Geografía electoral: una radiografía de las elecciones autonómicas de Andalucía de 2018

1 UNIVERSIDAD DE SANTIAGO DE COMPOSTELA Geografía electoral: una radiografía de las elecciones autonómicas de Andalucía de 2018. Xeografía electoral: unha radiografía das eleccións autonómicas de Andalucía de 2018 Electoral geography: an x-ray of the Andalusian regional elections of 2018. Autor: Castiñeira Vázquez, Pablo Director(a) del trabajo: Pereira López, María Grado en Ciencias Políticas y de la Administración Julio 2020 Trabajo de Fin de Grado Grado de Ciencias Políticas y de la Administración cursado en la Universidad de Santiago de Compostela 2 3 AGRADECIMIENTOS Después de un intenso período hoy llega a su fin una etapa más. Escribo este apartado de agradecimientos para finalizar este ciclo. Ha sido un proceso de aprendizaje intenso tanto a nivel académico como personal. Escribir este trabajo me ha llevado a descubrir nuevas disciplinas de la ciencia política que hasta ahora no concebía y es por eso que me gustaría agradecer a todas aquellas personas que me han ayudado y apoyado durante este proceso, desde compañeros de todos los cursos a profesorado, en especial a mi tutora en este proceso, Dra. María Pereira López, por darme las piezas necesarias para adentrarme en este tema de investigación. Tampoco olvidar a mi familia quienes han sido apoyos fundamentales en el proceso. Castiñeira Vázquez, Pablo Santiago de Compostela, julio de 2020 TRABAJO DE FIN DE GRADO. GEOGRAFÍA ELECTORAL: UNA RADIOGRAFÍA DE LAS ELECCIONES AUTONÓMICAS DE ANDALUCÍA DE 2018 4 5 RESUMEN | La geografía electoral, como rama de la geografía política, nos brinda la oportunidad de explicar las orientaciones y preferencias de voto de los electores en tanto que organización territorial ocurren los comicios electorales. Este tipo de estudios parten de la premisa de que es el comportamiento de voto individual está condicionado de alguna manera por las condiciones que se dan en un determinado espacio/territorio, es decir, son dependientes del contexto. Este trabajo trata de explicar la existencia de una geografía del voto, mediante el software diseñado por el Dr. Luc Anselin, GeoDa y mediante el Análisis Exploratorio de Datos Espaciales (AEDE) y posterior Análisis Confirmatorio de Datos Espaciales (ACDE), en las elecciones al Parlamento andaluz celebradas el domingo 2 de diciembre del año 2018 para elegir a los 109 diputados de la XI legislatura del Parlamento autonómico. Los hallazgos aquí encontrados permiten ver como existen ciertas tendencias de voto a determinados partidos en función de las características del contexto en el que se desenvuelvan los individuos. Palabras clave: Geografía electoral, GeoDa, AEDE, elecciones, Andalucía, voto, ACDE. RESUMO | A xeografía electoral, como rama da xeografía política, dános a oportunidade de explicar as orientacións e preferencias dos votos dos electores, no tocante á organización territorial das eleccións electorais. Este tipo de estudos supón que o comportamento do voto individual está condicionado dalgún xeito polas condicións que se dan nun determinado territorio, é dicir, non son independentes do contexto. Este traballo trata de explicar a existencia dunha xeografía do voto, a través do software deseñado por Dr. Luc Anselin, GeoDa e a través da Análise Exploratoria de Datos Espaciais (AEDE) e posterior Análise Confirmatorio de Datos Espaciais (ACDE), nas eleccións ao parlamento andaluz celebradas o domingo 2 de decembro, no ano 2018 para elixir aos 109 deputados da XI lexislatura do Parlamento autonómico. Os achados atopados aquí permiten ver como hai certas tendencias de voto para certos partidos segundo as características do contexto no que os individuos operan. Palabras clave: Xeografía electoral, GeoDa, AEDE, eleccións, Andalucía, voto, ACDE. 6 ABSTRACT.|.Electoral geography, as a branch of political geography, offers us the opportunity to explain the orientations and voting preferences of voters as territorial organization of electoral elections. These types of studies start from the premise that the behavior of individual voting is conditioned in some way by the conditions that exist in a given space / territory, that is, they are dependent on the context. This work tries to explain the existence of a voting geography, through the software designed by Dr. Luc Anselin, GeoDa and through the Exploratory Analysis of Spatial Data (EASD) and subsequent Confirmatory Analysis of Spatial Data (CASD), in the elections to the Andalusian Parliament held on Sunday, December 2, 2018 to elect the 109 deputies of the XI legislature of the autonomous Parliament. The findings found here allow us to see how certain voting trends exist for certain parties depending on the characteristics of the context in which the individuals operate. Keywords: Electoral geography, GeoDa, EASD, elections, Andalusia, vote, CASD. 7 ÍNDICE DE CONTENIDO CAPÍTULO 1. Bases teóricas y objetivos. .......................................................................... 1 1. INTRODUCCIÓN ......................................................................................................... 1 1.1 Objetivo y preguntas clave .......................................................................................... 1 1.2 Estructura del trabajo ................................................................................................... 2 1.3 ¿Por qué estas elecciones? ........................................................................................... 2 2. REVISIÓN BIBLIOGRÁFICA ................................................................................... 5 2.1 Geografía Política ........................................................................................................ 5 2.2 ¿Qué es la Geografía electoral? Consideraciones teóricas .......................................... 5 2.3 Limitaciones de la GE. Mapas electorales ................................................................... 9 2.4 Evolución de la disciplina y dónde está ahora ........................................................... 10 2.5 La relevancia del contexto y econometría espacial como base ................................. 13 2.6 La clave es el votante (“efecto vecindario”) .............................................................. 16 CAPÍTULO 2. Bases metodológicas ..................................................................................... 18 1. METODOLOGÍA A UTILIZAR ............................................................................... 18 1.1 Diseño de la estrategia de trabajo .............................................................................. 18 1.2 Instrumentos de investigación ................................................................................... 18 1.3 Métodos de investigación: el AEDE y ACDE........................................................... 20 1.4 Variables a utilizar ..................................................................................................... 21 CAPÍTULO 3. Desarrollo del análisis de caso ..................................................................... 26 1 ANÁLISIS DE CASO ................................................................................................. 26 1.1 Análisis del ciclo electoral ......................................................................................... 26 2. ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES ................................... 27 2.1 Análisis LISA ........................................................................................................... 30 2.1.1 Indice I de Moran local ...................................................................................... 30 2.1.2 Factores económicos como explicación. Renta y paro ...................................... 32 2.1.3 Edad como factor explicativo ............................................................................. 44 2.1.4 ¿Influye la nacionalidad? ................................................................................... 48 8 3. ANÁLISIS CONFIRMATORIO DE DATOS ESPACIALES ................................ 52 3.1 Partido Socialista Obrero Español (PSOE) ............................................................... 54 3.2 Partido Popular .......................................................................................................... 58 3.3 Ciudadanos (Cs) ........................................................................................................ 61 3.4 Vox ............................................................................................................................ 63 3.5 Adelante Andalucía ................................................................................................... 65 4. CONCLUSIONES ....................................................................................................... 71 BIBLIOGRAFÍA ................................................................................................................ 74 1. Referencias en papel: ................................................................................................. 74 2. Páginas web: .............................................................................................................. 76 ANEXOS.............................................................................................................................. 77 1. Legislación................................................................................................................. 77 2. Relativo a conceptos .................................................................................................. 78 3. Modelos de regresión espacial redefinidos en términos de error y de retardo .......... 79 3.1 Partido Socialista Obrero Español ...................................................................... 79 3.2 Partido Popular ................................................................................................... 81 3.3 Ciudadanos ......................................................................................................... 83 3.4 Vox ..................................................................................................................... 85 3.5 Adelante Andalucía ............................................................................................ 87 9 INDICE DE TABLAS Tabla 1. Resultados de las Elecciones al Parlamento de Andalucía en el período autonómico 1982-2018 ................................................................................................................................... 4 Tabla 2. Descripción de variables ............................................................................................ 23 Tabla 3. Elecciones 2015 & 2018 ............................................................................................ 27 Tabla 4. I de Moran Local Bivariante (retardo espacial: rentamedia) ..................................... 38 Tabla 5. Coeficientes de I Morán (retardos: “porc65y” & “menos20”) ................................... 44 Tabla 6. Coeficientes de I Morán -con criterios de contigüidad 2- (retardos: “porc65y” & “menos20”) ............................................................................................................................... 44 Tabla 7. Modelo de regresión lineal básico por MCO; (VD:Tasa_PSOE) .............................. 55 Tabla 8. Comparativas modelos ............................................................................................... 58 Tabla 9. Modelo de regresión lineal básico por MCO; (VD: Tasa_PP) .................................. 59 Tabla 10. Comparativa de modelos .......................................................................................... 60 Tabla 11. Modelo de regresión lineal básico por MCO; (VD: Tasa_Cs) ................................. 62 Tabla 12. Comparativa de modelos .......................................................................................... 63 Tabla 13. Modelo básico de regresión lineal por MCO; (VD: Tasa_Vox) .............................. 64 Tabla 14. Comparativa de modelos .......................................................................................... 65 Tabla 15. Modelo básico de regresión lineal por MCO; (VD: Tasa_AA) ............................... 66 Tabla 16. Comparativa de modelos .......................................................................................... 67 Tabla 17. Comparativas modelos espaciales (I) ....................................................................... 68 Tabla 18. Comparativa de modelos espaciales (II) .................................................................. 69 Tabla 19. Recordatorio Coeficientes I de Morán ..................................................................... 69 Tabla 20. Modelo redefinido en términos de error; (VD: Tasa_PSOE) ................................... 79 Tabla 21. Modelo redefinido en términos de retardo; (VD: Tasa_PSOE) ............................... 80 Tabla 22. Modelo redefinido en términos de retardo espacial; (VD: Tasa_PP) ...................... 81 Tabla 23. Modelo redefinido en términos de error; (VD: Tasa_PP) ........................................ 82 Tabla 24. Modelo redefinido en términos de error; (VD: Tasa_Cs) ........................................ 83 Tabla 25. Modelo redefinido en términos de retardo espacial; (VD: Tasa_Cs) ....................... 84 Tabla 26. Modelo redefinido en términos de error (VD: Tasa_Vox) ....................................... 85 Tabla 27. Modelo redefinido en términos de retardo espacial (VD: Tasa_Vox) ..................... 86 Tabla 28. Modelo redefinido en términos de error; (VD: Tasa_AA) ....................................... 