Identicación de áreas de contagio por COVID-19 mediante
análisis espacial del equipamiento urbano público
Grover Marín Mamani
InterSedes, Revista electrónica de las sedes regionales de la Universidad de Costa Rica,
ISSN 2215-2458, Volumen XXIII, Número 48, Julio-Diciembre, 2022.
10.15517/isucr.v23i48 | intersedes.ucr.ac.cr | intersedes@ucr.ac.cr
A: e health crisis of 2020 due to COVID-19 has become the main problem faced
by governments, in this context spatial analysis is a tool that helps to control the pandemic
from an urban approach. e purpose is to identify the COVID-19 contagion risk zones,
through the spatial analysis of the banking and commercial equipment in the city of Puno.
e banking and commercial equipment has been located in UTM WGS 84 coordinates, for
the generation of response surfaces through the Kernel density, adding the partial results
through the map algebra and also identied the spatial autocorrelation through the index of
Moran I. High risk areas of contagion COVID-19 have been identied with an area of 127
210.44 m2 which represents 14% covering 13 blocks with centroid coordinates 389952. 43
East and 8248722.69 South, generating a concentric pattern in the center of the city of Puno,
which allowed taking actions for dissemination, strengthening and prevention of biosecurity
protocols in the identied area, this area is the result of the proximity of banking equipment
with the commercial causing inequality with other sectors of the city.
R: La crisis sanitaria del 2020 por el COVID-19 se ha convertido en el principal
problema que enfrentan los gobiernos, en este contexto el análisis espacial es una herramienta
que ayuda al control de la pandemia desde un enfoque urbano. El propósito es identicar
las zonas de riesgo de contagio COVID-19, a través del análisis espacial del equipamiento
bancario y comercial en la ciudad de Puno. Se ha ubicado el equipamiento bancario y
comercial en coordenadas UTM WGS 84, para la generación de supercies de respuesta
mediante la densidad de Kernel, sumándose los resultados parciales a través del algebra de
mapas; además, se identicó la autocorrelación espacial mediante el índice de Moran I. Se
han areado zonas de alto riesgo de contagio COVID-19 con un área de 127 210,44 m2 que
representa el 14 % que abarca 13 manzanas con coordenadas de centroide 389952.43 este
y 8248722.69 sur, generando un patrón concéntrico en el centro de la ciudad de Puno, lo
que permitió tomar acciones de difusión, fortalecimiento y prevención de los protocolos de
bioseguridad en la zona identicada, esta zona es producto de la cercanía de equipamiento
bancario con el comercial ocasionando desigualdad con otros sectores de la ciudad.
Universidad Nacional del
Altiplano, Facultad de Ingeniería
Civil y Arquitectura. Puno, Perú
gmarin@unap.edu.pe
Publicado por la Editorial Sede del Pacíco, Universidad de Costa Rica
P : Autocorrelación espacial, Algebra de mapas, Densidad Kernel, Índice de
Moran, Equipamiento urbano.
K: Kernel density, Map algebra, Moran index, Spatial autocorrelation, Urban
equipment
Identication of COVID-19 contagion areas through spatial analysis of public urban
facilities
Recibido: 18-08-21 | Aceptado: 15-12-21
C  (APA): Marín Mamani, G., et al. (2022). Identicación de áreas de contagio por COVID-19
mediante análisis espacial del equipamiento urbano público. InterSedes, 23(48), 1–17. DOI 10.15517/isucr.
