Propuestas metodológicas para el análisis de la vulnerabilidad a los riesgos por amenazas naturales

Propuestas metodológicas para el análisis de la vulnerabilidad a los riesgos por amenazas naturales TESIS DOCTORAL Daniel Navarro Cueto Departamento de Geografía Física y Análisis Geográco Regional Facultad de Geografía e Historia Universidad de Sevilla Diciembre 2020 Este documento está preparado para ser imprimido a doble cara. Propuestas metodológicas para el análisis de la vulnerabilidad a los riesgos por amenazas naturales Memoria que presenta para optar al título de Doctor en Geografía Daniel Navarro Cueto Dirigida por los Doctores Ismael Vallejo Villalta Manuel Navarro Bernal Departamento de Geografía Física y Análisis Geográco Regional Facultad de Geografía e Historia Universidad de Sevilla Diciembre 2020 Copyright © Daniel Navarro Cueto a Itxaso por su apoyo durante estos años Agradecimientos If I have seen further it is by standing on the shoulders of Giants. Carta de Isaac Newton a Robert Hooke. Isaac Newton La aportación que pueda suponer esta tesis doctoral, en el campo de la vulnerabilidad al riesgo de desastres por amenazas naturales, únicamente puede entenderse como el resultado de la generosidad en la transimisión del conocimiento de aquellos y aquellas que me han precedido en el estudio de dicho campo, ya sea mediante la labor docente como de la investigadora. Particularmente, la elaboración de esta tesis doctoral no habría sido posible, por supuesto, sin el esfuerzo de los directores de la misma, Ismael Vallejo y Manuel Navarro. A ellos les agradezco muy especialmente sus valiosas aportaciones, así como su experiencia que han compartido conmigo a lo largo de estos años. vii Resumen La tesis doctoral tiene como objetivo estudiar y analizar las metodologías disponibles disponibles para el estudio de diferentes aspectos constituyentes de la vulnerabilidad al riesgo de desastres por amenazas naturales y contribuir a la aplicación de algunas de las que se han considerado de mayor interés. Cada uno de los objetivos especícos trata de responder a una problemática particular vinculada a la vulnerabilidad, con las especicidades que ello conlleva, proponiéndose una metodología particular para cada una de ellas. La primera propuesta metodológica pretende contribuir a la cuanticación del capital social y su implicación en la vulnerabilidad al riesgo de desastres abordándose desde el análisis de redes sociales. El segundo responde a la necesidad de contar con escenarios prospectivos que permitan la planicación del desarrollo urbano teniendo en consideración el riesgo de desastres y para ello se ha propuesto un modelo de autómatas celulares. El tercer y último objetivo especíco aborda el análisis de la vulnerabilidad social teniendo en cuenta las múltiples dimensiones implicadas desde el análisis de componentes principales y el análisis k-means. La tesis doctoral se organiza en tres partes y ocho capítulos. La primera parte, síntesis, comienza con el capítulo de introducción donde se hace un repaso del marco teórico sobre la vulnerabilidad. En el segundo capítulo se describen el objetivo general y los objetivos especícos. A continuación, en el capítulo de metodologías se exponen cada una de las propuestas que constituyen el cuerpo de la tesis. En el cuarto capítulo se describen los resultados y se discuten los mismos. Finalmente, en el último capítulo de la primera parte se recogen las conclusiones de la tesis. En la segunda parte, trabajos publicados, se recogen los tres artículos publicados en el marco de la tesis que se corresponden con cada uno de los objetivos especícos. En el capítulo seis se encuentra el trabajo `Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú' publicado en el Boletín de la Asociación de Geógrafos Españoles (Navarro Cueto et al., 2017). En el capítulo siete encontramos ix Parte I SÍNTESIS Capítulo 1 Introducción 1.1. Deniciones iniciales El riesgo de desastre se dene habitualmente como la probabilidad de que ocurra un desastre en un periodo de tiempo especíco. El riesgo se suele expresar de forma matemática como una función en el tiempo (convolución) de la peligrosidad, la vulnerabilidad y la exposición. Según la estrategia de las Naciones Unidas para la reducción del riesgo de desastres (UN, 2016), el riesgo se dene como: Posibilidad de que se produzcan muertes, lesiones o destrucción y daños en bienes en un sistema, una sociedad o una comunidad en un período de tiempo concreto, determinados de forma probabilística como una función de la amenaza, la exposición, la vulnerabilidad y la capacidad. Los desastres que afectan a la población son usualmente clasicados en diferentes tipologías en función del agente que lo produzca; desastres tecnológicos, conictos bélicos o desastres naturales. Entiéndanse los últimos como aquellos relacionados con inundaciones, terremotos, volcanes y otros. Sin embargo, la conceptualización como desastre natural ha hecho que la atención se centre tradicionalmente sobre el fenómeno natural, ocultando el papel que juega la sociedad en la producción de estos desastres. Es por ello que actualmente se arma que no existen desastres naturales, sino desastres por amenazas naturales. No obstante, por brevedad se utilizará indistintamente los términos desastres por amenazas naturales y desastres naturales. A continuación se presenta una denición de desastre (UN, 2016): Disrupción grave del funcionamiento de una comunidad o so- 3 4 Capítulo 1. Introducción ciedad en cualquier escala debida a fenómenos peligrosos que interaccionan con las condiciones de exposición, vulnerabilidad y capacidad, ocasionando uno o más de los siguientes: pérdidas e impactos humanos, materiales, económicos y ambientales. De acuerdo al Panel Intergubernamental de Cambio Climático (IPCC, 2012) la denición de desastre es: Los desastres son los impactos extremos sufridos cuando un even- to físico interacciona con condiciones sociales vulnerables alterando de forma severa el funcionamiento normal de una comunidad o una sociedad. Otra posible denición de desastre es la siguiente (Oliver-Smith, 2002): Un desastre es un proceso/evento que combina un agente/fuerza potencialmente destructivo procedente del entorno natural, modicado o construido, y una población en una condición de vulnerabilidad producida social y económicamente, resultando en la percepción de la interrupción de la habitualmente relativa satisfacción de las necesidades individuales y sociales de supervivencia física, orden social y signicado. El agente o fuerza potencialmente destructivo al que hace referencia la cita anterior se conoce en el campo de los riesgos como la peligrosidad o la amenaza (UN, 2016): Proceso, fenómeno o actividad humana que puede ocasionar muertes, lesiones u otros efectos en la salud, daños a los bienes, disrupciones sociales y económicas o daños ambientales. Respecto a la exposición, podemos denirla como (UN, 2016): Situación en que se encuentran las personas, las infraestructuras, las viviendas, las capacidades de producción y otros activos humanos tangibles situados en zonas expuestas a amenazas. Otra posible denición de exposición sería la siguiente (IPCC, 2014): La presencia de personas, medios de vida, especies o ecosistemas, funciones ambientales, servicios y recursos, infraestructura, o bienes económicos, sociales o culturales en lugares y entornos que podrían verse afectados negativamente. 1.2. Marcos conceptuales sobre la vulnerabilidad 5 La combinación de una población humana y de un agente potencialmente destructivo no produce necesariamente un desastre. Un desastre se vuelve inevitable en el contexto de unos patrones de vulnerabilidad producidos históricamente. Los patrones de vulnerabilidad son generados por el propio funcionamiento de la sociedad de forma consciente y dirigida unas veces, o por falta de conocimiento otras. Entre ellos se encuentran la localización de los emplazamientos, la infraestructura, la organización sociopolítica, la desigualdad en el acceso a la riqueza, los sistemas de producción y distribución, así como la ideología de una sociedad. El patrón de vulnerabilidad de una sociedad es un elemento que nos ayuda a entender cuando un evento extremo acaba siendo un desastre y cuando no. Existe una variedad de propuestas para delimitar conceptualmente la vulnerabilidad a los desastres por amenazas naturales. En el apartado siguiente se abordarán diferentes marcos conceptuales para el estudio de la vulnerabilidad. 1.2. Marcos conceptuales sobre la vulnerabilidad El concepto de vulnerabilidad procede de las ciencias sociales y fue introducido en el campo de los riesgos naturales, por entonces centrado exclusivamente en la peligrosidad, ya en la década de 1970 (Schneiderbauer y Ehrlich, 2004). Mientras que la perspectiva tradicional de la ingeniería se centraba principalmente en los aspectos físicos, en las últimas décadas (UNISDR, 2004) se han ido incorporando otros factores y procesos, como las características físicas, sociales, medioambientales, económicas e institucionales. Vogel y O'Brien (2004) han establecido algunas características propias de la vulnerabilidad: la vulnerabilidad es multidimensional y diferencial, es decir que varía en función del espacio y dentro de los grupos sociales; depende de la escala, ya sea individual, familiar, regional o sectorial; y es dinámica debido a que las fuerzas impulsoras de la vulnerabilidad cambian a lo largo del tiempo. En relación al concepto de vulnerabilidad social, para el que existen también diferentes enfoques, Cannon et al. (2003) arman que la vulnerabilidad social es mucho más que la probabilidad de que los edicios colapsen o de que la infraestructura sufra daños. Incluyendo aspectos como: el bienestar, es decir, la calidad de la alimentación, salud física y mental; el sustento y la resiliencia, mediante los recursos, capital, ingresos y cualicación; la autoprotección, como la capacidad para construir y usar un hogar y un entorno 6 Capítulo 1. Introducción seguro; la protección social, con medidas de preparación y mitigación; y las redes e instituciones sociales y políticas, a través del capital social, calidad institucional y otros. En este sentido, se podría argumentar que la vulnerabilidad social no se limita a los aspectos considerados habitualmente como la dimensión social de la vulnerabilidad (ingresos de la población, ancianos, lazos y redes sociales, etc.) sino que abarcaría todo el campo de la vulnerabilidad incluidos los aspectos físicos (construcciones e infraestructuras) y los aspectos económicos, ya que ambos son expresiones de la vulnerabilidad socialmente construida. 1.2.1. La doble estructura de la vulnerabilidad Bohle (2001) desde el enfoque de la Geografía social y numerosos estudios sobre hambrunas destaca que la vulnerabilidad tiene una doble estructura (g. 1.1). Un lado interno, que se corresponde con la habilidad de anticipar, hacer frente, resistir y recuperarse del impacto de una amenaza. Y un lado externo, que se relaciona con la exposición al riesgo. La parte externa y la parte interna se inuyen mutuamente. Destaca el hecho de incorporar la exposición como un elemento más de la vulnerabilidad. En este sentido, desde la perspectiva de la doble estructura de la vulnerabilidad, la exposición va más allá de la ubicación espacial, incluyendo aspectos que generan situaciones de riesgo, como la exclusión de las redes sociales. 1.2.2. La escuela de la ecología política En la escuela de la ecología política el modelo más importante es el `pressure and release model'(PAR model) elaborado por Blaikie et al. (1994) y ampliado por Wisner et al. (2004). Según este modelo los desastres son el resultado de la interacción de los procesos que generan vulnerabilidad, por un lado, y un evento natural potencialmente peligroso, por otro. El PAR se basa en que la vulnerabilidad y el desastre pueden ser vistos como procesos que cambian a lo largo del tiempo incrementado la presión, junto con oportunidades para liberar esa presión (g. 1.2). El riesgo es por tanto el resultado de la amenaza y la vulnerabilidad. Desde los planteamientos de la ecología política y los estudios sobre desarrollo se ha denido la vulnerabilidad como (Blaikie et al., 1994): Por vulnerabilidad entendemos las características de una persona o grupo desde el punto de vista de su capacidad para anticipar, sobrevivir, resistir y recuperarse del impacto de una amenaza 1.2. Marcos conceptuales sobre la vulnerabilidad 7 Figura 1.1: La doble estructura de la vulnerabilidad (Bohle, 2001) natural. Implica una combinación de factores que determinan el grado hasta el cual la vida y la subsistencia de alguien queda en riesgo por un evento distinto e identicable de la naturaleza o de la sociedad. Se distinguen aquí tres niveles diferentes de vulnerabilidad: causas profundas, presiones dinámicas y condiciones inseguras. Las causas profundas pueden ser procesos económicos, demográcos o políticos que determinan el poder y el acceso a los recursos. Se encuentra relacionado con las cuestiones de buena gobernanza y de distribución del poder dentro de una sociedad. Se incluyen también las ideologías políticas y económicas ya que proporcionan una forma de entender el mundo y legitiman las desigualdades de una sociedad. En un segundo nivel se encuentran las presiones dinámicas. Éstas abarcan todos aquellos procesos y actividades que transforman y canalizan los 8 Capítulo 1. Introducción Figura 1.2: Preassure and release model (Wisner et al., 2004) efectos de las causas profundas en condiciones de inseguridad. Por ejemplo, la falta de una adecuada formación, la ausencia de libertad de prensa, cambios rápidos de la población, rápida urbanización o la deforestación. El último nivel es el de las condiciones inseguras. Las cuáles son formas especícas en las que la vulnerabilidad humana es expresada. Este nivel lo forman a su vez cuatro aspectos diferenciados: El ambiente físico (localizaciones peligrosas, edicios e infraestructuras vulnerables), la economía local (subsistencia en peligro o bajos niveles de ingresos), las relaciones sociales (grupos especiales en riesgo o falta de instituciones locales), y las acciones públicas e instituciones (falta de preparación ante desastres). El modelo PAR presta especial atención al hecho de que no es suciente con identicar la vulnerabilidad, sino que hay que ir más allá, es necesario comprender las presiones dinámicas y las causas profundas que generan las condiciones de inseguridad. Sin embargo, debido a la multicausalidad de las condiciones de inseguridad y debido a que es un proceso en continuo cambio, resulta complicado establecer conexiones de un modo cuantitativo entre cada uno de los niveles de vulnerabilidad. Este modelo es uno de los más conocidos internacionalmente que se centran en la vulnerabilidad y en sus causas. Desde este enfoque, un esfuerzo real para reducir la vulnerabilidad implica cambiar los sistemas económicos 1.2. Marcos conceptuales sobre la vulnerabilidad 9 Figura 1.3: Enfoque holístico para la determinación del riesgo y la vulnerabilidad (Cardona, 2001) y políticos, ya que estos son vistos como las causas profundas. 1.2.3. Enfoque holístico para la determinación del riesgo y la vulnerabilidad El enfoque holístico procede de los trabajos de Cardona (2001). Según este enfoque, la vulnerabilidad está compuesta por tres dimensiones diferentes (g. 1.3): la exposición física y la susceptibilidad, denida como riesgo duro (hard risk) y que es dependiente del tipo de amenaza; la fragilidad del sistema socioeconómico, vista como riesgo blando (soft risk) e independiente del tipo de amenaza; y la falta de resiliencia para afrontar y recuperarse, vista también como riesgo blando e independiente del tipo de amenaza. Desde este enfoque, se arma que los indicadores o índices de vulnerabilidad deben ser elaborados desde una perspectiva multidisciplinar. Ya que por un lado captan los impactos físicos directos y por otro aspectos indirectos e incluso cuestiones intangibles. 16 Capítulo 1. Introducción electoral y número de manifestaciones políticas. Por otra parte, desde el enfoque estructural cabe citar a Varda et al. (2009) quienes proponen un marco conceptual basado en el análisis de redes sociales compuesto por cuatro cuadrantes en función de si los grupos analizados se encuentran dentro o fuera de la zona de desastre y de si buscan o proveen ayuda. Así mismo, muestran cómo tras el huracán Katrina las redes informales jugaron un importante papel en la recuperación independientemente de la ayuda del Estado y de la condición económica, el nivel educativo o el nivel de daño de los afectados. Por otra parte, Tobin et al. (2014) estudiaron las redes sociales en áreas volcánicas activas de Ecuador y México mediante entrevistas, encuestas y trabajo de campo etnográco. Para ello, se usaron cuatro categorías de redes sociales: redes cerradas, donde todo el mundo se relaciona con todo el mundo; redes extensas, donde hay unos núcleos cerrados con algunos enlaces débiles; redes de subgrupos, donde hay al menos dos grupos diferenciados que usualmente están conectados; y redes dispersas con baja densidad de enlaces entre sus integrantes. Newman y Dale (2005) arman que siendo las redes sociales importantes antes, durante y después de la ocurrencia de un desastre, la estructura de la red también es importante para que haya una diversidad suciente que permite la incorporación de nuevas prácticas y medidas. En este sentido, puede decirse que el capital social es importante en el riesgo de desastres, pero no existe un consenso de cómo evaluarlo. Respecto a la simulación de escenarios urbanos futuros en el ámbito de la Geografía, y más concretamente el uso de autómatas celulares para la generación de los mismos, se remonta a la década de 1960 y principios de los 70s. Lowry (1964) propone un modelo por ordenador de la organización espacial de las actividades humanas en el área metropolitana de Pitsburg para la evaluación de políticas públicas y la simulación a lo largo del tiempo del cambio en el área metropolitana. Unos años después, Tobler (1970) publica un modelo para la simulación de escenarios demográcos con especial interés en la distribución espacial en la ciudad de Detroit. Tras estos pioneros, no sería hasta la década de 1990 y la de 2000 cuando resurge el interés por este tipo de modelos, siendo a partir de entonces cuando los modelos de autómatas celulares pasan a ser reconocidos como una de las mejores herramientas para estudiar las ciudades y las regiones como sistemas complejos (White y Engelen, 1993; Portugali, 2000; Batty, 2005). Pueden encontrarse aplicaciones de estos modelos para simular escenarios futuros en el ámbito del riesgo de desastres y el cambio climático. Barredo y Engelen (2010) utilizan un modelo de autómatas celulares para generar escenarios a 20 años en la provincia de Pordenone, al norte de Italia, cali- 1.3. Retos metodológicos 17 brándolo previamente con mapas de 1950, 1970, 1980 y 2000, para calcular los cambios en la exposición a inundaciones. Canters et al. (2014) emplean también un modelo de autómatas celulares para simular los cambios en el uso del suelo en 2030 en la costa de Bélgica y calcular la exposición a las tormentas costeras de 1000 y 4000 años de periodo de retorno, que son los contemplados en el Plan Maestro de Seguridad Costera. Por otra parte, He et al. (2015) proponen un modelo acoplado de un sistema dinámico y un modelo de autómatas celulares para evaluar el impacto del cambio climático en la megalópolis Beijing Tianjin Tangshan en China desde 2009 hasta 2030. Por último, Votsis (2017) utiliza un modelo de autómatas celulares para explorar diferentes estrategias de adaptación a las inundaciones costeras en Helsinki, simulando diferentes escenarios hasta el año 2040. No obstante, a pesar de que existen diferentes aplicaciones de estos modelos para simular escenarios futuros y calcular el riesgo asociado, éstos se han centrado en la modelización del cambio de exposición, no variando por tanto a lo largo del tiempo la vulnerabilidad. El último aspecto considerado ha sido el análisis de la vulnerabilidad social, en donde existen una multiplicidad de dimensiones que deben capturarse a través de diferentes variables o indicadores. Como se expuso en el apartado anterior, al comienzo del estudio del riesgo de desastres, la vulnerabilidad era contemplada exclusivamente desde la perspectiva física o ingenieril, posteriormente sin embargo se constató que diferentes aspectos de la realidad social contribuyen a reducir o incrementar el impacto de los desastres. Los dos enfoques más extendidos comparten nombre aunque se diferencian por sus siglas. El primero, índice de vulnerabilidad social (SoVI por sus siglas en inglés) propuesto por Cutter et al. (2003), se basa en el análisis de 42 variables obtenidas del censo de Estados Unidos y que aplican a nivel de condado. La metodología empleada se basa en el análisis estadístico de componentes principales con el que se obtienen los factores que explican la mayor varianza de los datos y se obtiene un valor de vulnerabilidad a partir de las puntuaciones de las cargas factoriales obtenidas. El segundo enfoque, también denominado índice de vulnerabilidad social (SVI por sus siglas en inglés) fue elaborado por el Centro para el Control y Prevención de Enfermedades de Estados Unidos (Flanagan et al., 2011) y se emplean 15 variables agrupadas en cuatro categorías: estatus socioeconómico; composición de la vivienda y discapacidad; minorías e idioma; vivienda y transporte. Para obtener el valor de vulnerabilidad se calculan los percentiles de cada variable y se agregan por categorías y posteriormente las cuatro categorías para obtener el índice de vulnerabilidad. 