87 Tabla 29. Modelo redefinido en términos de retardo espacial; (VD: Tasa_AA) ..................... 88 4 Tabla 1. Resultados de las Elecciones al Parlamento de Andalucía en el período autonómico 1982-2018 Elecciones al Parlamento de Andalucía Legislatura Participación (%) Año Partido más votado Votos % Escaños / May. Absoluta Partido(s) resultante(s) I 66,31 1982 PSOE 1.496.522 52,10 66 / 55 PSOE II 70,55 1986 PSOE 1.581.354 46,53 60 / 55 PSOE III 54,72 1990 PSOE 1.368.529 49,61 62 / 55 PSOE IV 67,28 1994 PSOE 1.395.132 38,71 45 / 55 PSOE V 77,94 1996 PSOE 1.903.160 44,40 52 / 55 PSOE VI 68,71 2000 PSOE 1.790.653 44,18 52 / 55 PSOE VII 75,85 2004 PSOE 2.260.545 50,36 61 / 55 PSOE VIII 72,67 2008 PSOE 2.148.328 48,41 56 / 55 PSOE IX 60,78 2012 PP 1.570.833 40,66 50 / 55 PSOE + IU X 63,94 2015 PSOE 1.408.566 35,43 47/ 55 PSOE XI 58,65 2018 PSOE 1.009.243 33 33 / 55 PP + Cs + VOX Fuente: elaboración propia a partir de datos oficiales del Ministerio del Interior. 5 2. REVISIÓN BIBLIOGRÁFICA A la hora de buscar información para responder a las demandas de la investigación, se ha procedido a revisar y posteriormente comentar las indagaciones previas de los estudiosos destacados de la disciplina. Con toda esa cantidad de información se trata de responder claramente en los siguientes apartados a preguntas cuyas soluciones clarifiquen las bases sobre las que se sustenta el presente trabajo. 2.1 Geografía Política En el resumen previo se han mencionado un par de conceptos que por el bien de la continuidad del trabajo deben aclararse. “Geografía electoral como rama de la geografía política”; este segundo concepto hace referencia a la parte de la geografía humana 3 que trata de la distribución del territorio con respecto al espacio que ocupa el ser humano. Su principal área de estudio son las instituciones políticas y todos los aspectos afines a ellas, aunque, el espacio geográfico es también un tema de especial interés en esta disciplina, tanto que se puede llegar a observar una rama dentro de ella, construyendo así la geografía electoral. 2.2 ¿Qué es la Geografía electoral? Consideraciones teóricas “Hoy más que nunca, los ciudadanos hacemos elección de nuestros gobernantes, pero no escogemos las condiciones ni los lugares en los que dicha elección se hace” (Sonnleinter, 2013) La mayoría de los enfoques teórico-metodológicos del comportamiento político se centra hoy en día en el análisis de los individuos (Sonnleinter, 2013). Los principales modelos explicativos del voto tienen en cuenta las preferencias de los individuos agregadas sin tener en cuenta lo que pueden suponer los aspectos geográficos, socioculturales y/o contextuales. Así pues, asumen que los procesos sociopolíticos son solamente la suma de las decisiones individuales, condicionadas por las categorías sociológicas (edad, género, ingresos, etc) sin tener en cuenta dinámicas grupales y espaciales. 3 La geografía humana como disciplina se encarga del estudio las sociedades humanas desde una perspectiva espacial, la relación entre estas sociedades y el medio físico en el que habitan, así como los paisajes culturales y las regiones humanas que éstas construyen. 6 No obstante, otros muchos estudios asumen que el voto también es una conducta social y colectiva en donde elementos espaciales pueden intervenir con un grado de importancia importante. El trabajo de Darmofal (2006), uno de los más importantes de este siglo, da cuenta de la existencia de ciertos factores políticos que han jugado un papel crítico en la producción de diferencias a nivel macro de participación entre regímenes de alta participación como la posguerra civil y bajos regímenes de participación, como el sur posterior a la reconstrucción. En este estudio se desafía a algunos de los supuestos con los que se miran los sistemas de participación política americana tratando de analizar la participación política a nivel macro utilizando técnicas espaciales, rompiendo con las tendencias de estudio de voto nivel micro, determinando la existencia de factores sociopolíticos dependiendo del área. Así a todo, esto no significa que nuestros comportamientos políticos estén predeterminados, ni mucho menos, sobre todo en las épocas que corren en donde la afiliación e identificación partidista está en continuo debilitamiento, estamos ante un aumento de la fragmentación política, de votos de “sanción”, voto “útil” y votantes volátiles, pero asumir que en el voto solo influyen factores individuales, es quedarse a medio camino. En suma, no escogemos las condiciones en las que operamos, pero hoy más que nunca los ciudadanos hacemos la elección de nuestros gobernantes. La geografía electoral emerge como subdisciplina de las ciencias sociales, situándose entre la geografía, la historia, la antropología, la sociología y ciencia política y tiene como objeto de estudio la dimensión espacial de los procesos político electorales, en especial el análisis del voto como un acto social territorializado (Sonnleinter, 2013), aun así, en palabras de Michel Bussi (1998) esta se trata de una subdisciplina segmentada y despreciada a lo largo de la historia. En sus inicios fue desarrollada por eruditos alejados del ámbito de la geografía, renovándose posteriormente desde dicha disciplina, para ser marginada por la ciencia política en su etapa institucionalista y por la sociología electoral (cada vez más individualista). En la primera mitad del siglo XX fue desplazada por la innovación de las encuestas de opinión, enfoques psicosociales y racionales del voto, desde la ciencia política y no es hasta 1975 cuando se redescubre y se enriquece de los nuevos enfoques de la geografía política y humana, abriendo camino a novedosas técnicas y campos en la geografía electoral como el AEDE y la cartografía. Tenemos, por tanto, dos vertientes a la hora de analizar el voto en ciencias sociales. La primera se centra en el comportamiento electoral a partir de datos agregados en unidades territoriales, en diferentes niveles y escalas de la organización territorial. A medida que nos 7 vamos interesando en el contexto y en el entorno donde se desarrolla la acción de votar, se le denomina como “análisis ecológico”, metodología base de la geografía electoral. Este es un enfoque territorial y colectivo que contrasta con la segunda vertiente más individualista sustentada en el análisis de las encuestas de opinión omitiendo la información que nos brinda el contexto o espacio. Joaquín Bosque Sendra, uno de los adalides en investigaciones geográficas en España nos define la Geografía Electoral como “(…) una subdisciplina geográfica -muy minoritaria en cuanto a números de practicantescomo una de las partes de la Geografía Humana que más se aproxima a una verdadera ciencia “dura” semejante a cualquier ciencia experimental” (Bosque Sendra, 1998). A su vez otros autores nos la definen como “un método cartográfico para definir el reparto regional de las fuerzas partidarias (…) nos permite identificar las zonas donde tienen influencia los Partidos y, de esta manera, observar las relaciones entre las tendencias políticas y las características de la población que vive en esas zonas geográficas” (Gómez Tagle y Valdez, 2000) Como vemos esta “estudia el proceso electoral que valida la continuidad del aparato estatal poniendo en función a sus autoridades” (Monzón, 2013). Los estudios de la geografía electoral se diferencian de otras ramas de la geografía política en que estos ponen énfasis en el comportamiento electoral de los ciudadanos, en un momento electoral concreto y en relación a un espacio geográfico específico, es decir, desde esta disciplina se pretende entender que relación existe entre la manera de votar de los ciudadanos y las características del contexto en el que votan. Monzón nos cuenta que la geografía electoral nace como un producto de la revolución cuantitativa y que, a lo largo de su vida, esta disciplina se ha analizado desde dos puntos de vista. El enfoque corológico y el ecológico. El primero de ellos da cuenta de que la geografía electoral en sus inicios, quedaba enfocada únicamente a un aspecto puramente estadístico, casi como si fuese una ciencia dura, y con el tiempo se vio la necesidad de explicar el porqué de la distribución espacial del voto. Se necesitaba responder a preguntas tan lógicas como ¿Por qué este electorado voto de esta manera? ¿Por qué tal candidato perdió por tanta diferencia? Fue así como se empezó a hacer cruces con la situación social, cultural y económica de los ciudadanos dando paso al segundo enfoque (Bosque, 1988). El enfoque ecológico combina el uso de técnicas cuantitativas y cualitativas pretendiendo hallar una explicación del 8 comportamiento electoral de un grupo específico votantes, en un momento determinado y para un espacio geográfico delimitado. Ilustración 1. Geografía electoral: puente entre lo cualitativo y cuantitativo. Es por eso que no debemos olvidar que la construcción del voto de cada elector se realiza de manera individual y personal, en donde interviene ya no solo la ideología, sino también la carga subjetiva de sus rasgos intelectuales, culturales, socioeconómicos y del compromiso con su espacio vital (esto es barrio, escuela, iglesia, etc). El elector recoge y analiza de alguna manera el conjunto de todos estos rasgos y le da su visión electoral. Fue Bosque (1988) quien clasificó dicha subjetividad que influye en el comportamiento electoral en dos grupos de factores: los primeros los llamados individuales y los segundos factores contextuales y es la suma de estos dos de donde surge la decisión de voto. Los primeros hacen referencia a circunstancias individuales de cada elector. Por su parte los factores referentes al segundo tipo se refieren a las condiciones medioambientales geográficas del entorno del dicho elector. La diferencia entre ellos según el propio autor radica en que los llamados factores individuales se refieren al individuo o elector o a un grupo de ellos que no tienen por qué estar necesariamente distribuidos homogéneamente en el espacio. Por su parte los factores contextuales implican la idea de continuidad espacial, esto es hacen referencia a unos mismos elementos mantenidos en un mismo contexto o espacio. A día de hoy, están disponibles diversos trabajos que pueden afirmar que los resultados de unos comicios electorales no son independientes del espacio o área geográfica en el que se disputan los votos. De los trabajos más conocidos en este campo nos encontramos algunos como Fuente: (Monzón, 2013) 9 los de (Ward et al., 1996; O'Loughlin, 2002, 2003; Darmofal, 2006; Klos, 2008; Tam Cho & Nicley, 2008; Soares & Terron, 2008; Chen & Rodden, 2009; Seabrook, 2009; Lefebvre & Robin, 2009; Cutts & Webber, 2010; Sue Wing & Walker, 2010; Rodden, 2010; Crespin, Darmofal & Eaves, 2011) que lo que pretenden a grandes rasgos es contrastar la hipótesis de no aleatoriedad de los resultados electorales. Por todo ello, el espacio constituye una dimensión fundamental del voto y para estudiarla, diciplinas como la cartografía y la geografía nos proporcionan herramientas que nos permiten explorar el voto desde una perspectiva de la organización territorial. 2.3 Limitaciones de la GE. Mapas electorales Autores como François Goguel (1990) advierten que la cartografía automática puede llegar a ser una catástrofe, ya que esta nos permite generar cientos de mapas sin ninguna reflexión o metodología científica. Es pues evidente que la cartografía electoral también conoce límites que pueden llegar a convertirse en trampas e inducir a errores, llegando a convertirse en armas de doble filo. Entre los primeros problemas a manejar, siguiendo a Sonnleinter (2013) se encuentra la posible distorsión que se puede producir por efectos gráficos y visuales que se produce en, muchos mapas en donde se atribuyen mayor visibilidad a las entidades extensas, pero escasamente pobladas en detrimento de las zonas urbanas y metropolitanas más pequeñas, pero más habitadas, aunque afortunadamente existen técnicas para contrarrestar este efecto visual. Encontramos otra limitación en el carácter estático de un mapa. Aunque es verdad que existe la posibilidad de construir representaciones sintéticas de los procesos políticos representando tendencias agregadas de continuidades o rupturas ya sean temporales o espaciales, no debemos olvidar que seguimos trabajando con modelos parciales de comportamiento y procesos complejos cuyos contenidos cambian inevitablemente en el espacio y tiempo. Ahora bien, no podemos no mencionar los problemas relacionados a la falacia ecológica. Así, la falacia ecológica se refiere a pensar que las relaciones observadas en los grupos se mantienen para los individuos, dicho de otro modo, se da cuando se trata de inferir observaciones observadas a nivel colectivo a nivel individual. Si la agrupación de unidades 10 espaciales es homogénea en el interior, no presentará un problema de falacia ecológica; no obstante, eso no ocurre en la mayoría de las ocasiones (Openshaw, 1984). Una de las principales críticas al determinismo geográfico fue dicha falacia, la cual mantuvo a la disciplina en un proceso de stand by durante unos años. W. S. Robinson (1950) trató de analizar la correlación entre las tasas de analfabetismo y la proporción de ciudadanos afroamericanos en distintas escalas de la geografía norteamericana. Dicho autor advirtió de una correlación muy fuerte (0,946) al nivel de las 9 divisiones geográficas 4 , pero que tendía a reducirse al nivel de los 48 estados (0,773) alcanzando solamente 0,203 al nivel de los 97.3 millones de individuos mayores de 10 años censados en 1930. Robinson concluyó que había que privilegiar estudios basados en las correlaciones individuales en vez de las ecológicas que no podían ser sustitutas de las primeras en ningún caso. Desde esos años el argumento fue (y sigue siendo) el mismo a la hora de atacar los fundamentos metodológicos de la geografía electoral. Se han desarrollado dos aproximaciones para hacer frente al problema de la falacia ecológica. Por un lado se han formulado modelos estadísticos para reducir el sesgo de agregación, como el trabajo de Gotway y Young (2002). La otra, ha sido controlar la forma en que se agregan áreas, tal como señala Openshaw (1977), ya que usualmente se utilizan áreas definidas administrativamente para realizar inferencias estadísticas. Sin embargo, Sonnleinter (2013) nos propne una tercera vía. Es verdad que al cambiar el nivel de observación las fuerzas de las correlaciones pueden variar, sin embargo para poder superar esta falacia sin caer en la reduccion de toda conducta social a un conjunto de comportamientos individuales e independientes (falacia atomística) pasa por una reflexión y un estudio sobre las razones y los signficados empíricos de las correlaciones cambiantes que se producen en diferentes niveles de análisis, lo que nos exige un enfoque multidireccional que nos permita articular las diferentes escalas de observación. 