Geografía del Covid19, densidad de población y privación socioeconómica. Una (co)relación no tan inmediata. (I)

admin 8 comentarios

Del Grupo de Análisis Regional de la Universidad de Barcelona (AQR-UB)

La desigual distribución geográfica de la incidencia del Covid19 ha llamado la atención del mundo académico y de los medios de comunicación (ver aquí, aquí y aquí). De hecho, no estamos ante un fenómeno nuevo. La evidencia a partir de anteriores pandemias (por ejemplo, la de la injustamente denominada gripe española y la del virus de la gripe A/H1N1) ya nos había mostrado que la propagación de la infección entre la población varía no solo entre países sino también entre regiones de un mismo país (ver aquí y aquí). Y esto es así no únicamente en el caso de regiones definidas de manera amplia, como podría ser el caso de las provincias en España e Italia, y en China (enormes), dado que la incidencia entre la población de esas epidemias muestra variaciones notables en el caso de zonas de una misma ciudad o área metropolitana (aquí). Ante esta evidencia, la literatura especializada ha considerado el papel que podrían haber jugado factores de tipo demográfico, social, económico, y también ambientales en las diferencias espaciales observadas en el caso de esas epidemias (ejemplo aquí).

Con estos antecedentes, no resulta sorprendente que las diferencias entre territorios en el impacto del Covid19 haya estimulado el interés de muchos investigadores por valorar la correlación (que no causalidad en la práctica totalidad de casos) entre conjuntos variados de factores en el territorio y la mayor o menor propagación y/o incidencia de la enfermedad causada por el SARS-CoV-2. Y todo ello facilitado por la disponibilidad de información detallada, y fácilmente accesible, sobre diversos indicadores de la propagación de la enfermedad, desagregados temporal y espacialmente. Tampoco sorprende que la distribución temporal de los estudios sea paralela a la del impacto de la enfermedad en los distintos países, con evidencia inicial para China, posteriormente para Italia, y a partir de ahí para España, RU, EEUU, …

Pues bien, como grupo de investigación interesado en fenómenos económicos desde una perspectiva espacial, (¡y no sin cierta sensación de intrusismo en el ámbito epidemiológico!)[i] desde AQR-UB nos planteamos explorar la distribución espacial del Covid19 en el territorio que nos era más próximo, el de Cataluña, y analizar su relación con diversos factores socioeconómicos locales, además de considerar otros de tipo meteorológico y medioambiental[ii].

Dado que otros compañeros han reportado en este blog evidencia para el caso de las provincias y CCAA españolas (aquí y aquí), en esta entrada queremos sintetizar los resultados que hemos obtenido al considerar territorios más pequeños: los correspondientes a las Áreas Básicas de Salud (ABS) de Cataluña (definición y número aquí). En este sentido, nuestro análisis estaría en línea con el considerado en estudios realizados para epidemias anteriores (aquí) y con algunos que han aparecido recientemente para el caso del Covid19 (aquí). Asimismo, creemos que nuestros resultados complementan la evidencia existente, especialmente respecto al papel de la situación socioeconómica de los distintos territorios y a cómo este podría haber variado antes y después del confinamiento. De manera muy breve, conviene recordar que Cataluña ha sido una de las zonas más afectadas por la pandemia, y que se trata de un territorio con elevados contrastes tanto en términos de densidad de población (y estructuras urbanas) como de indicadores socioeconómicos (por ejemplo, renta y nivel educativo). Asimismo, presenta notables variaciones internas en factores ambientales, con un porcentaje importante de la población que vive en zonas costeras, pero también con una proporción no desdeñable que lo hace en zonas de interior e incluso de alta montaña. Esta diversidad facilita el análisis de la influencia relativa de distintos factores dentro de un rango de variación similar a los observados en estudios que han considerado la evolución de la pandemia con una perspectiva comparada entre distintos países.

Como se puede apreciar en el mapa de la Figura 1 y en los diagramas de caja de la Figura 2, la dispersión geográfica en la tasa de casos Covid19 por 10 mil habitantes en el territorio catalán ha sido notable, siguiendo un patrón nada uniforme desde un punto de vista geográfico, lo que sin duda ha alimentado el debate acerca del desconfinamiento asimétrico a una escala territorialmente detallada (aquí). Aprovechamos este punto para indicar que nuestro análisis ha considerado los casos acumulados hasta el 24 de abril y los correspondientes a dos subperiodos: uno hasta el 30 de marzo y el otro desde el 31 de marzo hasta el 24 de abril (datos disponibles aquí). La fecha de ruptura se sitúa 15 días después del confinamiento y además coincide con el cambio de tendencia en la curva de casos para el conjunto de Cataluña (ver aquí).

