Aislamiento social y el covid-19 en las regiones de México

Autores/as

  • Erick Rangel González Banco de México
  • Irving Llamosas-Rosas Banco de México
  • Felipe J. Fonseca Banco de México

DOI:

https://doi.org/10.18381/eq.v18i2.7227

Palabras clave:

Aislamiento social, contagios y defunciones, covid-19

Resumen

Objetivo: Utilizando información a partir de los Informes de Movilidad elaborados por Google, particularmente el relacionado con la estadía residencial, se estima el efecto del aislamiento social sobre los contagios y defunciones por covid-19 en los estados mexicanos. Metodología: Se emplea un modelo econométrico dinámico el cual toma en consideración la potencial endogeneidad en el registro de contagios nuevos, así como el efecto rezagado que tiene la variable de aislamiento. Resultados: Los hallazgos indican una relación negativa y significativa entre la estadía residencial y la tasa de crecimiento de los contagios y defunciones. Adicionalmente, se utiliza este modelo para realizar simulaciones de los posibles efectos del nivel de distanciamiento social sobre los niveles de contagios y muertes generados por la pandemia de covid-19 hasta el 5 de julio. Limitaciones: El estudio analiza la relación entre el distanciamiento social y los contagios, y las muertes causadas por covid-19, pero no toma en consideración los costos económicos asociados (tales como reducciones en la producción y el empleo). Originalidad: Hasta donde sabemos, se trata del primer estudio para el caso de México que mide el efecto del aislamiento sobre los contagios y defunciones por covid-19 en el nivel regional. Conclusiones: Acorde con las simulaciones realizadas, se estima que de haberse registrado índices mayores de aislamiento social, se hubiesen registrado entre 135 000 y 143 000 contagios menos de covid-19.   Recepción: 11/10/2020 Aceptación: 28/01/2021

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Arellano, M. y Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58 (2), 277-297.

Aromí, D. y Cristia, J. (2020). El big data en los tiempos del coronavirus. Recuperado de https://blogs.iadb.org/ideas-que-cuentan/es/el-big-data-en-los-tiempos-del-coronavirus/

Banco de México-Banxico. (2020a). Reporte sobre las economías regionales. Enero-marzo 2020. Recuperado de https://www.banxico.org.mx/publicaciones-y-prensa/reportes-sobre-las-economias-regionales/%7BAC9C8A70-ECC0-7B77-EE44-BE087567CB83%7D.pdf

Banco de México-Banxico. (2020b). Recuadro 1. Propagación del covid-19 en las regiones de México. Reporte sobre las economías regionales. Enero-marzo 2020 (pp. 7-12). Recuperado de https://www.banxico.org.mx/publicaciones-y-prensa/reportes-sobre-las-economias-regionales/%7BAC9C8A70 -ECC0-7B77-EE44-BE087567CB83%7D.pdf

Blundell, R. y Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87 (1), 115-143.

Brodeur, A., Gray, D. M., Islam, A. y Bhuiyan, S. (2020). A literature review of the economics of covid-19. IZA Discussion Paper No. 13411. Recuperado de http://ftp.iza.org/dp13411.pdf

Carraro, A., Ferrone, L. y Squarcina, M. (2020). Are covid-19 containment measures equally effective in different world regions? Working Paper 11/2020. Italia: Universita’degli Studi di Firenze, Dipartimento di Scienze per l’Economia e l’Impresa. Recuperado de https://www.disei.unifi.it/upload/sub/pubblicazioni/repec/pdf/wp11_2020.pdf

Engle, S., Stromme, J. y Zhou, A. (2020). Staying at home: mobility effects of covid-19. Social Science Research Network. Recuperado de https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3565703

Google. (2020a). Informes de Movilidad Local sobre el covid-19. Recuperado de https://www.google.com/covid19/mobility/

Google. (2020b, 20 de noviembre). Cambios en la movilidad. Informe de movilidad de las comunidades ante el covid-19. Recuperado de https://www.gstatic.com/covid19/mobility/2020-11-20_MX_Mobility_Report_es-419.pdf

Hsiao, C. (2003). Analysis of Panel Data. Cambridge: Cambridge University Press.

Jinjarak, Y., Ahmed, R., Nair-Desai, S., Xin, W. y Aizenman, J. (2020). Accounting for Global covid-19 diffusion patterns, January-April 2020 (No. w27185). National Bureau of Economic Research.

Judson, R. y Owen, A. (1999). Estimating dynamic panel data models: A guide for macroeconomists. Economic Letters, 65 (1), 9-15.

Jorda, O. (2005): Estimation and Inference of Impulse Responses by Local Projections. American Economic Review, 95, 161-182.

Kwon, J., Grady, C., Feliciano, J. T. y Fodeh, S. J. (2020). Defining facets of social distancing during the covid-19 pandemic: Twitter analysis.medRxiv.

Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica: Journal of the Econometric Society, 49 (6), 1417-1426.

Secretaría de Salud: Secretaría de Salud. (2021), Datos Abiertos Dirección General de Epidemiología. Recuperado de https://datos.covid-19.conacyt.mx/#DownZCSV

Villerias Salinas, S., Nochebuena, G. y Uriostegui Flores, A. (2020). Análisis geográfico del covid-19 Análisis espacial de vulnerabilidad y riesgo en salud por covid-19 en el estado de Guerrero, México.

Wooldridge, J. M. (2010). Econometric analysis of cross section and panel data. ee. uu.: mit press.

Yilmazkuday, H. (2020). Stay-at-Home works to fight against COVID-19: International evidence from Google Mobility Data. Journal of Human Behavior in the Social Environment. Recuperado de https://ssrn.com/abstract=3571708

Publicado

2021-06-25

Cómo citar

Rangel González, E., Llamosas-Rosas, I., & Fonseca, F. J. (2021). Aislamiento social y el covid-19 en las regiones de México. EconoQuantum, 18(2), 1–22. https://doi.org/10.18381/eq.v18i2.7227

Número

Sección

Artículos

Métrica

Artículos similares

También puede {advancedSearchLink} para este artículo.