geográficamente, España.

1. INTRODUCCIÓN

Cada año, más de 1,5 millones de personas cambian de municipio de residencia en España,

aproximadamente un 3% de la población. El reciente boom de inmigración exterior ha

mailto:[email protected]

mailto:[email protected]



512

contribuido a ello, sacudiendo la intensidad y la estructura geográfica de estos flujos

internos (Recaño, 2002). Actualmente entre un 25 y un 30% de la movilidad migratoria

interna es protagonizada por personas de nacionalidad extranjera.

La inmigración exterior no sólo afecta a las migraciones internas por su volumen y porque

los inmigrantes tienen propensiones migratorias más elevadas. Su creciente presencia en

determinadas áreas geográficas puede emerger como un elemento que influye en la

decisión de emigrar a otro municipio, no sólo de los mismos extranjeros sino también de

los españoles. Esta dimensión de interrelaciones motiva esta comunicación, sin olvidar el

resto de factores explicativos. En efecto, podemos agrupar en cuatro dimensiones los

factores determinantes de la emigración interna a escala municipal: elementos

demográficos estructurales e individuales, motivos laborales y socioeconómicos,

características de las viviendas y la inmigración y la presencia de población no española.

En esta comunicación determinaremos si factores de estas cuatro dimensiones explicativas

influyen en la emigración interna y si lo hacen de igual manera en todo el país. En especial,

si la presencia de extranjeros en el mismo área de residencia influye directamente en el

comportamiento emigratorio interno de los españoles, tanto a nivel global como

específicamente según el lugar de residencia. Se utilizará el método de la Regresión

Geográfica Ponderada (GWR en sus siglas en inglés) e información agregada a escala local

para todos los municipios españoles procedente de los flujos de la Estadística de

Variaciones Residenciales (EVR, 2001-2005) y características sociodemográficas,

socioeconómicas y residenciales de los municipios según el Censo de 2001 (previas a los

movimientos analizados) que, según la teoría y los antecedentes empíricos, influyen en el

nivel agregado de la migración. Para ello seguiremos en lo esencial la estrategia propuesta

por los autores para el análisis de la movilidad migratoria intramunicipal en Colombia.

2. MOVILIDAD MIGRATORIA DE LOS NATIVOS E INMIGRACIÓN: UNA

APROXIMACIÓN DESDE LA LITERATURA

Las ciencias sociales reconocen la influencia de la inmigración y la diversidad étnica sobre

el comportamiento migratorio de los llamados nativos. Esta interacción ha estado presente

desde siempre en el análisis sociológico y geográfico de la dinámica residencial urbana,

como ejemplifica la Escuela de Chicago. El cambio urbano emanaría de la respuesta

organizada de la población asentada a la llegada de flujos migratorios, en forma de

desplazamientos, produciendo sustitución, sucesión y segregación. No sólo habría motivos

socioeconómicos o urbanísticos sino étnico-raciales e identitarios. Este enfoque dominó la



513

investigación de la movilidad migratoria intraurbana hasta que el neopositivismo triunfante

introdujo explicaciones más sociodemográficas (Rossi, 1955) o económicas (Alonso,

1964), pero no lo sustituyó del todo.

Por ejemplo, la literatura anglosajona ha guiado el interés en saber si la llegada de

inmigrantes laborales a los mercados de trabajo (nacionales o urbanos) afecta a los

trabajadores existentes, mediante un mayor desempleo, mayor precarización, más tiempo

en encontrar empleo o más emigración de larga distancia. Ciertos autores han encontrado

efectos negativos, especialmente entre los nativos de menor nivel económico, que se

deberían a mecanismos de competencia y sustitución entre grupos de trabajadores. Otros

autores no hallan evidencias empíricas suficientes (Kritz, Gurak, 2001; White, Imai, 1994;

Wright, Ellis, Reibel, 1997). Arguyen ausencia de interacción o bien complementariedad

entre nativos e inmigrantes. Sin embargo, si diferenciamos los nativos y los inmigrantes

por edad o posición social se han detectado tanto efectos de sustitución como de

complementariedad, siendo más beneficiados los grupos mejor posicionados (Mocetti &

Porello, 2010; White, Liang, 1998).

Cuando se trata de la movilidad residencial intraurbana, en Estados Unidos, conceptos

como el de segregación o el de “white flight” han servido para estudiar la diversidad étnica

en los movimientos residenciales (Clark, 2007; Crowder, Hall, Tolnay, 2011; Frey, 1995;

Krysan, 2002; South, Crowder, 1997). Los autores europeos priorizan otros procesos,

como el de contraurbanización (Peach, 1999). Muchos niegan directamente que tengamos

aquí “white flight” (Rathelot, Safi, 2014; Simpson, Finney, 2009), argumentando que hay

otros factores causales más importantes y/o que las distribuciones espaciales de orígenes y

destinos no son significativamente diferentes por etnia u origen.