2.4 Evolución de la disciplina y dónde está ahora Los primeros adalides de la Geografía electoral conocida como tal no se dieron hasta entrado el siglo XX. Antes del comienzo del siglo anterior a este no se registran demasiados elementos que nos conduzcan a la cuestión que aquí residen lugar. 4 La Oficina del Censo de los Estados Unidos divide el país en cuatro regiones y un total de 9 divisiones. 11 Es pues a finales del siglo XIX lo que se destaca como la consolidación del lugar de la Geografía en el mundo académico y la distinción entre lo humano y lo físico, siguiendo las palabras de Norma Medus (2005). Con la entrada del siglo XX se distinguieron dos conceptos en la disciplina: la región y el determinismo ambiental. Aun así, no sería hasta 1913 con los trabajos e André Siegfried, representante de la escuela francesa de Geografía Regional, cuando la disciplina se empezase a interesar por conocer cómo funcionan los mecanismos que conllevan a la representación del pueblo. Siegfried, considerado el padre de la geografía electoral, a partir de mapas electorales que el mismo elaboró en base a resultados electorales en donde buscó relaciones causales entre los mismos. A raíz del mencionado autor se empezaron a congregar diversos estudios en la materia, pero salvo estos casos en la primera mitad del siglo XX los profesionales en geografía electoral se dedicaron a estudiar las relaciones externas de los estados olvidando el plano interno (dejando de lado procesos como los electorales, por ejemplo). En la década de los 70 podemos hablar de un primer cambio de paradigma. Ackerman (1958) ya había comentado que toda investigación que tenga fines utilitarios debe apoyarse en la cuantificación. Hasta este entonces los estudios se estaban realzando bajo las consignas de los trabajos de Sauer 5 en un marco cualitativo que cambia cuando penetran las tendencias cuantitativas. El estilo cambia y se combinan los estudios demográficos con los electorales. La incidencia de lo cuantitativo llevó a la Geografía Humana a declinar los estudios regionales cualitativos. Es una época en la que todos los estudios basados en la cuantificación están sobre-prestigiados. Este es el comienzo pues del denominado Paradigma Cuantitativo. Hablar de los años 70 y Geografía Cuantitativa es prácticamente hablar de Geografía Electoral. Taylor (1994) destaca tres formas de abordar los estudios electorales: 1- el análisis estadístico estándar; 2- las influencias geográficas sobre el comportamiento del voto; 3- modelos de probabilidades en la distribución espacial de los representados. Es tal el impacto de los análisis estadísticos que los trabajos realizados sustituyen la línea de Siegfried. Aun así, esta es una línea muy criticada en la geografía electoral puesto que los análisis estadísticos por sí solos poco aportan a la explicación de los comicios electorales. En el momento en el que surge 5 En un momento similar al de Siegfried, Sauer aportó en Estados Unidos elementos para definir los distritos para las elecciones a representantes en el Congreso y es comúnmente asociado a la fundación de la Escuela de Geografía Regional-Cultural. 12 este Paradigma de lo Cuántico, la disciplina se ve agitada por elementos ajenos a ella que llegan a influir en la gestación de nuevas ideas y surge lo que se conoce como Geografía Radical. Ya instalada, a lo largo de la existencia de la geografía electoral han existido diversos enfoques que es pertinente comentar. El enfoque corológico implica cartografiar los resultados electorales para cada unidad electoral. Este enfoque da cuenta de que la geografía electoral en sus inicios, quedaba enfocada únicamente a un aspecto puramente estadístico, casi como si fuese una ciencia dura, y con el tiempo se vio la necesidad de explicar el porqué de la distribución espacial del voto (Monzón, 2013). Analizando la ubicación geográfica pretende diferenciar áreas territoriales homogéneas. La explicación es netamente cualitativa y el padre de este enfoque podemos decir que es Siegfried (1913). Joaquín Bosque Sendra (1988) es muy crítico con este enfoque y nos cuenta que lo importante también es tener en cuenta que existe una aparente oposición entre esta continuidad espacial del voto y la notable variabilidad del comportamiento electoral de los individuos. Por su parte el enfoque ecológico trata de comprender los datos cuantitativos, utilizando conceptos biológicos para ello, intentando obtener una relación entre los resultados electorales y otros hechos socioeconómicos o sociopolíticos. Lo que más destaca Bosque Sendra (1988) de este enfoque es la debilidad teórica. Lo que trata de hacer es efectuar una selección de algunas variables y correlacionarlas con las que mesuran en el comportamiento político. El enfoque sociológico es tratado por sociólogos que trabajan únicamente con datos individuales procedentes de las encuestas de intención de voto. No logran explicar más que la muestra obtenida. Según el ya citado Bosque Sendra (1988) existe una falacia individualista al asumir que los datos agregados son la suma de os datos individuales. Llegamos ahora a los años 2000 y las investigaciones realizadas nos permiten dar cuenta de que más allá de la creación de un nuevo paradigma, podemos observar que, de hecho, se consolidan lo ya existentes, -sin haber uno que despunte-. Podemos hablar de la coexistencia de los diferentes enfoques teóricos. A modo de síntesis podemos concluir que para explicar el recorrido de la geografía electoral nos debemos ir al siglo XX, momento el cual se destacan los estudios de André Siegfried en el año 1913. En los 70 se produce el cambio de lo cualitativo a lo cuantitativo que arrasa con los estudios de la línea del mencionado autor y se instaura el Paradigma Cuantitativo que incide de manera clave en las ciencias sociales, siendo la geografía electoral objeto de enorme interés. Con la instauración de la geografía electoral con el transcurso de las décadas 13 posteriores a 1970 podemos ver los diferentes enfoques que van surgiendo y que van a coexistir a día de hoy, pero no se estaría hablando de esto en este trabajo si no hicieran su papel las nuevas tecnologías que trajeron con ellas nuevas metodologías de análisis renovando la disciplina. 2.5 La relevancia del contexto y econometría espacial como base “Los estudios espaciales parten de la idea de que la distancia entre los individuos es importante, es decir, todo tiene relación con todo, pero las cosas cercanas están más relacionadas entre sí que las lejanas” (Tobler, 1970). En relación con la cita anterior, con el paso de los años han ido apareciendo técnicas que incorporan el estudio del contexto o del espacio a sus análisis. Aquí es donde debemos hablar de la econometría espacial. Esta es un conjunto de técnicas estadísticas que incorporan los efectos de la ubicación de las unidades de estudio en las estimaciones de sus relaciones (Charles-Leija, García, & Valadez, 2015). Esta disciplina -la econometría espaciales de gran utilidad en investigaciones en las que existe una dependencia espacial entre las observaciones, así como cuando existe heterogeneidad espacial en las relaciones que se modelan (LeSage, citado en Sonnleinter,2013). Esta disciplina de estudio tiene como ventaja sobre la estadística tradicional la riqueza de información que puede otorgar el estudio del espacio, ya que en palabras de Ávila-Eggleton y Gutiérrez Sánchez (2017), al ignorar el espacio se pierde información valiosa y se incumple el supuesto de independencia entre las observaciones. Y es que, así las cosas, el uso de este tipo de datos lleva consigo dos características denominadas comúnmente por la literatura como efectos espaciales: la heterogeneidad y la dependencia espacial mencionadas al principio de este párrafo. Estos efectos explicados en palabras de Serrano y Valcarce (2004) el primero de ellos aparece cuando se utilizan datos de unidades espaciales diferentes entre sí que pretenden explicar un mismo fenómeno, lo que lleva a problemas de heterocedasticidad 6 o inestabilidad 6 En estadística se dice que un modelo de regresión lineal presenta heterocedasticidad cuando la varianza de los errores no es constante en todas las observaciones realizadas. Esto implica el incumplimiento de una de las hipótesis básicas sobre las que se asienta el modelo de regresión lineal. 20 1.3 Métodos de investigación: el AEDE y ACDE La econometría y estadística espacial como norma general no incorpora herramientas o técnicas que den validez a un modelo econométrico, ofreciéndonos una descripción y visualización de distribuciones espaciales, pues estas omiten el factor espacial con todo lo que ello conlleva. Es precisamente de este problema donde surge el sino del Análisis Exploratorio de Datos Espaciales. El Análisis Exploratorio de Datos Espaciales en palabras de Anselin (1999) puede definirse como el conjunto de técnicas que describen y visualizan las distribuciones espaciales, identifican localizaciones atípicas o “atípicos espaciales”, descubren esquemas de asociación espacial, agrupamientos (“clusters”) o puntos calientes (“hot spots”) y sugieren estructuras espaciales u otras formas de heterogeneidad espacial. Para entender un poco mejor el AEDE se debe concebir esta metodología como inmersa dentro del Análisis Exploratorio de Datos, cuyos métodos gráficos y visuales se utilizan para identificar las propiedades de los datos con la empresa de detectar ciertos patrones de comportamiento en los datos o de formular hipótesis a partir de dichos datos. Para el presente trabajo se va a dar uso de las principales técnicas del AEDE en combinación del análisis estadístico gráfico, lo que hace posible entre otras cosas el estudio de las distribuciones espaciales y sus valores atípicos, esquemas de asociación espacial y agrupamientos espaciales. Por ende, con lo visto hasta ahora del AEDE podemos ver que es más una técnica descriptiva (estadística) que confirmativa (econométrica) (Chaco Yrigoyen, 2003). Por ello, el análisis exploratorio de datos es la fase previa al análisis confirmatorio de datos espaciales, en los que se formularán modelos de regresión y estimaciones y se realizará la estimación de los parámetros muestrales. En muchas ocasiones, el análisis de datos comienza con el objetivo de contrastar o rechazar una hipótesis o modelo inicial. En este caso esta circunstancia es inexistente. En este caso, un servidor no parte de una hipótesis inicial a contrastar, sino que la naturaleza del AEDE es exploratoria como ya se mencionó por lo que las técnicas que se utilicen deberán ser con el objetivo de encontrar alguna dependencia en los datos, se utiliza para poder encontrar relaciones sistemáticas entre variables cuando no existe una certeza del germen de dichas relaciones. 21 Cuando un estudio trabaja series geográficas o datos espaciales se deben asumir explícitamente las características propias de esta información, esto es, georreferenciación, multidireccionalidad y multidimensionalidad (Coro) 8 . Y es que un espacio geográfico está georreferenciado, esto es, te exige conocer la posición relativa o absoluta de donde se están produciendo los hechos que se pretenden analizar, siendo las diferentes relaciones que se producen de tipo multidireccional, a diferencia de las relaciones temporales, por ejemplo, las cuales son unidireccionales (pasado>presente>futuro). Estas particularidades, producen los mismos hechos, particularidades de dependencia o autocorrelación espacial y heterogeneidad espacial, conocidas como efectos espaciales. 9 En suma, el AEDE, es una técnica descriptiva que permite la combinación de herramientas estadísticas, con métodos de análisis gráfico, ayudando, por ende, a identificar y analizar la estructura de la distribución espacial en un espacio univariante o multivariante, al poder esclarecer cómo es la regularidad de los en los patrones de los esquemas espaciales, que nos sugieren una idea del comportamiento de las variables. 1.4 Variables a utilizar A la hora de establecer las variables a utilizar, debemos tener en cuenta, primero: el tipo de análisis que vamos a elaborar y segundo: que nos interesa medir. En cuanto a lo primero, al estar utilizando técnicas de geografía electoral, cualquier variable establecida tendrá que medirse obligatoriamente en función de la delimitación territorial que nosotros deseemos. España se divide primero por Comunidades Autónomas, que a su vez están delimitadas por Provincias divididas en municipios. En este caso vamos a establecer los análisis en función de esta última delimitación territorial. Andalucía es una comunidad autónoma reconocida como nacionalidad histórica por su Estatuto de Autonomía (1981), compuesta por las provincias de Almería, Cádiz, Córdoba, Granada, Huelva, Jaén, Málaga y Sevilla. En total cuenta con 786 municipios que se dividen en: 103 para la provincia de Almería, 45 para Cádiz, 77 para Córdoba, 80 Huelva, 97 Jaén, 174 Granada, 103 Málaga y 106 Sevilla (la capital). 