Resumen de Identificación de Clusters Espaciales de Empresas y la Influencia de Factores Externos en su Constitución

Jorge Luis Jácome Corrales, Miguel Alfonso Flores Sánchez

• español

  El presente trabajo se centra en el uso de distintas técnicas de minería de datos, basadas en métodos estadísticos geoespaciales para la identificación de patrones con respecto a las actividades económicas de las empresas, registradas en la Superintendencia de Compañías en el Distrito Metropolitano de Quito, al igual que definir factores externos que influyen en la constitución de estas. Primero, para la creación de los clusters, se utilizan los indicadores locales de asociación espacial (LISA, Local Indicators of Spatial Association), los cuales definirán los barrios que posean alta densidad y se caracteriza a estos con variables auxiliares que describen la locación. Esto también ayuda a identificar potenciales barrios con similares características, pero sin una alta densidad de empresas. Después, se utilizan modelos de regresión espacial, para identificar la relación que existe entre el número de empresas y las variables auxiliares determinadas, analizando el coeficiente asociado a cada una. Finalmente al complementar ambos resultados, se obtiene el listado de los barrios con alta densidad en los cuales se debería trabajar con el factor de crecimiento o disminución de empresas de cada una de las variables auxiliares identificadas.

• English

  This work focuses on the use of different data mining techniques, based on geospatial statistical methods for the identification of patterns with respect to the economic activities of companies, registered in the Superintendencia de Compañías in the Metropolitan District of Quito, as well as defining external factors that influence the constitution of these. First, to create the clusters, the Local Indicators of Spatial Association (LISA) are used, which will define the neighborhoods that have high density and are characterized with auxiliary variables that describe the location. This also helps to identify potential neighborhoods with similar characteristics, but without a high density of businesses. Then, spatial regression models are used to identify the relationship that exists between the companies and the auxiliary variables found, analyzing the coefficient associated with each one. Finally by complementing both results, the list of high-density neighborhoods in which work should be done is obtained with the factor of growth or decrease of companies for each of the auxiliary variables identified.