INTRODUCCIÓN

En años recientes se ha observado en Latinoamérica un creciente interés por los problemas conceptuales y metodológicos relativos a la cuantificación de la segregación residencial. Uno de los planteamientos que mayor polémica ha generado propone abandonar la utilización de indicadores no espaciales por las múltiples fallas que se les aducen, y sustituirlos por indicadores espaciales, dada su estimada superioridad conceptual y operacional para aproximarse a la medición del fenómeno y sus patrones espaciales (Garrocho y Campos-Alanís, 2013). Sin embargo, también se ha discutido respecto de la urgencia de introducir cambios de política en la gestión de datos censales para mejorar la calidad de los estudios en este y otros campos, a través de la instrumentación de una variedad de soluciones simultáneas y no excluyentes entre sí (Rodríguez, 2013); así como de la necesidad de atender las discrepancias que suele suscitar el análisis de las dimensiones de la segregación residencial, mediante aproximaciones analíticas complementarias (Domínguez, 2017).

A raíz de lo anterior, este artículo tiene como objetivo mostrar cómo, desde un enfoque complementario, los indicadores espaciales y no espaciales pueden articularse para revelar las distintas dimensiones espaciales de la segregación residencial, y así disminuir las arbitrariedades en la medición, representación e interpretación del fenómeno, a la vez que se atiende a la realidad latinoamericana en cuanto a la gestión de los datos espaciales individuales y su limitada disponibilidad.

Para tal fin, se inicia aproximándose a los retos que presenta la conceptualización y cuantificación de la segregación residencial e introduciendo brevemente a la ciudad de Managua como caso de estudio. Posteriormente, se plantea una ruta metodológica que: i) utiliza la información recolectada en el VIII Censo de Población y IV de Vivienda 2005; ii) considera la variable educación descompuesta en dos grupos sociales antagónicos (población analfabeta y población con estudios universitarios completos) como única variable proxy de segmentación socioeconómica; y iii) propone la utilización de dos indicadores (Índice de Moran Global e Índice de Disimilitud), uno espacial y otro no espacial, para estudiar las dimensiones de agrupamiento y disimilitud, respectivamente. En un tercer apartado se presentan los resultados del estudio, los cuales evidencian que los indicadores no espaciales y espaciales arrojan resultados distintos, dado que dan cuenta de diferentes dimensiones espaciales de la segregación residencial, no obstante, pueden articularse para avanzar en una mejor comprensión del fenómeno. Dichos resultados permiten además vislumbrar que, por su naturaleza complementaria, este enfoque se abre a la posibilidad, no sólo de considerar todas las dimensiones de la segregación residencial, sino también de emplear distintas técnicas y estrategias disponibles, más allá de las aquí expuestas. Finalmente, se presentan las principales conclusiones y las referencias bibliográficas de la literatura consultada.

MARCO TEÓRICO

Basta con notar la amplia distribución en el discurso político, mediático y científico del término “segregación” para dejar en evidencia su polisemia y ambigüedad, así como las dificultades que esto plantea para su uso y medición (Link, Valenzuela y Fuentes, 2015; Madoré, 2005). De ahí que es importante distinguir formas diferentes pero complementarias que se usan para aproximarse al concepto de segregación, entre las que destacan: i) las que remiten a la existencia de diferencias dentro de un colectivo y a la separación de los sujetos en categorías con cierto grado de distinción jerárquica (Rodríguez, 2001, p. 14); ii); las que hacen referencia a una relación espacial de separación o proximidad territorial entre personas pertenecientes a un mismo grupo social (Sabatini y Sierralta, 2006, p. 4); y iii) las que asocian el fenómeno con una alta homogeneidad social y concentración espacial que conducen al aislamiento de un grupo y que, según Marcuse (como se citó en Sabatini y Rasse, 2017), siempre implica algún grado de imposición.

Las nociones mencionadas aluden a una aproximación del fenómeno que lo aborda en términos espaciales, descriptivos y cuantitativos, para estudiar las cinco dimensiones espaciales identificadas por Massey y Denton (1988): disimilitud, exposición, concentración, centralización y agrupamiento. El presente trabajo se aboca a dos de ellas. Desde este enfoque, investigadores de diferentes latitudes han avanzado en el diseño de metodologías de cuantificación, conocimiento de los niveles, tendencias y determinación de los patrones espaciales del fenómeno.

En este contexto, las medidas tradicionales o no espaciales (Índice de Disimilitud, Índice de Aislamiento, entre otras) utilizadas, durante las últimas dos décadas, para la cuantificación de la segregación han sido criticadas por tener un carácter “simplificador” y por ignorar la forma en que se distribuye espacialmente el fenómeno (Yao, Wong, Bailey y Minton, 2019). No obstante, a partir de los años 90, el desarrollo de la estadística espacial, y la disponibilidad de softwares SIG, permitió el empleo de indicadores espaciales de segregación (Índice de Moran Global y el Índice de Moran Local) como alternativa a las limitantes planteadas. En Estados Unidos, investigadores como Brown y Chung (2006) y Reardon et al. (2008) han llamado a dirigir la atención hacia medidas de segregación sensibles al espacio y la escala (Índice de Teoría de la Información Espacial y Perfil de Segregación Espacial), aunque estas no se han utilizado ampliamente, sobre todo en Latinoamérica donde el acceso público a microdatos es limitado.

Precisamente en América Latina se ha observado un creciente interés por los problemas conceptuales y metodológicos de la cuantificación de la segregación residencial. Uno de los planteamientos que mayor polémica ha generado propone abandonar el uso de indicadores no espaciales por las fallas que se les aducen; y sustituirlos por los indicadores espaciales, dada su estimada superioridad conceptual y operacional (Garrocho y Campos-Alanís, 2013). Además, se ha señalado la urgencia de introducir cambios en la gestión de datos censales para mejorar la calidad de los estudios en este campo, a través de la instrumentación de soluciones simultáneas y no excluyentes entre sí (Rodríguez, 2013), y se ha propuesto atender las discrepancias que suscita el análisis de las dimensiones de la segregación residencial a través de aproximaciones analíticas orientadas a la complementariedad (Domínguez, 2017; Linares, Velázquez, Mikkelsen y Celemín, 2016).

Llama la atención lo señalado por Garrocho y Campos-Alanís (2013) y Ruiz-Tagle y López (2014) en la medida en que cuestionan la validez de planteamientos que resultan centrales en el debate urbano contemporáneo, al respecto del grado, las tendencias y el patrón de segregación latinoamericano, cuya base son los estudios de Sabatini, Cáceres y Cerda (2001) para las principales ciudades chilenas, los cuales han hecho eco en toda la región. En concreto, los autores primero citados señalan que estos planteamientos podrían estar basados en un error de medición asociado a la utilización de indicadores no espaciales y que el empleo de índices espaciales llevaría a resultados distintos.