18 Capítulo 1. Introducción Las dos propuestas mencionadas para el análisis de la vulnerabilidad social presentan la problemática de manejar un elevado número de variables que han de ponderarse para obtener un único valor o índice de vulnerabilidad. Capítulo 2 Objetivos La tesis doctoral pretende contribuir al acervo metodológico para el estudio de la vulnerabilidad a los riesgos naturales. A continuación se expone el objetivo general y los objetivos especícos. 2.1. Objetivo general La tesis tiene como objetivo general contribuir a las metodologías disponibles para el estudio de diferentes aspectos constituyentes de la vulnerabilidad al riesgo de desastres por amenazas naturales. 2.2. Objetivos especícos A continuación se listan los objetivos especícos de la tesis. Éstos responden a tres aspectos en los que se han identicado retos metodológicos vinculados a la vulnerabilidad al riesgo desastres. Proponer una metodología para el análisis del capital social en relación a la vulnerabilidad a los desastres. Desarrollar un modelo urbano capaz de simular escenarios futuros de vulnerabilidad. Elaborar una metodología para el análisis de la vulnerabilidad social al riesgo de desastres. 19 Capítulo 3 Metodologías En este apartado se describen las tres propuestas metodológicas desarrolladas y que se corresponden con los objetivos especícos de la tesis. Para la cuanticación del capital social se propone el análisis de redes, para el desarrollo de un modelo urbano de simulación de escenarios futuros de cambio de la vulnerabilidad se opta por un modelo de autómatas celulares, mientras que para el análisis de la vulnerabilidad social la metodología propuesta se basa en una combinación del análisis de componentes principales y el análisis k-means. 3.1. Análisis de redes La propuesta metodológica para el análisis del capital social se basa en el análisis de redes. En primer lugar deniremos que se entiende por capital social y sus tipos. El capital social de un inviduo o colectivo son los recursos a los que estos pueden acceder debido a las relaciones que tienen con los miembros de la red social, entendiendo los recursos como materiales o información. En la gura 3.1 se muestran las tres formas de capital social o tipos de relaciones analizadas: Las relaciones tipo bonding son aquellas que se producen dentro de un grupo, por ejemplo las relaciones que son producto de la interacción en espacios de socialización o participación; las relaciones bridging se reeren a aquellas que se dan de forma horizontal entre diferentes grupos, por ejemplo, entre dos barrios que realizan acciones de forma conjunta; por último, las relaciones linking son las que se dan de forma vertical, por ejemplo, entre una asociación barrial y el gobierno local. Por tanto, las relaciones bonding nos permiten estudiar la cohesión social, las relaciones 21 22 Capítulo 3. Metodologías Figura 3.1: Tipos de capital social (Nakagawa y Shaw, 2004) bridging la vinculación social y las relaciones linking la integración social (Lozares et al., 2011). Una red o grafo se dene matemáticamente (ecuación 3.1) como un par formado por un conjunto de nodos V , también llamados vértices o puntos, y un conjunto de enlaces E , a los que también se les denomina aristas o líneas. G= (V, E) (3.1) siendo G un grafo, V un conjunto de nodos y E un conjunto de enlaces. Existen diferentes tipos de grafos con características y propiedades particulares. Los más comunes son los grafos no dirigidos y los grafos dirigidos. En los primeros los enlaces no tienen sentido, luego si x está conectado con 3.1. Análisis de redes 23 Figura 3.2: Red o grafo no dirigido y , entonces y lo está con x . En los grafos dirigidos sin embargo el sentido de los enlaces sí importa. En la gura 3.2 se muestra un ejemplo de grafo no dirigido. La red se compone de 5 nodos V={1,2,3,4,5} y cinco enlaces E={{1,2}{1,3}{1,4}{1,5}{2,4}} . Otro tipo de grafo es el bipartito. Un grafo bipartito, o bimodal, es aquél que tiene dos conjuntos diferentes de nodos y donde las aristas solamente pueden conectar nodos de un conjunto con nodos del otro. Se dene por tanto como dos conjuntos de nodos y un conjunto de enlaces (ecuación 3.2). G= (U, V, E) (3.2) siendo G un grafo, U un conjunto de nodos, V otro conjunto de nodos distinto al anterior y E un conjunto de enlaces. Para determinar las relaciones de tipo bonding se ha elaborado un grafo bipartito. Los dos conjuntos de nodos los forman por un lado las familias y por otro los espacios de participación barrial, es decir, asambleas y trabajos comunales. En cuanto a los enlaces, éstos unen a las familias con los espacios donde han participado. Posteriormente, el grafo bipartito se ha proyectado en un grafo unimodal. Al realizar la proyección se obtiene una nueva red 24 Capítulo 3. Metodologías Figura 3.3: Grafo bipartito compuesta únicamente por familias, donde las que han participado en espacios en común están relacionadas entre sí y la ponderación del enlace será mayor cuantos más espacios en común compartan. Una vez se tiene el grafo unimodal se calcula el grado promedio 1 de todos los nodos. En la gura 3.3 se muestra un grafo bipartito formado por dos conjuntos de nodos U={1,2,3,4,5} y V={6,7} , y conjunto de enlaces E={{1,6}{2,6}{3,6}{3,7}{4,6}{4,7}{5,7}} . En nuestro caso, los nodos del conjunto U serían las familias y los del conjunto V los espacios de participación. La gura 3.4 muestra el grafo resultante de proyectar el grafo de la gura 3.3. Se tiene ahora un grafo formado por V={1,2,3,4,5} y E= {{1,2}{1,3}{1,4}{2,3}{2,4}{3,4}{3,5}{4,5}} . Por tanto, las familias del conjunto U que se encontraban en los mismos espacios de participación del conjunto V en el grafo bimodal, se relacionan ahora entre si en el grafo unimodal. El proceso mencionado anteriormente, construcción de grafo bimodal, 1 El grado promedio de una red es la suma de los enlaces de cada uno de los nodos dividido el número total de nodos de la red 3.1. Análisis de redes 25 Figura 3.4: Proyección de grafo bimodal a grafo unimodal proyección a grafo unimodal y cálculo del grado promedio, se ha calculado mediante la ecuación 3.3 propuesta en el trabajo Navarro Cueto et al. (2017) con la que se obtienen el nivel de relaciones bonding de un barrio de forma directa. bonding =ana(na−1) + fnf(nf−1) n (3.3) siendo a el número de asambleas realizadas anualmente, na el número de familias participantes en las asambleas, f el número de faenas o trabajos comunales realizados anualmente, nf el número de familias participantes en las faenas y n el número de familias del barrio. Por otra parte, el nivel bridging de los barrios se obtiene a partir de las relaciones entre los diferentes barrios. Para ello se construye una red dirigida (g. 3.5) en la que se han ponderado los enlaces en base a la identicación y conocimiento de los dirigentes de otros barrios, así como al número de trabajos comunales realizados de forma conjunta durante el último año. El valor asignado a cada barrio se ha obtenido a partir de una métrica conocida como pagerank , basada en un algoritmo que puntúa la centralidad de un nodo a partir de la centralidad de sus vecinos dividido entre sus grados de salida, siendo los nodos vecinos aquellos con los que se tiene una relación directa 32 Capítulo 3. Metodologías Figura 3.9: Vecindario de autómata celular cuando el desarrollo se produce en barrios antiguos haciendo el área más atractiva. Por otra parte, el modelo considera que los edicios más vulnerables son más propensos a la renovación ya que son más viejos y por tanto se encuentran próximos al n de su vida útil. Mientras que los edicios menos vulnerables son los más nuevos y por tanto permanecerán durante más tiempo. En otras palabras, los edicios más nuevos tienen una inercia mayor de mantener su estado en comparación con los edicios viejos. 3.3. Componentes principales y k-means La propuesta metodológica para el estudio de la vulnerabilidad social consiste en el análisis de componentes principales (Lloyd, 1982) y el análisis k-means (Lloyd, 1982; MacQueen, 1967; Steinhaus, 1957) que pertenecen a los métodos de interdependencia. Con esta propuesta se busca abordar el análisis de la vulnerabilidad social donde existen un gran número de variables implicadas. Estos métodos analizan qué variables están relacionadas, cómo lo están y por qué, sin distinguir entre variables dependientes e independientes. El análisis de componentes principales (PCA, por sus siglas en inglés) es una técnica estadística que permite reducir el número de variables obtenien- 3.3. Componentes principales y k-means 33 Figura 3.10: Correlación entre variables do unos grupos homogéneos, o factores, que expliquen la mayor variabilidad de los datos. Esos grupos homogéneos se forman por variables que tienen una alta correlación entre sí. En la gura 3.10 se muestran dos variables, X1 y X2 , que tienen una alta correlación y que pueden explicarse mediante un sólo factor, línea mayor, sin perder demasiada información. Mediante esta técnica se busca por tanto reducir la dimesionalidad del conjunto de datos iniciales, logrando el mínimo número de dimensiones capaces de explicar la mayor variabilidad contenida en los datos. El análisis consta de diferentes etapas. En primer lugar, se comprueba si las variables de partida satisfacen los requisitos para que el PCA sea pertinente. Para ello se utiliza el determinante de la matriz de correlaciones, la medida de Kaiser-Meyer-Olkin conocida como KMO (Cerny y Kaiser, 1977; Dziuban y Shirkey, 1974; Kaiser, 1970) y la prueba de esfericidad de Bartlett (Bartlett, 1951). La medida de adecuación muestral KMO contrasta si las correlaciones parciales entre las variables son sucientemente pequeñas. Permite comparar la magnitud de los coecientes de correlación observados con la magnitud de los coecientes de correlación parcial. Este estadístico varía entre 0 y 1. 34 Capítulo 3. Metodologías Figura 3.11: Gráco de sedimentación Cuando el valor es menor a 0,5 se considera que el PCA no es adecuado debido a que las correlaciones entre pares de variables no pueden ser explicadas por otras variables. Por contra, cuanto mayor sea el valor más pertinente será el análisis. Se procede seleccionando diferentes variables a partir del conjunto inicial de forma que se satisfagan las pruebas anteriores. A continuación, se realiza el PCA. En éste se obtienen los factores y las variables que son explicadas por los mismos. Aquí se vuelven a seleccionar aquellas variables que tienen un mayor peso. A continuación, se selecciona el número de factores más adecuado a partir del gráco de sedimentación. Éste muestra la varianza explicada por cada uno de los factores. En la gura 3.11 se muestra un ejemplo de de gráco de sedimentación en el que puede observarse como llega un momento en el que el incremento de un factor no aumenta sensiblemente la varianza explicada. Se trata de una solución de compromiso entre el número de componentes que incluimos y la varianza explicada. Por último, se obtiene la matriz de componentes rotados. Existen para ello diferentes métodos como Varimax, Quartimax, Equamax entre otros. En este estudio se ha empleado la rotación Varimax, la cual se trata de un método de rotación ortogonal que minimiza el número de variables que 3.3. Componentes principales y k-means 35 Figura 3.12: Dendograma tienen saturaciones altas en cada factor. Esta matriz facilita la interpretación de los factores a partir de las variables iniciales. Una vez que se tienen los componentes principales se procede con el análisis k-means. Éste es un tipo de análisis clúster que forma parte de los algortimos de aprendizaje no supervisado en machine learning. El objetivo del clustering es agrupar las observaciones que tienen variables similares entre sí sin contar con una variable dependiente. Se trata de una técnica de agregación alrededor de centros de gravedad móviles. Siendo éstos los puntos de un clúster donde la suma de las distancias euclídeas al cuadrado de cada individuo con dicho centro es mínima. Los casos se agrupan en cada etapa cambiando el centro de gravedad de los grupos hasta lograr el mínimo de la suma de las distancias. Esta técnica clúster es de tipo no jerárquica y requiere de un número jo de clústers que deben ser denidos inicialmente. Debido a que de partida se desconoce la cantidad más adecuada de grupos que caractericen nuestros datos, se emplea el análisis de conglomerados jerárquicos. A partir de éste se obtiene un dendograma, que es un gráco en forma de árbol que muestra las distancias entre las observaciones y cómo éstas se agrupan sucesivamente. De esta forma, podemos interpretar cuál es el punto de corte más adecuado y decidir así el número de clústers. Por ejemplo, en el dendograma de la gura 3.12 el número de clústers más adecuado sería dos o cuatro. Existen diferentes métodos para medir la similitud de los casos entre sí 36 Capítulo 3. Metodologías como la distancia Manhattan, la distancia métrica de Chebychev o el método de Ward. La empleada en el estudio ha sido el método de Ward con distancia euclídea al cuadrado. El método de Ward aumenta la homogeneidad dentro de los grupos, y la distancia euclídea al cuadrado incrementa las distancias, respecto a la distancia euclídea, lo que facilita la comprensión del dendograma. Finalmente, para la determinación de la vulnerabilidad social se interpretan los centros de los clústers obtenidos. Éstos valores caracterizan los grupos en base a los componentes obtenidos previamente. Capítulo 4 Resultados y discusión 4.1. Capital social y vulnerabilidad La metodología propuesta para la cuanticación del capital social en relación a la vulnerabilidad al riesgo de desastres se basa en el análisis de redes descrito en el capítulo anterior. Se ha aplicado a 18 barrios periféricos de la ciudad de Cusco, Perú, sumando un total de 1463 familias (Figura 4.1). La vía principal que atraviesa el área de estudio constituye un elementro estructurador del desarrollo, los barrios más antiguos se ubican junto a ésta, mientras que los más nuevos se ubican en los entornos de menor accesibilidad. Para la obtención de información primaria, se realizaron entrevistas a los líderes barriales y una encuesta estraticada por barrios. En el apéndice B.1 se incluyen las entrevistas realizadas a los líderes barriales. Estos barrios presentan un alto nivel de informalidad, siendo la gran mayoría de las viviendas autoconstruidas y fuera de ordenamiento urbanístico. La población presenta unos niveles de renta y educativos muy bajos. No obstante, gran parte de la población procede del entorno rural, con una alta conciencia de grupo y un elevado nivel de participación. En este sentido, los barrios se organizan mediante asambleas y realizan numerosos trabajos comunales, también llamados faenas. Algunos de estos trabajos están directamente relacionados con la gestión del riesgo de desastres como pueden ser las tareas de limpieza de los barrancos lo que reduce el peligro de inundaciones. Asimismo, se organizan para hacer incidencia al gobierno local, ya sea para la estabilización de un talud o la reforestación de áreas con alta peligrosidad por deslizamientos. 37 38 Capítulo 4. Resultados y discusión Figura 4.1: Ámbito de estudio Cusco (Navarro Cueto et al., 2017) Se han calculado los tres componentes del capital social, bonding , briding y linking . El primer paso ha consistido en construir un grafo bimodal para cada barrio donde se relacionan las familias con los espacios de participación. Como ejemplo, en la gura 4.2 se muestra el grafo bimodal del tipo de relaciones descritas para el barrio de Pedregal. Los nodos en color negro representan los espacios de participación y los nodos en color gris las familias. Se observa que algunas familias no asistieron a ningún espacio de participación por lo que no tienen ningún enlace a los espacios de participación. Posteriormente, se ha obtenido el grafo unimodal (Figura 4.3) a partir de la proyección del grafo bimodal. Este grafo es el resultado de relacionar entre si las familias que han participado en los mismos espacios. Cuanto mayor sea el número de espacios comunes, mayor será el peso del enlace que las relaciona. Como se describió en el capítulo de metodología, el resultado del capital bonding es el grado promedio del grafo unimodal, o lo que es equivalente, la aplicación de la ecuación 3.3 propuesta en Navarro Cueto et al. (2017). 4.1. Capital social y vulnerabilidad 39 Figura 4.2: Grafo bimodal de relaciones bonding (Navarro Cueto et al., 2017) Figura 4.3: Grafo unimodal de relaciones bonding (Navarro Cueto et al., 2017) 40 Capítulo 4. Resultados y discusión Figura 4.4: Relaciones bonding respecto al nivel de participación Respecto al caso de estudio, los barrios presentan características socioeconómicas muy similares, por tanto, el nivel de relaciones bonding está estrechamente vinculado con asistencia a los espacios de participación. Esto se relaciona con la propia naturaleza de las redes sociales y que se ha tratado de recoger en la ecuación 3.3. Así, al aumentar la participación en un barrio de forma lineal, las relaciones bonding aumentan a un mayor ritmo, dándose lo que podría denominarse una explosión de capital social. En la gura 4.4 se muestra el nivel de relaciones bonding respecto al aumento de la participación en asambleas, por motivos de simplicación, se ha conderado un barrio con 100 familias, en donde se realizan 12 asambleas y donde no se hacen trabajos comunales. La plasmación cartográca de este indicador de cohesión interna muestra un eje central de barrios con los valores más altos, hecho que se deriva de este mayor número de participantes. Sin embargo, los siguientes barrios mejor puntuados presentan una localización periférica que probablemente explica su mayor necesidad de establecer vínculos internos; frente a éstos, en un nivel intermedio y bajo de relaciones bonding se encuentra una orla de casos en torno a los barrios centrales, que de alguna forma sustituyen su cohesión interna por relaciones más estrechas con dichos barrios de mayor nivel. A continuación se obtuvo el grafo para las relaciones de tipo bridging (Figura 4.5) donde se muestra las relaciones entre los barrios analizados. 4.1. Capital social y vulnerabilidad 41 Los enlaces están ponderados en función de la fortaleza de la relación entre los barrios. Mientras que el tamaño de los nodos representa la puntuación obtenida con el algoritmo pagerank que mide la centralidad de los nodos en la red en base a los enlaces ponderados, teniendo en cuenta a su vez la centralidad de los nodos con los que se relaciona. Es decir, con un mismo nivel de relación, puntúa más estar relacionado con otro nodo central que con uno periférico. En este caso el barrio con mayor capital de este tipo es Camino Real. Un aspecto destacable de las relaciones entre los barrios es que aquellos que obtienen un mayor capital de tipo bridging , son aquellos que a su vez ocupan un lugar central en la red de transporte. Es decir, los más accesibles mantienen un mayor nivel de relaciones interbarriales. Adicionalmente, se hizo un análisis de modularidad en el que se obtuvieron tres grupos de barrios que se corresponden perfectamente con aquellos que están más cerca en la red de transporte, de lo que se deduce la importancia de la red vial como condicionadora de las relaciones sociales generadas entre los barrios. El tercer y último tipo de relaciones analizadas son las de tipo linking . En la gura 4.6 se exponen las relaciones entre los barrios, la organización de segundo nivel FUDIZONOC y el gobierno local. La relación con el gobierno local viene dada por la situación legal del barrio, siendo los barrios formales los que tienen mayor relación frente a los informales. Por otra parte, la relación con el FUDIZONOC parece responder a particularidades históricas. Los tres tipos de relaciones se han normalizado obteniendo un valor por cada barrio. Finalmente, se ha obtenido el capital social sumando estos valores (tabla 4.1). En la gura 4.7 se representa espacialmente el capital social de los barrios analizados. A pesar de haberse mostrado que la metodología propuesta es idónea para el análisis del capital social, un aspecto a destacar a la hora de replicar la metodología en otros casos de estudio es el esfuerzo que supone en cuanto a la obtención de información primaria. El tipo de información necesaria para este tipo de análisis no está disponible en los censos de población, lo que implica un coste en entrevistas y encuestas que ha de tenerse en cuenta a la hora de planicar este tipo de estudios. 