8 No se ha encontrado el año de publicación del artículo, pero aun así se incluye en la bibliografía. 9 Estas son las mismas características de la econometría espacial mencionadas en el capítulo anterior. 22 Es preciso aclarar que en los mapas presentados en el capítulo 3 se indican como indefinidos 8 casos, esto es que, son 8 municipios que a pesar de existir cuentan con sus casilleros vacíos en la base de datos puesto que el 02/10/2018 el Consejo de Gobierno aprobó la creación de los nuevos municipios de San Martín del Tesorillo, en la provincia de Cádiz; Fuente Carreteros y La Guijarrosa, en Córdoba; Fornes y Torrenueva Costa (Granada); Tharsis y La Zarza-Perrunal (Huelva), y El Palmar de Troya, en Sevilla. Tras una prolongada experiencia de autogobierno como Entidades Locales Autónomas (ELA) 10 , su constitución se llevará a cabo por segregación de los términos municipales matrices de Jimena de la Frontera, Fuente Palmera, Santaella, Arenas del Rey, Motril, Alonso, Calañas y Utrera, respectivamente. Con esta decisión, el número de municipios que integran la comunidad autónoma se elevó a 786 11 . Debido a la proximidad de las elecciones (03/12/2018) y la inexistencia de gobierno 12 en cada uno de estas nuevas localidades no existen datos de voto para los municipios creados, los cuales seguirán integrados bajo los municipios a los que respondían antes en términos electorales. 13 En el presente trabajo es de nuestro interés las variables sociodemográficas 14 , con lo que podremos comprobar en función de estas características la relación entre voto y área geográfica. 10 En Andalucía (España) una entidad local autónoma es una administración pública de carácter local creada sobre la base de la Ley 7/1993, de 27 de julio, Reguladora de la Demarcación Municipal de Andalucía, para la administración descentralizada de los intereses propios de un núcleo separado de población dentro de un término municipal. Las entidades locales autónomas que se creen al amparo de la mencionada ley, tendrán la condición y tratamiento de entidades locales, igualmente gozarán de tal condición aquellas entidades creadas con anterioridad a la aprobación de esta Ley por el Parlamento de Andalucía, como las EATIM reguladas por el art. 45 de la Ley 7/1985, de 2 de abril, Reguladora de las Bases del Régimen Local, salvo que los vecinos en forma mayoritaria y directa muestren su voluntad contraria. 11 A pesar de que el número de municipios aumente, en ninguna de las bases de datos consultadas se encuentra rastro alguno de datos electorales de estos nuevos municipios y tampoco se cuenta en este trabajo con respuesta oficial puesto que las entidades ofrecen una respuesta. 12 No formarán gobierno hasta las elecciones municipales del 26 de mayo de 2019 13 Las sentencias serán citadas en el anexo 1 14 Las variables sociodemográficas las componen indicadores sociales, económicos y demográficos que permiten segmentar la población en grupos homogéneos. 23 Con motivo de esclarecer ahora conceptos que más adelante se tratarán en lo referente a las variables, se presentarán las variables a utilizar en la siguiente tabla, divididas en función del aspecto a tratar, y acto seguido se procede a una definición más detallada tanto de las variables utilizadas en el análisis como las incluidas en la base de datos (estas últimas por mera acción informativa, pues, aunque no tienen relevancia en el resultado final, han sido utilizadas para la formación de las variables que finalmente sí se utilizarán 15 ): Tabla 2. Descripción de variables Aspecto Variable Descripción Inmigración Num_Extra Número de extranjeros Edad 65_years Población mayor de 65 años less20years Población menor de 20 años Económico rentamedia Renta neta media declarada por habitante Paro_Mun Tasa de paro municipal Voto Tasa_PSOE Porcentaje de votos a Partido Socialista Obrero Español Tasa_PP Porcentaje de votos a Partido Popular Tasa_VOX Porcentaje de votos a VOX Tasa_Cs Porcentaje de votos a Ciudadanos Tasa_AA Porcentaje de votos a Adelante Andalucía - Población total (Pobl_TOT) hace referencia a la cantidad de habitantes totales del municipio en cuestión. - Hombres (Hombres); para designar la cantidad de hombres existente en dicho municipio. - Mujeres (Mujeres); para designar la cantidad de mujeres existente en dicho municipio. - Número de extranjeros (Num_Extra); designa la cantidad de personas de otras nacionalidades que viven en el municipio (medido en porcentaje en función del total de la población) - Población mayor de 65 años (65_years); se refiere a la cantidad de personas que sobrepasen los 65 años (o los igualen) que vivan en el municipio (medido en porcentaje en función de la población total) 15 Por ejemplo, para la formación de la variable Num_extra han sido necesarios el número de extranjeros de cada municipio y su población total, ambas incluidas en la base de datos. Fuente: Elaboración propia 24 - Población menor de 20 años (less20year); designa a la cantidad de ciudadanos del municipio menores de 20 años (medido en porcentaje en función de la población total) - Renta media declarada (rentamedia); esta es un indicador de riqueza que se define como el cociente entre la renta neta total declarada y el número de declaraciones. Se debe tener en cuenta que existe un umbral mínimo de renta por debajo del cual no es obligatorio presentar declaración por I.R.P.F. - Tasa de desempleo municipal (Paro_Mun); se calcula como el cociente entre el volumen de demandantes no ocupados en un momento dado en un territorio y la agregación de estos demandantes con las afiliaciones de residentes en este mismo territorio, es decir, el cociente entre no ocupados y habitantes. - Censo electoral (Censo_Elec); se refiere a la cantidad de personas en disposición de votar. - Número de votos al PSOE (Tasa_PSOE); como porcentaje del número de personas del total del censo que votaron al Partido Socialista. - Número de votos al PP (Tasa_PP); como porcentaje del número de personas del total del censo que votaron al Partido Popular. - Número de votos a Ciudadanos (Tasa_Cs); como porcentaje del número de personas del total del censo que votaron a Ciudadanos. - Número de votos a Vox (Tasa_Vox); como porcentaje del número de personas del total del censo que votaron a Vox. - Número de votos a Adelante Andalucía (Tasa_AA); como porcetnaje del número de personas del total del censo que votaron a Adelante Andalucía. - Abstención (Abstencion); como porcentaje de abstención. Las variables elegidas para el análisis se decidieron en función de la relevancia que puede llegar a tener una variable sociodemográfica en la captación de votos por parte de un partido en campaña electoral y que representan un incentivo del voto, así pues, se han escogido variables referentes a temas como los cortes de edad, económicos, en relación con la inmigración, por ser los más acudidos en estudios de comportamiento electoral, al ser temas tratados para incentivar el voto. Se debe añadir, además, que en el caso de los grupos de edad se ha elegido simplemente dos de ellos -menores de 20 y mayores de 65- puesto que el interés principal es saber si la presencia o ausencia de un grupo de edad difieren en la tendencia del voto con la del grupo contrario, es decir, interesa más entender desde una perspectiva sociológica el cómo puede llegar a cambiar el voto la presencia o ausencia de gente en un 25 municipio de un grupo de edad diferente con todo lo que eso conlleva, pues la diferencia generacional entre menores de 20 años y más de 65 años es importante y eso puede llevar a diferentes comportamientos que lleven a diferencias en el voto -de ahí la inexistencia de grupos de edad intermedios-. Como última aclaración, se debe apuntar que en su totalidad los datos integrados en la base de datos son recogidos del Instituto de Estadística y Cartografía de Andalucía. 26 CAPÍTULO 3. Desarrollo del análisis de caso 1 ANÁLISIS DE CASO Como ya advertimos en los anteriores puntos del trabajo, vamos a tratar de explicar la tendencia de voto en función de una serie de variables que no son independientes del entorno en el que se desarrolla éste en las elecciones al Parlamento de Andalucía celebradas a finales del año pasado. 1.1 Análisis del ciclo electoral En un apartado anterior (véase apartado 1. Introducción; ¿por qué estas elecciones?) se dejó entrever el carácter especial de estos comicios por todo lo que conllevaron -esto es, el fin de la hegemonía socialista la irrupción de Vox por primera vez en un Parlamento autonómico en nuestro país-. A partir del 2 de diciembre del 2018, con las elecciones al Parlamento andaluz, se disparan una serie de interrogantes para el sistema de partidos y no únicamente a nivel andaluz. La irrupción sorpresiva del partido político Vox en el Parlamento andaluz se interpretó como el anuncio de profundas transformaciones en el mapa electoral español. Por primera vez en España un partido de extrema derecha obtenía unos resultados inéditos, superando prácticamente todas las expectativas, en una arena que parecía serle particularmente poco propicia, y el PSOE, aun habiendo obtenido más votos y escaños que ninguna otra fuerza política, se veía desplazado del Gobierno y relegado a la oposición por primera vez desde los primeros comicios autonómicos. La irrupción de Vox y la insuficiencia del voto de izquierdas para alcanzar la mayoría absoluta en las elecciones al Parlamento andaluz nos muestran datos significativos, como la continuidad en la pérdida de apoyos del Partido Popular tras su máximo histórico de 2012 (cuando fue el primer partido en número de votos, con un 40 % de los sufragios, pero no pudo gobernar dado que las otras dos únicas fuerzas parlamentarias, PSOE e IULV acordaron una coalición), el crecimiento de Ciudadanos (que dobló sus apoyos, pasando del 9,24 % del voto en 2015 al 18,27 % en 2018, y aumentó considerablemente su representación, de 9 a 21 escaños), y la caída de Podemos, que concurre en 2018 con Izquierda Unida y obtiene en 27 coalición en torno a 6.000 votos menos de los que había conseguido de manera independiente en 2015 (en dichas elecciones Podemos obtuvo un 14,8% del voto y 15 escaños, mientras Izquierda Unida se hizo con un 6,8 del voto y 5 escaños; en 2018, la coalición de ambas fuerzas, Adelante Andalucía, se queda en un 16,2 % del voto, más de 5 puntos por debajo de lo que sumaban en 2015, y consigue 17 escaños, 12 de Podemos y 5 de Izquierda Unida) El PSOE perdió más de 400.000 votos respecto a las anteriores elecciones andaluzas, lo que supuso una pérdida de 14 escaños en el Parlamento de Andalucía, aunque mantuvo la mayoría del voto en siete de las ocho provincias andaluzas exceptuando Almería. Por lo tanto, podemos decir a nivel general respecto a las elecciones andaluzas de 2015 que el PSOE, PP y Adelante Andalucía tienen importantes pérdidas de votos, mientras que Ciudadanos con un incremento de 290.000 y Vox de 380.000 votos obtienen unas importantes ganancias, -como vemos en la tabla 3-. Tabla 3. Elecciones 2015 & 2018 2015 2018 ESCAÑOS Nº voto / % ESCAÑOS Nº voto / % PSOE 47 1411278 / 35.41 % 33 1009243 / 27.95% PP 33 1066458 / 32.1% 26 749275 / 20.75% Cs 9 36994 / 9.24% 21 659631 / 18.27% PODEMOS 16 15 590011 / 14.80% - - VOX 0 18017 / 0.45 % 12 395978 / 10.97% Izquierda Unida Los Verdes-Convocatoria por Andalucía -ADELANTE ANDALUCIA- 5 274518 / 6.86% 17 584040 / 16.18% 2. ANÁLISIS EXPLORATORIO DE DATOS ESPACIALES Para comenzar con el análisis primero se procederá al comentario de una serie de mapas descriptivos que contengan la distribución de las variables a lo largo de los municipios del mapa andaluz. Los mapas temáticos consisten en la representación cartográfica de una variable geográfica. Esta representación puede llevarse a cabo mediante símbolos y colores, que pongan de manifiesto el valor de dicha variable en cada una de las unidades geográficas seleccionadas, para este caso, para cada municipio. Estos son útiles a la hora de determinar o identificar fenómenos geográficos mediante el uso de recursos visuales. Los más utilizados suelen ser los 16 En el 2018 presenta candidatura en coalición con Adelante Andalucía Fuente: elaboración propia a partir de datos oficiales del Ministerio del Interior. 