En España, estos debates también han tenido eco. Diversos autores han mostrado la

existencia de niveles de intensidad, a favor de los extranjeros, perfiles sociodemográficos y

patrones espaciales diferenciados (Recaño, 2002; Reher, Silvestre, 2009), pero poco se ha

podido decir sobre la interacción entre los comportamientos de nativos y extranjeros.

Existen ejemplos de estudios econométricos sobre el impacto de la inmigración sobre los

mercados laborales en España, dinamizando la movilidad migratoria general (Bentolia,

2001), pero no especialmente entre los españoles de bajos ingresos (Herrarte Sánchez,

Medina Moral, Vicéns Otero, 2007). Por lo que respecta a la movilidad residencial, pocos

estudios han abordado específicamente las interacciones entre la movilidad de los

inmigrantes o extranjeros y el comportamiento residencial de los españoles, aunque sí se ha

constatado la diversidad de patrones (Bayona, Gil, 2008). Según (Martínez del Olmo, Leal,



514

2008) la discriminación residencial entre nativos e inmigrantes no sólo es expresada por la

segregación espacial, lo que relativiza a la movilidad residencial como motor de exclusión

o diferenciación1.

En esta comunicación, nos planteamos, primero, si es posible ajustar un modelo de

regresión geográficamente ponderada que evalúe el peso de las distintas dimensiones

explicativas para la movilidad migratoria, y que mejore los modelos de regresión espacial

globales. En segundo lugar, se quiere confirmar que el peso específico relativo de cada

dimensión explicativa depende de la localización geográfica, variando tanto regionalmente

como en el continuo urbano-rural. Y finalmente, y más importante, evaluar si la presencia

de población extranjera es un factor explicativo de la intensidad de la emigración de los

españoles y estimar si su relación se comporta igual a través del territorio.

3. ÁREA DE ESTUDIO, DATOS Y VARIABLES

3.1. Área de estudio

El área de estudio comprende los municipios del territorio peninsular de España en 2001.

Los municipios españoles peninsulares (7.956) constituyen las observaciones de nuestro

universo. Se dejan fuera los municipios insulares y Ceuta y Melilla porque dada su

configuración territorial no permiten la correcta aplicación de los modelos de regresión

geográficamente ponderada. El uso de municipios, aunque en ocasiones demasiado

pequeños, presenta ventajas frente al uso de unidades más robustas, también numerosas,

como comarcas, oficiales o estadísticas, u otras entidades supramunicipales. Uno de los

fundamentos del modelo GWR es que los valores presenten una cierta heterogeneidad que

sería reducida con unidades más grandes que diluirían las diferencias espaciales. Además,

el modelo se ajusta mejor conforme más unidades espaciales se incorporan.

Tabla 1 Número de personas que realizaron una migración interna, 2001-2005

2001 2002 2003 2004 2005

Origen: Todos los municipios de España

Toda la población 994.615 1.323.927 1.467.903 1.527.446 1.570.361

Por españoles 889.814 1.085.061 1.174.313 1.169.708 1.168.484

Origen: Municipios de la España peninsular

Toda la población 912.929 1.209.030 1.337.246 1.393.827 1.438.148

Por españoles 816.583 990.386 1.069.243 1.066.584 1.068.535

Fuente: INE, Estadística de Variaciones Residenciales.

1 Sin embargo, la aplicación estricta del concepto “white flight”, cuando se habla de concentración de alumnado nativo en

ciertas escuelas para evitar el contacto con otros colectivos, sí que tiene bastante presencia en la literatura española.



515

3.2. Variables

3.2.1. Variable dependiente

La información de la variable dependiente, “tasa de emigración interna”, se obtiene a partir

de la Estadística de Variaciones Residenciales, específicamente de las emigraciones

internas de todos los municipios situados en el territorio peninsular para el período 2001-

2005. Para calcular la tasa el denominador es la población media según el Padrón

Continuo. La tasa de emigración interna captura la intensidad relativa anual de la

emigración interna de los municipios peninsulares durante el período 2001-2005, es decir,

en pleno boom inmigratorio y en medio de la burbuja residencial. Se han calculado dos

variables dependientes, asociadas a etapas sucesivas de la investigación: a) tasa de

emigración interna de toda la población, y b) tasa de emigración interna de los españoles.

Tabla 2 Resumen estadístico de las emigraciones internas municipales. España, 2001-2005

Total población Españoles

Salidas migratorias

observadas

Tasa de emigración

interna (% anual)

Salidas migratorias

observadas

Tasa de emigración

interna (% anual)

Máximo 522.807 118,5 372.899 103,1

Mínimo 0 0.0 0 0,0

Media 803,2 17,9 631,8 15,6

Desviación típica 7.677,3 8,8 5.487,2 7,6

Fuente: INE, Estadística de Variaciones Residenciales.

3.2.2. Variables independientes

Las variables dependientes deben ser explicadas por una serie de factores estructurales de

las poblaciones de origen en el momento inicial del período de migración estudiado. Para

optar entre un abanico amplio de variables independientes se han seleccionado del censo

de 2001. De hecho, la disponibilidad de información censal para todos los municipios y de

un período posterior relativamente grande con información de EVR ha condicionado la

elección del período temporal y de las fuentes. Las variables independientes representan

las cuatro dimensiones explicativas enunciadas en la Introducción. El enfoque es

ecológico, por lo que las relaciones que se encuentren a nivel agregado, no necesariamente

implican relaciones a nivel individual.

a). Dimensión demográfica.