v23i48.48131
José A. Llanos Condori
Universidad Nacional del
Altiplano, Facultad de Ingeniería
Civil y Arquitectura. Puno, Perú
jllanos@unap.edu.pe
Esteban Marín Paucara
Universidad Nacional del
Altiplano, Facultad de Ingeniería
Civil y Arquitectura. Puno, Perú
emarin@unap.edu.pe
Vitaliano Enríquez Mamani
Universidad Nacional de Juliaca
Juliaca, Perú
v.enriquezm@unaj.edu.pe
Eleodoro Huichi Atamari
Universidad Nacional del
Altiplano, Facultad de Ingeniería
Civil y Arquitectura. Puno, Perú
ehuichi@unap.edu.pe
Néstor Bolívar Espinoza
Universidad Nacional de Juliaca
Juliaca, Perú
nbolibar@unaj.edu.pe
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
2
Introducción
En el 2020 la crisis sanitaria a causa del SARS-CoV-2 (CO-
VID-19) se trasladó hacia Latinoamérica con foco en ciudades
que presentan altos índices de pobreza, segregación y hacinamien-
to (Encinas et al., 2021). Causando el colapso de los sistemas de
salud (Buizai, 2020; Palacios et al., 2020; Wang et al., 2020) por
una enfermedad infecciosa nueva que puede presentar manifesta-
ciones clínicas graves, incluyendo la muerte (Emanuel et al., 2020;
Inchausti et al., 2020). De acuerdo con los datos de la Universidad
John Hopkins, a nales de julio del 2020, tres países de la región se
ubicaron dentro de los diez países con el mayor número de conta-
gios a nivel mundial: Brasil (2º), Perú (7º) y Chile (8º), con 2 552
265; 400 683 y 353 536 casos, respectivamente (John Hopkins Uni-
versity, 2020). En este contexto, los sectores con altos índices de
pobreza, segregación y hacinamiento dicultaron el cumplimiento
de medidas de restricción social y cuarentenas extensas por sus
altos impactos en la economía (Iracheta, 2020; Kim y Bostwick,
2020).
El Perú fue el primer país latinoamericano en tomar acciones
frente al COVID-19, estableciendo a partir del 15 de marzo el
Estado de Emergencia Nacional (Decreto Supremo N° 044-2020-
PCM, 2020), basado en las recomendaciones de la Organización
Mundial de Salud (OMS), medidas que fracasaron, ubicando al
Perú en el séptimo país a nivel mundial en contagio y muertes
(John Hopkins University, 2020; Galán-Rodas et al., 2020; Ara-
na-Calderón, 2020). Las principales causas del fallo de las medidas
gubernamentales fueron la reacción de incertidumbre e increduli-
dad de la población y el poco uso de cartografía urbana de riesgo al
contagio por el COVID-19 (Rosero et al., 2019; Gonzales-Castillo
et al., 2020; Vela-Ruiz, 2020). Sin embargo, las grandes brechas so-
ciales permiten comprender el comportamiento de una importan-
te parte de la población que arriesga su vida por tener ingreso eco-
nómico y así alimentar a sus familias (Llerena y Narváez, 2020).
La propagación del COVID-19 es por vía aérea, el contagio se
produce de persona a persona producto de la respiración, estor-
nudos, tos o contacto con portadores del virus (Avendaño, 2020;
Marcillo, 2021). La aglomeración de personas en espacios públicos
incrementa el riesgo de contagio, por lo que el Perú fue el primer
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
3
gobierno latinoamericano en establecer acciones directas frente
al COVID-19. Estos esfuerzos no pudieron contener la pandemia
a pesar de haber difundido diariamente el progreso y avance del
COVID-19 con normas de prevención y tratamiento, además de
incrementar el presupuesto en el sector de salud. En este contex-
to, las poblaciones de escasos recursos económicos se han visto
obligados a trabajar para subsistir y alimentar a sus familias, rea-
lidad que atraviesa toda Latinoamérica (Huesca et al., 2021). A
esta problemática se suma la emisión de bonos económicos del
gobierno a familias de escasos recursos (Resolución ministerial N°
087-2020-TR, 2020), lo cual traería aglomeraciones en entidades
bancarias y mercados. Cabe destacar que estos fueron los únicos
establecimientos autorizados para funcionar en el estado de emer-
gencia en todas las ciudades del Perú. Por tal motivo, para la toma
de decisiones en la gestión pública gubernamental, el análisis es-
pacial para mapear las zonas de riesgo de contagio está dirigida al
equipamiento bancario, donde las personas van a retirar el bono
universal, y al equipamiento comercial, donde los pobladores se
reabastecen de productos de primera necesidad, (Rizzatti et al.,
2020; Enríquez et al., 2021). Los estudios territoriales vinculados
con fenómenos de salud pública en escala geográca son posibles
gracias a los análisis espaciales y tecnologías en Sistemas de In-
formación Geográca (da Silva, 2020; Aguilar y Terán, 2021). El
mapeo de zonas de riesgo de contagio están ligadas a condiciones
socio-espaciales de los individuos (Ferracini et al., 2020). El pro-
blema que afronta la gestión pública para combatir el COVID-19
en las ciudades es la falta de información espacial en tiempo real y
la identicación de principales hábitos de sus habitantes.