28 mapas divididos en cuantiles que representan el comportamiento de una variable espacialmente distribuida, para lo que, los datos se dividen y se agrupan en unas categorías denominadas cuantiles que contienen igual número de observaciones en medida de lo posible. En este caso se dividirá el mapa andaluz en cuatro cuantiles. Ilustración 7. Distribución de edad mayores de 20 Ilustración 8. Distribución edad mayores de 65 Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Ilustración 5. Distribución del total de población Ilustración 6. Distribución del porcentaje de extranjeros 29 Como observamos en la ilustración 5, se muestra la distribución de la población total de cada municipio y se ve en qué municipios se encuentra el mayor número de habitantes. Se puede avistar un fenómeno curioso, y es que, las zonas que más acumulan residentes son los municipios encuadrados en el cuadrante Suroeste del mapa siendo Sevilla el municipio más poblado con 688711 habitantes. En la ilustración 6 se puede encontrar que los municipios con más porcentaje de extranjeros 17 se encuentran en el cuadrante Sureste del mapa, habiendo una continuidad espacial, como podemos apreciar, a lo largo de toda la costa. Por su parte en la zona norte se avista una proporción de extranjeros baja. En relación con la edad, ilustraciones 7 y 8, vemos como, son los municipios más cercanos al pico sur de la Comunidad autónoma en donde existe más concentración de menores de 20 años, siendo todo lo contrario en la zona Este del territorio andaluz, que es donde más se concentra la población anciana. Por su parte la distribución en la tasa de paro muestra que las tasas más elevadas se encuentran en la parte Este del mapa. A su vez, la distribución de la variable renta, muestra como existe más concentración de casos en la zona oeste. Visto todos estos mapas descriptivos, se observa que las distribuciones de las variables siguen unos patrones de contigüidad, es decir, no son distribuidas de manera, a priori, aleatoria, sino que si se observan las imágenes cada variable tiene una zona de influencia en donde se 17 Se debe recordar que cuando se habla de la variable Porc_Extra (o porcentaje de extranjeros) no se habla de cantidades totales si no de proporciones. Es decir, para el cálculo de dicha variable se ha dividido la cantidad total de extranjeros en un municipio concreto entre la cantidad de habitantes totales de dicho municipio obteniendo un coeficiente. Ilustración 10. Distribución Tasa de paro municipal Ilustración 9. Distribución renta neta declarada por habitante Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 36 Para el caso de Vox avistamos resultados similares que a los de su vecino ideológico - Ciudadanos-, incluso se ve que el efecto se produce en las mismas zonas, tendencia que se repite con la variable Tasa_AA (porcentaje de votos de Adelante Andalucía) y su retardo espacial (renta neta media declarada por habitante) -como podemos ver en las ilustraciones 20 y 21- Estos resultados al ser positivos indican que el porcentaje de voto de Cs, Vox y AA no se determinan únicamente en el municipio al cual corresponden, sino que por el contrario los aspectos relacionados con estas variables se ven influenciados por la renta neta media declarada de sus vecinos de primer orden. Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Ilustración 19. Mapa de clusters I de Morán Tasa_Vox w/ rentamedia Ilustración 18. Diagrama de dispersión I de Morán Tasa_Vox w/ rentamedia 37 Hasta el momento hablamos de un ejercicio de correlación espacial, con una matriz de contactos binaria y criterio de vecindad reina. Pero sería curioso ver como varían los resultados con una contigüidad de segundo orden, -Tabla 4-, esto es los vecinos de los vecinos. Es claro que la dependencia espacial disminuye en la medida que aumenta el orden de vecindad, siendo los vecinos más cercanos aquellos que influyen directamente sobre las condiciones de vida de un municipio, pero como vemos son coeficientes que se mantienen muy cercanos, sobre todo para el PP y no tanto quizás, para Vox, -queriendo remarcar que evidentemente ahora son incluso más cercanos al 0-. Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Ilustración 21. Mapa de clusters Tasa_AA w/ rentamedia Ilustración 20. Gráfico de dispersión I de Morán Tasa_AA w/ rentamedia 38 Tabla 4. I de Moran Local Bivariante (retardo espacial: rentamedia) Variable Primer orden Segundo orden Tasa_PSOE -0,276 -0,176 Tasa_PP Tasa_CS Tasa_VOX Tasa_AA -0,166 0,285 0,169 0,209 -0,123 0,199 0,084 0,139 Fuente: datos obtenidos de GeoDa En los mapas de clusters se pueden ver cuales son aquellos municipios con más presencia de de la variable renta media y el voto a los partidos. Es interesante ver como para el caso de los partidos más grandes como PSOE y PP no se encuentran demasiados municipios con un valor alto de ambas variables, pero sí en el resto de partidos, que además presentan esta faceta en los municipios en donde se encuentran las rentas más elevadas, según la ilustración 27 que nos muestra los grupos de renta. Ilustración 23. Mapa cluster PP w/ rentamedia Ilustración 22. Mapa cluster PSOE w/ rentamedia Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 39 Ilustración 25. Mapa cluster Vox w/ rentamedia Ilustración 24. Mapa cluster Cs w/ rentamedia Ilustración 26. Mapa cluster AA w/ rentamedia Ilustración 27. Mapa de desviación estándar de la variable rentamedia Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 40 En este mapa de desviación estándar se pueden ver los diferentes grupos de renta (en la leyenda) y por tanto cuales son los municipios que presentan los mayores niveles de renta. Se puede apreciar que los cluster existentes en el caso de los partidos Cs, Vox y Adelante Andalucía siguen una distribución muy similar, acumulándose en el cuadrante suroeste del mapa autonómico y perteneciendo a los grupos de renta más elevados. Interesante sería también, para terminar de tratar la pregunta de índole económica, realizar el mismo análisis con el retardo espacial “Paro_Mun” -esto es, la tasa de paro municipal-. Se empezará pues comparando los respectivos diagramas de dispersión referidos al I de Morán. Ilustración 28. Diagrama de dispersión I de Morán Tasa_PSOE w/ Paro_Mun Ilustración 29. Diagrama de dispersión I de Morán Tasa_PP w/ Paro_Mun Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 41 Se puede apreciar que ninguno de los coeficientes se distancia lo suficiente del 0 como para poder hablar de una autocorrelación positiva o negativa, por lo que en este caso se hablaría más bien de una distribución aleatoria, esto es, el rezago espacial -paro municipalno influye Ilustración 30. Diagrama de dispersión I de Morán Tasa_Cs w/ Paro_Mun Ilustración 31. Diagrama de dispersión I de Morán Tasa_Vox w/ Paro_Mun Ilustración 32. Diagrama de dispersión I de Morán Tasa_AA w/ Paro_Mun Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 42 en la distribución espacial de la variable a explicar -porcentaje de votos de los diferentes partidos-. Lo significativo, así como encontrarnos con una distribución aleatoria, es hacerlo en el caso de todos los partidos, solo es el PP el caso en el que parece que tiene más influencia con un coeficiente del (-0,209) siendo de todos modos una autocorrelación negativa, lo que vendría a significar que no presenta evidencias de continuidad a lo largo de los municipios vecinos de primer orden -como se muestra en la ilustración 34-. En cuanto a los otros mapas, estos nos muestran como son los partidos Cs y Adelante Andalucía quienes más agrupaciones en el cuadrante alto-alto presentan, esto es, presentan más casos de municipios contiguos en donde la presencia de la variable y la presencia de una autocorrelación espacial son fuertes y es curioso también que esta presencia se de en el pico de la comunidad autónoma, justo donde no es significativo en el caso de los partidos tradicionales Ilustración 33. Mapa de clusters I de Morán Tasa_PSOE w/ Paro_Mun Ilustración 34. Mapa de clusters I de Morán Tasa_PP w/ Paro_Mun Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa 43 Ilustración 41. Mapa de clusters I de Morán Tasa_Vox w/ Paro_Mun Ilustración 40. Mapa de clusters I de Morán Tasa_AA w/ Paro_Mun Ilustración 35. Mapa de clusters I de Morán Tasa_Cs w/ Paro_Mun Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Fuente: datos obtenidos de GeoDa Ilustración 36. Mapa de clusters I de Morán Tasa_Vox w/ Paro_Mun Ilustración 37. Mapa de clusters I de Morán Tasa_AA w/ Paro_Mun 44 2.1.3 Edad como factor explicativo Tras haber finalizado el análisis respecto al factor económico y su relación con el voto, es hora de dar paso al apartado relacionado con la edad de los votantes. Para poder estudiar esta parte contamos con la presencia de dos variables: porcentaje de mayores de 65 años y menores de 20 años. Tabla 5. Coeficientes de I Morán (retardos: “porc65y” & “menos20”) Fuente: elaboración propia a partir de datos obtenidos de GeoDa Se observa que los valores son altos en todos los casos -el que menos Vox- y las líneas de tendencia hacen pensar que los partidos tradicionales obtienen su voto de los municipios con mayor presencia de población anciana (coeficientes positivos, lo que indica autocorrelación espacial positiva) y lo contrario para el resto de sus rivales políticos. Todo esto es teniendo en cuenta el criterio de contigüidad 1, que recordemos, trata a los vecinos más cercanos, y siendo valores tan altos sería interesante saber si con criterios de contigüidad 2 o más se mantendrían. Tabla 6. Coeficientes de I Morán -con criterios de contigüidad 2- (retardos: “porc65y” & “menos20”) Fuente: elaboración propia a partir de datos obtenidos de GeoDa Mayores de 65 Menores de 20 Tasa_PSOE 0.230 -0.218 Tasa_PP 0.234 -0.237 Tasa_Cs -0.216 0.227 Tasa_Vox -0.139 0.127 Tasa_AA -0.265 0.263 Mayores de 65 Menores de 20 Tasa_PSOE 0.129 -0.114 Tasa_PP 0.231 -0.226 Tasa_Cs -0.156 0.163 Tasa_Vox 0.032 0.009 Tasa_AA -0.236 0.227 45 En este punto encontramos varios hechos significativos. Los dos grandes partidos tradicionales, como son PSOE y PP, cuentan con valores del coeficiente de I de Morán positivos, cuando hablamos de municipios que ostentan mayor porcentaje de gente de avanzada edad, esto significa que existe una autocorrelación positiva -(0.129) y (0.231) significativamente- y sigue siendo un valor relativamente alto. Al contrario, por ejemplo, que partidos más nuevos como Cs o Adelante Andalucía -este último no es un partido nuevo como tal, pero no debemos olvidar que este año se presentaron junto a Podemos-, en donde nos encontramos con coeficientes de I de Morán negativos cuando hablamos de más presencia de mayores de 65 años -a saber (-0.156) y (-0.236) respectivamente- y positivos cuando hablamos de presencia más juvenil -a saber (0.163) y (0.227) respectivamente-. El cambio más significativo es el caso de Vox quien ya ostenta valores muy cercanos al 0, además de ser visible un cambio de signo en el coeficiente cuando hablamos del retardo “mayores de 65” y es que con el segundo criterio de contigüidad se pasa de una autocorrelación negativa a una positiva, es decir, al hablar de una autocorrelación negativa en los vecinos de primer orden para el caso de Vox es indicador de que en estos municipios el retardo espacial no es explicativo del voto de Vox, sin embargo, en los “vecinos de los vecinos” empieza a serlo. Esto significa que, en los municipios de segundo orden, esto es, los municipios colindantes a aquellos donde existe más presencia de la variable, que ostenten más presencia de gente residente de más de 65 años, para el caso de Vox, empieza a haber una tendencia positiva al voto, una tendencia, que, en los vecinos de primer orden, no existía. Es de recalcar también cómo se diferencian los “clusters” 19 generados para el caso de Cs, Vox y Adelante Andalucía de los partidos de la vieja política a la hora de hablar de la variable “menos20”, haciendo ver la importancia que ostenta en estos partidos y la ausencia de esta en los partidos más tradicionales. 19 Los siguientes mapas de clusters están generados con criterios de contigüidad 1. 52 3. ANÁLISIS CONFIRMATORIO DE DATOS ESPACIALES El conjunto de estadísticas de prueba para la autocorrelación espacial puede parecer desconcertante al principio, pero hay una forma bastante intuitiva de proceder con los resultados hacia una especificación de regresión espacial, siguiendo las indicaciones propuestas por Luc Anselin (2003). Este proceso se resume en la Ilustración 58. El proceso comienza en la parte superior del gráfico. El primer paso es realizar un modelo de regresión lineal estándar y analizar los estadísticos de prueba LM-Error y LM-Lag. Si ninguno rechaza la hipótesis nula de no existencia de autocorrelación espacial (dependencia espacial sustantiva) y de correlación espacial en el error (dependencia residual), respectivamente, se tendrá que quedar con los resultados del modelo realizado por Mínimos Cuadrados Ordinario (MCO). Sin embargo, si una de las estadísticas de la prueba LM rechaza la hipótesis nula, y la otra no, entonces la decisión es fácil también: estimar el modelo alternativo de regresión espacial que coincida con la estadística de prueba que rechaza el valor nulo. Es decir, si, por ejemplo, LM-Error rechaza el valor nulo, pero LM-Lag no, se estima un modelo espacial de error 20 , y viceversa. En el caso de que ambas estadísticas de prueba LM rechacen la hipótesis nula, se procederá a la parte inferior del gráfico. Realizamos ambos modelos y se procederá a detectar cuál de los dos es más significativo. Si se da el caso de que uno solo uno de ellos sea significativo o tenga órdenes de magnitud más significativos que el otro (por ejemplo: p <0.00000 comparado con p <0.03) se estimará el modelo de regresión espacial que coincida con la estadística más significativa. En el caso de que ambos sean altamente significativos, se procederá con el modelo que posea el valor más grande para la estadística de prueba. También hay casos raros en los que ninguno de las estadísticas de prueba Robust LM son significativas. En esos casos, más graves es probable que haya problemas de especificación 21 errónea y que deben abordarse primero. 20 Los modelos de retardo espacial presentan la correlación -o dependenciaespacial en la variable dependiente (Y). Estos modelos pretenden probar la presencia de dependencia espacial mediante pruebas de diagnóstico. Permiten a las observaciones de la variable dependiente Y en el área i depender de las observaciones vecinas. Por su parte, los modelos de error espacial, explican la dependencia espacial en términos de error. La dependencia del error espacial puede surgir de variables latentes no observables que están correlacionadas espacialmente, aunque también puede surgir de los límites del área que no reflejan con precisión la vecindad que dan lugar a las variables del análisis. 