1 .Porcentaje de mayores de 65 años (ENVE). Mide el nivel de envejecimiento de la

población municipal. Informa en negativo de la reserva demográfica de migrantes, así

como puede ser un indicador de la vitalidad sociodemográfica general.



516

2. Porcentaje de hogares con 3 o más miembros (TAMH). Aproxima la estructura familiar

dominante en el municipio de origen. Los hogares nucleares con hijos, de tamaño superior

o igual a 3, están relacionados con mayor estabilidad residencial. En negativo, más hogares

pequeños puede indicar falta de recursos sociales.

b) Dimensión sociolaboral.

3. Porcentaje de individuos con estudios universitarios (NEDU). Mide el nivel estructural

educativo. Aproxima la propensión a buscar empleo en ámbitos urbanos hacia ocupaciones

de nivel medio o alto. Puede informar, sin embargo, también del nivel de desarrollo local

del municipio y de oportunidades endógenas.

4. Tasa de paro (PARO). Es el porcentaje de parados sobre los activos. Informa del nivel

de dificultades coyunturales o estructurales del municipio y podría favorecer la emigración.

O bien, un obstáculo financiero para la movilidad residencial.

c) Dimensión del parque de viviendas

5. Porcentaje de viviendas principales en alquiler (ALQU). Mide la presencia de hogares

que residen en alquiler. Esta característica generalmente va asociada a una mayor

inestabilidad residencial. También se asocia a una mayor flexibilidad de la mano de obra,

que puede comportar una mayor movilidad migratoria.

6. Porcentaje de viviendas con antigüedad inferior a 10 años (EDVI). Mide el peso de los

hogares que habitan en viviendas nuevas. Puede estar asociado a una mayor estabilidad

residencial de los hogares, porque hace poco que las habitan y son de mejor calidad.

d) Dimensión historia migratoria

7. Porcentaje de nacidos en el municipio (NACM). Mide la población nacida en el

municipio. Puede esperarse una asociación inversa con la tasa de emigración.

8. Porcentaje de extranjeros (EXTR). Mide la población extranjera residente en 2001.

Aproxima la heterogeneidad social, cultural y étnica. No se prevé un sentido decidido de la

relación, aunque cabría esperar cierta relación positiva con la tasa de emigración general,

como efecto de composición al aumentar las personas más propensas. Nuestra pregunta es

si considerando sólo la tasa de emigración de los españoles se notaría un efecto

significativo. Por ello, esta variable es nuestra variable independiente principal.

4. ESPECIFICACIÓN DE LOS MODELOS

4.1. Presentación del modelo GWR

La Regresión Ponderada Geográficamente (Geographically Weighted Regression, GWR)

es una forma “local” de regresión lineal que está específicamente diseñada para analizar



517

interrelaciones que varían espacialmente (Fotheringham, Brundsdon, Charlton, 1996;

Fotheringham, Brunsdon, Charlton, 2002; Villarraga et al., 2014). El uso de GWR permite

explorar si las relaciones entre la variable dependiente y las variables explicativas varían

entre los lugares, lo que lo diferencia de un modelo OLS “global” donde sólo se ofrece un

coeficiente por variable explicativa.

En las regresiones locales de GWR una región es descrita alrededor de un punto de

regresión y todos los otros puntos de datos (centroide de los municipios) dentro de esta

región son usados para calibrar el modelo. Este proceso se repite para todos los puntos de

regresión con la particularidad que con GWR cada municipio está ponderado por su

distancia desde el punto de regresión; por lo tanto los municipios más cercanos al punto de

regresión tienen un mayor peso en la regresión local que aquellos municipios más lejanos.

Para un punto de regresión dado, el peso de un municipio está en un máximo cuando se

comparte la misma ubicación que el punto de regresión. Este peso disminuye

continuamente a medida en que la distancia entre los dos puntos aumenta. De esta manera,

un modelo de regresión se calibra localmente simplemente moviendo el punto de regresión

a través de la región (Fotheringham et al., 2002, p. 58). Para ello, se necesita tener en

cuenta y calibrar diferentes funciones de ponderación espacial. Dado que la función de

ponderación está determinada por la forma del contexto (kernel) espacial y el tamaño de su

ancho de banda (distancia umbral a partir de la que la influencia de un área sobre otra es

cero), es necesario siempre establecer el ancho de banda óptimo. Puesto que nuestros

centros municipales no están uniformemente distribuidos en el espacio, porque tenemos

municipios de variado tamaño, con patrones espaciales no aleatorios, se ha utilizado un

kernel espacial variable. Se ha usado un método adaptativo, de manera que los kernels son

más pequeños en el centro-norte (donde la densidad de municipios es máxima) y mayores

en el sur y en el norte (donde la densidad es más baja). La estrategia ha sido adoptar un

kernel bicuadrado adaptado que siempre cuenta con el mismo número de áreas.