48 Capítulo 4. Resultados y discusión Figura 4.9: Escenario de vulnerabilidad futura A (Navarro et al., 2020a) can por diferentes factores entre los que encontramos la atracción producida por las nuevas construcciones, la localización de los edicios de mayor antiguedad, la proximidad a las vías principales de transporte, y a la pendiente del suelo. Estos factores son coherentes con el conocimiento geográco y se capturan en el propio modelo de autómatas celulares. El riesgo medio obtenido en ambos escenarios es superior al actual. Esto se debe al aumento de la cantidad de construcciones y al incremento de la población. No obstante, el riesgo medio en el segundo escenario es menor que en el primero debido a la mayor reducción de la vulnerabilidad a través de la renovación urbana, aunque la diferencia no es muy grande debido al tamaña de la ciudad y al tiempo de simulación considerado. Estos resultados muestran que debería promoverse la renovación urbana frente a la expansión para reducir el impacto de un sismo. Al incrementar la renovación urbana, los edicios más vulnerables se sustituyen por edicios nuevos que son menos vulnerables, al mismo tiempo, el crecimiento de la ciudad en áreas de mayor peligrosidad, suelos blandos junto a la costa, se 4.2. Escenarios futuros de vulnerabilidad 49 Figura 4.10: Escenario de vulnerabilidad futura B (Navarro et al., 2020a) reduce. Una posible forma de renar el modelo es en lo referido a la accesibilidad (ecuaciones 3.4 y 3.6). En el caso de estudio actual la accesibilidad se ha calculado midiendo la distancia de cada celda en línea recta a la vía principal más próxima junto con un factor de importancia de la accesibilidad para el uso del suelo que se esté analizando. Esta distancia en línea recta podría sustituirse por la distancia en la red de transporte o por alguna otra medida de accesibilidad en la red que capturase de forma más adecuada la accesibilidad. Otro aspecto que podría explorarse es el de las relaciones del vecindario (ecuación 3.7 y Figura 3.9). En el modelo desarrollado las celdas se relacionan en el espacio en función de su contigüidad y una función que decae según aumenta la distancia. Si bien esta forma de capturar el vecindario es la más habitual, se podría construir estas relaciones en base a la distancia en la red viaria. De esta forma, podría haber celdas que a pesar de estar junto a otras su distancia es mayor al no haber una carretera que las una directamente. 50 Capítulo 4. Resultados y discusión Finalmente, un aspecto que debe tenerse en cuenta es el de la exposición de la población. Para su cálculo se ha obtenido la población media por vivienda a partir del total de la población dividido entre el total del número de viviendas. A continuación, se ha asignado a cada celda la población correspondiente obtenida mediante la población media por vivienda multiplicada por el número de viviendas existentes en la celda correspondiente. Para los escenarios futuros se ha incrementado la población siguiendo el mismo ritmo que en el pasado y la misma ratio de población por vivienda. En este sentido, una vía de mejora del modelo consiste en simular también la distribución diferencial de la población, dando lugar a zonas donde existan viviendas vacías. 4.3. Análisis de la vulnerabilidad social 51 4.3. Análisis de la vulnerabilidad social La propuesta metodológica para el análisis de la vulnerabilidad social se basa en una combinación del análisis de componentes principales y el análisis k-means. Estas metodologías se han descrito en el capitulo anterior. Se ha aplicado a la ciudad de Almería, con una población de 150.000 personas y utilizando las secciones censales como unidad de análisis. Se han seleccionado aquellas variables que se consideran más importantes en la determinación de la vulnerabilidad al riesgo de desastres a partir de los datos publicados por el Instituto Nacional de Estadística (INE) del censo de población y vivienda de 2011 y el atlas de distribución de renta de los hogares. Concretamente se han seleccionado 14 variables que se muestran en la tabla 4.3 junto con su unidad de medida, media ( µ ) y desviación estándar ( σ ). En el apéndice B.3 se pueden ver los datos analizados así como un resumen estadístico de los mismos. variable unidad µ σ Menores_16 personas 253,3 179,2 Mayores_64 personas 227,2 96,9 Nacidos_africa personas 63,4 224,8 Pob_analfabeta personas 33,4 57,5 Pob_sin_estudios personas 97,5 64,4 Pob_primer_grado personas 165,9 102,3 Pob_tercer_grado personas 317,8 255,2 Renta_media_por_hogar hogares 27267,2 8768,5 Renta_media_por_persona personas 10356,2 3458 Fuente_ingreso_pensiones personas 24,4 8,3 Fuente_ingreso_prestaciones_desempleo personas 3,2 2,6 Fuente_ingreso_otras_prestaciones personas 4,7 1,8 Fuente_ingreso_otros_ingresos personas 8,7 6,0 EdEst_deciente_malo_ruinoso edicios 122,1 176,3 Tabla 4.3: Variables analizadas en la vulnerabilidad social (Navarro et al., 2020b) Las variables analizadas recogen aspectos que se destacan en la bibliografía como constituyentes de la vulnerabilidad a los riesgos naturales (Blaikie et al., 1994; Cutter et al., 2003). Se cuenta con variables que recogen aspectos de la estructura demográca de la población, menores de 16 años y mayores de 64, siendo estos grupos de edad más vulnerables a los desastres. Aspectos étnicos cuyas diferencias de culturales y de idioma pueden dicultar la 52 Capítulo 4. Resultados y discusión prevención y posterior recuperación de un desastre mediante la variable nacidos en África. Aspectos educativos que pueden suponer un hándicap en las diferentes fases del riesgo desastres, siendo la población analfabeta, sin estudios o con estudios de primer grado más vulnerables que la población con estudios de tercer grado. Aspectos económicos, donde una mayor renta por hogar y por persona disminuirá la vulnerabilidad debido a una mayor capacidad para mitigar los efectos de un evento natural extremo, para afrontar los costes de la reconstrucción y para sufragar los costes básicos de vida ante una eventual interrupción de la fuente de ingresos. Así mismo, la fuente de los ingresos es un indicativo de la situación económica, ya sean pensiones o algún tipo de prestaciones. Finalmente, se han agrupado las variables de edicios en estado deciente, malo y ruinoso en una sola, recogiendo aspectos de la vulnerabilidad del entorno construido, siendo los edicios con estas características más susceptibles a sufrir daños durante un evento natural extremo. En primer lugar, se han analizado diferentes propiedades del conjunto de variables. En este sentido, el determinante de la matriz de correlaciones es próximo a cero ( 1,39 ·10−6 ), en la prueba de esfericidad de Bartlett se obtiene un nivel de signicación de 0 y el KMO es de 0,82 . Todas estas pruebas indican que el análisis de componentes principales es pertinente. Se ha realizado el análisis de componentes principales obteniéndose tres factores que explican el 75,5 % de la varianza. Posteriormente se distribuido la varianza mediante una rotación varimax para lograr un patrón de factores más simple, más signicativo y más fácil de interpretar (tabla 4.4). A continuación, se han interpretado los tres factores obtenidos en base a las cargas factoriales de cada variable para cada factor. El primer factor explica el 45,16 % de la varianza. Nos muestra que existen relaciones de interdependencia entre la población sin estudios, población con estudios de primer grado, y en un sentido negativo, con población con estudios de tercer grado, renta media por hogar, renta media por persona y otras fuentes de ingresos. A este factor lo hemos denominado `estatus socioeconómico bajo'. El segundo factor explica el 18,71 % de la varianza. Se trata de un factor que recoge la interdependencia de la población mayor de 64 años y fuente de ingresos pensiones, además de la ausencia de menores de 16 años. Lo hemos denominado `población envejecida'. El tercer y último factor explica el 11,61 % de la varianza. Este factor nos indica una alta interdependencia, entre la población nacida en África, población analfabeta, fuentes de ingreso de prestaciones por desempleo y otras prestaciones y donde los edicios están en unestado deciente, malo o ruinoso. Este factor lo hemos denominado `población inmigrante en exclusión 4.3. Análisis de la vulnerabilidad social 53 variable PC1 PC2 PC3 Menores_16 0,059 -0,446 0,090 Mayores_64 -0,061 0,545 -0,030 Nacidos_africa -0,079 -0,095 0,491 Pob_analfabeta 0,051 -0,057 0,417 Pob_sin_estudios 0,315 0,289 -0,161 Pob_primer_grado 0,240 0,199 0,163 Pob_tercer_grado -0,422 -0,038 -0,013 Renta_media_por_hogar -0,437 -0,004 -0,003 Renta_media_por_persona -0,429 0,096 -0,032 Fuente_ingreso_pensiones 0,007 0,553 0,090 Fuente_ingreso_prestaciones_desempleo 0,207 -0,066 0,314 Fuente_ingreso_otras_prestaciones 0,131 0,152 0,384 Fuente_ingreso_otros_ingresos -0,448 0,138 0,126 EdEst_deciente_malo_ruinoso -0,116 0,077 0,502 Tabla 4.4: Matriz de componentes rotados (Navarro et al., 2020b) cluster PC1 PC2 PC3 1 -3,353 -0,225 1,467 2 -1,552 -2,297 -0,896 3 1,975 0,116 -0,788 4 8,439 -3,704 3,781 5 -0,182 1,252 0,135 Tabla 4.5: Centros de los clústers (Navarro et al., 2020b) social'. Para determinar el número de clústers óptimo se ha obtenido un dendograma mediante el análisis de conglomerados jerárquicos. El dendograma (Figura 4.11 muestra cómo se agrupan las secciones censales entre si usando en base a los factores obtenidos previamente. Las ramas nales se corresponden con las 102 secciones censales estudiadas. Puede observarse cómo la línea de corte con el dendograma donde se obtienen 5 clústers resulta adecuada. Una vez que se han obtenido el número clústers, se realiza el análisis k-means para 5 grupos. En la tabla 4.5 se muestran los centros de los clústers. Éstos nos indican para cada clúster el valor central de los tres factores obnetidos en el análisis de componentes principales. A continuación, asignaremos el nivel de vulnerabilidad de cada clúster interpretando los valores de los centros. El primer clúster se caracteriza por 54 Capítulo 4. Resultados y discusión Figura 4.11: Línea de corte con el dendograma (Navarro et al., 2020b) un valor negativo del primer factor, es decir, por un estatus socioeconómico alto unido a una educación de tercer grado por lo que le asignamos una vulnerabilidad muy baja. El segundo clúster lo consideramos de vulnerabilidad media ya que tiene un estatus socioeconómico medio y una baja población envejecida. Al tercero se le ha asignado una vulnerabilidad alta debido a que se caracteriza por el primer factor de estatus socioeconómico bajo. El cuarto clúster es el de mayor vulnerabilidad puesto que presenta un estatus socioeconómico muy bajo unido al tercer factor de población inmigrante en exclusión social. Finalmente, al quinto clúster se ha asignado una vulnerabilidad baja debido a que tiene un estatus socioeconómico medio y una población relativamente envejecida. Una vez que hemos asignado el nivel de vulnerabilidad de cada clúster, asignamos la vulnerabilidad a las secciones censales en base al clúster al que pertenecen. En la gura 4.12 se muestra la distribución de las secciones censales en tres guras variando los factores de los ejes y usando una escala de colores donde el rojo es vulnerabilidad `muy alta'y el azul vulnerabilidad `muy baja'. En la gura 4.12A se representan los componentes 1 y 2, en la gura 4.12B los componentes 1 y 3, y en la gura 4.12C los componentes 4.3. Análisis de la vulnerabilidad social 55 Figura 4.12: Distribución de los clústers en base a los factores obtenidos (Navarro et al., 2020b) 2 y 3. De esta forma, podemos conrmar visualmente que, por ejemplo, el clúster de vulnerabilidad muy alta tiene una puntuación muy alta en los componentes 1 y 3, y muy baja en el componente 2. Para dimensionar la distribución de la vulnerabilidad teniendo en cuenta la cantidad de población, se ha calculado la población perteneciente a cada clase de vulnerabilidad y el porcentaje respecto al total 4.6. Finalmente, una vez que se ha obtenido la vulnerabilidad para cada una de las secciones censales, se representan espacialmente en el mapa de vulnerabilidad 4.13. Las secciones censales que pertenecen a los clústers de vulnerabilidad alta y muy alta suponen el 32,9 % de la población. Éstas se distribuyen espacialmente en zonas periféricas y de poca accesibilidad. Las secciones censales con vulnerabilidad muy alta obtienen esta categorización 56 Capítulo 4. Resultados y discusión vulnerabilidad n población % población Muy baja 14 17260 11,5 Baja 40 45860 30,5 Media 17 37800 25,1 Alta 28 43875 29,2 Muy alta 3 5550 3,7 Tabla 4.6: Secciones censales y población por clúster (Navarro et al., 2020b) debido al estatus socioeconómico bajo y a la población inmigrante en exclusión social y se ubican en la zona Oeste junto al río Andarax. Destaca también la franja que transcurre del SO al NE que se encuentra constreñida por las estribaciones de la sierra de Gádor. Por otra parte, las secciones censales con vulnerabilidad muy baja se ubican en el centro económico y comercial de la ciudad y en la zona SE donde se ubican viviendas unifamiliares de estatus socioeconómico medio y alto. La aportación más signicativa de este estudio radica en la combinación del análisis de componentes principales junto con el análisis clúster para la determinación de la vulnerabilidad social al riesgo de desastres, lo que evita la necesidad de ponderar las variables o factores. Si bien el análisis de componentes principales ya ha sido utilizado con anterioridad en el análisis de vulnerabilidad, encontramos que establecer una ponderación a priori de las variables utilizadas en la determinación de la vulnerabilidad puede introducir un sesgo inicial elevado ya que se trata de un fenómeno multidimensional y complejo. Incluso la ponderación a partir de los pesos factoriales puede no ser adecuada ya que podrían presentarse variables con altas puntuaciones factoriales debido a la correlación existente entre las variables, pero cuyo sustento teórico sea débil. 4.3. Análisis de la vulnerabilidad social 57 Figura 4.13: Mapa de vulnerabilidad social (Navarro et al., 2020b) 64 Bibliografía Canters, F. , Vanderhaegen, S. , Khan, A. Z. , Engelen, G. y Uljee, I. 2014. Land-use simulation as a supporting tool for ood risk assessment and coastal safety planning: The case of the Belgian coast. Ocean and Coastal Management , vol. 101(B), páginas 102113. ISSN 09645691. Cardona, O. D. 2001. Estimación Holística del Riesgo Sísmico utilizando Sistemas Dinámicos Complejos . Tesis Doctoral, Technical University of Catalonia, Spain. Carreño, M. L. , Cardona, O. D. y Barbat, A. H. 2007. Urban Seismic Risk Evaluation: A Holistic Approach. Natural Hazards , vol. 40(1), páginas 137172. Cerny, C. y Kaiser, H. 1977. A study of a measure of sampling adequacy for factor-analytic correlation matrices. Multivariate Behavioral Research , vol. 12(1), páginas 4347. Coburn, A. y Spence, R. 2002. Earthquake Protection . John Wiley & Sons, Chichester, England. Cutter, S. L. , Boruff, B. J. y Shirley, W. L. 2003. Social vulnerability to environmental hazards. Social Science Quarterly , vol. 84(2), páginas 242261. Cutter, S. L. , Burton, C. G. y Emrich, C. T. 2010. Disaster resilience indicators for benchmarking baseline conditions. Journal of Homeland Security and Emergency Management , vol. 7(1). Davidson, R. A. y Shah, H. C. 1997. An Urban Earthquake Disaster Risk Index . The John A. Blume Earthquake Engineering Center. Stanford University, Stanford. Dziuban, C. D. y Shirkey, E. C. 1974. When is a correlation matrix appropriate for factor analysis? Psychological Bulletin , vol. 81, páginas 358361. Flanagan, B. E. , Gregory, E. W. , Hallisey, E. J. , Heitgerd, J. L. y Lewis, B. 2011. A Social Vulnerability Index for Disaster Management. Journal of Homeland Security and Emergency Management , vol. 8(1). Grünthal, G. , editor. 1998. European macroseismic scale 1998 . European Seismological Commission, Luxembourg. Bibliografía 65 He, C. , Zhao, Y. , Huang, Q. , Zhang, Q. y Zhang, D. 2015. Alternative future analysis for assessing the potential impact of climate change on urban landscape dynamics. Science of The Total Environment , vol. 532, páginas 4860. ISSN 00489697. IPCC . 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation . Cambridge University Press, Cambridge and New York. ISBN 9781139177245. IPCC . 2014. Climate Change 2014. Impacts, Adaptation and Vulnerability. Part A: Global and Sectoral Aspects . Cambridge University Press, Cambridge and New York. ISBN 9781107641655. Kaiser, H. 1970. A second generation Little Jiy. Psychometrika , vol. 35, páginas 401415. Lloyd, S. P. 1982. Least Squares Quantization in PCM. IEEE Transactions on Information Theory , vol. 28(2), páginas 129137. Lowry, I. S. 1964. A model of metropolis . The RAND Corporation, Santa Monica, CA. Lozares, C. , López Roldán, P. , Verd, J. M. , Martí Quit, J. y Molina, J. L. 2011. Cohesión, vinculación e integración en el marco del capital social. REDES - Revista hispana para el análisis de redes sociales , vol. 20, páginas 128. MacQueen, J. 1967. Some methods for classication and analysis of multivariate observations. En Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability , páginas 281297. University of California Press. ISSN 15441024. Morrow, B. H. 2008. Community Resiliencia: A Social Justice Perspective. CARRI Research Report 4. Informe técnico, Oak Ridge: Community and Regional Resilience Institute. Murphy, B. L. 2007. Locating social capital in resilient community-level emergency management. Natural Hazards , vol. 41(2), páginas 297315. ISSN 0921030X. Nakagawa, Y. y Shaw, R. 2004. Social capital: a missing link to disaster recovery. International Journal of Mass Emergencies and Disasters , vol. 22(1), páginas 534. 66 Bibliografía Navarro, D. , Navarro, M. y Vallejo, I. 2020a. Future urban seismic risk scenarios using a cellular automata model. European Planning Studies , vol. 28(11), páginas 21012115. ISSN 14695944. Navarro, D. , Vallejo, I. y Navarro, M. 2020b. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes. Investigaciones Geográcas , vol. in press. Navarro Cueto, D. , Vallejo Villalta, I. y Navarro Bernal, M. 2017. Resiliencia a desastres y capital social . Análisis de redes sociales en barrios periféricos de la ciudad de Cusco , Perú. Boletín de la Asociación de Geógrafos Españoles , vol. 74, páginas 463481. Newman, L. y Dale, A. 2005. Network structure, diversity, and proactive resilience building: A response to Tompkins and Adger. Ecology and Society , vol. 10(1). ISSN 17083087. Newman, M. 2010. Networks: An Introduction . Oxford University Press, New York. ISBN 0199206651. Oliver-Smith, A. Theorizing Disasters: Nature, Power and Culture. En Catastrophe and Culture: The Anthropology of Disasters (editado por S. M. Homan y A. Oliver-Smith), páginas 2347. School of American Research Press, 2002. Pelling, M. 1998. Participation, social capital and vulnerability to urban ooding in guyana. vol. 486, páginas 469487. Pelling, M. 2003. The Vulnerability of Cities: Natural disasters and social resilience. . Earthscan Publications Ltd, London. Portugali, J. 2000. Self-organization and the City . Springer, Berlin, New York, Heidelberg. Putnam, R. D. 2000. Bowling alone: the collapse and revival of American community . Simon & Schuster, New York. ISBN 0743203046. Schneiderbauer, S. y Ehrlich, D. 2004. Risk, Hazard and People's Vulnerability to Natural Hazards: A Review of Denitions, Concepts and Data. Informe técnico, European Commision. Joint Research Centre. Steinhaus, H. 1957. Sur la division des corps matériels en parties. Bull. Acad. Polon. Sci. . Bibliografía 67 Tobin, G. A. , Whiteford, L. M. , Murphy, A. D. , Jones, E. C. y McCarty, C. Modeling Social Networks and Community Resilience in Chronic Disasters: Case Studies from Volcanic Areas in Ecuador and Mexico. En Resilience and Sustainability in Relation to Natural Disasters: A Challenge for Future Cities (editado por P. Gasparini, G. Manfredi y D. Asprone), capítulo 2, páginas 1324. SpringerBriefs in Earth Sciences, 2014. ISBN 978-3-319-04315-9. Tobler, W. R. 1970. A Computer Movie Simulation Urban Growth in Detroit Region. Economic Geography , vol. 46(2), páginas 234240. ISSN 0036-8075. Turner, B. L. , Kasperson, R. E. , Matson, P. A. , McCarthy, J. J. , Corell, R. W. , Christensen, L. , Eckley, N. , Kasperson, J. X. , Luers, A. , Martello, M. L. , Polsky, C. , Pulsipher, A. y Schiller, A. 2003. A framework for vulnerability analysis in sustainability science. Proceedings of the National Academy of Sciences of the United States of America , vol. 100(14), páginas 80748079. UN . 2016. Report of the open-ended intergovernmental expert working group on indicators and terminology relating to disaster risk reduction. Informe técnico, United Nations General Assembly. UNDRR . 2019. GAR. Global Assessment Report on Disaster Risk Reduction. Informe técnico, United Nations Oce for Disaster Risk Reduction (UNDRR), Geneva, Switzerland. UNISDR . 2004. Living with Risk: A Global Review of Disaster Reduction Initatives. Informe técnico, United Nations, Geneva, Switzerland. Varda, D. M. , Forgette, R. , Banks, D. y Contractor, N. 2009. Social Network Methodology in the Study of Disasters: Issues and Insights Prompted by Post-Katrina Research. Popul Res Policy Rev , vol. 28, páginas 1129. Vogel, C. y O'Brien, K. 2004. Vulnerability and Global Environmental Change: Rhetoric and Reality. Informe técnico, AVISO 13, Global Environmental Change and Human Security Project, Ottawa, Canada. Votsis, A. 2017. Utilizing a cellular automaton model to explore the inuence of coastal ood adaptation strategies on Helsinki's urbanization patterns. Computers, Environment and Urban Systems , vol. 64, páginas 344355. 