21 En el análisis de la regresión y campos relacionados, tales como la econometría, la especificación es el proceso de convertir la teoría en un modelo de regresión 53 Realizar Regresión MCO Diagnostico LM ; LM-Error ; LM-Lag ¿Es significativo? Uno LM- Error LM- Lag Aplicar el modelo espacial de error Aplicar el modelo Lag-espacial (retardo espacial) Ambos Realizar modelos y analizar LM ¿Es significativo? Modelo LM-Lag Modelo LM-Error Aplicar el modelo espacial de error Aplicar el modelo de retardo espacial Ninguno Parar y quedarse con los resultados del modelo de MCO Fuente: (Anselin, 2005) Ilustración 58. Proceso de selección de modelo 54 3.1 Partido Socialista Obrero Español (PSOE) Es importante aclarar, que, una vez empezado el análisis de los datos, el esquema de trabajo utilizado va a ser el mismo siempre para cada partido. Los pasos a seguir son los detallados en el apartado anterior (ver Ilustración 58) siguiendo la guía de Luc Anselin. Esto es, realizar un modelo MCO estándar y analizar en él si se rechazan las Ho de dependencia espacial -entendida como el fenómeno que se presenta cuando los valores observados en una región dependen de los valores de regiones vecinasde los estadísticos LM-Err y LM-Lag. A partir de ahí, seguir con las indicaciones de la ilustración 58. Las variables a introducir en cada caso son el porcentaje de voto para cada partido como variable dependiente (VD) y como variables independientes (Vis) se utilizarán: la renta neta media declarada por habitante del municipio (rentamedia), la tasa de paro municipal (Paro_Mun), el porcentaje de población extranjera residente en el municipio (porc_extra), el porcentaje de población menor de 20 años (menos20) y el porcentaje de población mayor de 65 años (porc_65y). Como último apunte, se debe señalar que las tablas generadas por el programa geoestadístico (GeoDa) de los modelos redefinidos en términos de retardo y error para el caso de todos los partidos estarán incluidas en los anexos (los modelos de regresión básicos por MCO sí estarán en el texto) con motivo de no alargar en exceso la extensión pautada para este trabajo, aunque es recomendable tenerlas a mano para seguir la explicación de cada caso - además en los anexos está incluido un cuadro que contiene de forma resumida la descripción de los estadísticos utilizados en el análisis-. Sin embargo, para facilitar la comprensión del texto existen a lo largo de los siguientes subapartados tablas que facilitan los contenidos analizados en dichos modelos y que permiten la comparación, con el objetivo de elegir el modelo más válido en cada supuesto. Así pues, el primero de los modelos a plantear va a ser un modelo básico de regresión lineal por MCO en donde la VD es Tasa_PSOE y las Vis serían las ya mencionadas: rentamedia, menos20, porc_extra, Tasa_Paro y Porc_65y. Así pues, obtenemos el siguiente modelo (Tabla 7): 55 Tabla 7. Modelo de regresión lineal básico por MCO; (VD:Tasa_PSOE) Data set : ANDALUCIA Dependent Variable : Tasa_PSOE Number of Observations: 777 Mean dependent var : 38,0808 Number of Variables : 6 S.D. dependent var : 10,7522 Degrees of Freedom : 771 R-squared : 0,317848 F-statistic : 71,8494 Adjusted R-squared : 0,313424 Prob(F-statistic) : 0 Sum squared residual: 61276,9 Log likelihood : -2799,37 Sigma-square : 79,4772 Akaike info criterion : 5610,75 S.E. of regression : 8,915 Schwarz criterion : 5638,68 Sigma-square ML : 78,8634 S.E of regression ML: 8,88051 ----------------------------------------------------------------------------- Variable Coefficient Std.Error t-Statistic Probability ----------------------------------------------------------------------------- CONSTANT 32,3354 5,27388 6,13125 0,00000 porc_extra -27,1198 3,60287 -7,52727 0,00000 Porc_65y 0,554599 0,111699 4,96511 0,00000 menos20 0,408082 0,15501 2,63262 0,00864 Paro_Mun 0,0943554 0,0646639 1,45917 0,14493 rentamedia -0,001231 0,000110664 -11,1237 0,00000 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS MULTICOLLINEARITY CONDITION NUMBER 44,631047 TEST ON NORMALITY OF ERRORS TEST DF VALUE PROB Jarque-Bera 2 83,0308 0,00000 .DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 60,0262 0,00000 Koenker-Bassett test 5 33,6515 0,00000 DIAGNOSTICS FOR SPATIAL DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA (row-standardized weights) TEST MI/DF VALUE PROB Moran's I (error) 0,1986 9,3103 0,00000 Lagrange Multiplier (lag) 1 89,2486 0,00000 Robust LM (lag) 1 10,1581 0,00144 Lagrange Multiplier (error) 1 81,4723 0,00000 Robust LM (error) 1 2,3818 0,12275 Lagrange Multiplier (SARMA) 2 91,6304 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa La tabla anterior pone de manifiesto la significatividad individual de los parámetros exceptuando el caso de la variable Paro_Mun (t-student) y un R de 0,31 (R ajustado 0,31). Pero los resultados quedan invalidados puesto que los contrastes de los multiplicadores de Lagrange 56 para el retardo (LM-LAG) y para el error (LM-ERR) rechazan la hipótesis nula de no existencia de autocorrelación espacial (dependencia espacial sustantiva 22 ) y de correlación espacial en el error (dependencia residual 23 ) y siendo además LM-LAG mayor (89,2486) que LM-ERR (81,4723), lo que sugiere una reespecificación del modelo incluyendo un esquema autorregresivo en términos de retardo espacial. En el modelo básico de regresión lineal podemos apreciar como de las variables explicativas son todas significativas a excepción de la tasa de paro, la cual con un p > 0.05 se asume que no es significativa de este modelo. Así pues, se procederá a redefinir el modelo incluyendo una estructura autorregresiva espacial en términos de error y de retardo espacial para poder comparar. Como ya se especificó anteriormente, los modelos espaciales de error tratan de explicar la dependencia espacial en términos de error, y por su parte, los segundos modelos -aquellos que tratan de explicar la dependencia en términos de retardotratan de explicarla mediante la inclusión de retardos espaciales. Vaya y Montero (2000), plantean el operador de retardos espaciales como solución alternativa a la matriz de datos espaciales W para hacer frente a los problemas derivados del análisis regional. Este consiste en un promedio ponderado de variables aleatorias en localizaciones vecinas -con ponderaciones fijas y exógenas-. El operador de retardos espaciales se forma definiendo para cada localización i a su vecino en la correspondiente columna como un elemento distintivo de 0 wij en una matriz de pesos espaciales W positiva y no estocástica. Es decir, se añaden retardos espaciales a las variables explicativas con el objetivo de analizar si existe o no dependencia espacial, más allá de la relación existente por parte de cada variable explicativa per se. En el modelo por error 24 se aprecia como un coeficiente en los errores espacialmente correlacionados (LAMBDA) es agregado como un indicador adicional. Este es un estadístico que se basa en la reducción proporcional del error de predicción cuando se utilizan los valores de la variable independiente para predecir los de la dependiente. Tiene un efecto positivo y es relativamente significativo siendo que LAMBDA=0,451165 sobre un valor de 1. Como resultado, la redefinición mejoró el ajuste general del modelo, como se indica en valores más altos de R cuadrado y Log likelihood. 22 La dependencia espacial sustantiva se presenta como un caso en el que el valor de una región depende del valor de sus regiones vecinas (definidas según una matriz de contactos). 23 La dependencia espacial residual podría explicarse como “la omisión de variables no cruciales que se hallen correlacionadas espacialmente o por la existencia de errores de medida” (Moreno & Vayá, 2000). 24 Se debe recordar que para ver las tablas íntegras de los modelos por retardo y error se debe acudir a los anexos en su correspondiente subapartado o en su defecto acudir a la tabla resumen. 57 Se puede ver en el modelo que la baja probabilidad (p<0.05) en el test de Breusch-Pagan sugiere que existe heteroscedasticidad en el modelo después de redefinirlo en términos de error. Además, en el Likelihood Ratio Test 25 , el resultado es también significativo. Es importante también destacar que ha habido un cambio en la significación de las variables en cada modelo. Mientras que para el modelo realizado por MCO la variable referida al paro no es significativa, en el modelo de error sí lo es (p=0,04533). Por ello se puede concluir que la introducción de una estructura autorregresiva en términos de error mejoró el modelo y además los factores significativos del modelo de MCO lo siguen siendo en este (a excepción del paro, la cual no es significativa en el modelo estándar y sí en el de error) Para el caso del modelo en términos de retardo, se debe observar que apareció W_Tasa_PSOE como un indicador adicional. Su parámetro (Rho) refleja la dependencia espacial inherente a nuestros datos de muestra, midiendo la influencia promedio en observaciones por sus observaciones vecinas. Tiene un efecto positivo y es relativamente significativo, aunque menos que el estadístico LAMBDA del modelo anterior (0,397162). Como resultado, el ajuste general del modelo mejoró, ya que además indica valores más altos de R cuadrado y Log Likelihood sigue siendo significativo. Podemos ver que la baja probabilidad en la prueba de Breusch-Pagan sugiere que todavía hay heteroscedasticidad en el modelo después de introducir el término de retardo espacial. Y en el Likelihood Ratio Test of Spatial Lag Dependence, el resultado sigue siendo significativo. Por lo tanto, sí concluimos que, la introducción del término de retardo espacial mejoró el ajuste del modelo sin hacer que los efectos espaciales desaparecieran. Se puede apreciar, por último, como en este caso no se vuelve significativa la variable del paro, a diferencia del modelo de error (p=0,11329). 25 Conocido en español como razón de verosimilitud, el Likelihood Ratio Test se define como la razón entre la posibilidad de observar la ocurrencia de un evento frente a la posibilidad de no ocurrencia del mismo. Por tanto, para este caso, tenemos que si el valor es alto y p<0,05 existirá más probabilidad de encontrar peso de esas variables en los municipios vecinos que de no encontrarla. 58 Tabla 8. Comparativas modelos Modelo espacial en términos de error Modelo espacial en términos de retardo R2 0,404916 0,401325 Log Likelihood -2761,576086 -2760,21 Breusch-Pagan (p<0.05) 61,9820 67,9638 Likelihood Ratio Test(p<0.05) 75,5950 78,3291 W_TasaPSOE - 9,41921 LAMBDA (z valor) 9,98223 - LM-LAG - 89,2486 LM-ERR 81,4723 - Fuente: Elaboración propia a partir de datos obtenidos de GeoDa Ahora viene la pregunta ¿cuál escoger? Comparando los modelos de retardo espacial y error espacial (tabla 8), podemos ver que ambos modelos alternativos mejoran el rendimiento del modelo MCO original. Por lo tanto, debemos concluir que controlar la dependencia espacial mejorará el rendimiento de nuestro modelo. Ahora la pregunta ¿cuál de los dos modelos es mejor? Hasta cierto punto, esta es una pregunta abierta. En este caso se procederá a comparar el rendimiento del modelo según los parámetros siguiendo las indicaciones de Anselin (2005) en su manual de uso de GeoDa. En este caso, el modelo de error espacial tiene mayores valores de R cuadrado, aunque son subidas muy pequeñas comparado con los valores de los demás estadísticos en los que gana el modelo por retardo, por lo que se quedara con este último. 3.2 Partido Popular Se vuelve a presentar en primer lugar un modelo de regresión lineal básico por MCO, en donde las variables van a ser: Tasa_PP para el caso de la VD y porc_extra, Porc_65y, menos20, Paro_Mun y rentamedia -y se mantendrán para los modelos redefinidos-. 59 Tabla 9. Modelo de regresión lineal básico por MCO; (VD: Tasa_PP) Data set : ANDALUCIA Dependent Variable : Tasa_PP Number of Observations: 777 Mean dependent var : 22,2762 Number of Variables : 6 S.D. dependent var : 8,77466 Degrees of Freedom : 771 R-squared : 0,176970 F-statistic : 33,1564 Adjusted R-squared : 0,171632 Prob(F-statistic) :1,07139e-030 Sum squared residual: 49237,7 Log likelihood : -2714,39 Sigma-square : 63,8621 Akaike info criterion : 5440,78 S.E. of regression : 7,99138 Schwarz criterion : 5468,72 Sigma-square ML : 63,3689 S.E of regression ML: 7,96046 ----------------------------------------------------------------------------- Variable Coefficient Std.Error t-Statistic Probability ----------------------------------------------------------------------------- CONSTANT 34,0269 4,72749 7,19766 0,00000 porc_extra 15,0176 3,2296 4,64997 0,00000 Porc_65y 0,0954389 0,100127 0,95318 0,34080 menos20 -0,41358 0,13895 -2,97646 0,00301 Paro_Mun -0,337947 0,0579645 -5,83024 0,00000 rentamedia 1,50223e-005 9,91992e-005 0,151436 0,87967 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS MULTICOLLINEARITY CONDITION NUMBER 44,631047 TEST ON NORMALITY OF ERRORS TEST DF VALUE PROB Jarque-Bera 2 77,1596 0,00000 DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 70,2036 0,00000 Koenker-Bassett test 5 48,2506 0,00000 DIAGNOSTICS FOR SPATIAL DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA (row-standardized weights) TEST MI/DF VALUE PROB Moran's I (error) 0,1577 7,4309 0,00000 Lagrange Multiplier (lag) 1 75,3224 0,00000 Robust LM (lag) 1 31,6967 0,00000 Lagrange Multiplier (error) 1 51,3734 0,00000 Robust LM (error) 1 7,7478 0,00538 Lagrange Multiplier (SARMA) 2 83,0701 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa En este caso tanto el coeficiente I de Morán de los residuos como ambos estadísticos LM rechazan las respectivas hipótesis nulas de ausencia de dependencia espacial, siendo en este caso el valor de LM-Lag mayor (75,3224) que el de LM-Error (51,3734), por lo que se asume que se debería redefinir el modelo incluyendo un esquema autorregresivo en términos 60 de retardo espacial, pero se harán ambos para comprobar igual que en el caso anterior y los posteriores. Tabla 10. Comparativa de modelos Fuente: Elaboración propia a partir de datos obtenidos de GeoDa En ambos modelos vemos como la heteroscedasticidad, medida con el estadístico Breusch-Pagan sigue siendo significativa (p<0.05), al igual que el coeficiente de Likelihood Radio Test que mide la dependencia espacial. Esto supone que la introducción de estos modelos no eliminó los efectos espaciales y además mejora su rendimiento con respecto al modelo de regresión lineal básico por MCO. En este caso se elegirá el modelo redefinido en términos de retardo espacial, puesto que en el modelo de regresión lineal estándar es el que posee mayor valor y en términos comparados con el modelo redefinido en términos de error casi todos los estadísticos son más significativos. En el modelo de regresión lineal básico por MCO se nos da cuenta de que los principales factores explicativos de la variable dependiente -a saber, en este caso Tasa_PP- son el porcentaje de extranjeros residentes en el municipio, el número de residentes menores a 20 años y la tasa de paro municipal. Aquí se debe matizar, por otro lado, que el signo del coeficiente I de Morán para el caso de menos20 era negativo, por lo que señalaba una autocorrelación negativa, así pues, se entiende en este sentido, que la ausencia de residentes menores de 20 años en un municipio es un indicador más significativo que la presencia de mayores de 65 años. En Modelo espacial en términos de error Modelo espacial en términos de retardo R2 0,250457 0,265895 Log Likelihood -2689,143472 -2681,26 Breusch-Pagan (p<0.05) 81,8617 88,2317 Likelihood Ratio Test (p<0.05) 50,4963 66,2722 W_TasaPP - 8,70781 LAMBDA (z valor) 8,17669 - LM-LAG - 89,2486 LM-ERR 81,4723 - 61 el modelo espacial redefinido en términos de retardo (Tabla 22 en anexo 3) vemos como son los mismos factores los significativos, por lo que en este aspecto no ha variado. 