Para seleccionar el intervalo de búsqueda del ancho de banda óptimo se ha escogido el

criterio de información corregido de Akaike (AICc) y se compararon sus valores asociados

con el kernel a diferentes anchos de banda. Se siguió la norma general según la cual cuanto

más bajo es el coeficiente AICc, más cercano es el modelo a la realidad (Burnham,

Anderson, 2002). La dependencia espacial fue operacionalizada usando Moran’s I, que fue

recalculado para diferentes valores de anchos de banda. Finalmente, para calibrar el kernel

espacial ideal, se usó una función ponderada bi-cuadrada basada en los vecinos más

cercanos. El número óptimo de vecinos próximos se determinó en 154. Esto significa que



518

el modelo GWR calcula la relación entre variables para cada municipio continuamente

para los 154 municipios más cercanos al punto de regresión.

4.2. Comparación entre modelos OLS y GWR

Antes de determinar las variaciones en los patrones geográficos de la tasa de emigración

municipal con el modelo GWR, se han llevado a cabo dos modelos de regresión global

OLS, usando como variables dependientes las tasas de emigración municipal y todas las

variables independientes enunciadas en el apartado correspondiente.

4.2.1. Modelo OLS para todos los residentes.

La siguiente ecuación muestra todos los parámetros globales estimados.

y= 39,820 + 0,407 EXTR ─ 0,305 TAMH + 0,162 NEDU ─ 0,158 NACM + 0,151 ALQU

─ 0,117 ENVE ─ 0,028 PARO

(45,12) (15,94) (-30,07) (7,18) (-25,72) (8,27)

(-5,02) (-3,14)

Entre paréntesis están los valores t, que muestran que todos los parámetros globales

estimados son significativos al nivel 1%. El test Moran’s I que se aplicó al modelo de

residuos determinó suficiente autocorrelación. El coeficiente R cuadrado del modelo es

0,295 y el criterio corregido de información Akaike (AICc) es 54.323,32.

Las cuatro dimensiones de análisis, demográfico, laboral, residencial e historia migratoria,

tienen capacidad explicativa de la emigración interna general. Solamente la variable

“Porcentaje de viviendas con menos de 10 años (EVIV)” está excluida de este modelo

debido a su no significatividad estadística. La variable explicativa que registra los valores

estimados más altos es el porcentaje de extranjeros (EXTR). Su coeficiente expresa que un

aumento de un punto porcentual del porcentaje de extranjeros, lleva a un aumento de 0,407

puntos porcentuales de la tasa de emigración interna municipal. Obviamente esta relación

tiene una clara interferencia composicional, debido a la mayor propensión a la movilidad

de los extranjeros. En efecto, donde hay más extranjeros hay más personas con alta

propensión a la movilidad y, por ende, las tasas suelen ser más elevadas. Es decir, el efecto

composicional del porcentaje de extranjeros es endógena a la tasa emigratoria. En el

contexto de España 2001 decir extranjero era como decir, con mucha probabilidad,

emigrante interno. Por ello, hay que ajustar el modelo inicial OLS global para eliminar esa

endogeneidad. Sustituimos la variable dependiente por la más específica, tasa de

emigración interna de españoles y así podemos aislar el efecto positivo (o negativo) de la

inmigración sobre las propensiones migratorias de la población no extranjera.



519

4.2.2 Modelo OLS para españoles.

La nueva ecuación resultante es:

y= 36,879 ─ 0,304 TAMH + 0,206 NEDU ─ 0,142 NACM + 0,136 ALQU ─ 0,131 ENVE

(4)

(46,99) (-33,76) (10,22) (-26,05) (8,34) (-6,28)

De nuevo, entre paréntesis están los valores t, que muestran que todos los parámetros

globales estimados son significativos al nivel 1%. El test Moran’s I que se aplicó al modelo

de residuos determinó suficiente autocorrelación. El coeficiente R cuadrado del modelo es

0,262, ligeramente inferior al modelo anterior, y el criterio corregido de información

Akaike (AICc) es 52.456 ,09. El cambio más importante es la no significatividad

estadística del porcentaje de extranjeros como variable explicativa. Allá donde hay más

extranjeros, los españoles no emigrarían internamente más, según el modelo global.

Tampoco resultó estadísticamente significativa la variable tasa de paro. Ello confirmaría

las peculiaridades del sistema migratorio interno español: más paro no provoca más

movilidad en las poblaciones de españoles.

El tamaño del hogar (THOG, dimensión demográfica) es la variable que tiene mayor

fuerza en la relación con la emigración de los españoles y su signo es negativo. Nos dice

que cuántos más hogares grandes hay en un municipio, menor es su tasa de emigración. De

alguna manera, nos indica que la estabilidad de las estructuras familiares se asocia a

estabilidad de las ubicaciones. La relación con el nivel de envejecimiento (ENVE) es

negativa y su fuerza es la más baja de las 5 variables. De la dimensión laboral y económica

el nivel educativo (NEDU) es el más determinante. Donde hay más títulos universitarios,

hay una mayor propensión a salir del municipio. En la dimensión de la historia migratoria,

el porcentaje de personas nacidas en el municipio (NACM) tiene un intenso efecto reductor

de la emigración, tal como se esperaba, independientemente de si son extranjeros o

españoles. La dimensión del parque de viviendas es poco importante, centrada en un efecto

ligeramente positivo del stock de alquiler.

