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

admin 2 comentarios

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

Cerramos la primera entrada de nuestro análisis destacando la correlación positiva entre densidad e intensidad del Covid19 en las Áreas Básicas de Salud (ABS) de Cataluña, y la ausencia de esta en el caso del índice de privación socioeconómica. Destinamos esta segunda entrada a sintetizar los resultados que hemos obtenido al analizar con algo más de detalle esas relaciones, en un contexto multivariante que nos permite controlar por otros potenciales factores de la propagación comunitaria de la enfermedad y considerando no linealidades en las relaciones.

Los resultados que hemos obtenido considerando la situación hasta el 24 de abril y distinguiendo entre casos acumulados hasta el 30 de marzo y con posterioridad a esa fecha están sintetizados en la Tabla 1. Para cada factor se muestra la ratio de la tasa de incidencia (IRR en su acrónimo en inglés) asociada al coeficiente correspondiente estimado a partir de un modelo de conteo, habitual en este tipo de estudios[i]. Además de las variables de interés, se controla por las condiciones meteorológicas (temperatura y humedad relativa) 3 semanas antes de cada uno de los días considerados, el nivel de contaminación atmosférica (dióxido de nitrógeno y partículas en suspensión de tamaño inferior a 10 μm) medio en los últimos 3 años, y el porcentaje de población de 65 y más años en cada una de las ABS analizadas. Adicionalmente, se incluye un control de las ABS de una zona concreta, la Conca d’Òdena, que sufrió un brote inicial muy virulento debido a circunstancias específicas, y el número de días transcurridos desde el primer caso reportado en cada ABS (y su cuadrado). Se trata de eliminar así diferencias entre ABS en la tasa de casos por habitante debidas a que la epidemia llegase días antes o después a cada una de ellas. De manera breve, para los casos acumulados hasta el 24 de abril, observamos como la IRR de la densidad no es distinta a la unidad, lo que sugiere que, en términos medios y tras controlar por los otros factores, la tasa de incidencia del Covid19 no varió con la densidad de la población de las ABS. A una conclusión similar se llega en el caso de la privación socioeconómica: la incidencia no parece depender del nivel de privación de la población de las ABS. Sin embargo, tras explorar heterogeneidades en el efecto de la densidad, apreciamos diferencias que podrían ser consideradas como significativas entre los niveles de densidad más bajos (los de su primer cuartil) y los que están por encima de estos (demás cuartiles). Así, la estimación de los IRR apunta a que la tasa de casos por habitante en las ABS con niveles de densidad medios y altos podría haber sido alrededor de 1,3 veces la de las ABS con niveles de densidad más bajos. Sin embargo, repitiendo este ejercicio con el caso del índice socioeconómico no obtuvimos diferencias significativas entre ningún nivel de privación.

Table 1. COVID-19 and local factors.

Note: Robust standard errors in parentheses. *** p<0.01, ** p<0.05, * p<0.1. Estimates of the IRR from the Negative Binomial regression with ABS population as exposure variable. The first quartile is the base category in the specification with the quartiles of population density. All specifications include controls for the number of days since the first case and its square. a (not reported) is significantly different from zero at 5% in all cases.

A pesar de no ser el objetivo prioritario de esta entrada, resulta interesante mencionar que incluso en un territorio relativamente pequeño como el catalán, aunque con elevados contrastes tal y como se ha descrito en la primera entrada, los resultados de nuestro análisis apoyarían la existencia de correlación de condiciones meteorológicas (esencialmente de la temperatura) y contaminación atmosférica con la tasa de incidencia del Covid19. Menor temperatura y mayor contaminación estarían asociadas con un mayor número relativo de casos de la enfermedad. Asimismo, los resultados confirman la correlación entre casos y población de 65 y más años.

Como se puede apreciar en las columnas de la Tabla 1 referidas a la primera y a la segunda parte del periodo, que podemos considerar como previa y posterior a los efectos potenciales del confinamiento, el efecto de densidad y privación socioeconómica parece bastante estable. No obstante, el tipo de análisis realizado para obtener los resultados en esa tabla no permite considerar variaciones temporales algo más flexibles en el impacto de densidad y situación socioeconómica asociados al efecto del confinamiento. Así que, para tratar de comprobar si, en comparación con el periodo de no confinamiento, la relación entre densidad y privación socioeconómica e incidencia del Covid19 se modificó tras la imposición de las medidas de aislamiento social, hemos estimado una especificación que combina los casos acumulados de Covid19 en 6 semanas sucesivas, desde el 14 de marzo hasta el 24 de abril, y los factores locales utilizados en la Tabla 1 interaccionados con una variable que denota el número de la semana –de 1 a 6 (una aproximación similar aquí). Las únicas variables que no intervienen interaccionadas con la tendencia semanal son las referidas a la temperatura y humedad, dado que se utilizan los valores medios de las correspondientes semanas previas (desfase de 2 semanas y media). Asimismo, la estructura de panel de datos nos permite controlar por efectos inobservables de las ABS que podrían contaminar la estimación de la relación entre los factores locales y la incidencia del Covid19. Como se puede apreciar en los resultados de la Tabla 2, no se puede derivar una relación significativa entre densidad e incidencia de la enfermedad, incluso cuando únicamente se controla por la evolución semanal de la tasa de casos en la población[ii]. Sin embargo, los resultados referidos al nivel de privación socioeconómica local son bien distintos, apuntando a una relación positiva que disminuye en intensidad a medida que avanzamos en las semanas del periodo considerado. Además, como se aprecia en la última columna de la Tabla 2, esa relación resulta robusta a la inclusión del resto de factores.