3.3 Ciudadanos (Cs) En el modelo por MCO de Cs se puede apreciar como también los multiplicadores de Lagrange rechazan las hipótesis nulas de dependencia espacial, siendo el LM-Error (34,4172) mayor que el LM-Lag (28,5132) lo que induce a pensar en una redefinición del modelo en términos de error. Además, el Robusto de LM-Lag no es significativo, lo que es importante tener en cuenta puesto que, un estimador robusto o que tiene la propiedad de robustez, tiene como característica que su validez no se ve alterada como consecuencia de la violación de alguno de los supuestos de partida. Por tanto si uno no es significativo la validez de ese modelo se ve alterada. 68 Tabla 17. Comparativas modelos espaciales (I) *Para aquellos con modelos de retardo **Para aquellos con modelos de error Fuente: Elaboración propia a partir de datos obtenidos de GeoDa La tabla 17 nos muestra los estadísticos más significativos de los modelos elegidos para el estudio en cada partido. En primer lugar, vemos como los modelos con un valor de R2 más altos son los del Vox y PSOE seguidos de Cs, AA y PP. Esto induciría a pensar que los modelos elegidos para esos dos primeros partidos son más explicativos. También se ve como los estadísticos que se paran a medir los efectos de la dependencia espacial como Log Likelihood o Likelihood Ratio Test, que miden la probabilidad de encontrar las variables explicativas en los vecinos municipales contiguos, tienen efectos más grandes en Vox, Adelante Andalucía seguido del PP respectivamente, siendo Vox y Adelante Andalucía de los que más valor de los coeficientes W o LAMBDA presentan (Vox > AA). Con todos estos datos se puede deducir que el modelo más válido correspondería al caso de Vox, puesto que además de presentar el R2 más elevado, su función de verosimilitud (log likelihood), su coeficiente LAMBDA y el test de Likelihood son también de los más elevados. El siguiente modelo más explicativo sería el de Adelante Andalucía. Estos modelos al tener todos estos estadísticos tan significativos se pude deducir que son para los casos de estos partidos en donde podemos encontrar mayores tendencias (o más fuertes) de dependencia espacial de las variables analizadas. PSOE PP Cs Vox AA R2 0,40 0,26 0,34 0,46 0,26 Log Likelihood -2760,21 -2681,26 -2190,05 -2000,08 -2658,72 Breusch- Pagan 67,96 88,23 52,09 23,93 102,75 Likelihood Ratio Test 78,32 66,27 28,24 192,02 81,32 W_Tasa * 9,41 8,70 - - 10,04 LAMBDA (z valor) ** - - 5,26 15,77 - 69 Tabla 18. Comparativa de modelos espaciales (II) P valor (prueba t-student) PSOE PP Cs Vox AA Porcentaje de extranjeros (porc_extra) 0,00000 * 0,00446 * 0,00469 * 0,00000 * 0,00983 * Porcentaje de residentes mayores de 65 años (Porc_65y) 0,00002* 0,59097 0,89345 0,00158 * 0.00029 * Porcentaje de residentes menores de 20 años (menos20) 0,00195* 0,00874 * 0,09313 0,36942 0,38078 Tasa de paro municipal (Paro_Mun) 0,11329 0,00001 * 0,57084 0,03345 * 0,01057 * Renta neta declarada media por habitante (rentamedia) 0,00000* 0,63251 0,00000 * 0,00000 * 0,55119 * *Significativos para p<0.05 *Nota I: los valores de las pruebas t-student son los relativos a los modelos redefinidos seleccionados para cada caso, esto es, para el PSOE, PP y AA:modelo por retardo; Cs y Vox: por error *Nota II: se debe recordar que estas tablas están en el anexo III. Fuente: Elaboración propia a partir de datos obtenidos de GeoDa Tabla 19. Recordatorio Coeficientes I de Morán PSOE PP Cs Vox AA Renta neta declarada media por habitante (rentamedia) -0,276 -0,166 0,285 0,169 0,209 Tasa de paro municipal (Paro_Mun) 0,015 -0,209 0,037 -0,109 0,186 Porcentaje de residentes mayores de 65 años (Porc_65y) 0,230 0,234 -0,216 -0,139 -0,265 Porcentaje de residentes menores de 20 años (menos20) -0,218 -0.237 0,227 0,127 0,263 Porcentaje de extranjeros (porc_extra) -0,171 0,215 0,018 0,223 -0,129 *Nota: el color rojo indica que no son significativos siguiendo la tabla 18 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa En la tabla 18 se puede apreciar cuáles son las variables más influyentes para cada partido. En el caso del PSOE se puede observar cómo son estadísticamente significativas todas a excepción de la variable referida al paro. Siendo así importantes factores contextuales en la construcción del voto del PSOE la presencia de extranjeros en el municipio, los residentes 70 mayores de 65 años y menores de 20 y la renta neta declarada media por habitante. En la tabla 19 se pueden ver cuáles eran los signos del coeficiente de Morán, así se podrá saber si existe una tendencia hacia la autocorrelación positiva o hacia la negativa. Para el caso del PSOE, de las variables significativas, tres de ellas presentan una autocorrelación negativa -esto es, no presentan evidencias de continuidad a lo largo de los municipios vecinos de primer orden, pero aun así el ACDE muestra que son significativas- (renta, residentes, menores de 20 años y residentes extranjeros) y solo una positiva (residentes mayores de 65 años). Así pues, se debe interpretar que es significativo en el voto al PSOE aquellos municipios en los que no se encuentran residentes de menos de 20 años, y a su vez, triunfa más en aquellos con mayor presencia de gente de mayor edad. Echando un vistazo al resto de variables que presentan una autocorrelación negativa, se puede decir que no existe una tendencia de voto al PSOE en aquellos municipios en donde existe una presencia de rentas elevadas, ni de un número de extranjeros elevado. Por otro lado, se puede apreciar como lo más significativo en el caso del PP es la tendencia que existe a su voto en municipios donde existe un porcentaje elevado de extranjeros (0,215), mientras que no se presentan rasgos de continuidad entre municipios de primer orden en las variables relativas al paro y a los menores de 20 años. Esto significa que es significativa la presencia de un porcentaje de voto elevado al PP en municipios que no presentan porcentajes de paro elevados ni tampoco un porcentaje de residentes menores de 20 años elevado. En el caso de Cs se puede apreciar como las únicas variables significativas presentan una autocorrelación positiva, se puede decir pues, que en aquellos municipios en donde la renta neta media declarada por habitante es elevada, al igual que el porcentaje de número de extranjeros también lo es, existe una fuerte presencia de la variable a explicar -a saber, el porcentaje de voto a Cs-. Es decir, los factores contextuales principales del voto a Cs en las elecciones andaluzas se componían por la presencia de extranjeros y por el nivel de renta. Para el caso Vox destaca que, los municipios con valores elevados de las variables tasa de paro y número de residentes mayores de 65 años, no son coincidentes con los municipios que presentan mayor porcentaje de voto al partido. Caso contrario en el caso de la renta y el número de extranjeros. Por último, se puede comprobar que son los municipios con mayores presencias de las variables renta y paro, y aquellos con menor presencia de las variables que aluden a los 71 residentes mayores de 65 años y el porcentaje de extranjeros, las que presentan mayores porcentajes de voto a Adelante Andalucía. 4. CONCLUSIONES Una vez relatados los hallazgos de la investigación para cada partido es hora de concluir con la respuesta a cada pregunta principal. En cuanto a la primera ¿se pueden correlacionar factores económicos de un municipio con el voto? Gracias al AEDE primero y al ACDE después, podemos ver como efectivamente existen tendencias de voto a determinados partidos condicionadas por factores económicos contiguos en diversos municipios (tanto de primer orden como de segundo en algunos casos). En el caso de Cs, Vox o Adelante Andalucía se ha visto como la renta neta media declarada por habitante es un factor presente y continuo a lo largo de los municipios que presentan mayores porcentajes de voto a estos partidos. Incluso para Adelante Andalucía otro factor significativo es, como vimos, la tasa de paro, siendo que cuanto mayor es ésta, mayor es la presencia de voto a esta formación. Ahora ¿es la edad una variable fundamental? También. Existen varias tendencias. Primero vemos como los partidos más tradicionales, se alejan de los nichos de votantes jóvenes (menores de 20 años) -coeficiente de Morán para el caso del PSOE: (-0,218); para el caso del PP: (-0.237)-, siendo que, incluso el PSOE guarda estrecha relación con aquellos municipios en donde hay mayor presencia de residentes mayores de 65 años. En el caso de Vox y Adelante Andalucía, resulta ser al contrario: los municipios con mayores porcentajes de voto a estos partidos, difieren de aquellos con mayor presencia de gente mayor -coeficientes de Morán: (-0,139) y (-0,265) respectivamente-. Por último, ¿varía el voto a determinados partidos, en función de la cantidad de personas extranjeras residentes en un municipio? Los datos así parecen confirmarlo. En el caso de PP, Cs y Vox, gozan de municipios en donde se encuentran porcentajes de extranjeros más elevados a la vez que también presentan mayor porcentaje de voto a sus partidos. Es decir, presentan una autocorrelación positiva puesto que estas variables presentan valores similares en una serie de municipios -véase tabla 19 para comprobar los coeficientes de Moran-, siendo al contrario en los casos de PSOE y Adelante Andalucía que agrupan valores disímiles. Por lo que se puede decir que en los municipios en donde PSOE y Adelante Andalucía presentan mejores porcentajes de voto, existe menor cantidad de extranjeros en proporción al número total de habitantes del municipio en cuestión. 72 En líneas de lo publicado por Ryan Weichelt (2017) los detractores de la geografía espacial en su momento, estaban bien fundadas, pero con las tendencias actuales, descartarla ahora sería un error. La revolución en el mundo geoespacial de principios de siglo, junto al Big Data vuelve a relanzar en importancia a esta subdisciplina de la geografía humana. El mundo y la tecnología avanzan de la mano y con ello los avances en estudios electorales. Un ejemplo claro son las elecciones estadounidenses del 2008 en las que Barack Obama se alza con el Ejecutivo norteamericano tras una campaña centrada en internet, al igual que el caso del Brexit. Aunque es evidente que el análisis espacial del voto tiene limitaciones. Recordando a Joaquín Bosque Sendra (1988) la construcción del voto no depende solo de factores contextuales, sino que también de factores individuales tales como la ideología y sería lo propio tenerlo en cuenta para que futuros estudios del voto se tengan en cuenta ambos factores. Como ya se presentó en el marco teórico, igual que Darmofal (2006), en el presente trabajo también se da cuenta de ciertos factores sociopolíticos que explican el voto a diferentes partidos dependiendo del contexto en el que se encuentren. Trabajo relevante también es el de Wing y Walker (2004) en el cual el objetivo principal era presionar los límites del análisis ecológico en un estudio sobre la polarización de los votantes en las elecciones presidenciales de EEUU del año 2004. Operaban bajo la hipótesis de que la existencia de un número de procesos sociales que operan en una fina escala espacial tienden a empujar a las visiones de los votantes individuales hacia un alineamiento cercano con las preferencias ideológicas de una mayoría geográficamente próxima -un fenómeno conocido como atrinchamiento localizado-. Los hechos resultantes son similares a los del presente trabajo, el cual también opera bajo el supuesto de atrinchamiento localizado o efecto vecindario dando cuenta de que si existen tendencias de voto localizado en contextos de similares características. Estos trabajos presentan el hecho de que los resultados de unos comicios electorales no son independientes del espacio o área geográfica en el que se disputan los votos. Los estudios acerca del espacio en líneas de comicios electorales demuestran que en menor o mayor medida se puede contrastar la hipótesis de no aleatoriedad de los resultados electorales. Este trabajo no pretende más que -a parte de lo expuesto en los primeros párrafos de las conclusionesponer de relieve que la geografía electoral no está muerta, y menos con las nuevas técnicas de análisis y el crecimiento de las nuevas tecnologías y fuentes de datos. Es una subdisciplina con estudios lo suficientemente rigurosos para tenerla en cuenta como otro amplio espacio de trabajo a la hora de llevar a cabo el análisis del voto. Esto no quiere decir que se deban sustituir los análisis a nivel micro o individual, de hecho, lo óptimo para una mayor 73 comprensión de la construcción del voto es la complementación de ambos campos con sus respectivas técnicas. 