Concentración, diversidad y especialización del cooperativismo en México: aplicación de un Análisis Exploratorio de Datos Espaciales

Abstract

El uso de estadísticas sobre cooperativas es una parte esencial para la formulación de políticas, no obstante, en México su utilización se ha limitado a estudios descriptivos. Por lo tanto, el propósito inicial de esta investigación es estimar la concentración, diversidad y especialización del cooperativismo mediante los índices de: Krugman, Hirschman- Herfindahl y la entropía de Shannon. Mientras que por sector cooperativo se calcula el coeficiente de Gini. Posteriormente, se ocupa la técnica de redes para hacer una exploración dentro del espacio de los sectores cooperativos. En un tercer momento se aplica un Análisis Exploratorio de Datos Espaciales (ESDA), con las técnicas denominadas: Índice de Moran e Índice Local de Asociación Espacial (LISA). La primera explica a nivel general como se encuentra distribuido el cooperativismo (en materia de concentración, diversidad y especialización), mientras que la segunda explica localmente el nivel de significancia estadística de los agrupamientos espaciales del mismo fenómeno. Los resultados muestran que tanto la diversidad como la especialización cooperativa tienen una autocorrelación espacial positiva, es decir que manifiestan una distribución espacial agrupada, lo anterior es relevante para la formulación de políticas regionales, ya que se lograron identificar y mapear los lugares que concretamente favorecen y desfavorecen la diversidad y especialización cooperativa. Finalmente, la técnica de redes muestra que el sector cooperativo Agro expresa una coocurrencia marcada con otros sectores cooperativos, lo cual implica la existencia de una proximidad cognitiva, organizacional, social o institucional que favorece la posible diversificación cooperativa hacia otros sectores, lo cual puede ser una vía para ampliar la economía social y solidaria en el país.

What are the determinants affecting cooperatives’ profitability? Evidence from Spain

“…These results indicate, on the one hand, that a high presence of cooperatives in the territory enhances cognitive, social and organizational synergies. Thus, cooperative specialization could become a driver of social economy in a given territory (Pérez et al, 2022). On the other hand, clustering and proximity to firms in the same industry allow cooper-atives to benefit from the interaction and communication between firms, in the same way that capitalist firms do.…”

Evaluación de la sostenibilidad urbana multidimensional de la Zona Metropolitana Puebla-Tlaxcala, México

“…Es considerado como un estadístico global debido a que concentra en una sola cifra el patrón de distribución territorial del fenómeno de estudio. Su representación algebraica queda denotada por la siguiente ecuación (Pérez et al, 2022, p. 11): Donde I = Índice de Morán n = Número de las unidades en el mapa W ij = Matriz de distancias que define si las áreas o puntos geográficos, i y j, son vecinos y = Valor observado de los índices o de los elementos geográficos El I de Morán toma valores que oscilan entre el -1 y 1, lo que permite evaluar si los datos se encuentran dispersos, distribuidos aleatoriamente o si se encuentran agrupados negativa o positivamente, identificando con ello un patrón de comportamiento de la dependencia espacial que se refleja espacialmente con la conformación de clústeres o agrupamientos (Pérez et al, 2022). Además, existen indicadores locales de asociación espacial (LISA) que permiten identificar clústers o agrupaciones espaciales de la variable de análisis.…”

“…Esto posibilita obtener entornos favorables o no, basados en la agrupación de un número determinado de entidades que pueden compartir sinergias económicas o interterritoriales. El I de Morán (I Anselin local de Morán) se define de la siguiente manera (Anselin, 2013, como se citó en Pérez et al, 2022):…”

“…El resultado muestra agrupaciones producidas donde un estado presenta un valor alto (o bajo) para la variable que está cerca de aquellos estados que también tiene valores altos (o bajos) (áreas con valores similares) y atípicos o valores extremos (áreas cuyos valores difieren entre sí). La ventaja de este indicador con respecto al I de Morán global es que, además de determinar si existe o no autocorrelación espacial, permite identificar dónde se encuentra (Pérez et al, 2022). La autocorrelación espacial, mide y analiza el grado de dependencia entre las observaciones en un espacio geográfico, una autocorrelación espacial positiva, indica la agrupación de valores similares en el espacio geográfico; mientras que una autocorrelación negativa, indica que los valores vecinos son más disímiles de lo esperado, lo que sugiere un patrón espacial similar al de un tablero de ajedrez (Battha, 2010).…”