Debe mencionarse que, a pesar de las limitaciones que se le atribuyen y de existir otros indicadores no espaciales, el Índice de Disimilitud (ID) se ha convertido en la principal medida estadística para cuantificar la segregación residencial. La primera limitación es conocida como el “problema del tablero de ajedrez”. Garrocho y Campos-Alanís (2013) lo ejemplifican a través de un tablero donde las casillas representan unidades espaciales como barrios de una ciudad, en los cuales se distribuyen dos grupos de población. De calcularse los índices de segregación en el patrón clásico del tablero (Figura 1, elemento A) se obtendrían ciertos resultados. Si se alterará el patrón clásico, moviendo todas las casillas negras hacia una mitad del tablero (Figura 1, elemento B), se esperaría obtener resultados distintos que registrasen esta nueva distribución espacial. Sin embargo, al tratarse de un indicador no espacial genera siempre los mismos resultados, sin lograr distinguir entre el patrón clásico y cualquier otro patrón espacial (Figura 1, elementos C y D) que pueda conformarse (Garrocho y Campos-Alanís, 2013, p. 275-276).

La segunda limitación es conocida como “problema de la unidad espacial modificable” (PUEM). Esta fue identificada por White (1983) y consiste en la variación del ID cuando el área de medición es modificada. Es decir que mientras más pequeña es el área de medición, más alto es el valor del índice. En la Figura 2 queda evidenciado este problema: la aglomeración espacial de los hogares representados por las casillas negras es fuerte a nivel microespacial (Figura 2, elemento B) y débil si se analiza a nivel más agregado (Figura 2, elemento A). Al respecto, Rodríguez (2013) apunta que el PUEM se deriva de la forma en que la información censal es recolectada y publicada en unidades espaciales cuyos límites son a menudo inexistentes en la vida cotidiana.

Por ello es que Garrocho y Campos-Alanís proponen el abandono de los indicadores no espaciales y la absoluta utilización de lo que ellos denominan indicadores genuinamente espaciales de segregación, como el Índice de Moran Global (IMG) y el Índice de Moran Local (IML), los cuales, según Ruiz-Tagle y López (2014), han mostrado “resultados más razonables respecto de la falta de espacialidad de los índices tradicionales” (p. 34). Ahora bien, esta propuesta queda sujeta a tres cuestionamientos: i) omite que los indicadores espaciales únicamente miden el agrupamiento (Figura 3); ii) desconoce que la capacidad para cuantificar la segregación residencial se ha visto limitada por las unidades de agregación existentes en los censos (Rodríguez, 2013; Molinatti, 2021), las cuales también son comúnmente empleadas cuando se trabaja con indicadores espaciales; y iii) obvia que desde hace dos décadas se han desarrollado medidas de segregación que son sensibles al espacio y la escala, cuyo uso en Latinoamérica implicaría habilitar el acceso público a los microdatos.

Frente a este panorama, y como se muestra en el siguiente apartado, este artículo sugiere una vía de trabajo que busca mostrar cómo, desde un enfoque complementario, los indicadores espaciales y no espaciales pueden articularse para revelar las distintas dimensiones espaciales de la segregación residencial, y disminuir las arbitrariedades en su medición e interpretación, a la vez que se atiende la realidad latinoamericana en cuanto a la limitada disponibilidad de los datos espaciales individuales.

METODOLOGÍA

Si bien este artículo propone, como se ha indicado, un enfoque complementario para la cuantificación de la segregación residencial y sus diversas dimensiones espaciales, el cual incluye la utilización de indicadores no espaciales y espaciales, la ruta metodológica que se describe a continuación únicamente emplea el ID y el IMG para estudiar las dimensiones de agrupamiento y disimilitud, respectivamente. Pese a ello, se sugiere considerar otras dimensiones de la segregación residencial, además de utilizar técnicas y estrategias disponibles, tales como: las tecnologías de la información geográfica para el análisis espacial, correcciones gráficas, regresiones espaciales, entre otras.

El estudio se realizó en Managua, capital de Nicaragua, que concentra en su territorio el 28.9% de la población nacional y presenta una densidad baja (38.51 habitantes por hectárea), en relación a otras ciudades capitales centroamericanas. Se caracteriza por una dispersión funcional, consecuencia de diversos factores, como el arrasador sismo de 1972, tras el cual el Estado tomó control de la propiedad en el área más afectada (centro histórico) y optó por el congelamiento de su reconstrucción, lo que derivó en la multiplicación de barrios a su alrededor y en las periferias de la ciudad, a la vez que acentuó la desvinculación del Lago Xolotlán con el resto de la misma (Figura 5). Actualmente, Managua muestra una producción fragmentada del territorio, producto de una gestión pública flexible, donde la gestión inmobiliaria y la actuación de los diversos agentes productores del suelo y vivienda han resultado preponderantes (Figura 4).

Para la cuantificación de la segregación residencial socioeconómica (SRS) en este caso de estudio, se acudió a la información recolectada en el VIII Censo de Población y IV de Vivienda, elaborado en 2005, puesto que tal cometido requiere de criterios de representatividad estadística. Éste muestra una Managua que se hallaba dividida en 5 unidades distritales (Figura 6), con una extensión territorial total de 267.17 km. y una población estimada de 937, 489 habitantes, distribuida en 618 barrios y 23 comarcas. Cabe mencionar que, dada la carencia de datos censales que refieran una estratificación económica, el cálculo de la SRS se realizó empleando los datos censales disponibles para uso público. En este caso, se utilizó la variable educación descompuesta en dos grupos sociales antagónicos (población analfabeta y población con estudios universitarios completos) como única variable proxy de segmentación socioeconómica.

Dichas decisiones se apoyaron en las posturas predominantes en los estudios de segregación residencial en la región, los cuales usualmente utilizan una sola variable proxy de segmentación socioeconómica, tales como la pobreza, educación y empleo (Groisman y Suárez, 2010; Garín, Salvo y Bravo, 2009; Molinatti, Rojas y Peláez, 2016). Al mismo tiempo, debe destacarse el gran poder de segmentación que tiene la variable educación en las ciudades latinoamericanas, en la medida en que es capaz de determinar diferenciales salariales y acceso a protección social, como también de vincularse a la división del trabajo y al lugar que se ocupa en la estructura social (Molinatti et al., 2016).

Por otro lado, la antigüedad de los datos censales puede considerarse una limitante metodológica que, sin embargo, resulta común en Centroamérica. El Salvador y Nicaragua son los países con censos de más vieja data, de 2007 y 2005, respectivamente. No obstante, se vuelve vital evitar la inhibición metodológica, la cual es como “una pronunciada tendencia a confundir lo que se quiere estudiar con la serie de métodos sugeridos para su estudio” (Mills, 1959, p. 69). En este sentido, si bien no existen datos actuales, los disponibles son de buena calidad y permiten aproximarse al fenómeno que se busca estudiar a través de los indicadores concebidos para tal fin.

ÍNDICES NO ESPACIALES VERSUS ÍNDICES ESPACIALES

A pesar de sus limitantes, el Índice de Disimilitud (ID) es el más utilizado para la cuantificación de la segregación residencial. Éste busca medir la sub o sobre representación de un grupo social en las unidades espaciales en que se divide un área urbana (Apparicio, Martori y Fournier, 2014). Se considera que un grupo social se halla segregado mientras más desigual es su distribución en el espacio. El índice varía entre 0 y 1, y tiende a este segundo valor cuando el grupo social aparece más fuertemente sobre−representado en unas áreas y sub−representado en otras. Su fórmula (ecuación 1) muestra la segregación entendida como disimilitud.

Donde:

D: Índice de Disimilitud

ai: Cantidad de hogares de un grupo social (población analfabeta o con estudios universitarios completos) en el área i (municipio, distritos y barrios de Managua).

A: Cantidad total de hogares en la ciudad de ese grupo social.

bi: Cantidad de hogares no pertenecientes al grupo social a en el área i.

B: Total de hogares no perteneciente al grupo social a en la ciudad.

En concreto, para evitar el PUEM se midió el fenómeno en distintas escalas de análisis, utilizando una solución propuesta por Molinatti (2013), la cual contempla dos estrategias. Primero, se procesaron los datos censales para las desagregaciones disponibles (municipio, distrito, barrio), de mayor a menor. Segundo, se aplicó una corrección metodológica en el análisis gráfico de los valores del Índice de Disimilitud, representada gráficamente a través de una “curva diagonal”. Ésta hace referencia a la disminución esperable del índice cuando aumenta el área de medición y permite distinguir entre el efecto esperable ante el cambio de escala y el efecto de la segregación propiamente dicho. De manera que una curva por encima de la recta indicaría macro-segregación y una curva por debajo revelaría micro-segregación o segregación a pequeña escala.

Para cuantificar la segregación residencial entendida como agrupamiento, se empleó el Índice de Moran Global (IMG). Según Ramírez y Falcón (como se citó en Siabato y Guzmán-Manrique, 2019), el IMG constituye uno de los cálculos más difundidos para medir globalmente la autocorrelación espacial (AE), cuya esencia es analizar cómo varia un fenómeno a través del espacio geográfico y así poder determinar patrones espaciales, describir su comportamiento y comprender el tipo de asociación existente entre unidades espaciales vecinas. La AE aplicada a este estudio puede llevar a tres resultados: 1) el grupo social tiende a segregarse y se agrupa en zonas uniformes, en clústeres de población rica o pobre, lo que evidencia la existencia de una correlación positiva (Figura 7, elemento A); 2) las unidades espaciales bajo análisis colindan con otras de características disimiles y el grupo social tiende a estar disperso (Figura 7, elemento B), indicando que la autocorrelación espacial es negativa; y 3) la localización de las unidades espaciales en estudio se comporta de forma aleatoria y no es posible identificar un comportamiento definido, por lo tanto, no existe autocorrelación espacial (Figura 7, elemento C).

Respecto del IMG, se debe señalar que éste se deriva de comparar de forma directa los valores de cada unidad de análisis con la media global del fenómeno en estudio. Por consiguiente, no constituye una medida universal unívoca del comportamiento de las unidades de análisis, sino que depende del criterio de vecindad que se seleccione (Siabato y Guzmán-Manrique, 2019). En este caso, se consideró como vecinas a unidades espaciales en rangos de distancia de 500 metros, desde 0 hasta 4000 metros, puesto que la interacción entre éstas es la que mejor describe el fenómeno. Dicho criterio permite, a la vez, identificar si este índice presenta o no el PUEM. Los resultados del IMG se interpretan así: a) un valor cercano o igual a 0 indica un patrón aleatorio; b) valores menores a 0 indican un patrón disperso; c) valores mayores a 0 exhiben un patrón tipo clúster, el cual permite identificar si se presenta un patrón de segregación.

RESULTADOS

Los resultados del ID muestran importantes diferencias según las escalas de análisis consideradas (Figura 8). En las escalas municipal y distrital, la segregación entendida como disimilitud no presenta valores altos. Sin embargo, en la escala barrial ésta aumenta para ambos grupos. Se observa que el 35.01% de la población con estudios universitarios completos y el 19.44% de la población analfabeta tendrían que cambiar de residencia para lograr una distribución más igualitaria en la ciudad. Es decir que 1 de cada 3 personas de los estratos económicos más altos tendría que cambiar de residencia para reducir la disimilitud de este grupo. Lo anterior evidencia que Managua se caracteriza por una segregación a pequeña escala.

El IMG mostró los siguientes resultados: 1) La población analfabeta muestra agrupamiento, no obstante, exhibe una correlación espacial baja en los 500 metros y más baja aún en los 2000 metros, hasta volverse insignificante. 2) El grupo más segregado por agrupamiento es la población con estudios universitarios completos, particularmente en los 500 y 1000 metros, aunque la correlación se vuelve insignificante a partir de los 3500 metros. En otras palabras, los datos muestran que los estratos económicos más bajos no conforman grandes clústeres de pobreza, sino que se ubican en barrios localizados de forma dispersa, presentando una segregación baja por agrupamiento. Los barrios de los estratos más altos, por su parte, se encuentran mucho más agrupados en la ciudad, hasta generar conos de alta renta que evitan la cercanía con barrios de otros grupos sociales. Y, al igual que en el índice anterior, queda evidenciado que la población con estudios universitarios completos se halla segregada a pequeña escala (Figura 9).

En síntesis, los resultados obtenidos muestran que: 1) Managua se caracteriza por una segregación a pequeña escala, puesto que ambos grupos sociales en estudio se hallan más concentrados y agrupados a escala barrial. 2) El grupo más segregado en términos de disimilitud y agrupamiento es la población con estudios universitarios completos. Lo anterior también evidencia que, en Managua, la homogeneidad social del espacio predomina al interior de los barrios o en la suma de algunos barrios vecinos, pero contrasta con la diversidad social en escalas espaciales mayores como el distrito o el municipio. A ese arreglo espacial detectado por ambos indicadores se le conoce como “segregación a pequeña escala” y da cuenta de la reducción de la escala geográfica del fenómeno, la cual marca una ruptura con el patrón tradicional de segregación latinoamericano (Sabatini, 2015). En Managua esta situación está asociada a un proceso de urbanización disperso, así como a la evolución del funcionamiento de los mercados de suelo y vivienda.

DISCUSIONES

Los resultados obtenidos permiten, en primer lugar, discutir sobre las limitantes de los indicadores no espaciales señaladas por Garrocho y Campos-Alanís (2013) y Ruíz-Tagle y López (2014) como las principales razones para proponer el abandono del uso de los mismos en la cuantificación de la segregación residencial.

Efectivamente, los resultados del ID muestran dos regularidades empíricas de los estudios de segregación residencial: i) la población con estudios universitarios completos (estrato económico más alto) se distribuye de forma desigual entre las unidades espaciales de la ciudad y se concentra más que la población analfabeta en todas las escalas de análisis; y, ii) el valor más alto del ID se obtuvo en la menor escala de análisis considerada (barrial), como lo establece la literatura especializada que describe el PUEM (White, 1983). Sin embargo, debe mencionarse que, tanto los resultados del ID como los del IMG, resultan reveladores al respecto. En el caso del ID, los valores no disminuyeron al utilizar una escala de análisis mayor (Figura 8), lo cual es contrario a la tendencia esperada en la curva diagonal. Al contrario, el IMG sí disminuyó cuando aumentaron los rangos de distancia considerados para su análisis. Lo anterior pone en evidencia que sin importar el patrón espacial que se adopte, como lo plantea “el problema del tablero de ajedrez”, la intensidad de la segregación es distinta para el ID y el IMG. Como se observa, este resultado además cuestiona los planteamientos que afirman la superioridad conceptual y operativa de los indicadores espaciales y las ventajas de su exclusiva utilización para la cuantificación del fenómeno (Garrocho y Campos-Alanís, 2013; Ruiz-Tagle y López, 2014).

En segundo lugar, resulta evidente que los índices espaciales y no espaciales miden dimensiones distintas del fenómeno, dado que los datos muestran que los índices utilizados coinciden en uno de los grupos de población en estudio y difieren en el otro. Por eso es que, si por ejemplo se compara el ID para la población con estudios universitarios completos a escala barrial (Figura 8) y el IMG a 500 metros (Figura 9), existirá una diferencia significativa de más del 20 por ciento en los valores obtenidos a través del índice no espacial que mide la disimilitud, respecto al índice espacial usado para medir el agrupamiento. En este sentido, parece que empíricamente no se está cuantificando lo mismo, puesto que de ser así los valores obtenidos a partir de ambos índices tenderían a ser iguales o similares. De modo que la alternativa propuesta por Garrocho y Campos-Alanís (2013) y Ruiz-Tagle y López (2014), y su supuesta ventaja frente a la utilización de indicadores no espaciales, en realidad sólo es otra forma de cuantificar la segregación residencial, que falla en atender la multidimensionalidad espacial del fenómeno.

Finalmente, los resultados dan cuenta de la importancia de optar por un enfoque complementario que considere válida la utilización de indicadores espaciales y no espaciales y desde el cual los resultados, en el presente trabajo, se leerían así: i) ambos grupos sociales se concentran y agrupan con mayor intensidad en la escala barrial o distancia homóloga; ii) la población analfabeta se concentra y agrupa con la misma intensidad; y, iii) la población con estudios universitarios completos se concentra y agrupa con mayor intensidad que la población analfabeta en todas las escalas de análisis consideradas. Ahora bien, cabe añadir que este último grupo social se concentra más de lo que se agrupa.

CONCLUSIONES

La investigación aquí expuesta permite concluir que en Centroamérica el acceso a datos censales actualizados y sin agregación espacial que hagan posible la cuantificación de la segregación residencial a través de indicadores espaciales, resulta aún complicado. Por ello, la utilización de medidas verdaderamente sensibles al espacio y la escala para el estudio del fenómeno continuará siendo limitada. En consecuencia, es clave atender las fallas que se le aducen a los indicadores no espaciales mediante estrategias de corrección, como las utilizadas en este estudio u otras disponibles, y así también encontrar alternativas metodológicas que, a pesar de las limitantes existentes, posibiliten el estudio de fenómenos urbanos como la segregación residencial socioeconómica.

De igual forma, debe entenderse que, si bien los indicadores espaciales buscan capturar la naturaleza inherentemente geográfica de la segregación residencial, su exclusiva utilización falla en abordar la multidimensionalidad espacial del fenómeno. En tal sentido, considerar a los índices espaciales como los únicos válidos, puede conducir a vacíos o sesgos en su cuantificación. En cambio, trabajar los índices no espaciales y espaciales desde un enfoque complementario, puede mostrar más ampliamente las características del fenómeno para diferentes grupos sociales, así como ofrecer lecturas más integrales que aminoren las discordancias que usualmente genera el análisis de las dimensiones espaciales del fenómeno, desde cualquiera de sus aproximaciones analíticas.

Por último, resulta fundamental comprender que la cuantificación de la segregación residencial, a través de aproximaciones como la propuesta en este artículo, permite evaluar los efectos de las acciones promovidas por el Estado a través de los gobiernos locales y las instituciones destinadas a atender los retos del desarrollo urbano y territorial, las cuales tienen el potencial de aumentar o disminuir la segregación residencial. En ese marco, es pertinente que los avances en la comprensión de los patrones espaciales contemporáneos del fenómeno en estudio puedan visibilizar la necesidad de mejorar la distribución espacial de los estratos económicos más bajos, en aras de garantizar una distribución más equitativa de los recursos, oportunidades y beneficios que ofrece la ciudad a través de sus entornos residenciales.

INTRODUCTION

In recent years, Latin America has seen a growing interest about conceptual and methodological issues related to the quantification of residential segregation. One of the most controversial statements has been the proposal to abandon the use of aspatial indicators because of their multiple flaws, and replace them with spatial indicators, given their estimated conceptual and operational superiority when it comes to measuring the phenomenon and its spatial patterns (Garrocho & Campos-Alanis, 2013). However, there have also been discussions about the urgency to introduce policy changes to manage census data in order to improve the quality of the studies in this and other fields, through instrumentation of a variety of simultaneous and non-exclusive solutions (Rodríguez, 2013); along with the need to address discrepancies that tend to appear in the analysis of the residential segregation dimensions, through complementary analytical approaches (Dominguez, 2017).

As a consequence, the purpose of this article is showing how spatial and aspatial indicators, from a complementary approach, can be articulated to reveal the different spatial dimensions of residential segregation, and thus reduce arbitrariness in the measurement, representation, and interpretation of the phenomenon, while addressing the Latin American reality regarding the management of individual spatial data and their limited availability.

For this purpose, the first step is to approach the challenges that the conceptualization and quantification of residential segregation present, and briefly introduce the city of Managua as a case study. Later, a methodological route is outlined which: i) uses information collected in the VIII Population and IV Housing Census of 2005; ii) considers the education variable broken down into two antagonistic social groups -illiterate population and population with completed tertiary education- as a single proxy variable of socioeconomic segmentation; and iii) proposes the use of two indicators -Global Moran’s Index and Dissimilarity Index-, one spatial and another aspatial, to respectively study grouping and dissimilarity dimensions. In a third section, the results of the study are presented, which evidence that aspatial and spatial indicators reveal different results, as they show the different residential segregation spatial dimensions. However, they can be articulated to make progress towards a better understanding of the phenomenon. These results also allow detecting that this approach, due to its complementary nature, opens up the possibility not just to consider all residential segregation dimensions, but also to use the different available techniques and strategies, beyond those presented here. Finally, the main conclusions and bibliographical references of the literature consulted are presented.

THEORETICAL FRAMEWORK

It is sufficient just to note the broad distribution of the term “segregation” in the political, media and scientific discourse, to show its polysemy and ambiguity, as well as the difficulties there are for its use and measurement (Link, Valenzuela & Fuentes, 2015; Madoré, 2005). Because of this, it is important to distinguish different but complementary ways that are used to approach the concept of segregation, among which the following stand out: i) those that refer to differences within a collective, and the separation of the subjects into categories with a certain degree of hierarchical distinction (Rodríguez, 2001, p. 14); ii) those which refer to a spatial relationship or regional separation or proximity among people belonging to a same social group (Sabatini & Sierralta, 2006, p. 4); and iii) those which associate the phenomenon with a high social homogeneity and spatial concentration, that lead to the isolation of a group and that, according to Marcuse -as was cited in Sabatini & Rasse (2017)-, always imply some degree of imposition.

The aforementioned notions allude to an approximation to the phenomenon that addresses it in spatial, descriptive, and quantitative terms, to study the five spatial dimensions identified by Massey and Denton (1988): dissimilarity, exposure, concentration, centralization, and grouping. This work addresses two of them. From this approach, researchers from different parts of the world have made progress in the design of quantification methodologies, knowledge about the levels, trends, and determination of the phenomenon’s spatial patterns.

In this context, the traditional or aspatial measurements -Dissimilarity Index, Isolation Index, among others- used over the last two decades to quantify segregation, have been criticized on having a “simplifying” nature, and on ignoring the way the phenomenon is spatially distributed (Yao, Wong, Bailey & Minton, 2019). However, as of the 1990s, the development of spatial statistics, and the availability of GIS software, allowed using spatial segregation indicators -Global Moran’s Index and Local Moran’s Index-, as an alternative to the acknowledged limitations. In the United States, researchers like Brown and Chung (2006) and Reardon et al. (2008) have made the call to focus attention towards segregation measurements that are space and scale sensitive -Spatial Information Theory Index and Spatial Segregation Profile-, although these have not been widely used, especially in Latin America, where public access to microdata is limited.

It is actually in Latin America where a growing interest about the conceptual and methodological problems of residential segregation quantification has been seen. One of the approaches that has been the most controversial, proposes abandoning the use of aspatial indicators due to their flaws, and replacing them with spatial indicators, given their estimated conceptual and operational superiority (Garrocho & Campos-Alanis, 2013). In addition, the urgency to introduce changes in census data management has been outlined, to improve the quality of the studies in this field, using the instrumentation of simultaneous and non-exclusive solutions (Rodríguez, 2013), and it has been proposed to address the discrepancies arising from the analysis of the residential segregation dimensions through complementarity focused analytical approaches (Domínguez, 2017; Linares, Velázquez, Mikkelsen & Celemin, 2016).

What is mentioned by Garrocho and Campos-Alanis (2013) and Ruiz-Tagle and López (2014) is interesting insomuch as they question the validity of approaches that are key in the debate, regarding the degree, the trends, and the pattern of Latin American segregation, whose base is the studies of Sabatini, Cáceres and Cerda (2001) for the main Chilean cities, which have echoed across the entire region. In particular, the former state that these approaches could be based on a measurement error associated to the use of aspatial indicators, and that the use of spatial indices would lead to different results.

It must be mentioned that, despite its limitations, and on there being other aspatial indicators, the Dissimilarity Index (DI) has become the main statistical measurement to quantify residential segregation. The first limitation is known as the “chessboard problem”. Garrocho and Campos-Alanis (2013) exemplify it through a board where the squares represent spatial units as neighborhoods of a city, into which two population groups are distributed. On calculating the segregation indices using the classic board pattern (Figure 1, element A), certain results would be obtained. If the classic pattern were altered, moving all the black squares towards the middle of the board (Figure 1, element B), it would be expected to obtain different results that showed this new spatial distribution. However, on this being an aspatial indicator, it always generates the same results, without managing to distinguish between the classic pattern and any other spatial pattern (Figure 1, elements C and D) that may be formed (Garrocho & Campos-Alanis, 2013, p. 275-276).

The second limitation is known as the “modifiable areal unit problem” (MAUP). This was identified by White (1983), and consists of a variation of the DI, when the measurement area is modified. That is to say, that the smaller the measurement area is, the higher the index value. This problem is made evident in Figure 2: the spatial crowding of the homes represented by the black squares is strong at a microspatial level (Figure 2, element B), and weak if analyzed at a more aggregated level (Figure 2, element A). In this regard, Rodríguez (2013) indicates that the MAUP arises from the way census information is collected and published in spatial units whose limits are often non-existent in daily life.

Because of this, Garrocho and Campos-Alanis propose abandoning aspatial indicators and the absolute use of those they call genuinely spatial segregation indicators, like the Global Moran’s Index (GMI), and the Local Moran’s Index (LMI), which according to Ruiz-Tagle and López (2014), have shown “more reasonable results regarding the lack of spatiality of traditional indices” (p.34). Now, this proposal is subject to three aspects: i) it omits that spatial indicators solely measure grouping (Figure 3); ii) it disregards that the capacity to quantify residential segregation is limited by existing aggregation units in the censuses (Rodríguez, 2013; Molinatti, 2021), which are also commonly used when working with spatial indicators; and iii) it ignores that segregation measures have been developed for the last two decades, which are sensitive to space and scale, whose use in Latin America would imply enabling public access to microdata.

On facing this scenario, and as is shown in the following section, this article suggests a way of working that seeks to show how, from a complementary approach, spatial and aspatial indicators can be articulated to reveal the different spatial dimensions of residential segregation, and to reduce the arbitrariness in their measurement and interpretation, while approaching the Latin American reality regarding the limited availability of individual spatial data.

METHODOLOGY

Although this article proposes, as has been said, a complementary approach to quantify residential segregation and its different spatial dimensions, which includes the use of aspatial and spatial indicators, the methodological path that is described below, only uses DI and GMI to study the grouping and dissimilarity dimensions, respectively. Despite this, it is suggested considering other residential segregation dimensions, as well as using the available techniques and strategies, such as: geographical information technologies for spatial analysis, graphical corrections, and spatial regressions among others.

The study was made in Managua, the Nicaraguan capital, inhabited by 28.9% of the population, which has a low density -38.51 inhabitants per hectare- compared to other Central American capital cities. It is characterized by a functional spread, the result of different factors, like the devastating earthquake of 1972, after which the State took control of property in the most affected area (historic hub), and opted to freeze its reconstruction. This led to a multiplying of neighborhoods around it and in the outskirts of the city, accentuating the disconnection of Xolotlán Lake with the rest of the city (Figure 5). Today Managua has a fragmented urban development, the result of flexible public management, where the actions of different real-estate and development agents have dominated (Figure 4).

To quantify socioeconomic residential segregation (SRS) in this case study, the information collected in the VIII Population and IV Housing Census carried out in 2005, was turned to, as this requires statistical representativity criteria. This shows a Managua that was divided into 5 district units (Figure 6), with a total extension of 267.17 km2 and an estimated population of 937,489 inhabitants, spread over 618 neighborhoods and 23 districts. It is worth mentioning that, given the lack of census data referring to economic stratification, the SRS calculation was made using the census data available for public use. In this case, the education variable was used, broken down into two opposing social groups: the illiterate population and the population with complete tertiary education, as a single proxy variable of socioeconomic segmentation.

These decisions were based on the prevailing position in the residential segregation studies in the region, which usually use a single proxy variable of socioeconomic segmentation, such as poverty, education, or employment (Groisman & Suárez, 2010; Garín, Salvo & Bravo, 2009; Molinatti, Rojas & Peláez, 2016). At the same time, the great power of segmentation the education variable has in Latin American cities must be highlighted, inasmuch as it is capable of determining salary differentials and access to social protection, as well as linking it to the work division and the place occupied in the social structure (Molinatti et al., 2016).

Meanwhile, the age of the census data can be considered as a methodological limitation, although this is common in Central America. El Salvador and Nicaragua are the countries with the oldest census data, from 2007 and 2005, respectively. However, it is essential to avoid methodological inhibition, which is like “a pronounced trend to confuse what one wishes to study with the series of methods suggested for this” (Mills, 1959, p. 69). In this sense, although there are no current data, those available are of a good quality and allow approaching the phenomenon being studied, through the indicators conceived for this purpose.

ASPATIAL INDICES VERSUS SPATIAL INDICES

Despite its limitations, the Dissimilarity Index (DI) is the one used most for quantifying residential segregation. It seeks to measure the under or overrepresentation of a social group in the spatial units into which an urban area is divided (Apparicio, Martori & Fournier, 2014). It is considered that a social group is segregated the more unequal its distribution in space is. The index varies between 0 and 1, and tends towards this second value when the social group appears more strongly overrepresented in some areas and underrepresented in others. Its formula (equation 1) shows the segregation understood as dissimilarity.

Where:

D: Dissimilarity Index

ai: Number of homes of a social group (illiterate population or with complete tertiary education) in area i (municipality, districts, and neighborhoods of Managua).

A: Total number of homes in the city of this social group.

bi: Number of homes not belonging to social group a in area i.

B: Total number of homes not belonging to the social group a in the city.

Ultimately, to avoid MAUP, the phenomenon was measured on different scales of analysis, using a solution proposed by Molinatti (2013) that considers two strategies. First, the census data were processed for the available segregations (municipality, district, neighborhood), from biggest to smallest. Second, a methodological correction was applied in the graphical analysis of the Dissimilarity Index values, represented graphically through a “diagonal curve”. This refers to the expected reduction of the index, when the measurement area increases, and allows distinguishing between the expected effect on facing the change of scale and the segregation effect itself. As a curve above the straight line would indicate macro-segregation, a curve below it would reveal micro-segregation or small-scale segregation.

The Global Moran’s Index (GMI) was used to quantify residential segregation understood as grouping. According to Ramírez and Falcón (as cited in Siabato & Guzmán-Manrique, 2019), the GMI constitutes one of the most widespread calculations to globally measure spatial autocorrelation (SA), whose essence is analyzing how a phenomenon varies through the geographical space and thus be able to determine spatial patterns, describe their behaviors, and understand the type of association there is between neighboring spatial units. The SA applied to this study can lead to three results: 1) the social group tends to segregate and group in uniform areas, in clusters of rich or poor population, which evidences the existence of a positive correlation (Figure 7, element A); 2) the spatial units under analysis are contiguous to others of dissimilar characteristics and the social group tends to be disperse (Figure 7, element B), indicating that the spatial autocorrelation is negative; and 3) the location of the spatial units under study behaves randomly and it is not possible to identify a defined behavior, so there is no spatial autocorrelation (Figure 7, element C).

Regarding GMI, it must be said that this arises from directly comparing the values of each unit of analysis with the global mean of the phenomenon under study. As a result, it does not constitute a univocal universal measurement of the behavior of the analysis units, but rather that it depends on the neighborhood criterion that is chosen (Siabato & Guzmán-Manrique, 2019). In this case, spatial units within 500 meters, from 0 to 4000 meters are considered as neighbors, as the interaction between these is the one that best describes the phenomenon. At the same time, this criterion allows identifying whether this index has MAUP or not. The results of the GMI are interpreted as follows: a) a value of close or equal to 0 indicates a random pattern; b) values below 0 indicate a disperse pattern; c) values above 0 exhibit a cluster type pattern, which allows identifying whether there is a segregation pattern or not.

RESULTS

The results of the DI show important differences depending on the scales of analysis considered (Figure 8). On municipality and district scales, the segregation understood as dissimilarity does not have high values. However, on a neighborhood scale, this increases for both groups. It is seen that 35.01% of the population with complete tertiary education, and 19.44% of the illiterate population would have to change residence to reach a more balanced distribution in the city. That is to say, that 1 in 3 people from the highest economic stratums would have to change residence to reduce the dissimilarity of this group. This shows that Managua is characterized by a small-scale segregation.

The GMI presented the following results: 1) the illiterate population shows grouping, although it has a low spatial correlation at 500 meters, and lower still at 2000 meters until becoming negligible. 2) The most segregated group by grouping is the population with complete tertiary education, particularly at 500 and 1000 meters, although the correlation becomes negligible as of 3500 meters. In other words, the data show that the lowest economic stratums do not form large clusters of poverty, both rather are found spread in localized neighborhoods, presenting a low segregation by grouping. Meanwhile, the higher stratum neighborhoods are much more grouped in the city, even generating high salary cones that avoid proximity with neighborhoods of other social groups. Just like in the previous index, it is left clear that the population with complete tertiary education is segregated on a small scale (Figure 9).

In summary, the results obtained show that: 1) Managua is characterized for having a small-scale segregation, as both social groups under study are more concentrated and grouped at a neighborhood scale. 2) The most segregated group in terms of dissimilarity and grouping is the population with complete tertiary education. This also shows that, in Managua, social homogeneity of the space dominates within the neighborhood or in the sum total of some neighborhoods, but contrasts with the social diversity on greater spatial scales like the district or municipality. This spatial arrangement detected by both indicators is known as “small-scale segregation”, and accounts for the reduction of the geographical scale of the phenomenon, marking a break from traditional Latin American segregation patterns (Sabatini, 2015). In Managua, this situation is associated to a disperse urbanization process, as well as to the evolution of the operation of the land and housing markets.

DISCUSSION

The results obtained allow, firstly, discussing about the limitations of aspatial indicators stated by Garrocho and Campos-Alanis (2013) and Ruiz-Tagle and López (2014) as the main reasons to propose abandoning their use in the quantification of residential segregation.

In fact, the DI results show two empirical regularities of residential segregation studies: i) the population with complete tertiary education (highest economic stratum) is unequally distributed among the spatial units of the city and is concentrated more than the illiterate population in all scales of analysis; and, ii) the highest value of DI was obtained on the lowest scale of analysis considered (neighborhood), as the specialized literature describing the MAUP says (White, 1983). However, it must be mentioned that, both the DI and GMI results are revealing in this regard. In the case of the DI, the values did not fall on using a greater scale of analysis (Figure 8), which goes against the expected trend on the diagonal curve. While, on the contrary, the GMI did fall when the distance ranges considered for its analysis increased. This shows that regardless of the spatial pattern adopted, as the “chessboard problem” suggests, the intensity of segregation is different for DI and GMI. As can be seen, this result also questions the statements that assert the conceptual and operational superiority of the spatial indicators, and the advantages of their exclusive use for the quantification of the phenomenon (Garrocho & Campos-Alanis, 2013; Ruiz-Tagle & López, 2014).

Second, it is clear that spatial and aspatial indices measure different dimensions of the phenomenon, as the data show that the indices used coincide in one of the population groups under study, and differ in the other. This is why if, for example, the DI is compared for the population with complete tertiary education on a neighborhood scale (Figure 8) and the GMI at 500 meters (Figure 9), there will be a significant difference of more than 20 percent in the values obtained through the aspatial index that measures dissimilarity, compared to the spatial index used to measure the grouping. In this sense, it seems that empirically the same thing is not being quantified, because if this were true, the values obtained from the same indices would tend to be equal or similar, so the alternative proposed by Garrocho and Campos-Alanis (2013) and Ruiz-Tagle and López (2014), and the supposed advantage over the use of aspatial indicators, in reality is only another way of quantifying residential segregation, that fails to address the spatial multidimensionality of the phenomenon.

Finally, the results show the importance of opting for a complementary approach that considers the use of spatial and aspatial indicators as valid, and from which the results in this work would be read as follows: i) both social groups are concentrated and grouped with greater intensity on the neighborhood scale or at a homolog distance; ii) the illiterate population is concentrated and grouped with the same intensity; and, iii) the population with complete tertiary education is concentrated and grouped with greater intensity than the illiterate population on all the scales of analysis considered. Now, it is worth adding that this last group is concentrated more than it is grouped.

CONCLUSIONS

The research presented here allows concluding that in Central America, access to updated census data without spatial aggregation, that can make the quantification of residential segregation possible using spatial indicators, is still complicated. For this reason, the use of measures that are truly sensitive to the space and scale for the study of the phenomenon would still be limited. As a result, it is key to address the flaws attributed to these aspatial indicators by using correction strategies, like those used in this study or other available ones, and thus also find methodological alternatives that, despite the limitations there are, make possible the study of urban phenomena like socioeconomic residential segregation.

Likewise, it must be understood that, although spatial indicators seek to capture the inherently geographical nature of residential segregation, its exclusive use fails to address the spatial multidimensionality of the phenomenon. In this sense, considering the spatial indices as the only valid ones, can lead to gaps or bias in their quantification. Meanwhile, working with aspatial and spatial indices from a complementary approach, can more broadly show the characteristics of the phenomenon for different social groups, as well as to offer more comprehensive readings that reduce the differences that the analysis of the spatial dimensions of the phenomenon usually generate, from any of their analytical approaches.

Finally, it is key to understand that the quantification of residential segregation, through approaches like that proposed in this article, allows evaluating the effects of actions promoted by the State through local governments and the institutions set up to address the challenges of urban and regional development, which have the potential to increase or reduce residential segregation. Within this framework, it is pertinent that the progress in the understanding of contemporary spatial patterns of the phenomenon under study, can outline the need to improve the spatial distribution of the lowest economic stratums, for the sake of guaranteeing a more balanced distribution of the resources, opportunities, and benefits that the city offers through its residential environments.

Agradecimientos

Este artículo es resultado del proyecto “Segregación residencial y la resiliencia de ciudad”. Clave 20181108. Financiado por el Instituto Politécnico Nacional, México.

This article is a result of the project "Residential segregation and city resilience". Code 20181108. Funded by the Instituto Politécnico Nacional, Mexico.

REFERENCIAS BIBLIOGRÁFICAS

APPARICIO, P., MARTORI, J. Y FOURNIER, E. (2014). Geo-Segregation Analyzer: una herramienta para el análisis de la segregación residencial. International Conference on Regional Science, Zaragoza, España. Recuperado de https://old.reunionesdeestudiosregionales.org/Zaragoza2014/htdocs/pdf/p1165.pdf

BROWN, L. Y CHUNG, S. (2006). Spatial segregation, segregation indices and the geographical perspective. Population, Space and Place,12(2), 125-143. DOI: https://doi.org/10.1002/psp.403

DOMÍNGUEZ, M. (2017). Las dimensiones espaciales de la segregación residencial en la Ciudad de Mérida, Yucatán, a principios del siglo XXI. Revista Península, 12(1), 147-188.

GARÍN, A., SALVO, S. Y BRAVO, G. (2009). Segregación residencial y políticas de vivienda en Temuco. 1992-2002. Revista de Geografía Norte Grande, (44), 113-128. DOI: https://doi.org/10.4067/S0718-34022009000300006

GARROCHO, C. Y CAMPOS-ALANÍS, J. (2013). Réquiem por los indicadores no espaciales de segregación residencial. Papeles de población, 19(77), 269-300.

GROISMAN, F. Y SUÁREZ, A. (2010). Segregación residencial e inserción laboral en el Conurbano Bonaerense. Población de Buenos Aires, 7(11), 7-28.

LINARES, S., VELÁZQUEZ, G., MIKKELSEN, C. Y CELEMÍN, J. (2016). Spatial Segregation and Quality of Life: Empirical Analysis of Medium-Sized Cities of Buenos Aires Province. En Tonon, G. (Ed.), Indicators of Quality of Life in America Latina (pp. 201-218). Suiza: Springer International Publishing.

LINK, F., VALENZUELA, F. Y FUENTES, L. (2015). Segregación, estructura y composición social del territorio metropolitano en Santiago de Chile. Complejidades metodológicas en el análisis de la diferenciación social en el espacio. Revista de Geografía Norte Grande, (62), 151-168. DOI: http://dx.doi.org/10.4067/S0718-34022015000300009

MADORÉ, F. (2005). La segregation sociale dans les villes francaises: réflexion épistemólogique et méthodologique. Cahiers de géographie du Québec, 49(136), 45-60. DOI: https://doi.org/10.7202/012108ar

MASSEY, D. Y DENTON, N. (1988). The dimensions of residential segregation. Social Forces, 67(2), 281-315. DOI: https://doi.org/10.2307/2579183

MILLS, W. (1959). The sociological imagination. New York: Oxford University Press.

MOLINATTI, F. (2013). Segregación residencial socioeconómica en la ciudad de Córdoba (Argentina): tendencias y patrones espaciales. Revista INVI, 28(79), 61-94.

MOLINATTI, F. (2021). Segregación residencial en la Región Metropolitana de Córdoba en el nuevo modelo de urbanización en Argentina: Censos 2001 y 2010. Revista Latinoamericana de Población, 15(28), 63-101. DOI: https://doi.org/10.31406/relap2021.v15.i1.n28.3

MOLINATTI, F., ROJAS, E. Y PELÁEZ, E. (2016). Segregación residencial socioeconómica y políticas habitacionales. Una aproximación a partir del Programa “Mi Casa, Mi Vida”. Estudio de caso en la ciudad de Córdoba, Argentina. Novedades en población, 12(23), 1-12.

RAMÍREZ, L. Y FALCÓN, V. (2015). Autocorrelación espacial: analogías y diferencias entre el Índice de Moran y el Índice Getis y Ord. Aplicaciones con indicadores de acceso al agua en el norte argentino. Jornadas Argentinas de Geotecnologías 2015, San Luis, Argentina. DOI: https://doi.org/10.13140/RG.2.2.23036.85126

REARDON, S., MATTHEWS, S., O´SULLIVAN, D., LEE, B., FIREBAUGH, G., FARRELL, C. Y BISCHOFF, K. (2008). The Geographic Scale of Metropolitan Racial Segregation. Demography, 45(3), 489-514. DOI: https://doi.org/10.1353/dem.0.0019

RODRÍGUEZ, G. (2013). El uso de zonas censales para medir la segregación residencial: Contradicciones, propuesta metodológica y un estudio de caso: Argentina 1991-2001. Revista EURE, 39(118), 97-122. DOI: http://dx.doi.org/10.4067/S0250-71612013000300005

RODRÍGUEZ, J. (2001). Segregación residencial socioeconómica: ¿qué es?, ¿Cómo se mide?, ¿qué está pasando?, ¿importa? Serie Población y Desarrollo, 16. Santiago, Chile: Comisión Económica para América Latina y el Caribe (CEPAL).

RUIZ-TAGLE, J. Y LÓPEZ, E. (2014). El estudio de la segregación residencial en Santiago de Chile: revisión crítica de algunos problemas metodológicos y conceptuales. Revista EURE, 40(119), 25-48. DOI: http://dx.doi.org/10.4067/S0250-71612014000100002

SABATINI, F. (2015). La ruptura del patrón de segregación y su significado teórico y práctico. En Aguilar, A. y Escamilla, I. (Ed.), Segregación urbana y espacios de exclusión. Ejemplos de México y América Latina (pp. 25-46). Ciudad de México: Universidad Nacional Autónoma de México, Miguel Ángel Porrúa.

SABATINI, F., CÁCERES, G. Y CERDA, J. (2001). Segregación residencial en las principales ciudades chilenas: tendencias de las tres últimas décadas y posibles cursos de acción. Revista EURE, 27(82), 21-42.

SABATINI, F. Y RASSE, A. (2017). Segregación residencial de hogares indígenas en ciudades chilenas. Andamios Revista de Investigación Social, 14(35), 309-333.

SABATINI, F. Y SIERRALTA, C (2006). Medição da segregação residencial: meandros teóricos e metodológicos e especificidade latinoamericana. En Pinto da Cunha, J. M. (Ed.), Novas Metrópoles Paulistas; População, Vulnerabilidade e Segregação (169-195). Brasil: NepoUnicamp, Campinas. Recuperado de: http://www.nepo.unicamp.br/publicacoes/livros/vulnerabilidade/arquuivos/arquuivos/vulnerab_cap_6_169195.pdf

SIABATO, W. Y GUZMÁN-MANRIQUE, J. (2019). La autocorrelación y el desarrollo de la geografía cuantitativa. Cuadernos de Geografía: Revista Colombiana de Geografía, 28(1),1-22. DOI: https://doi.org/10.15446/rcdg.v28n1.76919

White, M. (1983). The Measurement of Spatial Segregation. American Journal of Sociology, 88(5), 1008-1018.

YAO, J., WONG, D., BAILEY, N. Y MINTON, J. (2019). Spatial segregation measures: a methodological review. Journal of Economic and Social Geography, 110(3), 235-250. DOI: https://10.1111/tesg.12305