68 Bibliografía White, R. y Engelen, G. 1993. Cellular automata and fractal urban form: a cellular modelling approach to the evolution of urban land-use patterns. Environment and Planning A , vol. 25(8), páginas 11751199. Wisner, B. Disaster Risk Reduction in Megacities : Making the Most of Human and Social Capital. En Building safer cities, the future of disaster risk (editado por A. Kreimer, M. Arnold y A. Carlin), capítulo 13. The World Bank, Washington DC, 2003. Wisner, B. , Blaikie, P. , Cannon, T. y Davis, I. 2004. At Risk: natural hazards, people's vulnerability and disasters. Second edition . Routledge. Parte II TRABAJOS PUBLICADOS Capítulo 6 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Navarro Cueto, D., Vallejo Villalta, I., y Navarro Bernal, M. (2017). Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú. Boletín de la Asociación de Geógrafos Españoles , 74, 463-481. https://doi.org/10.21138/bage.2462 71 463 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Resiliencia a desastRes y capital social. análisis de Redes sociales1 en baRRios peRiféRicos de la ciudad de cusco, peRú Daniel Navarro Cueto departamento de Geografía física y análisis Geográfico Regional. universidad de sevilla [email protected] Ismael Vallejo Villalta departamento de Geografía física y análisis Geográfico Regional. universidad de sevilla [email protected] Manuel Navarro Bernal departamento de física aplicada. universidad de almería [email protected] ResuMeN El estudio de las implicaciones de las formas de organización social en la determinación de la resiliencia frente a desastres ha venido cobrando mayor interés en los últimos tiempos. En este trabajo se propone el análisis de las redes sociales como una forma de determinar el capital social y su vinculación con la resiliencia. La metodología propuesta ha sido aplicada en 18 barrios periféricos de la ciudad de Cusco, Perú, y supone la determinación para cada barrio de indicadores de cohesión interna (bonding), vinculación con el resto de barrios (bridging) e integración con organizaciones de segundo nivel y con el gobierno local (linking). Se obtiene finalmente el mayor o menor nivel de capital social de cada barrio como contribución a su resiliencia, lo que además puede ser utilizado para orientar de forma más adecuada la gestión del riesgo de desastres. Palabras clave: resiliencia, desastres, capital social, redes sociales, barrios periféricos. Fecha de recepción: noviembre 2015. Fecha de aceptación: diciembre 2016. 1 El término “redes sociales” hace referencia a relaciones y vínculos sociales y no a los sitios de internet que responden a esta misma denominación. Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017, págs. 463-481 I.S.S.N.: 0212-9426 DOI: 10.21138/bage.2462 470 Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Daniel Navarro Cueto, Ismael Vallejo Villalta y Manuel Navarro Bernal Por otra parte, el nivel bridging de los barrios se ha obtenido a partir de las relaciones entre los diferentes barrios. Para ello se ha construido una red dirigida en la que se han ponderado los enlaces en base a la identificación y conocimiento de los dirigentes de otros barrios, así como al número de trabajos comunales realizados de forma conjunta durante el último año. El valor asignado a cada barrio se ha obtenido a partir de una métrica conocida como pagerank, basada en un algoritmo que puntúa la centralidad de un nodo a partir de la centralidad de sus vecinos dividido entre sus grados de salida, siendo los nodos vecinos aquellos con los que se tiene una relación directa en la red (Newman, 2010). En este caso, la centralidad de un barrio (nodo) se mediría considerando las relaciones del mismo con sus barrios vecinos en la red, pero también teniendo en cuenta la importancia de esos barrios a partir de las relaciones que ellos mismos mantienen. Para la determinación de las relaciones linking se ha elaborado una red entre los barrios y dos organizaciones de nivel superior. El gobierno municipal y el frente de defensa (Fundizonoc), tratándose éste de una organización de segundo nivel que agrupa a un total de 80 barrios de la zona. La métrica empleada en este caso ha sido el grado del nodo. Finalmente, para la obtención del capital social de cada barrio se ha procedido, en primer lugar, a la normalización de los valores obtenidos para cada una de las relaciones estudiadas, mediante la resta de la media aritmética y la división del resultado entre la desviación estándar, y, en segundo lugar, a la suma de estos valores normalizados, entendiendo que los barrios con mayor capital social son aquellos que presentan un nivel elevado en cada una de las tres relaciones consideradas, lo que a su vez le conferiría una mayor resiliencia. IV. ResulTADos IV.1. Bonding Para la determinación de las relaciones bonding de cada uno de los barrios se ha realizado el proceso indicado anteriormente en la metodología. A continuación, de forma ilustrativa, se muestra el proceso llevado a cabo para el barrio de Pedregal y, seguidamente, se presentan los resultados para todos los barrios en la tabla 2. En la figura 3 puede observarse el grafo bipartito inicial del barrio de Pedregal, en el que los nodos negros son los espacios de participación y los nodos grises las familias. Los enlaces unen las familias con los espacios en los que han participado durante el último año. Hay un total de 70 familias, de las cuales 60 participaron en 12 asambleas en el último año y 55 lo hicieron en 6 trabajos comunales. Los nodos sin enlaces corresponden a las familias que no participaron ni en las asambleas ni en las faenas. Al proyectar el grafo de la figura 3 se obtiene otro compuesto únicamente por familias (figura 4), donde aparecen familias más cohesionadas por participar en las asambleas y los trabajos comunales, familias menos cohesionadas por participar únicamente en las asambleas y familias sin enlaces por no haber participado en ningún espacio. El grado promedio de la red para este barrio es 861,43, obtenido a partir de la ecuación 1. En la tabla 2 se muestran los resultados obtenidos para las relaciones bonding de todos los barrios. Los barrios con relaciones bonding más altas son Camino Inca, Monte Horeb y Camino Real, mientras que los valores menores corresponden a Arco Tica Tica, Pucyupata, San Silvestre y Señor de 471 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Huanca. Por último, en la figura 5 se muestra la espacialización de los resultados a través de una clasificación de los barrios, que permite apreciar la existencia de un eje de central con las puntuaciones más altas (Camino Inca, Monte Horeb y Camino Real), rodeado de una orla de 11 barrios que presentarían los niveles más bajos de cohesión social y, finalmente, se detecta un conjunto de 4 barrios, con localización periférica, que arrojan valores intermedios. figura 3 grafo bimodal dE las rElacionEs En El barrio dE pEdrEgal 8 Para la determinación de las relaciones bonding de cada uno de los barrios se ha realizado el proceso indicado anteriormente en la metodología. A continuación, de forma ilustrativa, se muestra el proceso llevado a cabo para el barrio de Pedregal y, seguidamente, se presentan los resultados para todos los barrios en la tabla 2. Figura 3 GRAFO BIMODAL DE LAS RELACIONES EN EL BARRIO DE PEDREGAL En la figura 3 puede observarse el grafo bipartito inicial del barrio de Pedregal, en el que los nodos negros son los espacios de participación y los nodos grises las familias. Los enlaces unen las familias con los espacios en los que han participado durante el último año. Hay un total de 70 familias, de las cuales 60 participaron en 12 asambleas en el último año y 55 lo hicieron en 6 trabajos comunales. Los nodos sin enlaces corresponden a las familias que no participaron ni en las asambleas ni en las faenas. Figura 4 GRAFO UNIMODAL RESULTADO DE LA PROYECCIÓN DEL GRAFO BIMODAL DE LA FIGURA 3 figura 4 grafo unimodal rEsultado dE la proyEcción dEl grafo bimodal dE la figura 3 9 Al proyectar el grafo de la figura 3 se obtiene otro compuesto únicamente por familias (figura 4), donde aparecen familias más cohesionadas por participar en las asambleas y los trabajos comunales, familias menos cohesionadas por participar únicamente en las asambleas y familias sin enlaces por no haber participado en ningún espacio. El grado promedio de la red para este barrio es 861,43, obtenido a partir de la ecuación 1. En la tabla 2 se muestran los resultados obtenidos para las relaciones bonding de todos los barrios. Los barrios con relaciones bonding más altas son Camino Inca, Monte Horeb y Camino Real, mientras que los valores menores corresponden a Arco Tica Tica, Pucyupata, San Silvestre y Señor de Huanca. Por último, en la figura 5 se muestra la espacialización de los resultados a través de una clasificación de los barrios, que permite apreciar la existencia de un eje de central con las puntuaciones más altas (Camino Inca, Monte Horeb y Camino Real), rodeado de una orla de 11 barrios que presentarían los niveles más bajos de cohesión social y, finalmente, se detecta un conjunto de 4 barrios, con localización periférica, que arrojan valores intermedios. Tabla 2 RESULTADO DE RELACIONES BONDING OBTENIDO MEDIANTE LA ECUACIÓN 1 Barrio n na nf a f Bonding AltoCuraca 70 70 0 12 0 828 ArcoTicaTica 32 25 25 3 3 112,5 CaminoInca 300 150 140 12 6 1283,2 CaminoReal 304 150 120 12 6 1164,08 CondesdeTicaTica 74 50 50 12 6 595,95 CunadelInca 30 19 20 12 6 212,8 472 Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Daniel Navarro Cueto, Ismael Vallejo Villalta y Manuel Navarro Bernal tabla 2 rEsultado dE rElacionEs bonding obtEnido mEdiantE la Ecuación 1 Barrio n nanfa f Bonding Alto Curaca 70 70 0 12 0 828 Arco Tica Tica 32 25 25 3 3 112,5 Camino Inca 300 150 140 12 6 1283,2 Camino Real 304 150 120 12 6 1164,08 Condes de Tica Tica 74 50 50 12 6 595,95 Cuna del Inca 30 19 20 12 6 212,8 Lomas de Tica Tica 80 40 35 12 6 323,25 Lourdes Carrión 40 35 30 3 3 154,5 Mirador Salkantay 70 60 65 9 3 633,43 Monte Horeb 109 85 85 12 6 1179,08 Pedregal 70 60 55 12 6 861,43 Portales de Tica Tica 108 50 50 12 6 408,33 Pucyupata 31 21 21 3 3 81,29 San Silvestre 30 25 25 3 3 120 Señor de Coylloriti 30 25 23 12 6 341,2 Señor de Huanca 15 9 8 3 3 25,6 Señor del Cabildo 38 20 20 12 6 180 Villa Rosario 32 20 15 12 6 181,88 figura 5 rEsultado dE las rElacionEs bonding rEprEsEntado EspacialmEntE 10 LomasdeTicaTica 80 40 35 12 6 323,25 LourdesCarrión 40 35 30 3 3 154,5 MiradorSalkantay 70 60 65 9 3 633,43 MonteHoreb 109 85 85 12 6 1179,08 Pedregal 70 60 55 12 6 861,43 PortalesdeTicaTica 108 50 50 12 6 408,33 Pucyupata 31 21 21 3 3 81,29 SanSilvestre 30 25 25 3 3 120 SeñordeCoylloriti 30 25 23 12 6 341,2 SeñordeHuanca 15 9 8 3 3 25,6 SeñordelCabildo 38 20 20 12 6 180 VillaRosario 32 20 15 12 6 181,88 Figura 5 RESULTADO DE LAS RELACIONES BONDING REPRESENTADO ESPACIALMENTE Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco IV.2Bridging En la figura 6 se muestra la red bridging. Los nodos son los barrios, donde el tamaño expresa el nivel de centralidad obtenido mediante pagerank. Los enlaces son las relaciones barriales, donde el grosor muestra la fortaleza de dicha relación. Entre las características de la red cabe referirse a su diámetro, que expresa el número de pasos entre los nodos más alejados, y que en este caso es igual a 2; su longitud de camino promedio, esto es, el número medio de pasos a través del camino más corto entre todos los nodos de la red, que aquí es de 1,4; y un grado medio con pesos de 28,8, como expresión de la suma de los enlaces ponderados de cada uno de los nodos dividido por el número total de nodos de la red. Los barrios que han obtenido mayor puntación son Camino Real, Arco Tica Tica, Camino Inca, Pedregal y Pucyupata, mientras que los que han Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco 473 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 IV.2. Bridging En la figura 6 se muestra la red bridging. Los nodos son los barrios, donde el tamaño expresa el nivel de centralidad obtenido mediante pagerank. Los enlaces son las relaciones barriales, donde el grosor muestra la fortaleza de dicha relación. Entre las características de la red cabe referirse a su diámetro, que expresa el número de pasos entre los nodos más alejados, y que en este caso es igual a 2; su longitud de camino promedio, esto es, el número medio de pasos a través del camino más corto entre todos los nodos de la red, que aquí es de 1,4; y un grado medio con pesos de 28,8, como expresión de la suma de los enlaces ponderados de cada uno de los nodos dividido por el número total de nodos de la red. Los barrios que han obtenido mayor puntación son Camino Real, Arco Tica Tica, Camino Inca, Pedregal y Pucyupata, mientras que los que han obtenido menor puntuación son Portales de Tica Tica, Alto Curaca, Señor del Cabildo y Villa Rosario. figura 6 rEd bridging 11 obtenido menor puntuación son Portales de Tica Tica, Alto Curaca, Señor del Cabildo y Villa Rosario. Figura 6 RED BRIDGING Figura 7 RESULTADO DE LAS RELACIONES BRIDGING REPRESENTADO ESPACIALMENTE 474 Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Daniel Navarro Cueto, Ismael Vallejo Villalta y Manuel Navarro Bernal figura 7 rEsultado dE las rElacionEs bridging rEprEsEntado EspacialmEntE 12 Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. Figura 8 COMPARACIÓN ENTRE UBICACIÓN DE LOS BARRIOS EN LA RED VIAL Y CLASIFICACIÓN DE LOS BARRIOS MEDIANTE ANÁLISIS DE MODULARIDAD Al igual que el caso anterior, los resultados se han plasmado cartográficamente (figura 7), y como complemento a este análisis se han clasificado los barrios en tres grupos mediante un análisis de modularidad de las relaciones bridging; medida que permite la clasificación de los nodos de una Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. figura 8 comparación EntrE ubicación dE los barrios En la rEd vial y clasificación dE los barrios mEdiantE análisis dE modularidad 12 Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. Figura 8 COMPARACIÓN ENTRE UBICACIÓN DE LOS BARRIOS EN LA RED VIAL Y CLASIFICACIÓN DE LOS BARRIOS MEDIANTE ANÁLISIS DE MODULARIDAD Al igual que el caso anterior, los resultados se han plasmado cartográficamente (figura 7), y como complemento a este análisis se han clasificado los barrios en tres grupos mediante un análisis de modularidad de las relaciones bridging; medida que permite la clasificación de los nodos de una 475 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Al igual que el caso anterior, los resultados se han plasmado cartográficamente (figura 7), y como complemento a este análisis se han clasificado los barrios en tres grupos mediante un análisis de modularidad de las relaciones bridging; medida que permite la clasificación de los nodos de una red en grupos en base a sus relaciones. Como se muestra en la figura 8, los barrios que se relacionan más entre si son aquellos que están más próximos en la red vial. IV.3. linking En la red de relaciones linking (figura 9) los nodos de la parte superior son una organización de segundo nivel y el gobierno municipal, mientras que los de la parte inferior son los barrios. Los enlaces representan el nivel de integración de cada barrio con estas organizaciones. Se observa un nivel de relaciones verticales de moderado a débil. La articulación es mayor con el frente de defensa (Fundizonoc) que con el gobierno local. Los barrios que están más integrados son Camino Real, Cuna del Inca, Pedregal, Señor de Coylloriti y Villa Rosario, mientras que los que presentan una menor integración son Alto Curaca y San Silvestre. En la figura 10 se muestran los resultados espacializados. figura 9 rEd linking 13 red en grupos en base a sus relaciones. Como se muestra en la figura 8, los barrios que se relacionan más entre si son aquellos que están más próximos en la red vial. IV.3 Linking En la red de relaciones linking (figura 9) los nodos de la parte superior son una organización de segundo nivel y el gobierno municipal, mientras que los de la parte inferior son los barrios. Los enlaces representan el nivel de integración de cada barrio con estas organizaciones. Se observa un nivel de relaciones verticales de moderado a débil. La articulación es mayor con el frente de defensa (Fundizonoc) que con el gobierno local. Los barrios que están más integrados son Camino Real, Cuna del Inca, Pedregal, Señor de Coylloriti y Villa Rosario, mientras que los que presentan una menor integración son Alto Curaca y San Silvestre. En la figura 10 se muestran los resultados espacializados. Figura 9 RED LINKING Figura 10 RESULTADO DE LAS RELACIONES LINKING REPRESENTADO ESPACIALMENTE 476 Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Daniel Navarro Cueto, Ismael Vallejo Villalta y Manuel Navarro Bernal figura 10 rEsultado dE las rElacionEs linking rEprEsEntado EspacialmEntE 14 Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. IV.4Capitalsocial Para la obtención del capital social se ha procedido a la normalización de los valores de los tres tipos de relaciones analizados anteriormente, restándose a cada valor la media de la distribución y dividiendo el resultado entre la desviación estándar. Posteriormente se han sumado estos valores para cada barrio, adoptándose por tanto una aproximación que considera que los tres tipos de relaciones son igualmente importantes en la determinación del capital social. Los resultados se exponen en la tabla 3, cartografiándose la clasificación del capital social en la figura 11. Tabla 3 OBTENCIÓN DEL CAPITAL SOCIAL A PARTIR DE LA SUMA DE LOS VALORES NORMALIZADOS DE LOS TRES TIPOS DE RELACIONES Barrio Bonding normalizado Bridging normalizado Linking normalizado Capitalsocial AltoCuraca 0,831 -1,013 -2,180 -2,362 ArcoTicaTica -0,890 0,782 -0,914 -1,022 CaminoInca 1,925 0,512 0,352 2,789 CaminoReal 1,639 2,829 0,984 5,452 CondesdeTicaTica 0,273 0,034 -0,914 -0,608 CunadelInca -0,649 -0,063 0,984 0,272 LomasdeTicaTica -0,383 0,420 -0,281 -0,245 LourdesCarrión -0,789 -0,550 0,352 -0,987 MiradorSalkantay 0,363 -1,138 0,352 -0,424 Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. IV.4. Capital social Para la obtención del capital social se ha procedido a la normalización de los valores de los tres tipos de relaciones analizados anteriormente, restándose a cada valor la media de la distribución y dividiendo el resultado entre la desviación estándar. Posteriormente se han sumado estos valores para cada barrio, adoptándose por tanto una aproximación que considera que los tres tipos de relaciones son igualmente importantes en la determinación del capital social. Los resultados se exponen en la tabla 3, cartografiándose la clasificación del capital social en la figura 11. tabla 3 obtEnción dEl capital social a partir dE la suma dE los valorEs normalizados dE los trEs tipos dE rElacionEs Barrio Bonding normalizado Bridging normalizado Linking normalizado Capital social Alto Curaca 0,831 -1,013 -2,180 -2,362 Arco Tica Tica -0,890 0,782 -0,914 -1,022 Camino Inca 1,925 0,512 0,352 2,789 477 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Camino Real 1,639 2,829 0,984 5,452 Condes de Tica Tica 0,273 0,034 -0,914 -0,608 Cuna del Inca -0,649 -0,063 0,984 0,272 Lomas de Tica Tica -0,383 0,420 -0,281 -0,245 Lourdes Carrión -0,789 -0,550 0,352 -0,987 Mirador Salkantay 0,363 -1,138 0,352 -0,424 Monte Horeb 1,675 0,164 -0,281 1,558 Pedregal 0,911 0,542 0,984 2,437 Portales de Tica Tica -0,179 -1,602 -0,281 -2,062 Pucyupata -0,965 0,396 0,352 -0,217 San Silvestre -0,872 0,437 -2,180 -2,615 Señor de Coylloriti -0,340 0,524 0,984 1,169 Señor de Huanca -1,099 -0,612 0,352 -1,359 Señor del Cabildo -0,728 -0,994 0,352 -1,370 Villa Rosario -0,723 -0,667 0,984 -0,406 figura 11 capital social rEprEsEntado EspacialmEntE 15 MonteHoreb 1,675 0,164 -0,281 1,558 Pedregal 0,911 0,542 0,984 2,437 PortalesdeTicaTica -0,179 -1,602 -0,281 -2,062 Pucyupata -0,965 0,396 0,352 -0,217 SanSilvestre -0,872 0,437 -2,180 -2,615 SeñordeCoylloriti -0,340 0,524 0,984 1,169 SeñordeHuanca -1,099 -0,612 0,352 -1,359 SeñordelCabildo -0,728 -0,994 0,352 -1,370 VillaRosario -0,723 -0,667 0,984 -0,406 Figura 11 CAPITAL SOCIAL REPRESENTADO ESPACIALMENTE Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. V. DISCUSIÓN Y CONCLUSIONES En este estudio se propone una metodología basada en el análisis de redes sociales para la determinación del capital social a partir de las relaciones bonding, bridging y linking. El nivel de capital social así obtenido constituye un componente esencial de la capacidad de resiliencia a desastres por parte de este tipo de barrios. A pesar de las limitaciones en cuanto a datos y periodo de análisis, la metodología propuesta resulta novedosa para su aplicación al estudio de entidades espaciales a diversas escalas, especialmente en temáticas vinculadas a la componente social de la vulnerabilidad y la resiliencia frente a desastres. En el caso concreto del estudio llevado a cabo, cabe hacer algunas consideraciones. Al tratarse de una zona donde los barrios presentan necesidades y características socioeconómicas muy Fuente: Elaboración propia a partir de la cartografía del Gobierno Municipal del Cusco. 