La ciudad de Puno fue la última región del Perú en ser azotada
por el virus, esto debido a su lejanía, pues se encuentra a 1295 km
de Lima, en donde se identicó el primer caso el 6 de marzo y la
primera muerte por COVID-19, el 19 de marzo de 2020 (Cáce-
res-Bernaola et al., 2020). El primer caso en la región de Puno fue
conrmado el 7 de abril de 2020, donde se ha mantenido su creci-
miento exponencial en contagios y una tasa de mortalidad baja de
25/100000 habitantes hasta setiembre del 2020 (Flores et al., 2021).
Sin embargo, la mayoría de casos asintomáticos se produjeron a
una altura de 3800 msnm y con presión atmosférica de 1018 hPa
(Tello-Ayllon, 2020).
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
4
Por tal motivo, no ha parado la actividad bancaria y comercial,
la cual ha tenido una sobrecarga de servicio por los bonos emiti-
dos, y la densicación de su comercio en la zona céntrica de la ciu-
dad ha obligado a los pobladores a acudir a estos equipamientos,
en ocasiones sin los protocolos de bioseguridad y distanciamiento
social, formando largas colas y permaneciendo en ellas hasta por
10 horas, incrementando el riesgo de contagio al COVID-19. Por
esta razón, la obtención de mapas temáticos de riesgo a contagio
en la gestión municipal es de importancia, además la producción
académica y los indicadores bibliométricos sobre el COVID-19 in-
dican que la producción cientíca disponible en revistas en línea
está en desarrollo a todo nivel en todos los países latinoamerica-
nos (Costa et al., 2020), lo que posibilita desarrollar investigación
referida al tema. En este sentido, el propósito de esta investigación
es identicar las zonas de riesgo de contagio COVID-19, a través
del análisis espacial de la ubicación del equipamiento bancario y
comercial operativo en cuarentena (del 15 de marzo al 30 de octu-
bre del 2020) de la ciudad de Puno.
Materiales y métodos
La presente investigación es de enfoque cuantitativo y, además
cumple las condiciones de exhaustividad y exclusión. Según la in-
tervención del investigador es de tipo observacional, la planica-
ción de la toma de datos es prospectivo, la cantidad de mediciones
en el estudio es transversal, y por la cantidad de variables es des-
criptivo (Sánchez, 2019). Se ha seleccionado el área de estudio de
la ciudad de Puno, la que está ubicada al sur del Perú 15°50" 31,92"
sur y 70°1" 11,6400" oeste (Marín et al., 2021). El área de estudio es
de 15 485 070,96 m2 y está delimitado con un contorno rojo como
se muestra en la gura 1. El periodo de recolección de la informa-
ción empezó el 23 de marzo y concluyó el 4 de julio, tiempo en el
que el país se encontraba en estado de emergencia. El equipamien-
to bancario y comercial fueron las unidades de análisis, primero
se clasicó en 5 tipos de banco (sede central o sucursal activa),
caja municipal (sede central o sucursal activa), cajero automático,
agente bancario y centros de pago todos en funcionamiento. Mien-
tras que el equipamiento comercial se clasico en 2 tipos mercados
(abastos y malls) y tiendas mayoristas en funcionamiento, de las
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
5
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).
F 
Á  , ()    ,
()  . D    
G E P     P  RGB   .
Se usó un sistema de información geográca para el análisis
de los datos desarrollando dos procesos como se ve en la gura
2, la recolección de datos espaciales se basó en vectores (unida-
des físicas mensurables) y rasters (unida RGB en pixeles). Una
vez construida la nube de puntos vectoriales se procedió a ana-
lizar espacialmente los datos mediante la herramienta densidad
de Kernel (Caudillo y Coronel, 2017), calculando la densidad de
las entidades en la vecindad del vector tipo punto y ajustándose a
una supercie 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:
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
6
Donde SR es el radio de búsqueda, D
m
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 x
i
, y
i
, z
i
son coordenadas de la entidad, además, n es
el número total de vectores y x
z
que representan el centro de
las entidades (Silverman, 1986; Enríquez et al., 2021). Mediante
este proceso se analizaron la entidad vectorial banco, caja muni-
cipal, cajero, agente y centro de pago del equipamiento bancario,
la entidad vectorial mercado y tienda mayorista del equipamiento
comercial, para la obtención de los mapas parciales de riesgo a
contagio, los que fueron reclasicados en 5 tipos con una rampa
de colores del verde al rojo: baja, baja moderado, moderado, alto
moderado y alto (Ponticia Universidad Católica de Chile, 2020).