Table 2. Evolution of the relationship between density, socioeconomic deprivation and COVID-19.

Note: Robust standard errors clustered by ABS in parentheses. *** p<0.01, ** p<0.05, * p<0.1. The Poisson FE model includes ABS population as offset variable. Temperature and Relative Humidity refer to the values measured two and a half weeks before. Week takes values from 1 to 6 (14-20Mar, 21-27Mar, …, 18Apr-24Apr).

Utilizando la estimación de esa última especificación, hemos calculado el efecto marginal correspondiente al índice socioeconómico que mostramos en la Figura 1. Se aprecia como el aumento en el número de casos Covid19 relativos a la población incrementa con el nivel de privación socioeconómica, y que lo hace aumentando de intensidad hasta la semana del 28 de marzo al 3 de abril, momento a partir del cual el tamaño del efecto comienza a disminuir. De hecho, en la última semana considerada el efecto del índice no es distinto de cero desde un punto de vista estadístico. Aunque con la debida cautela, ese perfil temporal nos lleva a sugerir que el confinamiento puede haber sido más efectivo en lugares con niveles de privación socioeconómica elevada. Una posible explicación es que el confinamiento habría contribuido a disminuir la intensidad de los mecanismos de transmisión comentados anteriormente, en relación con la actividad laboral, el transporte colectivo y los elementos personales de riesgo. Dicho de otra forma, habría contribuido a equiparar, al menos en parte, algunos de los elementos cotidianos que influyen en la transmisión comunitaria del Covid19.

Figure 1. Evolution of the effect of socioeconomic deprivation.

Note: Average marginal effects, and the corresponding 95% confidence intervals, of the socioeconomic index in each week from estimates of the Poisson FE with all the controls (last column in Table 3.

Para finalizar, queríamos comentar brevemente los resultados acerca de la relación de la densidad de población y el nivel de privación socioeconómica con la tasa de casos Covid19 cuando se replica el análisis para únicamente las ABS de la ciudad de Barcelona. Más allá del interés en la propagación de la enfermedad en áreas urbanas, hemos hecho este “zoom espacial” porque nos permite un control bastante razonable de los posibles mecanismos asociados a las condiciones meteorológicas y de contaminación atmosférica. La cuestión es que densidad y también condiciones socioeconómicas están muy relacionadas con los niveles de contaminación. Y, al menos en el caso de Cataluña, también hay relación entre las variables meteorológicas y la ubicación espacial de la población (mayor concentración en zonas del litoral que difieren en temperatura y humedad de las zonas interiores y de montaña). Nuestra impresión es que esta circunstancia podría estar interfiriendo a la hora de “identificar” la correlación entre los factores de interés en esta entrada y la incidencia de la enfermedad en la población. Al poner el foco en las ABS de la ciudad de Barcelona (disponemos de la información para todas las variables para 64 de las 67 ABS de la ciudad), disminuimos muy notablemente la dispersión de los indicadores de contaminación y de los meteorológicos, mientras que mantenemos una gran variabilidad en cuanto a la densidad y el nivel de privación socioeconómica[iii]. De esta forma quizás podemos estimar mejor la correlación neta de densidad y privación socioeconómica con la incidencia del Covid19. Una síntesis de los resultados de este ejercicio se muestra en la Figura 2. Lo primero que queremos destacar es que este análisis confirma que, tras controlar por los otros factores, no se observa una correlación significativa entre incidencia de la enfermedad y densidad de población. Lo segundo es que, como se deriva de los gráficos, parece existir una asociación positiva entre privación socioeconómica y casos relativos de Covid19. Es decir, la incidencia de la enfermedad sería mayor en las áreas con mayor privación. Por último, la evidencia para las áreas de Barcelona confirma la no linealidad de la relación, especialmente en el segundo periodo, en el que debería haberse empezado a apreciar el efecto del confinamiento.

Figure 2. Predicted COVID-19 cases for values of the socioeconomic index in the city of Barcelona.

Note: Predicted cases at each value of the socioeconomic index and the corresponding 95% confidence intervals from the negative binomial model that includes the socioeconomic index and its square and NO2, Pop 65+, the number of days since the first case and its square, and population as exposure variable.