478 Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Daniel Navarro Cueto, Ismael Vallejo Villalta y Manuel Navarro Bernal V. DIsCusIóN y CoNClusIoNes En este estudio se propone una metodología basada en el análisis de redes sociales para la determinación del capital social a partir de las relaciones bonding, bridging y linking. El nivel de capital social así obtenido constituye un componente esencial de la capacidad de resiliencia a desastres por parte de este tipo de barrios. A pesar de las limitaciones en cuanto a datos y periodo de análisis, la metodología propuesta resulta novedosa para su aplicación al estudio de entidades espaciales a diversas escalas, especialmente en temáticas vinculadas a la componente social de la vulnerabilidad y la resiliencia frente a desastres. En el caso concreto del estudio llevado a cabo, cabe hacer algunas consideraciones. Al tratarse de una zona donde los barrios presentan necesidades y características socioeconómicas muy parecidas, el nivel de relaciones bonding está estrechamente vinculado con el número de participantes en las asambleas y trabajos comunales. Este hecho se relaciona con la propia naturaleza de las redes sociales que ha tratado de recogerse en la ecuación propuesta para su cálculo (ecuación 1); así, al aumentar la participación en un barrio de forma lineal, las relaciones bonding aumentan a un mayor ritmo, dándose lo que podría denominarse una explosión de capital social. La plasmación cartográfica de este indicador de cohesión interna muestra un eje central de barrios con los valores más altos, hecho que se deriva del mayor número de familias en cada barrio y mayor grado de consolidación espacial del mismo. Sin embargo, los siguientes barrios mejor puntuados presentan una localización periférica que probablemente explica su mayor necesidad de establecer vínculos internos; frente a éstos, en un nivel intermedio y bajo de relaciones bonding se encuentra una orla de casos en torno a los barrios centrales, que de alguna forma sustituyen su cohesión interna por relaciones más estrechas con dichos barrios de mayor nivel. Por otra parte, la accesibilidad en la red vial contribuye notablemente en el nivel de relaciones bridging, como puede observarse en la figura 7, donde se pone de manifiesto la distribución espacial centralizada de las puntuaciones; así los barrios con menor puntuación son también los menos accesibles. Por otra parte, la clasificación obtenida mediante el análisis de modularidad de las relaciones interbarriales (véase figura 8) coincide con una clara conectividad-vecindad entre los barrios. Es decir, los barrios más próximos y más conectados entre sí mantienen un mayor nivel de relación, lo que nos muestra la importancia, a este nivel, de la red vial como condicionadora de las relaciones sociales generadas entre los barrios. En lo referido al capital social de tipo linking, se observa un nivel de relaciones medio con el frente de defensa y bajo con el gobierno local. Actualmente existe una crisis de gobernabilidad ciudadana en el sector, habiendo aparecido dos organizaciones de segundo nivel alternativas al frente de defensa, lo que explica que algunos barrios se relacionen con este último mientras que otros se decanten por las organizaciones alternativas. Esta situación provoca el debilitamiento del frente de defensa a pesar de seguir siendo el agente interlocutor oficial con el gobierno local. Por otra parte, la articulación entre las organizaciones barriales y el gobierno local únicamente puede producirse cuando el barrio está formalmente constituido, ya que el estado no puede intervenir en las zonas informales que se encuentran al margen de la legalidad. Esto último explica la correlación entre la situación legal del barrio y el nivel de relaciones linking con el gobierno local (véase tabla 1 y figura 9). 479 Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú Boletín de la Asociación de Geógrafos Españoles N.º 74 - 2017 Aunque cada una las relaciones bonding, bridging y linking responden a dinámicas particulares, finalmente los barrios con mayor capital social son aquellos que presentan un reparto equilibrado de puntuaciones positivas en cada una de ellas y, por tanto, deben ser considerados los que presentan una mayor resiliencia. Estos barrios presentan una más alta cohesión interna, mayor vinculación con otros barrios y mayor integración con organizaciones de segundo nivel y con el gobierno local, disponiendo, por tanto, de un mayor acceso a los recursos existentes en la red social, sean estos materiales o de información, lo que resulta finalmente en unas condiciones ventajosas para afrontar las diferentes fases de la gestión del riesgo de desastres desde los propios barrios. De la misma forma, desde la óptica de la política de gestión de riesgos desde ámbitos superiores, este tipo de estudios facilita un conocimiento de gran interés. Así, por ejemplo, si se quiere introducir una innovación en la zona, se hará en aquellos barrios que ocupan lugares centrales en la red bridging ya que tienen una mayor influencia en el resto de barrios logrando optimizar los recursos. En cambio, si se quiere mejorar la situación de los barrios menos resilientes, se deberán tomar medidas para fortalecer su cohesión interna, promover la participación, mejorar su vinculación con el resto de los barrios y adoptar políticas que acerquen al gobierno local a los barrios. Por otra parte, ante la ocurrencia un desastre en alguno de los barrios, será más eficiente la búsqueda el apoyo en los barrios con los que tienen mayor relación. VI. BIBlIogRAfíA ADGER, W.N., HUGHES, T.P., FOLKE, C., CARPENTER, S.R. y ROCKSTRÖM, J. (2005): «Social-Ecological Resilience to Coastal Disasters». Science 309, 1036-1039. AINUDDIN, S. y ROUTRAy, J.K., (2012): «Earthquake hazards and community resilience in Baluchistan». Natural Hazards, 63(2), 909-937. ALDRICH, D.P. (2012): «Social, Not Physical, Infrastructure: The Critical Role of Civil Society after the 1923 Tokyo Earthquake». Disasters, 36 (3), 398-419. BARAL, N. y STERN, M.J., (2011): «Capital Stocks and Organizational Resilience in the Annapurna Conservation Area, Nepal». Society & Natural Resources, 24 (10) , 1011- 1026. BASTIAN M., HEyMANN S., JACOMy M. (2009): «Gephi: an open source software for exploring and manipulating networks». International AAAI Conference on Weblogs and Social Media. BIRKMANN, J. (2006): Measuring Vulnerability to Natural Hazards: Towards Disaster Resilient Societies. Hong Kong. United Nations University. BLAIKIE, P., CANNON, T, DAVIS, I. y WISNER, B. (1994): At Risk: Natural Hazards, People’s Vulnerability and Disasters. London: Routledge. BURT, R. S. (2000): «The Network Structure of Social Capital». Research in Organizational Behavior, 22, 345-423. CAMPANELLA, THOMAS J. (2006): «Urban resilience and the recovery of new orleans». Journal of the American Planning Association, 72 (2), 141-146. CUTTER, S.L., BORUFF, B.J. y SHIRLEy, W.L. (2003): «Social Vulnerability to Environmental Hazards ». Social Science Quarterly, 84 (2), 242-261. Capítulo 8 Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Navarro, D., Vallejo, I., y Navarro, M. (2020). Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes. Investigaciones Geográcas , in press . https://doi.org/10.14198/INGEO2020.NVN 111 Investigaciones Geográficas ISSN: 0213 - 4691. eISSN: 1989 - 9890. Instituto Interuniversitario de Geografía DOI: 10.14198/INGEO2020.NVN Universidad de Alicante Recepción: 11/05/2020. Aceptación: 29/10/2020. Publicación in press: 01/12/2020. Este trabajo se publica bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional. Cita bibliográfica: Navarro, D., Vallejo, I., & Navarro, M. (2020). Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes. Investigaciones Geográficas, in press. https://doi.org/10.14198/INGEO2020.NVN Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Analysis of social vulnerability to natural risk using multivariate statistical techniques Daniel Navarro1 Ismael Vallejo2 Manuel Navarro3 Resumen La combinación de una población humana y de un agente potencialmente destructivo no produce necesariamente un desastre. Para que el desastre se vuelva inevitable debe producirse en el contexto de una población vulnerable. En este estudio se analiza la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes, en concreto, análisis de componentes principales y análisis clúster k-means. La combinación de estas técnicas evita la necesidad de ponderar las variables a priori. Esta metodología se ha aplicado como caso de estudio a la ciudad de Almería utilizando un conjunto de variables que influyen en la vulnerabilidad de la población. Respecto a la vulnerabilidad social, se ha concebido de forma holística, abarcando sus diferentes dimensiones y evitando una simplificación excesiva de la complejidad de la realidad social. Por ello, se ha tenido en cuenta que existen múltiples factores sociales, económicos y culturales que influyen en la aparición de un desastre. Los resultados obtenidos han permitido identificar las zonas de mayor vulnerabilidad social, destacando que alrededor del 32 por ciento de la población presenta una vulnerabilidad alta o muy alta. Por último, la metodología propuesta se ha mostrado adecuada para el estudio de la vulnerabilidad social, siendo además replicable a otras áreas de estudio y a diferentes escalas. Palabras clave: vulnerabilidad social; riesgos naturales; técnicas estadísticas multivariantes; componentes principales; k-means; Almería. Abstract The combination of a human population and a potentially destructive agent does not necessarily produce a disaster. For disaster to become inevitable the population must be vulnerable. This study analyses social vulnerability to natural risks using multivariate statistical techniques, specifically, principal component analysis and k-means cluster analysis. The combination of these techniques avoids the need for a priori weighting of variables. This methodology has been applied as a case study in the city of Almería using a set of variables that influences the vulnerability of the population. Social vulnerability has been conceived holistically, encompassing its different dimensions, and avoiding an excessive simplification of the complexity of social reality. Therefore, it has been considered that there are multiple social, economic, 1 TECNALIA, Basque Research and Technology Alliance (BRTA), Parque Tecnológico de Bizkaia, Astondo Bidea, edificio 700 c/ Geldo, 48160 Derio, España. [email protected] Departamento de Geografía Física y Análisis Geográfico Regional, Universidad de Sevilla, España. Autor para correspondencia 2 Departamento de Geografía Física y Análisis Geográfico Regional, Universidad de Sevilla, España. [email protected] 3 Departamento de Química y Física, Universidad de Almería, España. [email protected] 2 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. and cultural factors that influence the appearance of a disaster. The results obtained have made it possible to identify the areas of greatest social vulnerability, highlighting that around 32 percent of the population is highly or very highly vulnerable. Finally, the proposed methodology has proven to be adequate for the study of social vulnerability and is also replicable in other areas of study and at different scales. Keywords: social vulnerability; natural risk; multivariate statistical technique; principal components; k-means; Almeria. 1. Introducción Un desastre natural puede pensarse como el resultado de la confluencia en el tiempo y espacio de procesos naturales y procesos sociales, llevando a la interrupción o el colapso de estos últimos. En el análisis de riesgos, a esos procesos sociales, tanto materiales como inmateriales, que hacen que se produzca un desastre se conocen como vulnerabilidad, mientras que al conjunto de procesos naturales se los engloba dentro de la peligrosidad. El estudio del riesgo de desastres ha evolucionado a lo largo del tiempo (Olcina Cantos, 2008). Inicialmente se estudiaba el desastre exclusivamente. Posteriormente se introduce el concepto de riesgo desde una perspectiva del análisis de la peligrosidad hasta la incorporación paulatina del análisis de la vulnerabilidad (Schneiderbauer & Ehrlich, 2004). Desde los planteamientos de la ecología política y los estudios sobre desarrollo se ha definido la vulnerabilidad a los riesgos naturales como: Por vulnerabilidad se entiende las características de una persona o grupo desde el punto de vista de su capacidad para anticipar, sobrevivir, resistir y recuperarse del impacto de una amenaza natural. Implica una combinación de factores que determinan el grado hasta el cual la vida y la subsistencia de alguien queda en riesgo por un evento distinto e identificable de la naturaleza o sociedad. (Wisner, Blaikie, Cannon y Davis, 2004, p. 11) Algunas de las características propias de la vulnerabilidad (Vogel & O’Brien, 2004) son su carácter multidimensional y diferencial (varía en función del espacio y dentro de los grupos sociales), depende de la escala (vulnerabilidad individual, familiar, regional o sectorial) y es dinámica (las fuerzas impulsoras de la vulnerabilidad pueden cambiar a lo largo del tiempo). En relación con el concepto de vulnerabilidad social, se afirma que ésta es mucho más que la probabilidad de que los edificios colapsen o de que la infraestructura sufra daños (Cannon, Twigg y Rowell, 2003). Incluyendo aspectos como el bienestar (calidad de la alimentación, salud física y mental), el sustento y la resiliencia (recursos, capital, ingresos y cualificación), autoprotección (capacidad para construir y usar un hogar y un entorno seguro), protección social (medidas de preparación y mitigación) y redes e instituciones sociales y políticas (capital social, calidad institucional y otros). Este último aspecto, el de las redes y el capital social, puede ser de gran importancia en determinados contextos (Navarro Cueto, Vallejo Villalta y Navarro Bernal, 2017). 1.1. Marcos conceptuales para el estudio de la vulnerabilidad A continuación, se presentan los principales modelos o marcos conceptuales para la identificación de la vulnerabilidad. Éstos proceden de diferentes campos de estudio como la gestión de los desastres, la investigación sobre cambio climático o los estudios sobre desarrollo. 1.1.1. La doble estructura de la vulnerabilidad Bohle (2001) destaca que la vulnerabilidad tiene una doble estructura basándose en el enfoque de la Geografía social y numerosos estudios sobre hambrunas. Un lado interno, que se corresponde con la habilidad de anticipar, hacer frente, resistir y recuperarse del impacto de una amenaza. Y un lado externo, que se relaciona con la exposición al riesgo. La parte externa y la parte interna se influyen mutuamente. Destaca el hecho de incorporar la exposición como un elemento más de la vulnerabilidad. En este sentido, desde la perspectiva de la doble estructura de la vulnerabilidad, la exposición va más allá de la ubicación espacial, incluyendo aspectos que generan situaciones de riesgo, como la exclusión de las redes sociales. 3 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes 1.1.2. Marco conceptual de la gestión del riesgo de desastres En el campo de estudio de los riesgos de desastre la forma más generalizada de sistematizar la vulnerabilidad, la exposición y la capacidad de hacer frente (coping capacity) es hacerlo como conceptos separados. A continuación, se presentan tres modelos diferentes dentro de este campo. En el modelo de Davidson & Shah (1997) el riesgo de desastre lo componen cuatro elementos. La amenaza, compuesta por la probabilidad y la severidad; la exposición, formada por las estructuras, las personas y la economía; la vulnerabilidad, en la cual se distingue la dimensión física, la social, la económica y la ambiental. Por último, las capacidades y las medidas, donde se encuentra el planeamiento físico, la capacidad social, la capacidad económica y la gestión. Desde otra perspectiva, Villagrán de León (2011) define el riesgo a partir de un triángulo compuesto por tres componentes, la vulnerabilidad, la amenaza y las deficiencias en la preparación. En este marco, la vulnerabilidad está conformada por las condiciones preexistentes que hacen a la infraestructura, los procesos, los servicios y la productividad más propensos a sufrir daños por una amenaza externa. Las deficiencias en preparación es lo opuesto a la capacidad de afrontar la amenaza. Y la exposición la considera como un componente de la propia amenaza. Dentro del campo del riesgo de desastres, se puede destacar el marco conceptual desarrollado por la Oficina de Naciones Unidas para la Reducción del Riesgo de Desastres (UNISDR, 2004). Según UNISDR, la vulnerabilidad es un elemento determinante en la aparición del riesgo y está formada por la componente social, la económica, la física y la ambiental. El presente marco conceptual tiene en cuenta las distintas fases de la gestión del riesgo: el análisis de la amenaza; el análisis de la vulnerabilidad; la determinación del riesgo; los sistemas de alerta temprana; la preparación y la respuesta. La determinación de la vulnerabilidad es aquí una precondición para una adecuada gestión del riesgo. La lectura que hace Birkmann (2006) de este modelo es que no explicita las formas de reducir la vulnerabilidad. Otra observación que hace es que no incluye la cuestión de la exposición en el modelo, dejando abierta la posibilidad de incluirla como parte de la amenaza o como parte de la vulnerabilidad. Si bien es cierto que el modelo no trata la cuestión de la exposición, sí que recoge medidas que se pueden poner en práctica para reducir el riesgo, como la gestión ambiental, prácticas de desarrollo social y económico (incluyendo medidas contra la pobreza, seguridad de subsistencia, mecanismos de financiación, salud, agricultura, etc.), planeamiento urbano y usos del suelo, protección de instalaciones críticas y el establecimiento de contactos y asociaciones. Algunas de estas medidas reducen el riesgo reduciendo, precisamente, la vulnerabilidad. UNISDR (2004) incluye la vulnerabilidad y la reducción del riesgo dentro del contexto del desarrollo sostenible. Esto muestra claramente la necesidad de que la reducción del riesgo debe promover un desarrollo sostenible a través de un adecuado equilibrio entre los objetivos sociales, los económicos y los medioambientales. Birkmann (2006) destaca que, en ocasiones, la reducción de la vulnerabilidad y el desarrollo sostenible deben enfrentarse a profundos conflictos sociales, económicos y ambientales, que no pueden ser resueltos mediante una simple visión del problema. Se hace necesario definir con más detalle las conexiones entre la reducción del riesgo y el desarrollo sostenible. 1.1.3. Marco conceptual del cambio climático Como marco representativo de esta comunidad científica se considera el de Turner et al. (2003), quienes introducen la vulnerabilidad dentro del contexto del sistema formado por la población humana y el medioambiente. La vulnerabilidad abarca la exposición, la sensibilidad y la resiliencia. Siendo parte de la resiliencia, y por tanto de la vulnerabilidad, la capacidad de respuesta, la respuesta a los impactos y la respuesta adaptativa. A partir del quinto informe del Panel Intergubernamental de Cambio Climático (IPCC, 2014), sin embargo, el marco conceptual de cambio climático se aproxima al de la gestión del riesgo de desastres. El concepto de riesgo pasa a ser central, y se compone de la amenaza, la exposición y la vulnerabilidad. Ésta última a su vez se compone de la sensibilidad y la capacidad de adaptación. 1.1.4. La escuela de la ecología política En la escuela de la ecología política el modelo más importante es el “pressure and release model” (modelo PAR, por las siglas en inglés) elaborado por Blaikie et al. (1994) y ampliado por Wisner, Blaikie, 4 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. Cannon y Davis (2004). Según este modelo los desastres son el resultado de la interacción de los procesos que generan vulnerabilidad, por un lado, y un evento natural potencialmente peligroso, por otro. El PAR se basa en que la vulnerabilidad y el desastre pueden ser vistos como procesos que cambian a lo largo del tiempo incrementando la presión, junto con oportunidades para liberar esa presión. El riesgo es por tanto el resultado de la amenaza y la vulnerabilidad. Se distinguen aquí tres niveles diferentes de vulnerabilidad: causas profundas, presiones dinámicas y condiciones inseguras. Las causas profundas pueden ser procesos económicos, demográficos o políticos que determinan el poder y el acceso a los recursos. Se encuentra relacionado con las cuestiones de buena gobernanza y de distribución del poder dentro de una sociedad. Se incluyen también las ideologías políticas y económicas ya que proporcionan una forma de entender el mundo y legitiman las desigualdades de una sociedad. En un segundo nivel se encuentran las presiones dinámicas. Éstas abarcan todos aquellos procesos y actividades que transforman y canalizan los efectos de las causas profundas en condiciones de inseguridad. Por ejemplo, la falta de una adecuada formación, la ausencia de libertad de prensa, cambios rápidos de la población, rápida urbanización o la deforestación. El último nivel es el de las condiciones inseguras, que hacen referencia a formas específicas en las que la vulnerabilidad humana es expresada. Este nivel lo forman a su vez cuatro aspectos diferenciados: el ambiente físico (localizaciones peligrosas, edificios e infraestructuras vulnerables), la economía local (subsistencia en peligro o bajos niveles de ingresos), las relaciones sociales (grupos especiales en riesgo o falta de instituciones locales), y las acciones públicas e instituciones (falta de preparación ante desastres). El modelo PAR pone especial atención en el hecho de que no es suficiente con identificar la vulnerabilidad, sino que hay que ir más allá. Es necesario comprender las presiones dinámicas y las causas profundas que generan las condiciones de inseguridad. Sin embargo, debido a la multicausalidad de las condiciones de inseguridad y a que es un proceso en continuo cambio, resulta complicado establecer conexiones de un modo cuantitativo entre cada uno de los niveles de vulnerabilidad. Este modelo es uno de los más conocidos internacionalmente de los que se centran en la vulnerabilidad y en sus causas. Desde este enfoque, un esfuerzo real para reducir la vulnerabilidad implica cambiar los sistemas económicos y políticos, ya que estos son vistos como las causas profundas. Este enfoque será central en el análisis de la vulnerabilidad realizado en este trabajo. 