El rendimiento del modelo global no es muy alto. Sólo explica un 26% de la varianza en la

emigración interna municipal, lo que sugiere; a) que el modelo no incorpora alguna/s

variable/s relevantes, o b) que no sea posible ajustar un modelo único estacionario para

toda España. Esto es porque el modelo OLS asume que la relación entre la variable

dependiente y las independientes es constante en el espacio. Sin embargo, la complejidad

de un territorio como el español, hace plausible la convivencia de diferentes estructuras

explicativas de la emigración municipal. Aquí entra en juego el modelo GWR, que nos



520

permite a) ajustar un nuevo modelo que considera la no estacionariedad espacial (la

variabilidad espacial) de la relación que existe entre las variables, y de esta manera b)

identificar aquellas áreas donde el modelo tiene un mayor o menor ajuste, lo que puede

obligar a buscar e incorporar nuevos factores en aquellas áreas en las que el rendimiento

del modelo es muy bajo, c) analizar la variación espacial de la relación entre las variables

independientes y la dependiente, identificando gradientes, áreas dónde la relación es

significativa y áreas donde no lo es. En el diseño del modelo local se han incorporado

todas las variables independientes que se consideraron en el modelo global, incluso

aquellas que resultaron no ser estadísticamente significativas.

4.2.3. Modelo GWR para españoles

Tiene sentido que en España las variables explicativas puedan ser no estacionarias

espacialmente. Para comprobarlo se utilizan diversas pruebas. Por ejemplo, si el intervalo

intercuartil de las estimaciones de los parámetros del modelo GWR es mayor que dos

veces el valor del error estándar obtenido por el modelo OLS. Este procedimiento

demuestra que todas las relaciones entre las variables explicativas y la dependiente, tienen

una elevada variabilidad territorial de su influencia. Incluyendo las tres consideradas no

significativas por el modelo global OLS, de tal manera que se puede presentar que en

algunas zonas geográficas su relación con la variable dependiente sea significativa.

La tabla 3 presenta los índices de Moran de los dos modelos globales OLS (toda la

población y sólo españoles) y el modelo GWR (ya sólo para españoles). La elevada

puntuación del valor z de los modelos OLS, asociada con un valor p muy bajo, lo que

indica la presencia de una alta autocorrelación espacial en sus residuales. En este caso, hay

un patrón espacial de agrupamiento (clusterizado) que nos está diciendo que existe una

probabilidad menor al 1% de que este patrón pueda ser el resultado de una probabilidad

aleatoria. Esto sugiere que calibrar un modelo GWR en vez de global podría reducir la

autocorrelación espacial. Finalmente, la tabla 4 ofrece un resumen de parámetros de los

modelos OLS, toda la población y españoles, y GWR, españoles. El mejor modelo es el

local (GWR), ya que su AICc (50.586,6) es claramente menor, aunque el modelo OLS de

españoles (52.456,1) ya mejoraba el OLS de toda la población (54.323,3). Además, el

coeficiente R cuadrado ajustado del modelo se eleva a 0,48. Por lo tanto, el modelo GWR

que permite variar geográficamente la influencia de las variables explicativas en la

emigración es mejor que los modelos OLS que ajustan una única regresión común.



521

Tabla 3. Valores del Índice de Moran

Índice de Moran puntuación z valor p

OLS Global (todos los migrantes) 0,1213 100,8268 0,0000

OLS Global (españoles) 0,1186 98,5764 0,0000

GWR (españoles) -0.0043 -1,2424 0,2141

Nota: las puntuaciones z son desviaciones estándar

Tabla 4. Resumen de parámetros estadísticos para OLS y GWR

Ancho de banda Desviación K AICc Dif_AICc

OLS Global (todos migrantes NA 54.303,28 9 54.323,3 3.736,7

OLS Global (españoles) NA 52.436,06 9 52.456,1 1.869,5

GWR (españoles) 154 47.992,9 1.103,9 50.586,6 0.0

Nota: K indica el número efectivo de parámetros. Dif_AICc es la diferencia entre los AICc de los modelos

globales con el mejor modelo, GWR.

5. RESULTADOS DEL MODELO DE REGRESIÓN GEOGRÁFICAMENTE

PONDERADA (GWR)

Los resultados de los parámetros del modelo GWR son concluyentes, se debe tener en

cuenta la variabilidad espacial del efecto de todas las variables independientes iniciales

sobre la variación de los valores de la tasa local de emigración interna de los españoles (en

el mapa 1a). El modelo GWR estima el efecto de las variables explicativas calculando

continuamente regresiones espaciales, mediante un ancho de banda óptimo de 154

municipios. El mapa 1b despliega los valores del R cuadrado local a través de los

municipios contiguos españoles. Más intensidad equivale a un mejor ajuste del modelo.