Figure 1. Distribution of cases per 10K inhab. in the Catalan ABS.

Figure 2.

Figure 3.

Aunque nuestro análisis ha considerado la correlación entre la incidencia de la enfermedad en la población de cada ABS y un conjunto de factores locales que, de una manera u otra, podrían estar relacionados con la mayor o menor propagación comunitaria de la misma, en estas entradas queremos centrarnos en los resultados referidos a la densidad de población y un indicador de privación socioeconómica[iii] dado que, probablemente, son los que tengan más interés para la audiencia del blog. En principio, la aglomeración de la población facilita la propagación de la enfermedad al favorecer la frecuencia e intensidad de los contactos, aunque evidencia anecdótica sugiere que tal relación podría no ser tan inmediata –baja incidencia en ciudades como Singapur y Hong Kong, y más cerca nuestro, la elevada tasa de casos por habitante en Castilla La Mancha y La Rioja (ver aquí y aquí). Además, podemos pensar en umbrales de densidad a partir de los cuales la relación podría ser más o menos intensa. Asimismo, el nivel de renta y, en un sentido más amplio, las características socioeconómicas de la población de cada territorio pueden condicionar la velocidad de propagación comunitaria de la enfermedad (interesantes argumentos con referencias históricas aquí). Sin ánimo de ser exhaustivos, podemos pensar que un nivel de privación socioeconómica bajo está relacionado con actividades laborales y profesionales que conllevan relaciones personales menos frecuentes y/o intensas, un uso poco habitual de medios de transporte público, un nivel de formación que favorece una valoración más precisa del riesgo de contagio y la posibilidad de controlarlo anticipadamente, así como un buen estado de salud y condiciones de vida (incluyendo tamaño de las viviendas y su grado de ocupación). Por el contrario, los vectores de transmisión podrían haber encontrado un terreno más abonado en grupos de población con niveles de privación más elevados. En este sentido, un aspecto a considerar es la posibilidad de que la asociación entre situación socioeconómica e incidencia de este tipo de enfermedades infecciosas entre la población sea no lineal. Por ejemplo, un desempleado podría estar menos expuesto a la infección en comparación con un trabajador que desempeñe una ocupación poco cualificada que entrañe interacciones frecuentes e intensas y que se desplace diariamente en transporte público (ver aquí para una argumentación sobre el efecto “protector” del desempleo en la pandemia de gripe de 1918 en Chicago).

A modo de evidencia descriptiva, cerramos esta primera entrada con los mapas que muestran las diferencias en el interior de Cataluña en los factores de interés: densidad y privación socioeconómica (Figura3). De los mismos se deriva un mayor grado de solapamiento entre la distribución geográfica de la enfermedad y la densidad, que entre la primera y el grado de privación en las ABS. La correlación lineal simple entre la tasa de casos Covid19 y estos factores confirma esta circunstancia: existe una relación positiva, y significativa desde un punto de vista estadístico, entre incidencia de la enfermedad y densidad, pero no entre aquella y la privación socioeconómica. No obstante, los argumentos anteriores aconsejan analizar estas relaciones con algo más de detalle y controlando por otros factores que pueden haber afectado también a la propagación comunitaria de la enfermedad. Remitimos al lector a la segunda entrada para más información al respecto.


[i] Aprovechamos para disculparnos ante los expertos en la materia por la utilización imprecisa o incluso incorrecta de términos y conceptos del ámbito epidemiológico en esta entrada.

[ii] Una síntesis no técnica de los resultados (parciales) que hemos ido obteniendo hasta el momento se encuentra disponible aquí.

[iii] Se ha utilizado ese indicador sintético de privación socioeconómica ante la ausencia de los datos de renta y de otros factores de interés (como por ejemplo el desempleo) para las ABS y, además, porque es es habitual utilizar ese tipo de indicadores en el ámbito de salud pública (ver aquí y aquí). Brevemente, la construcción de ese indicador combina información para 2016 de 3 categorías de copago farmacéutico, del porcentaje de población ocupada en actividades manuales, del porcentaje de población con educación insuficiente, de la tasa de mortalidad prematura, y de la tasa de hospitalizaciones evitables (ver aquí). Valores altos del índice indican privación elevada.

Hay 8 comentarios
  • La incidencia de la densidad en la difusión del virus creo que es una cuestión clave y todavía escasamente considerada en los análisis. Por eso vuestro trabajo es tan valioso. Sin embargo, creo que la escala debe ser mucho menor en la medida en que la parte de los contagios se producen en zonas muy pequeñas. Este mapa de Cookson (https://dancooksonresearch.carto.com/u/dancookson/viz/49ca276c-adf9-454a-8f64-0ccf0e46eed0/embed_map) nos muestra como la concentración de la población en España es mucho mayor que la que indican los datos agregados en divisiones admininistrativas. No importa que la densidad de población en un área de salud sea baja si luego toda la población se concentra en tres pequeños núcleos formados por edificios de 10 plantas pegados los unos a los otros. Necesitamos hacer downscaling en el análisis y dividir el territorio en función de los datos, no basándonos en divisiones administrativas realizadas ex ante.