1.1.5. Enfoque holístico para la determinación del riesgo y la vulnerabilidad El enfoque holístico procede de los trabajos de Cardona (2001). Según este enfoque, la vulnerabilidad está compuesta por tres dimensiones diferentes: la exposición física y la susceptibilidad, definida como riesgo duro (hard risk) y que es dependiente del tipo de amenaza; la fragilidad del sistema socioeconómico vista como riesgo blando (soft risk) e independiente del tipo de amenaza; y la falta de resiliencia para afrontar y recuperarse, vista también como riesgo blando e independiente del tipo de amenaza. Desde este enfoque se afirma que los indicadores o índices de vulnerabilidad deben de ser elaborados desde una perspectiva multidisciplinar. Ya que por un lado captan los impactos físicos directos y, por otro, aspectos indirectos e incluso cuestiones intangibles. La clasificación en riesgos duros y riesgos blandos es muy discutible, aunque es cierto que este enfoque recoge en cierta medida la multidimensionalidad de la vulnerabilidad. Carreño, Cardona y Barbat (2007) revisan el modelo y cambian los conceptos de hard risk y soft risk por los de daño físico y factor de impacto. 1.1.6. Marco conceptual BBC El marco conceptual BBC (Birkmann, 2006) se basa en los modelos presentados anteriormente. El término BBC se debe a la inicial de los autores Bogardi, Birkmann y Cardona. Es el resultado de la discusión acerca de cómo conectar la vulnerabilidad, la seguridad humana y el desarrollo sostenible. Desde este enfoque, la vulnerabilidad va más allá de la estimación de las deficiencias y los impactos de desastre. Es necesario ver la vulnerabilidad como un proceso, esto es dinámico y cambiante a lo largo del tiempo, que se centra en las vulnerabilidades, las capacidades de hacer frente, y las herramientas de 5 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes intervención que pueden reducir potencialmente las vulnerabilidades. En este modelo se distingue entre antes de que se presente el desastre y después. En lugar de distinguir entre hard risk y soft risk, este modelo se centra en las tres áreas temáticas del desarrollo sostenible: la social, la ambiental y la económica. La vulnerabilidad la forman esas tres esferas. Aunque la vulnerabilidad de la economía y de la sociedad (antroposfera) son las esferas centrales, este marco conceptual también tiene en cuenta la vulnerabilidad de la dimensión biofísica a través de la esfera ambiental. De esta forma, este marco muestra las estrechas relaciones entre la naturaleza y la sociedad, no limitando la parte ambiental a la esfera de la amenaza. Oliver-Smith (2002) señala que las concepciones occidentales dominantes de las relaciones entre los seres humanos y la naturaleza a menudo se conciben como un juego entre opuestos. La forma de pensamiento por la cual se dividen lo humano y lo natural es una construcción cultural que no se da en todas las sociedades ni en todos los periodos históricos. En relación con lo anterior, el marco BBC no sitúa únicamente la parte “natural” como origen de la amenaza, sino que la sitúa también como un elemento vulnerable. En relación con la exposición, este modelo la incluye en parte en la amenaza y en parte como la dimensión espacial de la vulnerabilidad. Por último, la reducción de la vulnerabilidad de una esfera a cambio de incrementar la vulnerabilidad de otra no implica una reducción real de la vulnerabilidad. 1.1.7. Índice de Vulnerabilidad Social Cutter, Boruff y Shirley (2003) proponen una de las aproximaciones más interesantes al estudio de la vulnerabilidad social. El Índice de Vulnerabilidad Social (SoVI, por sus siglas en inglés en Cutter et al. (2003)) se basa en el cálculo de un índice mediante variables procedentes del censo de los Estados Unidos. Este modelo parte de 42 variables del censo de los Estados Unidos que se reducen en una serie de factores mediante un análisis de componentes principales. Entre los factores que obtienen se encuentran el estatus socioeconómico, género, grupo étnico y edad, entre otros. El SoVI es un enfoque que tiene en cuenta un buen número de dimensiones relacionadas con la vulnerabilidad social. 1.2. Contexto del estudio y objetivo A pesar de la variedad y profundidad teórica de éstos y otros modelos conceptuales sobre la vulnerabilidad en general y de la vulnerabilidad social en particular, las implementaciones concretas a través de trabajos específicos suelen presentar ciertas características comunes. En líneas generales, se puede decir que en España existen dos aproximaciones para el análisis de la vulnerabilidad. La cartográfica, donde se analiza la vulnerabilidad o la exposición a través de objetos o entidades territoriales como los usos del suelo, las infraestructuras, etc., y la estadística, que necesita de unidades espaciales administrativas, como los municipios o secciones censales, con información estadística para la elaboración de indicadores. En la primera aproximación cabe mencionar el análisis de los usos del suelo a partir de los cuales se deriva el valor económico del suelo y la exposición humana al peligro (Camarasa-Belmonte, López- García y Soriano García, 2008), un análisis de diferentes casos de inundaciones en España (Arranz Lozano, 2008), una propuesta de indicadores de vulnerabilidad social (Perles Roselló, 2010), el uso de la información catastral para la evaluación de la exposición a la peligro de inundaciones (Pérez-Morales, Gil-Guirado y Olcina, 2016), una propuesta de cartografía de vulnerabilidad adaptada a la directiva europea de inundaciones (Perles Roselló, Sortino Barrionuevo y Cantero Prados, 2017) y el análisis de los cambios de uso del suelo en el período 1957-2007 y sus efectos frente a las inundaciones y los fenómenos de erosión (Gallegos Reina & Perles Roselló, 2019). Mientras que en la segunda aproximación puede citarse algunos ejemplos como una propuesta de evaluación de la vulnerabilidad social basado en un modelo multicriterio desarrollado mediante encuestas a un panel de expertos (Ruíz-Pérez y Grimalt Gelabert, 2012), un análisis de vulnerabilidad social ante amenazas naturales en Manzanillo, Colombia, basado en el análisis de componentes principales (Bohórquez, 2013), y una propuesta metodológica para la evaluación de la vulnerabilidad social frente a las inundaciones basada también en el análisis de componentes principales (Pérez Morales, Navarro Hervás y Álvarez Rogel, 2016). 6 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. El presente estudio se enmarca dentro de la segunda aproximación. Concretamente se aplica el análisis de componentes principales (Cutter et al., 2003; Fekete, 2009; Bohórquez, 2013; Pérez Morales et al., 2016; Aguado-Moralejo, Echebarría y Barrutia, 2019) como primera etapa de la metodología propuesta para el análisis de la vulnerabilidad. Una problemática a la que enfrenta esta aproximación radica en la ponderación de las variables o factores obtenidos mediante técnicas estadísticas (Pérez Morales et al., 2016). En algunos casos se ponderan de igual modo todos los factores obtenidos y, en otros, se utilizan las puntuaciones factoriales resultado del análisis de componentes principales. Cutter, Burton y Emrich (2010) afirman que aunque existan métodos basados en el análisis de los datos para establecer los pesos, estos no siempre reflejan las prioridades de los tomadores de decisiones. Se podría añadir que los pesos obtenidos de esta forma pueden no tener un sustento teórico ni basado en la bibliografía sobre la vulnerabilidad a los riesgos naturales. En este sentido, el objetivo de este estudio consiste en proponer una metodología que contribuya al estudio de la vulnerabilidad social al riesgo de desastres naturales basado en el análisis de componentes principales y en el análisis clúster. Gracias a este último, no es necesario ponderar los factores, solventando así el problema mencionado anteriormente. Para mostrar la metodología se ha aplicado al entorno urbano de Almería. 2. Metodología 2.1. Caso de estudio Almería capital es una ciudad costera situada en la bahía del mismo nombre. Posee una forma triangular delimitada por tres frentes: el río Andarax al este, el mar al sur y las estribaciones de la sierra de Gádor al oeste y al norte. El emplazamiento se caracteriza por una planicie de aluvión que cae en suave pendiente al mar. La estructura urbana del área histórica se caracteriza por una organización de tipo orgánico, de plano irregular, no habiendo un diseño racional de ciudad. Almería pertenece al espacio estratégico denominado “arco del Mediterráneo español” que es considerado un importante eje de desarrollo europeo. La fundación de la ciudad se debe a razones de tipo estratégico militar y comercial, de comunicaciones y transporte. Figura 1. Almería musulmana B: Madinat al Dajiliyya; C: Al Musalla; D: Al Hawd Fuente: Fernández Martínez, 2006 7 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes El origen de Almería como ciudad data del siglo IX. En sus inicios, se desarrolla como un barrio marítimo alrededor de la atalaya construida en el cerro de la Alcazaba para la defensa de Bayyana (actual Pechina). Durante el siglo IX el puerto es el lugar de refugio de una importante flota de naves. En el año955 Abderramán III ordena la construcción de una nueva Alcazaba y un sistema de murallas que defienda su interior. A partir de ese momento Almería se independiza de Pechina (Fernández Martínez, 2006). La estructura urbana de Almería en su momento de máximo esplendor (siglo XI) consistía en (Figura1): Un núcleo central, Madinat al Dajiliyya, rodeado de murallas, donde se encontraba la mezquita mayor, otras mezquitas menores, la alcaicería, las atarazanas y el comercio; dos barrios relativamente autónomos, Al Musalla y Al Hawd, a levante y a poniente respectivamente, protegidos por sus propias murallas, y que se organizaban alrededor de su propia mezquita, teniendo hornos, baños, zoco, etc...; y la Alcazaba, que dominaba a los anteriores y constituía el centro del poder político, militar, administrativo, además de poético y artístico. El núcleo central y el barrio occidental tenían una mayor densidad de población que el barrio oriental, debido a que las murallas de este último abarcaban un espacio mucho mayor que los anteriores. Tanto el núcleo central como el barrio occidental fueron despoblados casi en su totalidad a consecuencia del terremoto de 1487, la conquista cristiana en 1489, y el terremoto de 1522. Desde este momento la ciudad no recuperaría su esplendor hasta el siglo XIX. Durante los siglos XVI y XVII la ciudad se expandió por el barrio oriental (Figura 2), en donde se construye la Catedral-fortaleza (1524-1559), los primeros templos y conventos, y las viviendas. En las plazas se concentran las casas de las familias privilegiadas, mientras que las clases populares ocupan los barrios de Coca, de las Peñas y del Hospital. Existían además numerosos huertos intramuros. Figura 2. Almería en 1621 Fuente: Fernández Martínez, 2006 En el siglo XIX se produce el florecimiento de la ciudad, produciéndose un aumento de la población y construcciones, en donde la exportación de la minería y de la uva a través del puerto juego un papel fundamental. A lo anterior se une que en 1833 se institucionaliza definitivamente la capitalidad de Almería respecto a la provincia, con la consecuente concentración administrativa y de servicios. El ayuntamiento toma una serie de medidas que desembocarán en la Almería contemporánea (Figura 3): derribo de las murallas, construcción del Paseo de Almería, el ensanche al levante de la ciudad, y el encauzamiento de la rambla. 14 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. Renta_media_por_hogar -0,437 -0,004 -0,003 Renta_media_por_persona -0,429 0,096 -0,032 Fuente_de_ingreso__pensiones 0,007 0,553 0,090 Fuente_de_ingreso__prestaciones_por_desempleo 0,207 -0,066 0,314 Fuente_de_ingreso__otras_prestaciones 0,131 0,152 0,384 Fuente_de_ingreso__otros_ingresos -0,448 0,138 0,126 EdEst_deficiente_malo_ruinoso -0,116 0,077 0,502 Elaboración propia A continuación, se han interpretado los tres factores obtenidos en base a las cargas factoriales de cada variable para cada factor. Como se mencionó anteriormente, estos factores no explican los casos (secciones censales), sino que explora las relaciones de interdependencia entre las variables. Este resultado permite agrupar gran cantidad de variables en unos pocos factores facilitándonos la interpretación de los datos. El primer factor explica el 45,16 % de la varianza. Éste muestra que existen relaciones de interdependencia entre la población sin estudios, población con estudios de primer grado, y en un sentido negativo, con población con estudios de tercer grado, renta media por hogar, renta media por persona y otras fuentes de ingresos. Este factor se ha denominado “estatus socioeconómico bajo”. El segundo factor explica el 18,71 % de la varianza. Se trata de un factor que recoge la interdependencia de la población mayor de 64 años y fuente de ingresos pensiones, además de la ausencia de menores de 16 años. Se ha denominado “población envejecida”. El tercer y último factor explica el 11,61 % de la varianza. Este factor indica una alta interdependencia, entre la población nacida en África, población analfabeta, fuentes de ingreso de prestaciones por desempleo y otras prestaciones y donde los edificios están en un estado deficiente, malo o ruinoso. Este factor se ha denominado “población inmigrante en exclusión social”. 3.2. Agrupación de secciones censales El dendograma siguiente (Figura 6), obtenido mediante el análisis de conglomerados jerárquicos, muestra cómo se agrupan las observaciones, en este caso las secciones censales. Las ramas finales se corresponden con las 102 secciones censales del área de estudio. Puede observarse cómo la línea de corte con el dendograma donde se obtienen 5 clústers resulta adecuada. Figura 6. Línea de corte del dendograma Elaboración propia 15 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Mediante el análisis k-means, calculado para 5 grupos, se han obtenido los centros de los clústers siguientes (Tabla 4). Tabla 4. Centros de los clústers cluster PC1 PC2 PC3 1 -3,353 -0,225 1,467 2 -1,552 -2,297 -0,896 3 1,975 0,116 -0,788 4 8,439 -3,704 3,781 5 -0,182 1,252 0,135 Elaboración propia Una vez que se han obtenido los clústers y se conocen el centro de los mismos, se pueden interpretar para asignar un nivel de vulnerabilidad a cada uno de ellos. El primer clúster se caracteriza por un valor negativo del primer factor, es decir, por un estatus socioeconómico alto unido a una educación de tercer grado por lo que se le ha asignado una vulnerabilidad muy baja. El segundo clúster se ha considerado de vulnerabilidad media ya que tiene un estatus socioeconómico medio y una baja población envejecida. Al tercero se le ha asignado una vulnerabilidad alta debido a que se caracteriza por el primer factor de estatus socioeconómico bajo. El cuarto clúster es el de mayor vulnerabilidad puesto que presenta un estatus socioeconómico muy bajo unido al tercer factor de población inmigrante en exclusión social. Finalmente, al quinto clúster se ha asignado una vulnerabilidad baja debido a que tiene un estatus socioeconómico medio y una población relativamente envejecida. En la Figura 7 se muestra la distribución de las secciones censales según los factores obtenidos y el clúster al que pertenecen habiéndole asignado ya los niveles de vulnerabilidad. Figura 7. Distribución de los clústers en base a los factores obtenidos Elaboración propia 16 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. La tabla siguiente (5) muestra el número de secciones censales, la población y el porcentaje de población por cada clúster de vulnerabilidad. Tabla 5. Secciones censales y población por clúster vulnerabilidad n población % población Muy baja 14 17260 11,5 Baja 40 45860 30,5 Media 17 37800 25,1 Alta 28 43875 29,2 Muy alta 3 5550 3,7 Elaboración propia Finalmente, una vez que se ha obtenido la vulnerabilidad para cada una de las secciones censales, se representan espacialmente en el mapa de vulnerabilidad (Figura 8). Figura 8. Mapa de vulnerabilidad social Elaboración propia Las secciones censales que pertenecen a los clústers de vulnerabilidad alta y muy alta suponen el 32,9 % de la población. Éstas se distribuyen espacialmente en zonas periféricas y de poca accesibilidad. Las secciones censales con vulnerabilidad muy alta obtienen esta categorización debido al estatus socioeconómico bajo y a la población inmigrante en exclusión social y se ubican en la zona Oeste junto al río Andarax (36.845ºN, 2.43ºW). Destaca también la franja que transcurre del SO (36.84ºN, 2.48ºW) al NE (36.86ºN, 2.45ºW) que se encuentra constreñida por las estribaciones de la sierra de Gádor. 17 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Por otra parte, las secciones censales con vulnerabilidad muy baja se ubican en el centro económico y comercial de la ciudad (36.84ºN, 2.46ºW) y en la zona SE (36.82ºN, 2.43ºW) donde se ubican viviendas unifamiliares de estatus socioeconómico medio y alto. 4. Discusión de resultados En este estudio se ha mostrado la aplicación del análisis de componentes principales junto con el análisis clúster para la determinación de la vulnerabilidad social a escala intraurbana. La combinación de estas técnicas ha permitido abordar la complejidad del estudio de la vulnerabilidad social donde participan un gran número de variables que abarcan diferentes aspectos. En el caso analizado en este estudio, se observa una distribución espacial de la vulnerabilidad social donde zonas con niveles similares de vulnerabilidad tienden a agruparse entre sí y la presencia de espacios de transición entre las zonas de vulnerabilidad muy baja hacia las zonas de vulnerabilidad alta y muy alta. El conocimiento de las características que determinan la vulnerabilidad social junto con su distribución espacial es de gran utilidad a la hora de implementar políticas de gestión del riesgo antes, durante y después del desastre. La metodología propuesta para el estudio de la vulnerabilidad social a los riesgos naturales puede ser aplicada a otras ciudades, así como a otras escalas. Para ello, se deberán seleccionar, en base a la disponibilidad de información, las variables que mejor caractericen la vulnerabilidad. Además, se deberán seleccionar las unidades de análisis adecuadas como municipios, provincias, autonomías o incluso estados, según sea la escala provincial, regional o nacional. Respecto a los factores obtenidos en el análisis de componentes principales, que se han denominado “estatus socioeconómico bajo”, “población envejecida” y “población inmigrante en exclusión social”, son coherentes con estudios previos sobre vulnerabilidad social. Los dos factores con mayor varianza explicada por Cutter et al. (2003) son “riqueza personal” y “edad” que coinciden con los dos primeros factores obtenidos, el sexto factor que obtienen es “raza – afroamericana” que equivaldría con el tercer factor en el área de estudio analizada. Respecto a Pérez Morales et al. (2016), el segundo y tercer factor que obtienen sobre la “estructura demográfica” y la “estructura socioeconómica” están directamente relacionados con los dos primeros factores que se han obtenido en este trabajo. La aportación más significativa de este estudio radica en la combinación del análisis de componentes principales junto con el análisis clúster para la determinación de la vulnerabilidad social al riesgo de desastres, lo que evita la necesidad de ponderar las variables o factores. Si bien el análisis de componentes principales ya ha sido utilizado con anterioridad en el análisis de vulnerabilidad, el hecho de establecer una ponderación a priori de las variables utilizadas en la determinación de la vulnerabilidad puede introducir un sesgo inicial elevado ya que se trata de un fenómeno multidimensional y complejo. Incluso la ponderación a partir de los pesos factoriales puede no ser adecuada ya que podrían presentarse variables con altas puntuaciones factoriales debido a la correlación existente entre las variables, pero cuyo sustento teórico sea débil. Mediante la reducción de dimensiones con el análisis de componentes principales y la agrupación de casos mediante el análisis k-means se obtienen unos grupos con características homogéneas. Esto permite asignar la vulnerabilidad en última instancia a partir de los centros de los clústers. Se considera por tanto que esta metodología puede ser de utilidad para analizar las múltiples variables involucradas en la vulnerabilidad social ya que facilita la interpretación de las entidades analizadas. Por otra parte, resulta pertinente destacar tres limitaciones respecto a la metodología empleada. La primera es la de la asignación de la vulnerabilidad. La limitación se debe al carecer de un valor numérico de vulnerabilidad. Sin embargo, se considera que esta asignación del nivel de vulnerabilidad en base a la interpretación de las características de los clústers no es más subjetiva que otras decisiones que se toman en cualquier investigación de este tipo. Desde la selección de las variables hasta la ponderación de las variables. La solución radica en que las decisiones tomadas sean explicitadas y basadas en un marco teórico consistente. Una segunda limitación de la metodología propuesta consiste en que la vulnerabilidad obtenida debe entenderse siempre de forma relativa y en función a las zonas estudiadas. Por ejemplo, en el caso de estudio analizado, las secciones censales de vulnerabilidad alta y muy alta podrían dejar de serlo si el área de estudio considerada fuese mayor. Es decir, al carecer de un valor de vulnerabilidad absoluto no permite 18 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. la comparación directa entre diferentes áreas de estudio. Para comparar diferentes áreas de estudio se debería aplicar la metodología considerando todas las áreas al mismo tiempo, de esta forma sería posible compararlas de forma relativa. La tercera limitación tiene relación con la coincidencia en el nivel de detalle espacial que suelen presentar los mapas de peligrosidad actualmente disponibles y, por tanto, la dificultad para derivar mapas de riesgo con que presenten un gran detalle espacial. Así, por ejemplo, en el caso de las inundaciones, la cartografía existente suele proceder de análisis hidrológicos en los que la información esencial son los modelos digitales de elevaciones (MDE), cuyas resoluciones se están situando a niveles submétricos. El contraste de este tipo de mapas con otros de vulnerabilidad a nivel de secciones censales, por ejemplo, no permite el que el mapa de riesgo resultante pueda expresarse al máximo nivel de detalle, puesto que la vulnerabilidad estará referida a toda una sección censal en su conjunto. El uso de modelos de rejilla (GRID), se presenta como una posible solución (Pérez Alcántara, Ojeda Zújar, Díaz Cuevas y Vallejo Villalta, 2018). La asignación de datos desde las entidades espaciales que contienen las variables (secciones censales, parcelas catastrales, etc.) a las rejillas a través de diferentes herramientas de asignación, presenta dos ventajas fundamentales. En primer lugar, se hace posible la integración de un gran volumen de información de diferente procedencia (estadística, catastral, etc.), a la que puede sumarse la procedente de fuentes como la teledetección al existir una coincidencia en el tipo de modelo de datos espaciales (Ebert, Kerle y Stein, 2009). En segundo lugar, en este mismo sentido, la naturaleza del formato receptor (GRID) presenta una mayor adecuación para su análisis conjunto con la cartografía de peligrosidad (Leis y Kienberger, 2020). 