Según la leyenda el modelo GWR explica hasta el 82% de la varianza (p.ej., en municipios

de las provincias de La Coruña, Toledo, Castellón, Barcelona, Sevilla…), por encima del

valor mediano (41%). El modelo está mejor ajustado en las grandes áreas metropolitanas y

allá donde los municipios suelen tener cierto tamaño demográfico. En las áreas menos

explicadas, con numerosos municipios pequeños, la tasa migratoria tiende a la

aleatoriedad, véase Castilla y León). No podemos descartar que en esas áreas actúen otras

posibles covariables.



522

Ilustración 1. a) Mapa de distribución de la emigración de españoles. b) Mapa de los valores estimados

del R2 local

En el anexo cartográfico se encuentran los resultados del modelo GWR para las 8 variables

incorporadas. Los mapas para cada una de las variables aparecen jerárquicamente de

mayor a menor según los coeficientes del modelo OLS de españoles. En ellos se observan

los lugares donde los coeficientes locales de la relación entre cada una de las variables

explicativas y la dependiente son significativos. El color rojo indica que la relación entre

variables es positiva y azul cuando es negativa. Aquellos municipios en los que los

coeficientes locales no son significativos aparecen en blanco. Además, se ha incluido la

distribución geográfica a escala municipal de cada variable independiente (mapas derecha,

b).

En el caso de TAMH, tener una elevada proporción de hogares grandes inhibe la

emigración en amplios sectores del centro y el levante español, incluyendo las áreas

metropolitanas de Madrid y Barcelona. En ningún sitio esta relación es positiva y

significativa. Por lo que respecta a NEDU, se confirma la relación positiva entre el número

de titulados universitarios y emigración, principalmente en áreas rurales del norte y centro

(destaca la provincia de Albacete), y en el área de influencia de Sevilla; no, sin embargo,

en las grandes áreas metropolitanas. El porcentaje de nacidos en el municipio (NACM)

confirma su relación negativa con la emigración, especialmente en las áreas metropolitanas

y sus hinterlands, lo cual puede sugerir prácticas espaciales diferenciales. El porcentaje de

hogares en alquiler (ALQU) ejemplifica una de las virtudes de GWR: aunque en el modelo

global la relación era positiva, el mapa muestra sectores rurales, principalmente en el norte,

donde la relación es de signo contrario, negativo. Lo mismo pasa con el porcentaje de

León

Jaén

Badajoz

Teruel

Cáceres ToledoCuenca

Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería

Salamanca Guadalajara

Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Melilla

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

Valor0.820812

0.410689

0.00056583

IDW_localR2_1540.820812

0.410689

0.00056583

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Las Palmas

Melilla

Emig_Españoles (%)

0.0 - 10.0

10.1 - 15.0

15.1 - 20.0

20.1 - 25.0

25.1 - 100.0



523

población de más de 65 años (ENVE), cuyo signo global es negativo, pero que presenta

áreas donde la relación es positiva; en ambos casos, afectando a zonas rurales.

Al considerar mediante GWR las variables que no eran significativas según los modelos

globales OLS, se pueden identificar áreas geográficas, normalmente pequeñas, donde la

relación sí que es significativa. Con cierta lógica, ambos signos están presentes. En el

anexo están los resultados para la tasa de paro (PARO), viviendas nuevas (EDAD). Los

resultados de la variable porcentaje de extranjeros (EXTR) se presentan en la Ilustración 2.

Ilustración 2. a) Mapa de los coeficientes estimados del modelo GWR para la variable porcentaje de

extranjeros. b) Mapa de la distribución de extranjeros.

No se puede descartar totalmente la influencia del número de extranjeros sobre el

comportamiento migratorio interno de los españoles. Según el análisis global con OLS, la

relación entre ambas variables no era significativa, era escasa y negativa. Si nos

hubiésemos quedado aquí, habríamos descartado la relación o, quizá, hubiésemos

subrayado incluso un cierto efecto estabilizador sobre la población española. Sería un

error. El efecto del número de extranjeros es no estacionario espacialmente, es decir que

varía a través del territorio y hay áreas donde esta relación es significativa. El efecto es

positivo en áreas rurales del norte de España, parece que no en áreas metropolitanas. Al

contrario, hay un efecto negativo, relativamente tranquilizador, en la periferia del área

metropolitana de Madrid y en algunos núcleos de alta inmigración residencial de la costa

mediterránea. Este es un punto de partida para investigaciones más específicas.