  • Gracias Fede. Totalmente de acuerdo con lo que dices. Quizás el análisis que hemos realizado para el caso concreto de la ciudad de Barcelona tiene en cuenta, al menos en parte, eso que dices, dado que por sus características es difícil encontrar zonas de “espacio libre” (salvo en algunas partes muy concretas de la ciudad). Hemos incluido algunos resultados en la segunda parte de la entrada, así que si quieres mañana volvemos sobre ello …

    De todas formas, déjame añadir que para el caso de los municipios catalanes hemos podido calcular la densidad no solo para el conjunto del municipio sino también para “la parte urbana” del mismo. La imagen que se obtiene en un caso y en otro es diferente, y va en la dirección que apuntas.

  • La relación con la densidad parece lógica, pero como dicen, supongo que hay muchos más factores a tener en cuenta. Por ejemplo, la magnitud de los brotes iniciales y su control o descontrol, o las infraestructuras sanitarias. Lo no acabo de entender muy bien es la mención Castilla La Mancha como contra ejemplo de la influencia de la densidad. Ciertamente es una CCAA con poca densidad y muchos contagios, pero tendrían que compartimentar también todo el territorio y tener en cuenta dónde, dentro de esa CCAA, se han acumulado los casos. Por no mencionar el efecto negativo de su proximidad con Madrid.

    • Esteban, muchas gracias por el comentario. Efectivamente, el momento en que se producen los primeros contagios es importante para determinar la trayectoria futura. Por ese motivo, y como verás en la segunda entrada, introducimos en el análisis como variable explicativa el número de días transcurridos desde el primer caso en cada territorio (y su cuadrado). El ejemplo de Castilla-La Mancha nos sirve para ilustrar que también en zonas de baja densidad pueden existir focos intensos (de ahí también el interés de trabajar con un mayor detalle territorial), pero también que existen otros factores relevantes tal y como tú apuntas.

    • Sobre lo de Castilla La Mancha, dar un vistazo al mapa de Cookson “enfocado” en la región resulta ilustrativo. ¡Otro motivo adicional que nos confirma la importancia de analizar unidades con elevado detalle espacial! En este sentido, los resultados de A. Martín y A. Moral (https://www.researchgate.net/project/Analisis-socioeconomico-espacial-del-COVID-19-en-Castilla-y-Leon) confirmarían la presencia de “puntos calientes” muy localizados en el caso de Castilla y León. No sabemos si se ha analizado para Castilla La Mancha, pero parece razonable que se haya dado algo parecido.

  • Al principo creímos que la densidad de población era un factor principal, pero luego descubrimos que por supuesto como factor había que tenerlo en cuenta, pero ni mucho menos como principal. En l’Hospitalet los barrios más densos, precisamente los que la han convertido en la ciudad más densamente poblada de Europa, su indice es más bajo que en los menos densificados. Por lo que respecta al desempleo, el barrio con más paro de Barcelona, Nou Barris, es el más castigado por la pandemia.
    Justo antes de abrir vuestra página había leído un trabajo muy interesante sobre este peculiar virus y su propagación. Os lo recomiendo.
    https://naukas.com/2020/05/15/la-responsabilidad-es-nuestra-correlacion-entre-mortalidad-del-covid-19-y-movilidad/
    Y por lo que respecta a la movilidad, fuera del estudio de casos globales como el de Madrid, nos encontramos las excepciones que rompen la norma, dependiendo la sociabilidad del primer infectado. En Igualada una calçotada la lió parece ser. En Pedro Muñoz ha muerto el 1% de su población. En Santiurde de Reinosa 63 de sus 255 habitantes están contagiados.
    El caso de Madrid como gran foco de transmisión parece estar demostrado, pero más por la extrema movilidad y las características de sociabilidad de la población, que por su densidad.

    • Pau, muchas gracias por la referencia. El trabajo que mencionas es muy interesante. Como bien apuntas, la casuística en el origen del brote ha sido muy diversa pero la literatura académica sobre este tema (cada vez más extensa) empieza a obtener algunas regularidades que, aunque no se puedan calificar como relaciones causales, permiten entender mejor la propagación de la enfermedad. De esta manera, esperamos que se pueda actuar de manera más efectiva a la hora de controlar la expansión en casos de futuros brotes (ojalá no sea necesario).

Los comentarios están cerrados.