5. Conclusiones Inicialmente centrado en el estudio de la peligrosidad, pasando por la vulnerabilidad física de las construcciones, hasta llegar a la vulnerabilidad social, el estudio del riesgo de desastres ha ido aumentando cada vez más su campo de análisis. La vulnerabilidad social, donde hay numerosas variables implicadas, requiere una metodología acorde para su estudio. En este sentido, se ha aplicado una metodología basada en técnicas estadísticas multivariantes lo que ha permitido identificar las áreas urbanas de mayor vulnerabilidad social teniendo en cuenta un elevado número de variables, capturando así las múltiples dimensiones de ésta. La metodología propuesta se ha mostrado adecuada para el estudio de la vulnerabilidad social en el caso de la ciudad de Almería, siendo además replicable a otras áreas de estudio y a diferentes escalas. Este tipo de estudios podrían formar parte de los instrumentos de ordenación del territorio y de planes de emergencia para priorizar las acciones de gestión de riesgos en aquellas zonas donde confluya una mayor vulnerabilidad social con la peligrosidad y exposición. Finalmente, una futura línea de trabajo consiste en abordar una de las limitaciones expuestas anteriormente. Concretamente, la referida al nivel de detalle espacial mediante el uso de modelos GRID que permitan el cruce de la vulnerabilidad con la peligrosidad para la obtención del riesgo de desastres. Referencias Aguado-Moralejo, I., Echebarría, C., & Barrutia, J. M. (2019). Aplicación de un análisis clúster para el estudio de la segregación social en el municipio de Bilbao. Boletín de La Asociación de Geógrafos Españoles, 81, 1–35. https://doi.org/10.21138/bage.2763 Arranz Lozano, M. (2008). El riesgo de inundaciones y la vulnerabilidad en áreas urbanas. Análisis de casos en España. Estudios Geograficos, 69(265), 385–416. https://doi.org/10.3989/estgeogr.0417 Bartlett, M. S. (1951). The effect of standardization on a Chi-square approximation in factor analysis. Biometrika, 38(3/4), 337–344. https://doi.org/10.1093/biomet/38.3-4.337 Birkmann, J. (Ed.) (2006). Measuring vulnerability to natural hazards: towards disaster resilient societies. Tokyo: United Nations University Press. Blaikie, P., Cannon, T., Davis, I., & Wisner, B. (1994). At risk: natural hazards, people’s vulnerability and disasters. Routledge. 19 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Bohle, H. G. (2001). Vulnerability and Criticality: Perspectives from Social Geography. Newsletter of the International Human Dimensions Program on Global Environmental Change. Bohórquez, J. E. T. (2013). Evaluación de la vulnerabilidad social ante amenazas naturales en Manzanillo (Colima). Un aporte de método. Investigaciones Geográficas, Boletín Del Instituto de Geografía, UNAM, 81, 79–93. https://doi.org/10.14350/rig.36383 Camarasa-Belmonte, A., López-García, M., & Soriano García, J. (2008). Cartografía de vulnerabilidad frente a inundaciones en llanos mediterráneos: caso de estudio del Barranc de Carraixet y Rambla de Poyo. Serie Geográfica, 14, 75–91. Cannon, T., Twigg, J., & Rowell, J. (2003). Social Vulnerability, Sustainable Livelihoods and Disasters. Conflict; Humanitarian Assistance Department; Sustainable Livelihoods Support Office, Department for International Development. Capel Molina, J. J. (1987). Inundaciones y Avenidas De Los Ríos De Almería: Una Constante Secular. Boletín Del Instituto De Estudios Almerienses.Ciencias (7), 25–42. Camarillo Naranjo, J. M., Álvarez Francoso, J. I., Limones Rodríguez, N., Pita López, M. F., & Aguilar- Alba, M. (2016). Geovisualización de escenarios de cambio climático para Andalucía: diseño del geovisor cambia.climasig.es. X Congreso Internacional AEC: Clima, Sociedad, Riesgos y Ordenación Del Territorio. https://doi.org/10.14198/xcongresoaecalicante2016-40 Cardona, O. D. (2001). Estimación Holística del Riesgo Sísmico utilizando Sistemas Dinámicos Complejos [PhD thesis]. Technical University of Catalonia, Spain. Carreño, M. L., Cardona, O. D., & Barbat, A. H. (2007). Urban Seismic Risk Evaluation: A Holistic Approach. Natural Hazards, 40(1), 137–172. https://doi.org/10.1007/s11069-006-0008-8 Cerny, C., & Kaiser, H. (1977). A study of a measure of sampling adequacy for factor-analytic correlation matrices. Multivariate Behavioral Research, 12(1), 43–47. https://doi.org/10.1207/ s15327906mbr1201_3 Cutter, S. L., Boruff, B. J., & Shirley, W. L. (2003). Social vulnerability to environmental hazards. Social Science Quarterly, 84(2), 242–261. http://dx.doi.org/10.1111/1540-6237.8402002 Cutter, S. L., Burton, C. G., & Emrich, C. T. (2010). Disaster resilience indicators for benchmarking baseline conditions. Journal of Homeland Security and Emergency Management, 7(1). https://doi. org/10.2202/1547-7355.1732 Davidson, R. A., & Shah, H. C. (1997). An Urban Earthquake Disaster Risk Index. The John A. Blume Earthquake Engineering Center. Stanford University. Dziuban, C. D., & Shirkey, E. C. (1974). When is a correlation matrix appropriate for factor analysis? Psychological Bulletin, 81, 358–361. http://dx.doi.org/10.1037/h0036316 Ebert, A., Kerle, N., & Stein, A. (2009). Urban social vulnerability assessment with physical proxies and spatial metrics derived from air- and spaceborne imagery and GIS data. Natural Hazards, 48(2), 275–294. https://doi.org/10.1007/s11069-008-9264-0 Espinar Moreno, M. (1994). Los Estudios de Sismicidad Histórica en Andalucía: Los Terremotos Históricos de la Provincia de Almería. Instituto de Estudios Almerienses. Fekete, A. (2009). Validation of a Social Vulnerability Index in Context to River-Floods in Germany. Natural Hazards and Earth System Science, 9(2), 393–403. http://dx.doi.org/10.5194/nhess-9-393-2009 Fernández Martínez, C. M. (2006). Almería: Guía De Arquitectura. Guías De Arquitectura De Andalucía, 6. Sevilla: Junta de Andalucía. Gallegos Reina, A., & Perles Roselló, M. J. (2019). Relaciones entre los cambios en los usos del suelo y el incremento de los riesgos de inundabilidad y erosión: análisis diacrónico en la provincia de Málaga (1957–2007). Boletín de La Asociación de Geógrafos Españoles, 81, 1–38. http://dx.doi.org/10.21138/ bage.2740 Guerrero Montero, M. (2004). 1898: El Fin De Un Siglo De Desastres En Almería. En La crisis de fin de siglo en la provincia de Almería: el desastre del 98 (pp. 113–128). Instituto de Estudios Almerienses. IPCC (2014). Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press. 1132 pp. 20 Navarro, D., Vallejo, I. y Navarro, M. Investigaciones Geográficas, in press. Kaiser, H. (1970). A second generation Little Jiffy. Psychometrika, 35, 401–415. http://dx.doi.org/10.1007/ BF02291817 Leis, J.-L., & Kienberger, S. (2020). Climate risk and vulnerability assessment of floods in Austria: Mapping homogenous regions, hotspots and typologies. Sustainability, 12(16). https://doi.org/10.3390/ su12166458 Lloyd, S. P. (1982). Least Squares Quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137. http://dx.doi.org/10.1109/TIT.1982.1056489 MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, 281–297. Navarro Cueto, D., Vallejo Villalta, I., & Navarro Bernal, M. (2017). Resiliencia a desastres y capital social. Análisis de redes sociales en barrios periféricos de la ciudad de Cusco, Perú. Boletín de La Asociación de Geógrafos Españoles, 74, 463–481. https://doi.org/10.21138/bage.2462 Olcina Cantos, J. (2008). Cambios en la consideración territorial, conceptual y de método de los riesgos naturales. Scripta Nova, XII (270). Oliver-Smith, A. (2002). Theorizing Disasters: Nature, Power and Culture. In S. M. Hoffman & A. Oliver- Smith (Eds.), Catastrophe and culture: The anthropology of disasters (pp. 23–47). School of American Research Press. Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(11), 559–572. http://dx.doi.org/10.1080/14786440109462720 Perles Roselló, M. J. (2010). Apuntes para la evaluación de la vulnerabilidad social frente al riesgo de inundación. Baetica. Estudios de Arte, Geografía e Historia, 32, 67–87. Perles Roselló, M. J., Sortino Barrionueno, J. F., & Cantarero Prados, F. (2017). Cartografía de la vulnerabilidad del territorio frente al riesgo de inundación. Propuesta adaptada a la directiva europea de inundaciones y normativas derivadas. Boletín de La Asociación de Geógrafos Españoles, 75, 341–372. http://dx.doi.org/10.21138/bage.2504 Pérez Alcántara, J. P., Ojeda Zújar, J., Díaz Cuevas, P., & Vallejo Villalta, I. (2018). Diseño y desarrollo de una plataforma de cálculo y visualización de indicadores espaciales mediante rejillas multiescalares (grid). En P. Carmona González, J. Salom Carrasco, M. J. López García, & J. M. Albertos Puebla (Eds.), Tecnologías de la información geográfica: perspectivas multidisciplinares en la sociedad del conocimiento (pp. 658–667). Universitat de València. Pérez-Morales, A., Gil-Guirado, S., & Olcina, J. (2016). La información catastral como herramienta para el análisis de la exposición al peligro de inundaciones en el litoral mediterráneo español. EURE. Revista Latinoamericana de Estudios Urbano Regionales, 42(127), 231–256. https://doi.org/10.4067/ S0250-71612016000300010 Pérez Morales, A., Navarro Hervás, F., & Álvarez Rogel, Y. (2016). Propuesta metodológica para la evaluación de la vulnerabilidad social en poblaciones afectadas por el peligro de inundación: el caso de Águilas (Murcia, sureste ibérico). Documents d’Anàlisi Geogràfica, 62(1), 133–159. https://doi. org/10.5565/rev/dag.242 Ruiz-Pérez, M., y Grimalt Gelabert, M. (2012). Vulnerabilidad territorial frente a desastres naturales: el caso de la isla de Mallorca (Baleares, España). Geografía y Sistemas de Información Geográfica (GEOSIG), 4(4), 1–26. Schneiderbauer, S., & Ehrlich, D. (2004). Risk, Hazard and People’s Vulnerability to Natural Hazards: A Review of Definitions, Concepts and Data (p. 40). European Commision. Joint Research Centre. Steinhaus, H. (1957). Sur la division des corps matériels en parties. Bulletin de l’Académie Polonaise des Sciences. Turner, B. L., Kasperson, R. E., Matson, P. A., McCarthy, J. J., Corell, R. W., Christensen, L.,…., & Schiller, A. (2003). A framework for vulnerability analysis in sustainability science. Proceedings of the National Academy of Sciences of the United States of America, 100(14), 8074–8079. https://doi.org/10.1073/ pnas.1231335100 UNISDR. (2004). Living with Risk: A Global Review of Disaster Reduction Initatives. United Nations. 21 Investigaciones Geográficas, in press. Análisis de la vulnerabilidad social a los riesgos naturales mediante técnicas estadísticas multivariantes Vidal, F. (1986). Seismotectonics of the region Betics-Alborán Sea. Thesis, University of Granada, Spain (in Spanish). Villagrán de León, J. C. (2011). Risks in Central America: bringing them under control. En H. Brauch, U. Oswald Spring, C. Mesjasz, J. Grin, P. Kameri-Mbote, B. Chourou, P. Dunay, & J. Birkmann (Eds.), Coping with global environmental change, disaster and security (pp. 1147–1158). Springer. Vogel, C., & O’Brien, K. (2004). Vulnerability and Global Environmental Change: Rhetoric and Reality. AVISO 13. Global Environmental Change; Human Security Project. Wisner, B., Blaikie, P., Cannon, T., & Davis, I. (2004). At Risk: natural hazards, people’s vulnerability and disasters. Second edition (p. 134). Routledge. Parte III APÉNDICES SOCIAL VULNERABILITY TO DISASTERS IN THE CITY OF ALMERIA (SPAIN) D. Navarro(1), M. Navarro(2, 3), I. Vallejo(1), F. Vidal(3) (1) University of Seville, Spain. [email protected]; [email protected] (2) University of Almeria, Spain. [email protected] (3) Andalusian Institute of Geophysics Research and Prevention of Seismic Disasters, University of Granada, Spain. [email protected] SUMMARY In order to analyze the social vulnerability to disasters in the city of Almeria, Spain, a methodology based on multivariate statistical techniques have been used. Two of these techniques have been applied. Factorial analysis, which reduce a large number of variables into few factors that are easier to understand, and cluster analysis, which classify the different areas of the city into groups. Five levels of social vulnerability ranging from very low vulnerability to very high vulnerability have been obtained. INTRODUCTION In this study we have performed a social vulnerability to disasters assessment in the city of Almeria, Spain. The disaster is understood not as an event but as a process that develops over time as a result of economic, social and political factors (Hoffman and Oliver-Smith, 2002). Social vulnerability is the ability of people to anticipate, survive, resist and recover from a disaster. This is explained by dimensions such as age, ethnicity, socioeconomic status, gender, level of organization of the population, among others (Blaikie et al., 1994) (Pelling, 2003). The interdependence relationships between the multiple dimensions that compound the social vulnerability makes multivariate statistical techniques an appropriate approach (Cutter et al., 2003) (Fekete, 2009). Two different multivariate statistical techniques are used (figure 1). The first one is factorial analysis, specifically, principal component analysis. This technique explain the structure of the data and reduce many variables to few factors that explain them. The second one is cluster analysis. This other technique classify the census divisions of the city into groups depending on the previously obtained factors. Finally, we assign a level of vulnerability by the interpretation of those groups. FACTORIAL ANALYSIS Firstly, 46 socioeconomic variables were collected from the national census to characterized the different dimensions of social vulnerability. Those variables have been reduced to 18 variables after multicollinearity tests. Then, 4 factors have been obtained explaining 85% of the total variance (table 1). The factor mediumhigh socioeconomic status explain 8 variables. The second one, low socioeconomic status, explain 6 variables. The third, african population plus buildings in poor condition, explain 4 variables. And the fourth, central business district, explain 3 variables. The social vulnerability results have been integrated with a seismic risk scenario (figure 3) associated with an earthquake of moment magnitude 6.0 and 15 km epicenter distance from the city, located on the marina prolongation of Carboneras strike-slip fault. The four most socially vulnerable neighborhoods also have high physical vulnerability of buildings (Figure 4). The seismic risk is medium in three neighborhoods with very high social vulnerability (La Chanca, Fuentecica-Quemadero and Los Almendros), while the El Puche neighborhood with very high social vulnerability is located in an area with high seismic risk due to site effects (Navarro et al. 2014). CONCLUSIONS In Almeria city, high social vulnerability is due to low socioeconomic status of the population. Whereas very high social vulnerability is because of low socioeconomic status population, immigrants and poor condition buildings. Those socioeconomic characteristics produces a limited ability of people to anticipate, survive, resist and recover from a disaster. Multivariate statistical techniques allow to analyze the multiple dimensions of social vulnerability. Nevertheless, the selection of the initial variables and the interpretation of the factors and clusters are key elements to obtain a valid result. Social vulnerability assessments show that the impacts of the disasters vary depending on the population characteristics and it could be an important contribution to current risk assessments. Medium-high socioeconomic status Low socioeconomic status African population plus buildings in poor condition Central business district One-parent family 0,620 0,513 African population 0,919 Illiterate 0,905 Without any formal education 0,806 Primary and secondary education 0,907 Universitary education 0,591 0,544 Employed 0,964 Unemployed 0,847 Entrepreneur 0,802 Salaried employee 0,956 Temporary worker 0,662 Primary sector worker 0,557 0,620 Construction sector worker 0,740 Deficient condition building 0,870 Good condition building 0,931 Resident use 0,838 Commercial use 0,872 Office and service use 0,922 Factors Variables Table 1. Rotated component matrix. The factors explain several variables. Figure 2. Social vulnerability map REFERENCES Blaikie, Piers, Terry Cannon, Ian Davis, and Ben Wisner. (1994). At Risk: Natural Hazards, People's Vulnerability, and Disasters. London: Routledge. Cutter, Susan L., Bryan J. Boruff, and W. Lynn Shirley. (2003). "Social Vulnerability to Environmental Hazards“. Social Science Quarterly 84 (2): 242-261. Fekete, Alexander. (2009). “Validation of a Social Vulnerability Index in Context to River-Floods in Germany”. Natural Hazards and Earth System Science 9 (2): 393-403. Hoffman, Sussana M. and Anthony Oliver-Smith. (2002). Catastrophe and Culture: The Anthropology of Disasters. School of American Research Press. Navarro et al. 2014 (falta por completar) Pelling, Mark. (2003). The Vulnerability of Cities. Sterling, Va.: Earthscan Publications. GEORISK 2014 Madrid | 18 – 21 November 2014 Figure 3. Seismic risk scenario. a) Soil classification map of Almería town based on the average shear-wave velocity distribution down to 30m (VS30 in ms−1), according to Eurocode No. 8 (1998); b) Expected Damage distribution for seismic risk scenario. CLUSTER ANALYSIS The cluster analysis is divided into two stages. In the first stage, hierarchical conglomerate method produce a hierarchical structure allowing to decide the number of groups to use for the classification, in this case 5 groups. In the second stage, k-means method groups the 106 census divisions of the city into 5 clusters whose characteristics are shown in Table 2. SOCIAL VULNERABILITY ASSESSMENT The social vulnerability assessment map (Figure 2) is obtained by the interpretation of the clusters (table 2). •Very low vulnerability (cluster number 5). Factor central business district show us companies which own high economic resources and they usually have all risk insurances for their business. •Low vulnerability (cluster number 2). Medium-high socioeconomic status factor explains this cluster. The low vulnerability is because of (1) people own socioeconomic resources for reconstruction, (2) the buildings are in good condition and (3) entrepreneurs and salaried employees have more stable jobs. •Medium vulnerability (cluster number 3). This cluster is not enough explained