74 BIBLIOGRAFÍA 1. Referencias en papel: Ackerman. (1958). Geography as a Fundamental Research Discipline,. Chicago: The University of Chicago Press. Anselin, L. (2005). Exploring Spatial Data with GeoDa: A workbook. Illinois: Center for Spatially Integrated Social Science. Ávila-Eggleton, & Sánchez, G. (2017). El papel del espacio en la explicación del abstencionismo. Espiral. Baronio, A., Vianco, a., & Rabanal, C. (2012). Una introduccion a la econometría espacial . Catedra de Econometría . Bussi, M. (1998). Eléments de géographie électorale, à travers l’exemple de la France de l’Ouest. Collection Nouvelles donnes en géographie, Publications de l’Université de Rouen, Rouen,, 399. Charles-Leija, H., García, A. J., & Valadez, L. M. (2015). Características sociodemográficas del voto para diputados; un análisis de econometría espacial. El Colegio de San Luis 17, 107-135. Coro, C. Y. (s.f.). Métodos gráficos del análisis exploratorio de datos espaciales. Universidad Autónoma de Madrid. Corso Sicilia, G. B., Rivera, M. P., & Navarro, J. G. (2017). Métodos gráficos de análisis exploratorio de datos espaciales con variables espacialmente distribuidas. Cuadernos Latinoamericanos de Administración , 13, 92-104. Darmofal, D. (2006). The political geography of macro-level turnout. Political Geography, 25, 123-150. Goguel, F. (1990). Géographie électorale et science politique: un itinéraire. Espaces Temps. Réfléchir les sciences sociales, 43, 19-24. Gómez Tagle, S., & Vega, M. E. (2000). La geografía del poder y las elecciones en México. México: IFE-Plaza. Martori, J. C. (2008). Nuevas técnicas de estadística espacial para la detección de clusters residenciales de población inmigrante. revista electrónica de geografía y ciencias sociales, 12, 741-798. Martori, J. C., Hoberg, K., & Hoberg, K. (2008). La incorporación del espacio en los métodos estadísticos . Barcelona: X Coloquio Internacional de Geocrítica. Medus, N. (2005). La Geografía Electoral en la historia de la ciencia geográfica. Anuario , 7, 15-32. Monzón, N. (2013). Aportes a la investigación geográfica desde la geografía electoral. Revista Geográfica Digital, 1. 75 Moreno, A. (2003). El votante mexicano: democracia, actitudes políticas y conducta electoral. México: Fondo de Cultura Económica, 4 (7), 251-252. Openshaw. (1984). Ecological Fallacies and the Analysis of Areal Census Data. Department of Geography, University of Newcastle, 16 (1), 17-31. Robinson, W. (1950). Ecological Correlations and the Behavior of Individuals. American Sociological Review, 15 (3), 351-357. Sánchez Rivero, M. (2008). Análisis espacial de datos y turismo: nuevas técnicas para el análisis turístico. Una aplicación al caso extremeño. Revista de Estudios Empresariales, 2, 48-66. Sánchez-Peña, L. L. (2012). Alcances y límites de los métodos de análisis espacial para el estudio de la pobreza urbana . El Colegio de México , 72, 147-179. Sendra, J. B., & Ballesteros, A. G. (1985). Evolución y tendencias acttuales de la Geografía Política. Documents d´Analisi Geografica, 6, 115-132. Sendra, J. B., & Buzar, G. D. (2017). Geografía electoral de la Ciudad Autónoma de Buenos Aires, 2015. Elecciones a Jefe de Gobierno municipal y a Presidente de la República Argentina. Persona y Sociedad, 31 (1), 48-73. Serrano, R. M., & Valcarce, E. V. (2004). Econometría espacial: nuevas técnicas para el análisis regional. Una aplicación a las regiones europeas. Investigaciones Regionales , 83-106. Sonnleinter, W. (2013). Explorando las dimensiones territoriales del compoertamiento político. Estudios Sociológicos XXXI, 98. Taylor. (1994). Geografía Política. Economía-mundo. Estado-Nación y Localidad. Madrid : Trama Editorial . Tingsten, H. (1937). Polítical Behavior; Studies in Election Statistics. . American Political Science Review, 1164-1165. Tobler, W. (1970). A computer model simulation of urban growth in the Detroit region. Economic Geography, 46(2), 234-240. Villodres, C. O., & Cerezo, J. M. (2013). El efecto «amigos y vecinos» sobre la conducta electoral. Un estudio de los comicios locales de 2011 en Andalucía. RES, 19, 93-115. Wing, I. S., & Walker, J. L. (2004). The Geographic Dimensions of Electoral Polarization in the 2004 U.S. Presidential Vote. Progress in Spatial Analysis , 253-285. Yrigoyen, C. C. (s.f.). Análisis exploratorio de datos espaciales al servicoi del geomarketing . Universidad Autónoma de Madrid. 76 2. Páginas web: Insttuto de Estadística y Cartografía de Andalucía. (s.f). Andalucía pueblo a pueblo fichas municipales. Consejería de Economía, Conocimiento, Empresas y Universidad. https://www.juntadeandalucia.es/institutodeestadisticaycartografia/sima/ficha.htm?mun=29006 Ministerio del Interior (s.f). Información electoral. http://www.infoelectoral.mir.es/infoelectoral/min/ 77 ANEXOS 1. Legislación 1.1 Decreto 178/2018, de 2 de octubre, por el que se aprueba la creación del municipio de Fuente Carreteros por segregación del término municipal de Fuente Palmera (Córdoba). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 13-27. 1.2 Decreto 179/2018, de 2 de octubre, por el que se aprueba la creación del municipio de Fornes por segregación del término municipal de Arenas del Rey (Granada). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 27-41. 1.3 Decreto 180/2018, de 2 de octubre, por el que se aprueba la creación del municipio de La Guijarrosa por segregación del término municipal de Santaella (Córdoba). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 41-61. 1.4 Decreto 181/2018, de 2 de octubre, por el que se aprueba la creación del municipio de San Martín del Tesorillo, por segregación del término municipal de Jimena de la Frontera (Cádiz). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 61- 76. 1.5 Decreto 182/2018, de 2 de octubre, por el que se aprueba la creación del municipio de Tharsis, por segregación del término municipal de Alonso (Huelva). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 76-100. 1.6 Decreto 183/2018, de 2 de octubre, por el que se aprueba la creación del municipio de El Palmar de Troya por segregación del término municipal de Utrera (Sevilla). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 100-122. 1.7 Decreto 184/2018, de 2 de octubre, por el que se aprueba la creación del municipio de Torrenueva costa por segregación del término municipal de Motril (Granada). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 122-143. 1.8 Decreto 185/2018, de 2 de octubre, por el que se aprueba la creación del municipio de la Zarza- Perrunal por segregación del término municipal de calañas (Huelva). Boletín Oficial de la Junta de Andalucía. Andalucía. 9 de octubre de 2018, núm. 196, pp. 143-170. 1.9 Ley 7/1993, de 27 de julio, Reguladora de la Demarcación Municipal de Andalucía. Boletín Oficial de la Junta de Andalucía. Andalucía. 7 de agosto de 1993, núm. 86, pp.7582-7592 84 Tabla 25. Modelo redefinido en términos de retardo espacial; (VD: Tasa_Cs) Data set : ANDALUCIA Spatial Weight : ANDALUCIA Dependent Variable : Tasa_Cs Number of Observations: 777 Mean dependent var : 13,498 Number of Variables : 7 S.D. dependent var : 4,95861 Degrees of Freedom : 770 Lag coeff. (Rho) : 0,221973 R-squared : 0,333406 Log likelihood : -2192,41 Sq. Correlation : - Akaike info criterion : 4398,83 Sigma-square : 16,3901 Schwarz criterion : 4431,41 S.E of regression : 4,04847 ----------------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------------- W_Tasa_Cs 0,221973 0,0472395 4,69887 0,00000 CONSTANT 0,0978137 2,43639 0,040147 0,96798 porc_extra 4,57108 1,63892 2,78908 0,00529 Porc_65y 0,0265237 0,0508201 0,521913 0,60173 menos20 0,131317 0,0704966 1,86274 0,06250 Paro_Mun 0,0139142 0,0293847 0,473519 0,63584 rentamedia 0,000609969 5,23968e-005 11,6413 0,00000 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 54,1952 0,00000 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA TEST DF VALUE PROB Likelihood Ratio Test 1 23,5376 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa 85 3.4 Vox Tabla 26. Modelo redefinido en términos de error (VD: Tasa_Vox) Data set : ANDALUCIA Spatial Weight : ANDALUCIA Dependent Variable : Tasa_Vox Number of Observations: 777 Mean dependent var : 8,230940 Number of Variables : 6 S.D. dependent var : 4,174725 Degrees of Freedom : 771 Lag coeff. (Lambda) : 0,600899 R-squared : 0,463687 R-squared (BUSE) : - Sq. Correlation : - Log likelihood :-2000,088931 Sigma-square : 9,34704 Akaike info criterion : 4012,18 S.E of regression : 3,05729 Schwarz criterion : 4040,11 ----------------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------------- CONSTANT 8,99641 1,99807 4,50255 0,00001 porc_extra 12,3881 1,60131 7,73624 0,00000 Porc_65y -0,133792 0,0423376 -3,16013 0,00158 menos20 -0,052315 0,0582855 -0,897564 0,36942 Paro_Mun -0,0596853 0,0280649 -2,12669 0,03345 rentamedia 0,000301278 4,46335e-005 6,75003 0,00000 LAMBDA 0,600899 0,0380856 15,7776 0,00000 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 23,9359 0,00022 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA TEST DF VALUE PROB Likelihood Ratio Test 1 192,0219 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa 86 Tabla 27. Modelo redefinido en términos de retardo espacial (VD: Tasa_Vox) Data set : ANDALUCIA Spatial Weight : ANDALUCIA Dependent Variable : Tasa_Vox Number of Observations: 777 Mean dependent var : 8,23094 Number of Variables : 7 S.D. dependent var : 4,17472 Degrees of Freedom : 770 Lag coeff. (Rho) : 0,546646 R-squared : 0,448542 Log likelihood : -2005,13 Sq. Correlation : - Akaike info criterion : 4024,25 Sigma-square : 9,61099 Schwarz criterion : 4056,84 S.E of regression : 3,10016 ----------------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------------- W_Tasa_Vox 0,546646 0,0369696 14,7864 0,00000 CONSTANT 4,7426 1,86207 2,54695 0,01087 porc_extra 10,0714 1,309 7,69395 0,00000 Porc_65y -0,0983679 0,0390125 -2,52145 0,01169 menos20 -0,0681885 0,0539045 -1,26499 0,20588 Paro_Mun -0,0510131 0,0225826 -2,25895 0,02389 rentamedia 0,000237427 3,91357e-005 6,06677 0,00000 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 21,7941 0,00057 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA TEST DF VALUE PROB Likelihood Ratio Test 1 181,9468 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa 87 3.5 Adelante Andalucía Tabla 28. Modelo redefinido en términos de error; (VD: Tasa_AA) Data set : ANDALUCIA Spatial Weight : ANDALUCIA Dependent Variable : Tasa_AA Number of Observations: 777 Mean dependent var : 13,515457 Number of Variables : 6 S.D. dependent var : 8,496934 Degrees of Freedom : 771 Lag coeff. (Lambda) : 0,440300 R-squared : 0,252902 R-squared (BUSE) : - Sq. Correlation : - Log likelihood :-2666,251239 Sigma-square : 53,9389 Akaike info criterion : 5344,5 S.E of regression : 7,34431 Schwarz criterion : 5372,44 ----------------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------------- CONSTANT 22,13 4,71418 4,69435 0,00000 porc_extra -9,65922 3,63175 -2,65966 0,00782 Porc_65y -0,402295 0,0999444 -4,02519 0,00006 menos20 -0,167289 0,138122 -1,21116 0,22583 Paro_Mun 0,1356 0,0640238 2,11796 0,03418 rentamedia 6,70608e-005 0,000103779 0,646189 0,51816 LAMBDA 0,4403 0,0456516 9,6448 0,00000 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 99,9316 0,00000 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL ERROR DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA TEST DF VALUE PROB Likelihood Ratio Test 1 66,2604 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa 88 Tabla 29. Modelo redefinido en términos de retardo espacial; (VD: Tasa_AA) Data set : ANDALUCIA Spatial Weight : ANDALUCIA Dependent Variable : Tasa_AA Number of Observations: 777 Mean dependent var : 13,5155 Number of Variables : 7 S.D. dependent var : 8,49693 Degrees of Freedom : 770 Lag coeff. (Rho) : 0,439728 R-squared : 0,267172 Log likelihood : -2658,72 Sq. Correlation : - Akaike info criterion : 5331,44 Sigma-square : 52,9086 Schwarz criterion : 5364,02 S.E of regression : 7,27383 ----------------------------------------------------------------------------- Variable Coefficient Std.Error z-value Probability ----------------------------------------------------------------------------- W_Tasa_AA 0,439728 0,0437774 10,0446 0,00000 CONSTANT 13,5541 4,3479 3,11739 0,00182 porc_extra -7,6573 2,96607 -2,58164 0,00983 Porc_65y -0,332026 0,0916609 -3,62233 0,00029 menos20 -0,110849 0,126474 -0,876454 0,38078 Paro_Mun 0,135846 0,0531338 2,55668 0,01057 rentamedia 5,39473e-005 9,05195e-005 0,595975 0,55119 ----------------------------------------------------------------------------- REGRESSION DIAGNOSTICS DIAGNOSTICS FOR HETEROSKEDASTICITY RANDOM COEFFICIENTS TEST DF VALUE PROB Breusch-Pagan test 5 102,7546 0,00000 DIAGNOSTICS FOR SPATIAL DEPENDENCE SPATIAL LAG DEPENDENCE FOR WEIGHT MATRIX : ANDALUCIA TEST DF VALUE PROB Likelihood Ratio Test 1 81,3274 0,00000 Fuente: Elaboración propia a partir de datos obtenidos de GeoDa 89