A modo de resumen, podemos decir que la asociación entre aglomeración de la población y prevalencia local del Covid19 parece ser menos inmediata de lo que seguramente muchos esperaríamos a priori. Al menos a partir de la evidencia derivada para las ABS catalanas, la única diferencia clara después de “descontar” la influencia de otros factores parece darse entre áreas muy escasamente pobladas y las restantes. No obstante, no debemos obviar que existe una correlación elevada entre densidad de población de los territorios y algunos otros de los factores que se apuntan como determinantes de la propagación de la enfermedad, especialmente los relacionados con la contaminación atmosférica. Esta circunstancia nos estaría impidiendo aislar (si es que incluso tiene sentido hacerlo) la relación específica de la incidencia del Covid19 con la densidad y cada uno de esos otros factores ambientales.

Por su parte, la relación entre la propagación comunitaria de la enfermedad y la situación socioeconómica también parece ser más compleja que la recogida en diversos medios a partir de, por ejemplo, la comparación de la situación en distintas zonas de Barcelona (aquí y aquí). Mientras que de los resultados basados en “imágenes estáticas” no podemos concluir que la incidencia del Covid19 haya variado con el nivel de privación socioeconómica de las ABS, la consideración de la relación a lo largo de varias semanas, tanto de periodos pre como post confinamiento, sí apunta a que la incidencia aumenta con el grado de privación. A su vez, una primera lectura de esos resultados nos lleva a sugerir la posibilidad de que el confinamiento haya sido más efectivo en las áreas con peor situación socioeconómica.

De todas maneras, debemos ser cautos, dado que tampoco en este caso podemos garantizar que hayamos medido la correlación especifica de ese factor, de manera independiente al de otros factores. Y a ello cabría añadir que estudios como el nuestro podrían estar afectados por la llamada “falacia ecológica”, dado que estamos infiriendo cosas para el plano individual a partir de evidencia agregada para unidades territoriales. Habrá que esperar a ver si es posible acceder a la información individual para confirmar o refutar este tipo de resultados.


[i] Replicando el análisis con los modelos lineales equivalentes (utilizando el logaritmo de la tasa de casos Covid19 por habitante como variable dependiente) se llega en esencia a las mismas conclusiones.

[ii] En este caso se reporta el valor de los coeficientes estimados y no el de los IRR para facilitar la lectura de los efectos de los términos cuadráticos.

[iii] A modo de ejemplo, mientras los valores del indicador de PM10 en el conjunto de ABS catalanas van desde un mínimo de 10.26 µg/m3 a un máximo de 51.80 µg/m3, en la ciudad de Barcelona el rango de valores se sitúa entre 44.14 µg/m3 y 47.11 µg/m3. Por su parte, la temperatura media en el periodo considerado se movió en una franja desde -0.40 ºC a 16.32 ºC en el conjunto de Cataluña y solo entre 15.72 ºC y 16.29 ºC en el caso de la ciudad de Barcelona. En cambio, la densidad en las diferentes ABS de la ciudad varía entre 983.7 y 62,987.3 hab/km2 y el índice socioeconómico entre 0 y 4.75, con valores para el conjunto de las ABS catalanas entre 4.27 y 85,825.78 hab/km2 y 0 y 6.18, respectivamente.

Hay 2 comentarios
  • Estupendo trabajo. Gracias por el esfuerzo. Con él prácticamente llegáis al límite de lo que pueden hacer los investigadores con los datos que están disponibles. SIn embargo, existe mucha más información relevante que solo está al alcance de las empresas. Con los datos de posicionamiento de móviles (CDR) no solo se podría determinar la densidad de la población con mucho más precisión espacial y temporal sino también la densidad de rutas de movilidad. Desde el punto de vista de los contagios la concentración es solo una próxy del número de interacciones sociales que es lo verdaderamente relevante. Una próxy que nos es demasiado buena pues, como señalan nuestros próceres sanitarios, depende intensamente de las conductas y de las distancias interpersonales.
    Nos jugamos demasiado en esta crisis como para utilizar el BIg Data exclusivamente para campañas de marketing de bancos y compañías de teléfonos. Si hay voluntad hay formas de hacerlo sin afectar a la privacidad.

  • Gracias de nuevo Fede!

    No se puede estar más de acuerdo contigo desde nuestra “humilde” posición académica 😉
    Sería estupendo tener acceso a ese tipo de información. En el caso que nos ocupa aquí, permite hacer cosas como estas (https://www.medrxiv.org/content/10.1101/2020.05.09.20096339v2.full.pdf+html) –y la entrada de Naukas relacionada que mencionó Pau en su comentario a la primera entrada (https://naukas.com/2020/05/15/la-responsabilidad-es-nuestra-correlacion-entre-mortalidad-del-covid-19-y-movilidad/).

    En la misma linea, tener acceso a los registros individuales de afectados por la covid-19 también debería aportar más, y seguramente mejor, luz. Con las debidas garantías y compromisos de confidencialidad no debería ser tan complicado tener acceso a los mismos. Ya veremos…

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *