Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
INTRODUCCIÓN
Cada vez más, la tecnología e innovación forman parte de la gestión pública, tal es el caso de los servicios sociales como la salud pública (Rosero et al., 2019). Cabe mencionar que, el servicio de salud pública enfrenta un complejo panorama desde diciembre de 2019 ya que, en Wuhan - China las autoridades reportaron la aparición de un tipo desconocido de neumonía COVID-19, causando conmoción entre la comunidad médica y el resto del mundo (Palacios et al., 2020; Wang et al., 2020).Después de 71 días el COVID-19 seria reconocido como pandemia por la Organización Mundial de la Salud ya que su propagación a nivel mundial se había producido por 114 países en todos los continentes (Buzai, 2020), una enfermedad infecciosa nueva que puede presentar manifestaciones clínicas graves, incluyendo la muerte (Emanuel et al., 2020; Inchausti et al., 2020).
EL Perú fue uno de los primeros países latinoamericanos en tomar acciones drásticas frente al COVID-19, el 15 de marzo se estableció el Estado de Emergencia Nacional (Decreto Supremo N° 044-2020-PCM, 2020), siendo de carácter obligatorio el aislamiento social juntos a otra medidas sociales y económicas para el país, sin embargo, a 100 días de la toma de medidas por parte del gobierno se contaba con 260810 casos confirmados y 8404 fallecidos (Galán-Rodas et al., 2020; Arana-Calderón, 2020). Una de los principales factores del fallo de las medidas gubernamentales es la reacción de incertidumbre e incredulidad de la población que ha adoptado un comportamiento de minimización de riesgo (Gonzales-Castillo et al., 2020; Vela-Ruiz (2020). Sin embargo, las grandes brechas sociales permiten comprender el comportamiento de una gran parte de la población que arriesgan su vida por tener ingreso económico y así alimentar a sus familias (Llerena y Narváez, 2020).
La propagación del COVID-19 es por vía aérea por contagio directo de persona a persona en aerosol producto de la respiración por uno a dos metros de distancia (Avendaño, 2020). La aglomeración de personas en espacios públicos incrementa el riesgo de contagio, sin embargo, a pesar de los esfuerzos del gobierno por contener a la pandemia se comete el error de emitir bonos familiares a las personas de más bajos recursos económicos (Resolución ministerial N° 087-2020-TR, 2020) que traería aglomeraciones en entidades bancarias. Por tal motivo el análisis espacial para mapear las zonas de riesgo a contagio está dirigida al equipamiento bancario donde las personas van a retirar el bono universal y sirva para la toma de decisiones en la gestión pública (Rizzatti et al., 2020).Los análisis espaciales vinculadas a fenómenos de salud a varias escalas geográficas son posibles utilizando tecnologías SIGs (da Silva, 2020) El mapeo de zonas de riesgo de contagio están ligadas a condiciones socio espaciales de los individuos (Ferracini, Naves, & Alves, (2020). El problema que afronta gestión pública para combatir el COVID-19 en las ciudades es la falta de información espacial e identificación de principales hábitos de sus habitantes.
En la ciudad de Juliaca una de las principales actividades que no han parado su actividad es la banca, la cual ha tenido una sobrecarga de servicio por los bonos emitidos por el gobierno densificando importantes zonas de la ciudad. La obtención de mapas temáticos para la actual gestión municipal es de importancia, además la producción académica y los indicadores bibliométricos sobre el COVID-19 indican que la producción científica disponible en revistas en línea está en desarrollo a todo nivel en todo los países latinoamericanos (Costa et al., 2020) lo que posibilita desarrollar investigación referida al tema, por tal motivo el propósito de esta investigación es identificar las zonas de riesgo de contagio COVID-19, a través del análisis espacial de vectores como herramienta para la gestión pública en la ciudad de Juliaca, además de calcular las áreas en m2 de las zonas de riesgo. Se hacen uso de herramientas espaciales de densidad, reclasificación raster y algebra de mapas.
MATERIALES Y MÉTODOS
La presente investigación es de enfoque cualitativo, además, la investigación cumple las condiciones de exhaustividad y exclusión, según la intervención del investigador el presente trabajo es de tipo observacional, la planificación de la toma de datos es prospectivo, la cantidad de mediciones en el estudio es de tipo transversal, y según la cantidad de variables en el estudio es descriptivo (Sánchez, 2019). Se ha identificado el área de estudio del centro de la ciudad de Juliaca la que está ubicada al sur del Perú 15°30′09″ Sur y 70°08′00″ Oeste, el área de estudio es de 18944022.64 m2y delimita un contorno en el centro de la ciudad, el periodo de recolección de la información empezó el 30 de marzo y concluyo el 29 de junio tiempo en el que el país se encontraba en estado de emergencia. La unidad de análisis fue el equipamiento bancario el cual se clasifico en 5 tipos banco (cede central o sucursal activa), caja municipal (cede central o sucursal activa), cajero automático (en funcionamiento), agente (en funcionamiento) y otro (centros de pago, financieras y casas de empeño y préstamo de dinero), de las cuales se registraron sus coordenadas en el protocolo UTM WGS 84 19 Sur con un GPS modelo Etrex 20 con un error radial de 2 m (Orona et al., 2015).
Se usó un sistema de información geográfica para el análisis de los datos desarrollando 3 procesos como se ve en la Figura 1, la recolección de datos espaciales se basó en vectores (unidades físicas mensurables) y rasters (unida RGB en pixeles), una vez construida la nube de puntos vectoriales se procedió a analizar espacialmente los datos median la herramienta densidad de Kernel (Caudillo & Coronel, 2017), calculando la densidad de las entidades en la vecindad del vector tipo punto y se ajusta a una superficie curva uniforme sobre cada vector, obteniendo una coloración más intensa en la cercanía con otros vectores (Jiménez y Díaz, 2017; Cuartas et al., 2020). Para la búsqueda de ancho de banda se propone la siguiente expresión:
Donde SR es el radio de búsqueda, Dm es la distancia media ponderada, n el número de vectores punto y SD es la distancia estándar, además el método de cálculo del SD es sin ponderar, el cual se expresa así:
Donde
son coordenadas de la entidad, además, n es el número total de vectores y representan el centro de las entidades (Silverman, 1986).
Mediante este proceso se analizaron la entidad vectorial banco, caja municipal, cajero, agente y otros, para la obtención de los mapas parciales riesgo a contagio los que fueron reclasificados en 5 tipos con una rampa de colores del verde al rojo siendo; baja, baja moderado, moderado, alto moderado y alto (Pontificia Universidad Católica de Chile, 2020). El álgebra de mapas combino los mapas parciales de riesgo para la obtención del mapa de riesgo de contagio COVID-19, con su expresión
, que es igual al raster resultante mostrado en la Figura 1.
RESULTADOS
En el mapeo inicial se identificaron 107 establecimientos en funcionamiento en el marco del estado de emergencia nacional de los cuales se identificaron 32 son bancos, 30 cajas municipales, 13 cajeros automáticos, 21 agentes y 11 otras entidades, todas se encuentran distribuidas espacialmente en el área de estudio como se muestra en la Figura 2a.
Figura 2. Mapas parciales de riesgo a contagio COVID-19, (a) ubicación espacial de equipamiento bancario, (b) mapa densidad de bancos, (c) mapa densidad de cajas municipales, (d) mapa densidad de cajeros automáticos, (e) mapa densidad de agentes bancarios y (f) mapa densidad de otras entidades bancarias.
Se puede observar que en la Figura 2b y 2c están concentradas en el centro de la ciudad sin embargo 2d, 2e y 2f muestran una dispersión a distintos lados de la ciudad. La clasificación parcial de la zona de más impacto en la salud de la población y riesgo a contagio del COVID-19 esta denotada por la clase Alto, la Figura 2bdel vector banco tiene un área de 28699.61 m2 equivalente a 7 canchas reglamentarias de futbol y representa el 9% de su mapa parcial,, la Figura 2c del vector caja municipal tiene un área de 20420.47 m2 equivalente a 5 canchas reglamentarias de futbol y representa el 6% de su mapa parcial, la Figura 2d del vector cajero tiene un área de 143238.44 m2 equivalente a 35 canchas reglamentarias de futbol y representa el 8% de su mapa parcial, la Figura 2e del vector agente tiene un área de 72965.56 m2 equivalente a 18 canchas reglamentarias de futbol y representa el 5% de su mapa parcial y la Figura 2f del vector otro que tiene un área de 122812.12 m2 equivalente a 30 canchas reglamentarias de futbol y representa el 7% de su mapa parcial, lo que indicaría que acudir a estos lugares sin las medidas de bioseguridad requeridas pondrían en peligro la salud de la población, los valores de área y porcentaje de las zona las clases alto moderado, moderado y bajo moderado se muestra en la Tabla 1.