6. CONCLUSIONES

Se han cumplido la mayoría de objetivos iniciales. Los modelos GWR mejoran el análisis

explicativo ecológico de la tasa de emigración interna de españoles, a partir del estudio de

León

Jaén

Badajoz

Teruel

Cáceres Toledo Cuenca

Sevil la

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Madrid

Almería


Valencia

Málaga

PalenciaGirona

A Coruña

Segovia

Ourense

ValladolidBarcelona

Alicante

Castellón

Tarragona

La Rioja

Álava

Cantabria

Baleares

Pontevedra

Vizcaya Guipúzcoa

Las PalmasLas Palmas

Las Palmas

Baleares

Las Palmas

Baleares

Ceuta

Melilla

IDW_Extranj_est2.595

0

-1.574

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Las Palmas

Melilla

Extranjeros (%)

0.0 - 2.5

2.6 - 5.0

5.1 - 7.5

7.6 - 10.0

10.1 - 54.7



524

la variabilidad espacial. Hemos confirmado que las variables independientes mejoran su

poder explicativo si se permite que su relación con la dependiente varíe en el territorio.

Algunas influyen en casi todo el territorio, pero con diferencias en su intensidad (tamaño

de hogar y nacidos en el municipio) mientras que otras no son tan generales pero

mantienen el signo (nivel educativo). El bajo poder explicativo en los modelos globales del

resto de variables se debe a que muestran patrones de determinación muy localizados y con

efectos contrarios (p.ej., porcentaje de extranjeros). Aunque no tengan una influencia

general, un enfoque geográfico del análisis social no puede dejarlas de lado. En las áreas

urbanas son más significativos los factores más generales, mientras que las variables con

efectos más locales actúan más en sectores rurales. Vale la pena seguir explorando.

Nuestro principal objetivo era comprobar si en España existe relación entre el porcentaje

de residentes extranjeros y la emigración interna de los españoles. A nivel global no hay

una relación significativa, pero el modelo GWR encuentra variabilidad geográfica de la

relación, siendo esta significativa y positiva en ciertas áreas rurales del norte. Por lo tanto,

existía cierta interacción localizada durante los años del boom inmigratorio, aunque no,

parece ser, en las grandes áreas urbanas. Obviamente estos indicios deben analizarse más,

aunque los resultados estarían de acuerdo con autores, principalmente europeos, que no

detectan una fuerte interacción específica entre inmigración y movilidad interna de los

nativos. También confirmarían a los autores españoles que dan más importancia a otros

factores no espaciales de discriminación residencial. Así mismo, este u otro tipo de

estudios ganarían al usar cuando fuese posible las escalas inframunicipales, quizá para

áreas acotadas (Galeano, Sabater, Domingo, 2014).

Nuestros resultados están sujetos a las limitaciones del análisis ecológico. En especial, hay

que evitar caer en la falacia ecológica. Por otro lado, en ciertas áreas rurales, sobre todo de

Castilla y León, el modelo GWR no se ajusta satisfactoriamente. Ello se debe al tamaño

extremadamente pequeño de sus municipios y a la aleatoriedad que ello aporta. Habría que

descartar, sin embargo, la presencia de otras variables explicativas no contempladas.

Podría apuntarse que, para ciertas áreas, el análisis debería ser más específico, por debajo

de la escala española. La literatura actual sugiere que las interrelaciones son más sólidas si

los grupos concernidos se segmentan (inmigrantes por nacionalidad; nativos por edad o

clase social). Es otra vía de avance. El modelo GWR puede mejorarse también aplicando

nuevos tests estadísticos, que acaben de definir el mejor tipo de tratamiento de las variables

explicativas mediante el ajuste de modelos semiparamétricos en los que algunas variables



525

se fijen al territorio (globales), y al mismo tiempo, otras se les permita variar espacialmente

(locales). Lo anterior requiere un mayor poder de computación del disponible por los

autores en este momento, pero serán incorporados en versiones posteriores.

Reconocimientos. Estamos agradecidos a Albert Sabater, de la University of Saint

Andrews, por acercarnos a esta técnica y acompañarnos en investigaciones previas.

BIBLIOGRAFÍA

ALONSO, W. (1964): Location and land use. Toward a general theory of land rent:

Harvard University Press.

BAYONA, J., GIL, F. (2008): El papel de la inmigración extranjera en la expansión de las

áreas urbanas. El caso de Barcelona (1998-2007). Scripta Nova, XII(270).

BENTOLIA, S. (2001): Las migraciones interiores en España: FEDEA – DT 2001-07.

BURNHAM, K., ANDERSON, D. (2002): Model selection and multimodel inference: A

practical information - Theoretic approach (2nd ed.). New York: Springer.

CLARCK, W. A. V. (2007): Race, class, and place evaluating mobility outcomes for

African Americans. Urban Affairs Review, 42(3), 295-314.

CROWDER, K., HALL, M., TOLNAY, S. E. (2011): Neighborhood immigration and

native out-migration. American Sociological Review, 76(1), 25-47.

FOTHERINGHAM, S., BRUNDSDON, C., CHARLTON, M. (1996): The geography of

parameter space: an investigation of spatial non-stationarity. International Journal of

Geographical Information Systems, 10(605-627).

FOTHERINGHAM, S., BRUNDSDON, C., CHARLTON, M. (2002): Geographically

Weighted regression: the analysis of spatially varying relationships. Chichester: John

Wiley &Sons

FREY, W. H. (1995): Immigration and internal migration" flight" from US metropolitan

areas: toward a new demographic balkanisation. Urban Studies, 32(4-5), 733-757.