by the factors. •High vulnerability (cluster number 1). Low socioeconomic status factor explains this cluster. High vulnerability is due to: (1) In a disaster people will not have economic resources to reconstruct their houses neither to rent a house, (2) low education level limits the alternatives for employment and (3) temporary jobs are unstable. •Very high vulnerability (cluster number 4). It is explained by two factors (low socioeconomic status and african population plus buildings in poor condition). This very high vulnerability is because: (1) it owns all the vulnerable characteristics of the high vulnerability cluster, (2) buildings are in poor condition, (3) immigrant population lack of social networks to allow them to get help in a disaster situation and (4) cultural differences could obstruct disaster response actions Table 2. Clusters centers. The clusters are explained by the positive factors Figure 4. Distribution of buildings (in red color) and housing (blue) according to their seismic vulnerability according to the classification proposed in Risk-UE Selection of variables Factorial analysis Cluster analysis Vulnerability assessment Multivariate statistical techniques Figure 1. Methodology based on multivariate statistical techniques A.3. Comunicación a congreso IWSMRR 2016 Navarro, D., I. Vallejo y M. Navarro (2016). Social capital analysis applied to seismic risk reduction in urban areas. IWSMRR 11th International Workshop on Seismic Microzoning and Risk Reduction, Granada. España. Social capital analysis applied to seismic risk reduction in urban areas Daniel Navarro Cueto (1), Ismael Vallejo Villalta (2), Manuel Navarro Bernal (3) (1) University of Seville, [email protected] (2) University of Seville, [email protected] (3) University of Almeria, [email protected] 1. Introduction 2. Materials and Methods 3. Results and Discussion 4. Conclusions Abstract Social capital is understood as the resources, objects or information, that a person or group could access through its social relations. Insight about it can contribute significantly for seismic risk reduction. Social groups with high social capital will implement effective and suitable measures to prevent and prepare before an earthquake strikes and they will be able to respond and recover efficiently after the disaster. In this study a methodology to measure the social capital based on social network analysis is presented and it is applied to slums in the city of Cusco, Peru. Key-words: Social capital, social network analysis, urban, risk One of the factors which contributes to disaster resilience is social capital (Pelling, 1998; Pelling, 2003; Nakagawa and Shaw, 2004; Adger et al., 2005; LaLone, 2012). Social capital is understood as the resources, objects or information, that a person or group could access through its social relations. Access to this kind of resources is especially important when government is surpassed due to a catastrophic situation. In a recent study (Aldrich, 2012), social capital is the key element explaining the population recovery after the 1923 Tokyo earthquake. Even better than other factors like damage level, population density, educational level or economic capital. The reason is that a dense social network provides a kind of informal insurance, it allows for solving their problems through collective action and influence local governments to respond to their needs. Social capital is composed of three kinds of relations: bonding relations between the members of a group, like citizens in a neighborhood; bridging relations between different groups in an horizontal manner, like neighborhoods; linking relations between different groups in a vertical way, like a neighborhood and local government. Therefore, neighborhoods with strong relations of every kind mentioned above will be more resilient than those with weak relations (Tobin et al., 2014). Bonding relations enable neighbors to implement collective measures before, during and after an earthquake strikes like participatory simulations, search for injured people or helping each others for rebuilding houses. Bridging and linking relations allow to access resources from outside the community like knowledge, information, rescue teams, temporary shelter, economic resources and others, in an optimal way and suitable for the neighborhood. Study area The research has been conducted in a slum located in the periphery of Cusco city, Peru. Cusco is located the Andes mountain range. It is influenced by the Pacific Ring of Fire. The biggest earthquakes in Cusco date from 1650 and 1950. The study area (figure 1) is formed by 18 neighborhoods, 1463 households and approximately 7000 population. The area is characterized by low socioeconomic status population, precarious buildings and a very active civic society. Community participation seeks to solve their basic needs about water supply, drainage system, garbage collection and legal acknowledgment. 3.1. Bonding capital For every neighborhood bonding capital assessment has been conducted. Figure 2.a shows a bipartite graph where grey nodes are families and black nodes are community meetings and collective actions. Figure 2.b is the projection of the previous graph obtaining the unimodal graph where the families are related to each other. Bonding capital is calculated using equation 1. In this study a methodology for social capital assessment based on social network analysis has been developed and applied to slums in the city of Cusco. Social capital improves the resilience of neighborhoods to seismic risk due to accessing to different kinds of resources, material or information, before, during and after an earthquake strikes. Insight about social capital may promote a better risk management based on higher civil society involvement. Participation is one of the key features for an effective and suitable urban seismic risk reduction policy. Disaster simulations, search and rescue training or improved coordination between local governments and citizens are just some measures that could reduce disaster losses References Adger, W Neil, Terry P Hughes, Carl Folke, Stephen R Carpenter and Johan Rockström. (2005). Social-Ecological Resilience to Coastal Disasters. Science 309: 1036–39. Aldrich, D. P. (2012). Social, Not Physical, Infrastructure: The Critical Role of Civil Society after the 1923 Tokyo Earthquake. Disasters, 36:3, 398–419. Lalone, M. B. (2012). Neighbors Helping Neighbors: An Examination of the Social Capital Mobilization Process for Community Resilience to Environmental Disasters. Journal of Applied Social Science, 6, 209–237. Nakagawa, Y. and Rajib, S. (2004). Social Capital: A Missing Link to Disaster Recovery. International Journal of Mass Emergencies and Disasters, 22:1, 5–34. Pelling, M. (1998). Participation, Social Capital and Vulnerability to Urban Flooding in Guyana. Journal of International Development, 486, 469–487. Pelling, M. (2003). The Vulnerability of Cities: Natural Disasters and Social Resilience, Earthscan Publications Ltd. Tobin, G. A., L. M. Whiteford, A. D. Murphy, E. C. Jones and C. McCarty. (2014). Modeling Social Networks and Community Resilience in Chronic Disasters: Case Studies from Volcanic Areas in Ecuador and Mexico. In Resilience and Sustainability in Relation to Natural Disasters: A Challenge for Future Cities (Gasparini, P., Manfredi, G. and Asprone, D. eds). SpringerBriefs in Earth Sciences. 13–24. 3.4. Social capital Social capital is calculated normalizing the previous results (table 1). In figure 5 the spatial distribution of social capital is shown. The neighborhoods with highest social capital are located in central places while the lowest are in less accesible areas. 3.2. Bridging capital Bridging capital is calculated through the network of neighborhoods. In figure 3, the nodes are neighborhoods and the width of the links represents the strength of the relation. The biggest nodes represent the neighborhoods with highest bridging capital. The score is calculated applying the pagerank metric. 3.3. Linking capital The relations between neighborhoods and second level organizations and local government determine the level of liking capital. Figure 4 shows that relations, where some neighborhoods are better connected, edge width, than others. The data used for this research has been obtained from 18 structured interviews to neighborhood leaders and field visits to the study area. The survey included questions about the number of neighbours, the level of participation in community meetings and collective actions, the coordination with others neighborhoods and the relations with local government and second level organizations. Based on the this data, a social network analysis has been employed to assess social capital. To assess bonding relations an equation is proposed (equation 1) which considers the number of neighbours that participate in community meetings and collective actions. This equation mathematically corresponds to the projection of bipartite graph to an unimodal graph. where a is the number of community meetings during last year, na is number of participants in the meetings, f is number of collective actions, nf is number of participants in collective actions and n is number of neighbours. Bridging and linking assessment is done through pagerank metric of the network of relations between neighborhoods, and between neighborhoods and second level organizations and local government respectively. This metric accounts the centrality of a node in a network and the centrality of the nodes which are connected to it. Finally, social capital is determined via the sum of the normalized scores in bonding, bridging and linking relations. Normalization is performed subtracting the value to the mean and divided by the standard deviation. Figure 1. Study area Figure 2. Bonding capital (a) bipartite graph (b) unimodal graph. Figure 3. Bridging capital. Figure 5. Spatial distribution of social capital. Table 1. Social capital. Figure 4. Linking capital. 11 th International Workshop on Seismic Microzoning and Risk Reduction 3 – 5 October 2016, Granada, Spain A.4. Comunicación a congreso WCEE 2017 Molina, S., , M. Navarro, F. Vidal, P. Martinez-Pagan, J. Perez-Cuevas, D. Navarro, N. Agea-Medina and T.Enomoto (2017). Earthquake loss estimation in Adra (Almeria, Spain). Current impact of a repetition of the 1910 Adra earthquake. 16th World Conference on Earthquake Engineering. Chile. Earthquake loss estimation in Adra (Almeria, Spain). Current impact of a repetition of the 1910 Adra earthquake S. Molina(1), M. Navarro(2,3), F. Vidal(3), P. Martínez-Pagan(4), J. Pérez-Cuevas(4), D. Navarro(5), N. Agea-Medina(1) and T. Enomoto(6) (1) Dpto. Ciencias de la Tierra y del Medio Ambiente. Facultad de Ciencias. Universidad de Alicante, Alicante, Spain. [email protected] (2) Dpto. Química y Física, Universidad de Almería, Almería, Spain. [email protected] (3) Instituto Andaluz de Geofísica, Universidad de Granada, 18070 Granada. [email protected] (4) Dpto. Ingenieria Minera, Geológica y Cartográfica, Universidad Politécnica de Cartagena, Spain, [email protected] (5) Dpto, Geografía Física, Universidad de Sevilla, Sevilla, Spain. [email protected] (6) Dpto. Architecture, University of Kanagawa, Yokohama, Japan. [email protected] EARTHQUAKE LOSS SCENARIO ABSTRACT CONCLUSIONS INTRODUCTION Adra town is located in the SW of the Almería province (Southeast of Spain), one of the most hazardous zones of Spain from the point of view of seismic hazard. Historical seismicity data reveal that Adra was affected by near destructive earthquakes in 1522 and 1804 (IX maximum intensity, EMS scale) and in 1910 (mb = 6.2). Several recent small earthquakes (mb = 5.0) with an epicentre near Adra town (1993,1994) reached a VII degree of intensity (EMS scale) and a detailed macroseismic study revealed areas with different intensities within the most affected towns. The current building stock has been classified and the typology definition and fragility functions for physical elements have been assigned following the SYNER-G project (Pitilakis et al. eds., 2014). Therefore, 27 model building types have been chosen to represent the current building stock. A simulation of the ground motion of the 1910 Adra earthquake has been used as input for structural damage computation using the analytical methodology included in SELENA . MASW and SPAC methods were used in order to include the site effects into the expected ground motion. Paper Nº 732 The town of Adra (Almería, Spain) has a population of 20,000 inhabitants and an urban area of 3.00 km2, approximately. The number of buildings have suffered a significant increase in the last 70 years. The urban area comprises a total of 3558 buildings with different force resisting mechanisms, materials, heights, etc. The city has been divided in 71 geounits that will be used as reference unit for all the computations. As a summary 29% of the building stock was built after the first seismic design code (NCSE-94 and NCSE-02) and the rest was built without any seismic code or using the firsts normative (EH-68, PGS-1-1968 or PDS-1-1974). (a) (b) Figure 1. (a) Geographical location of the study area; (b) Location of SPAC arrays, MASW profiles and damaged RC buildings (red block) in Adra town due to 1994 Adra earthquake. Figure 2. Aerial picture of the city of Adra (Almeria) and designed geounits. THE EARTHQUAKE SCENARIO Martínez-Pagán et al., (2015) combined Spatial Autocorrelation (SPAC) and Multichannel Analysis of Surface Waves (MASW) techniques to obtain the detailed surface shear-wave velocity (Vs30) structure of the town (Figure 2). The north parth of the city shows Vs30 higher tan 800 m/s (type A according to EC8). However, in the south and east of the city the soils are type B2 (360 < Vs30 < 500 m/s) and type C (180 < Vs30 < 360 m/s). Finally, in the northwest of the city the soil type is B1 (500 < Vs30 < 800 m/s). These seismic results have been applied to simulate the earthquake ground motion scenario corresponding to the 1910 Adra earthquake (Mw 6.1). we have used three different seismic scenarios: the mean value for each geounit (with a weight of 0.60) and the minimum and maximum PGA value for each geounit (with weight of 0.2 and 0.2 respectively). Figure 4. Soil distribution assigned to each geounit following Martinez-Pagan et al. (2015) Figure 3. VS30 value distribution map of Adra town. 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 01234 SpectralAcceleration(g's) Period- T(s) MaxPGA MeanPGA MinPGA NCSE-02 Figure 5. a) Mean PGA assigned to the centroid of each geounit; b) Spectral shape of the ground motion for a geounit (red star in Fig. 5a) BUILDING TYPES For the city of Adra we have used the cadastral database obtained from the Spanish Statistic Institute updated to 2014. This database has been complemented with other databases from previous research projects and with random field trips around the city. The data first was classified by building age taking into consideration that the Code Level and force resisting mechanism has evolved with that age. Additionally, the height of the buildings has been classified as Low (1-2 stories); Mid (3-5 stories) and High (+6 stories) for building without reinforced concrete frames and Low (1-3 stories), Mid (4-7 stories) and High (+8 stories) for building with reinforced concrete frame. Therefore, 27 model building types (MBT) have been defined for the town of Adra. The damage functions (capacity and fragility functions) used in this study were taken mainly from Lagomarsino and Giovinazzi (2006) Figure 6. MBT distribution in the city of Adra. 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T1 T2L T2M 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTEN SIVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T3 T4L T4M 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTEN SIVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T5L T5M T6 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUIL DINGS TYPEOFDAMAGE T7L T7M T7H 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T8L T8M 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T9M T9H 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTEN SIVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T10L T10M T10H 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTEN SIVE COMPLETE %OFBUILDINGS TYPEOFDAMAGE T11L T11M T11H 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUIL DINGS TYPEOFDAMAGE T12 T3 0 20 40 60 80 100 NONE S LIGHT MODERATE EXTENS IVE COMPLETE %OFBUIL DINGS TYPEOFDAMAGE T14L T14M T14H In order to compute the damage probability, the analytical risk and loss assessment tool SELENA was used (Molina et al., 2010) using the improved displacement coefficient method I-DCM (ATC, 2005) to obtain the performance point. Figure 6 shows the number of damaged buildings for each one of the MBT (in % of the total number of that typology). As we can see the nonengineered buildings have a higher vulnerability and therefore the structural damage is higher. In particular, typology T1, T2 and T5 reach easily the complete damage. Also the typologies T8, which is one the most numerous reach easily the extensive and complete damage. A similar behaviour can be seen in typology T7 and T9. Figure 8. Percentage of Damaged Buildings in the city of Adra classified by MBT. On the other hand, we have quantified the impact of this structural damage in terms of economic losses and we have estimated around 43.18.5 millions Euros needed to repair or reconstruct all the damaged buildings. This estimation has been obtained using the construction value (Vc) criteria given by the cadastral databases: Vc (euros/m2) = MBC*OCCUPANCY*QUALITY*YEAR OF CONSTRUCTION Figure 9. Construction value distribution for each geounit. Figure 10. Economic losses density distribution. Damage State Number of buildings Economic Losses Type of Injuries Human Losses Complete 474 ±160 43.1 ± 8.5 million € Death 16 ± 8 Extensive 973 ± 78 Heavy 8 ± 4 Moderate 1018 ± 46 Moderate 47 ± 24 Slight 1045 ± 284 Low 151 ± 72 None 74 ± 49 Table 1. Total number of damaged buildings and human loss. • Soil effect is very important in the city of Adra and a repetition of the 1910 Adra earthquake will affect the most of the buildings with PGA values higher than 0.26 g, significantly higher than the 0.19 g predicted by the new seismic hazard map (developed for Spain for a return period of 475 yrs) (I.G.N., 2013) • A repetition of the 1910 Adra earthquake will suppose a dramatic impact in the city of Adra due to the high vulnerability of its current building stock (the most of the buildings are non-engineered ones constructed without any seismic design criteria) • From the damage distribution, a relationship between the increase of the extensive damage for mid to high rise RC buildings and the predominant period of the soil can be established addressing the point that the new buildings have to try avoid a predominant period closer to the predominant period of the soil • The most of the damage buildings are unreinforced masonry buildings and reinforced concrete frame pre-code mainly with waffledslabs floors. The most of these geounits with the higher economic losses have also a predominant period of the soil layer between 0.20 to 0.30 s which is also the natural period of the RC buildings with 4 to 7 stories according to Navarro et al. (2007) • The use of a logic tree has allowed to obtain the damage and losses results taking into consideration the uncertainties of averaging the ground motion for the centroid of each geounit instead of a continuous distribution. Oldbuildings before <1976 (unreinforced masonry) Reinforced concreteframe previously toNCSE-94 (1977-1996) Reinforced concreteframe built toNCSE-94 (1997-2004) Reinforced concrete frame built to NCSE-02(>2004) Figure 7. Capacity curves for each model building type (Lagomarsino and Giovinazzi, 2006) Figure 10. Damaged buildings percentage distribution for each geounit. References I.G.N. (Instituto Geografico Nacional) (2013). Actualización de Mapas de Peligrosidad Sísmica de España 2012. Edita CNIG, ISBN. 978-84-416-2685-0, 267 pp. Lagomarsino S, Giovinazzi S (2006) Macroseismic and mechanical models for the vulnerability and damage assessment of current buildings. Bull Earthq Eng 4:415–443. doi:10.1007/s10518-006-9024-z Martínez-Pagán P., Navarro M., Pérez-Cuevas J., Vidal F. (2015). Application of SPAC and MASW Techniques to Earthquake-shaking Scenarios. The Case of the 1993-1994 Adra Earthquakes. 21st European Meeting of Environmental and Engineering Geophysics- Near Surface Geosciences, Turin, Italy. Molina, S., Lang, D. H., & Lindholm, C. D. (2010). SELENA – An open-source tool for seismic risk and loss assessment using a logic tree computation procedure. Computers and Geosciences, 1–13. http://doi.org/10.1016/j.cageo.2009.07.006 Navarro, M., Vidal, F., Enomoto, T., Alcalá, F. J., García-Jerez, A., Sánchez, F. J., & Abeki, N. (2007). Analysis of the weightiness of site effects on reinforced concrete (RC) building seismic behaviour: The Adra town example (SE Spain). Earthquake Engineering & Structural Dynamics, 36(10), 1363–1383. http://doi.org/10.1002/eqe.685 Pitilakis, K. Franchin, P., Khazai, B., Wenzel, H. (Eds) (2014): SYNER-G: Systemic Seismic Vulnerability and Risk Assessment of Complex Urban, Utility, Lifeline Systems and Critical Facilities. Springer, 1st edition.