Análisis distributivo utilizando información satelital. El caso de Argentina

Autores/as

  • Matías Ciaschi Centro de Estudios Distributivos, Laborales y Sociales (CEDLAS). Instituto de Investigaciones Económicas, Facultad de Ciencias Económicas, Universidad Nacional de La Plata, Argentina https://orcid.org/0000-0002-2288-0315

DOI:

https://doi.org/10.52292/j.estudecon.2021.2116

Palabras clave:

Argentina, Pobreza, Desigualdad, Información satelital

Resumen

Este trabajo se propone la realización de un análisis distributivo a partir de datos provenientes de imágenes satelitales para Argentina. La ventaja de esta información satelital radica en que permite observar qué ocurre con el bienestar de áreas del país no abarcadas por la Encuesta Permanente de Hogares (EPH). De esta manera, el trabajo realiza un análisis comparativo de la evolución de la pobreza y la desigualdad utilizando ambas fuentes de información, indicando posibles complementariedades entre ellas. Más precisamente, los resultados sugieren que tanto la pobreza como la desigualdad son más altas en áreas no incluidas en la encuesta de hogares, aunque siguen una dinámica similar respecto a los aglomerados urbanos de la EPH.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Chen, X., & Nordhaus, W. (2011). Using luminosity data as a proxy for economic statistics. PNAS U.S.A. 108(21), 8589-8594. Recuperado de https://doi.org/10.1073/pnas.1017031108

Elvidge, C., Sutton, P., Ghosh, T, Tuttle, B., Baugh, K., Bhaduri, B., & Bright, E. (2009). A global poverty map derived from satellite data. Computers & Geosciences 35(8), 16521660. Recuperado de https://doi.org/10.1016/j.cageo.2009.01.009

Engstrom, R., Hersh, J., & Newhouse, D. (2017). Poverty from space: using highresolution satellite imagery for estimating economic well-being. (World Bank Policy Research Working Paper No. 8284). Recuperado de https://openknowledge.worldbank.org/handle/10986/29075

Garganta, S. (2019). Midiendo el efecto distributivo de la asignación universal por hijo en Argentina: efecto directo, indirecto y potenciales mejoras. Económica, 65, 17-68. Recuperado de https://doi.org/10.24215/18521649e008

Hancevic, P., & Navajas, F. (2015). Consumo residencial de electricidad y eficiencia energética. Un enfoque de regresión cuantílica. El trimestre económico, 82(328), 897-927. Recuperado de http://www.scielo.org.mx/pdf/ete/v82n328/2448-718X-ete-82-328-00897.pdf

Henderson, J., Storeygard, A., & Weil, D. (2012). Measuring economic growth from outer space. American Economic Review, 102(2), 994-1028. doi: 10.1257/aer.102.2.994

Hodler, R., & Raschky, P. (2014) Regional Favoritism. The Quarterly Journal of Economics, 129(1), 995-1033. Recuperado de https://doi.org/10.1093/qje/qju004

Jean, N., Burke, M., Xie, M., Matthew Davies, W., Lobell, D., & Ermon, S. (2016). Combining satellite imagery and machine learning to predict poverty. Science (353)6301, 790-794. doi: 10.1126/science.aaf7894

Ibañez Martín, M. M., Guzowski, C., & Maidana, F. (2020). Pobreza energética y exclusión en Argentina: mercados rurales dispersos y el programa PERMER. Revista Reflexiones, 99(1). doi: 10.15517/rr.v99i1.35971

Michalopoulos, S., & Papaioannou, E. (2013). Pre-colonial ethnic institutions and contemporary African development. Econometrica, 81(1), 113-152. Recuperado de https://doi.org/10.3982/ECTA9613

Mveyange, A. (2015). Night lights and regional income inequality in Africa. (WIDER Working Paper Series No. 085). doi: 10.35188/UNU-WIDER/2015/974-9

Noor, A., Alegana, V., Gething, P., Tatem, A., & Snow, R. (2008). Using remotely sensed night-time light as a proxy for poverty in Africa. Population Health Metrics, 6(1), 5. Recuperado de doi: 10.1186/1478-7954-6-5

Pinkovskiy, M., & Sala-i-Martin, X. (2016). Lights, Camera … Income! Illuminating the National Accounts-Household Surveys Debate. The Quarterly Journal of Economics, 131(2), 579631. Recuperado de https://doi.org/10.1093/qje/qjw003

SEDLAC (2020). Socioeconomic database for Latin America and the Caribbean. CEDLAS and The World Bank. Recuperado de https://www.cedlas.econo.unlp.edu.ar/wp/en/estadisticas/sedlac/metodologia-sedlac/

Smith, B., & Wills, S. (2018). Left in the dark? oil and rural poverty. Journal of the Association of Environmental and Resource Economists, 5(4), 865-904. Recuperado de https://www.journals.uchicago.edu/doi/abs/10.1086/698512

Sutton, P., Elvidge C., & Ghosh, T. (2007). Estimation of gross domestic product at sub-national scales using nighttime satellite imagery. International Journal of Ecological Economics & Statistics 8(SO7), 5-21. Recuperado de https://www.researchgate.net/profile/Ghosh_Tilottama/publication/24225-4394_Estimation_of_Gross_Domestic_Product_at_Sub-National_Scales_Using_Nighttime_Satellite_Imagery/links/00b49532130d0ea7d1000000/Estimation-of-Gross-Domestic-Product-at-Sub-National-Scales-Using-Nighttime-Satellite-Imagery.pdf

Tornarolli, L. (2018). Series comparables de indigencia y pobreza: Una propuesta metodológica. (CEDLAS Documento de Trabajo, No. 226), Recuperado de https://www.cedlas.econo.unlp.edu.ar/wp/wp_content/uploads/doc_cedlas226.pdf

Tornarolli, L., Ciaschi, M., & Galeano, L. (2018). Income distribution in latin america: The evolution in the last 20 years: A global approach. (CEDLAS Documento de Trabajo No. 234) Recuperado de https://www.cedlas.econo.unlp.edu.ar/wp/wp-content/uploads/doc_cedlas234.pdf

Wang, W., Cheng, H., & Zhang, L. (2012). Poverty assessment using DMSP/OLS night-time light satellite imagery at a provincial scale in China. Advances in Space Research, 49(8), 1253-1264. Recuperado de https://doi.org/10.1016/j.asr.2012.01.025

Descargas

Publicado

2021-05-02

Cómo citar

Ciaschi, M. (2021). Análisis distributivo utilizando información satelital. El caso de Argentina. Estudios económicos, 38(77), 5–38. https://doi.org/10.52292/j.estudecon.2021.2116

Número

Sección

Artículos