GALEANO, J., SABATER, A., & DOMINGO, A. (2014): Formació i evolució dels

enclavaments ètnics a Catalunya abans i durant la crisi econòmica. Documents D'Anàlisi

Geogràfica, 60(2), 261-288. doi: 10.5565/rev/dag.111

HERRARTE SÁNCHEZ, A., MEDINA MORAL, E., & VICÉNS OTERO, J. (2007):

Cambios en la situación laboral de la población española ante el incremento de la

inmigración. Ekonomiaz, 3(66), 330-349.

KRITZ, M., GURAK, D. T. (2001): The impact of immigration on the internal migration

of natives and immigrants. Demography, 39(4), 675-696.



526

KRYSAN, M. (2002): Whites who say they’d flee: Who are they, and why would they

leave? Demography, 39(4), 675-696.

MARTÍNEZ DEL OLMO, A., LEAL, J. L. (2008): La segregación residencial, un

indicador espacial confuso en la representación de la problemática residencial de los

inmigrantes económicos: el caso de la Comunidad de Madrid. ACE: architecture, city and

environment(8).

MOCETTI, S., PORELLO, C. (2010): How does immigration affect native internal

mobility? new evidence from Italy. Regional Science and Urban Economics, 40(6), 427-

439.

PEACH, C. (1999). London and New York: contrasts in British and American models of

segregation with a comment by Nathan Glazer. International Journal of Population

Geography, 5(5), 319-347.

RATHELOT, R., SAFI, M. (2014): Local Ethnic Composition and Natives’ and

Immigrants’ Geographic Mobility in France, 1982–1999. . American Sociological Review,

79(1), 43-64.

RECAÑO, J. (2002): La movilidad geográfica de la población extranjera en España: un

fenómeno emergente. Cuadernos de geografía, 72, 135-156.

REHER, D. S., SILVESTRE, J. (2009): Internal Migration Patterns of Foreign‐Born

Immigrants in a Country of Recent Mass Immigration: Evidence from New Micro Data for

Spain. International Migration Review, 43(4), 815-849.

ROSSI, P. H. (1955): Why families move: A study in the social psychology of urban

residential mobility. Glencoe: Free Press.

SIMPSON, L., FINNEY, N. (2009): Spatial patterns of internal migration: evidence for

ethnic groups in Britain. Population, Space and Place, 15(1), 37-56.

SOUTH, S. J., CROWDER, K. D. (1997): Residential mobility between cities and suburbs:

Race, suburbanization, and back-to-the-city moves. Demography, 34(4), 526-538.

VILLARAGA, H. G., SABATER, A., MÓDENS, J. A. (2014): Modelling the Spatial

Nature of Household Residential Mobility within Municipalities in Colombia. Applied

spatial analysis and policy, Online First. doi: 10.1007/s12061-014-9101-7

WHITE, M. J., IMAI, Y. (1994): The impact of US immigration upon internal migration.

Population and Environment, 15(3), 189-209.

WHITE, M. J., LIANG, Z. (1998): The effect of immigration on the internal migration of

the native-born population, 1981–1990. Population Research and Policy Review, 17(2),

141-166.



527

Anexo cartográfico

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Melilla

IDW_Tam_Hog_154_est0.262979

-1.18877

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Las Palmas

Melilla

Tam_hogar (%)

0.0 - 30.0

30.1 - 40.0

40.1 - 50.0

50.1 - 60.0

60.1 - 79.7

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Melilla

IDW_Niv_Educ_154_est1.59784

-0.816154

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Las Palmas

Melilla

Nivel_edu (%)

0.0 - 5.0

5.1 - 10.0

10.1 - 15.0

15.1 - 20.0

20.1 - 57.1

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Las Palmas

Melilla

Nacio_mpio (%)

0.0 - 50.0

50.1 - 60.0

60.1 - 70.0

70.1 - 80.0

80.1 - 100.0

León

Jaén

Badajoz

Teruel


Sevilla

HuescaLleida

Lugo

Burgos

Soria Zaragoza

Albacete

Murcia

Ávila

Córdoba

Ciudad Real

Granada

Huelva

Zamora

Asturias

Navarra

Cádiz

Valencia

Madrid

Almería


Málaga

Girona

A Coruña

Segovia

Ourense

ValladolidBarcelona

La RiojaPalencia

Alicante

Castellón

Tarragona

Álava

Cantabria

Baleares

Pontevedra

VizcayaGuipúzcoa

Baleares

Baleares

Ceuta

Melilla

IDW_Nac_mpio_154_est0.169692

-0.592191

b a

)

c d

e f

Ilustración 3. a) Mapa de los coeficientes estimados del modelo GWR para la variable tamaño de hogar TAMH. b) Mapa de la distribución TAMH; c) Coeficientes de Nivel Educativo NEDU, d) distribución NEDU; e)

Coeficientes de Nacidos en el municipio NACM, f) distribución de NACM. Áreas significativas al ± 1.96