Tabla 1. Áreas de mapas parciales de Riesco a contagio COVID-19
| Tipo | Valor | Alto | Alto moderado | Moderado | Bajo moderado |
|---|---|---|---|---|---|
| Banco | Área | 28699.61 | 34241.19 | 45790.89 | 215495.36 |
| % | 9 | 11 | 14 | 66 | |
| Caja municipal | Área | 20420.47 | 46504.77 | 97313.15 | 150818.86 |
| % | 6 | 15 | 31 | 48 | |
| Cajero | Área | 143238.44 | 260553.48 | 378862.07 | 1034412.7 |
| % | 8 | 14 | 21 | 57 | |
| Agente | Área | 72965.56 | 149403.63 | 318963.99 | 854753.37 |
| % | 5 | 11 | 23 | 61 | |
| Otro | Área | 122812.12 | 148388.46 | 321179.69 | 1150546.2 |
| % | 7 | 9 | 18 | 66 |
Para obtener el mapa de riesgo de contagio COVID-19, se sumó los mapas parciales a través del algebra me mapas usando la siguiente expresión. En el caso del raster RGB resultante de la densidad de Kernel que se muestra en la Figura 1 (b, c, d, e, f) las superficies de cada uno de los raster se pueden expresar de la siguiente forma:
Para obtener el mapa de riesgo de contagio COVID-19, se deben de sumar los mapas parciales expresados en las expresiones 1, 2, 3, 4 y 5 de tal forma que la resultante adiciones valores a cada pixel por sobre posición lo que se puede expresar de la siguiente forma:
La resultante de la expresión 6 muestra se muestra en la Figura 3, el equipamiento bancario se encuentra centralizada dejando sin cobertura a las zonas periurbanas de la ciudad, los pobladores se ven obligados a ir al centro de la ciudad para hacer transacciones bancarias exponiéndose al riego de contagio del COVID-19.
Se puede observar que en la Figura4 que el riesgo a contagio del COVID-19 por asistir al equipamiento bancario para efectuar transacciones bancarias el riesgo de contagio es alto en las zonas de rojo catalogada como Alto con un área que abarca es de 74042.89 m2que se expande a 8 manzanas urbanas y representa el 3% del área de estudio, la zona naranja está catalogada como Alto moderado con un área de 188969.21 m2 que cubre 19 manzanas urbanas y representa el 7% del área de estudio, la zona amarilla está catalogada como Moderado con un área de 396951.10 m2que cubre 40 manzanas urbanas y representa el 16% del área de estudio, la zona verde y transparente son las que son de bajo moderado y bajo riesgo a contagio y representa el 74% de área de estudio.
CONCLUSIONES
En la ciudad de Juliaca la actividad bancaria se mantuvo activa en el estado de emergencia identificándose 107 establecimientos a todo nivel donde se realizaban transacciones bancarias, los mapas parciales de riesgo de contagio al COVID-19 mostraron que cajeros automáticos y otros establecimientos bancarios son los que generan mayor área de riesgo al contagio esto debido al cobro del bono familiar universal emitido por el estado como política de ayuda a la población, además los establecimientos de empeño y préstamo de dinero fueron puntos de concentración.
El análisis espacial de vectores, mostraron zonas riesgo de contagio en mapas de colores, riesgo alto 3%, alto moderado 7%, moderado 16%, bajo moderado y bajo 74%. El desarrollo de planes de contingencia frente al COVID-19 es una obligación en la gestión pública municipal y el uso de herramientas de análisis espacial posibilita la focalización de estrategias gubernamentales en el control de la enfermedad.