El álgebra de mapas combino los mapas parciales de riesgo para el
tipo de equipamiento bancario (x
tipo
) y comercial (y
tipo
) por separa-
do, para la obtención del mapa de riesgo de contagio COVID-19,
con su expresión ( x
1
+ x
2
+ x
3
+ x
4
+ x
5
) + ( y
1
+ y
2
), que es igual
al raster resultante mostrado en las guras 4 y 5. Para la identica-
ción de patrones se usó autocorrelación espacial I de Moran glo-
bal que se aplica a zonas o puntos que tienen variables de atributo
asociadas a ellas (Bravo, 2021). El índice compara el valor de la
variable en cualquier lugar con el valor en todos los demás luga-
res. Matemáticamente, I de Moran se dene como (Levine, 2015):
Donde N es el número de casos, X
i
es el valor de una variable
en una ubicación particular i, X
j
es el valor de la misma variable en
otra ubicación (donde i no es igual a j), X
es la media de la variable
y W
ij
es un peso aplicado a la comparación entre las ubicaciones
i y j. Los pesos W
ij
deciden la proximidad o vecindario de cada
punto analizado (Camarero y Rozas, 2006). La denición del tipo
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
7
de proximidad puede ser determinado en autocorrelación positiva
I tiende a + 1; si no existe autocorrelación I = 0 y para la auto-
correlación negativa I tiende a − 1 (Wilt et al., 2018; Yuan et al.,
2018; Siabato y Manrique, 2019). Todo el proceso metodológico se
muestra en la gura 2.
F 
P 
Recolección de datos Análisis de datos
Densidad de Kernel Algebra de mapas
X1 = Bancos Y1 = Mercados
E. Bancario E. Comercial
Puntos Vectores
Área de
estudio
X1 = Bancos,
X2 = Cajas
municipales,
X3 = Cajeros,
X4 = Agentes,
X5 = Centro de
pago.
Y1 = Mercados
Y2 = Tienda
mayorista
Shapefile
RGB
Ciudad de
Puno
RasterVectores
Y2 = Tiendas
mayoristas
X2 = Cajas
municipales
X3 = Cajeros
X4 = Agentes
X5 = Centros de
pago
Ortofoto
Mapa parcial
contagio E.
comercial
Mapa parcial
contagio E.
bancario
∑Xi + ∑Yi
Transformación
raster a vector
Calculo de áreas
Autocorrelacion
espacial
Mapa total de
contagio
I Moran global
Resultados
Se han identicado 110 equipamientos (gura 3a) de tipo ban-
cario de los cuales 13 son bancos, 14 cajas municipales, 11 caje-
ros automáticos, 32 agentes bancarios y 40 centros de pago. Los
cuales se encontraron en funcionamiento en la cuarentena de 8:00
a 16:00 horas. Además, se han identicado 128 equipamientos
comerciales (gura 4a) de los cuales 17 son mercados y 111 son
tiendas mayoristas con horario de atención de las 6:00 a las 17:00
horas. Los datos fueron obtenidos por medio de un GPS Etrex 20,
congurado con sistema GPS y datum WGS 84, para la zona 19
banda L, las cuadrillas se distribuyeron por toda la ciudad en sus 4
cardinales. Después de la interpolación con la densidad de Kernel,
los resultados mostrados en la gura 3 del equipamiento bancario,
indican que existe conglomeración de bancos, cajas municipales,
cajeros automáticos, agentes bancarios y centros de pago en la par-
te céntrica de la ciudad de Puno, generando una desigualdad urba-
na (Cáceres y Ahumada, 2018), y como consecuencia las personas
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
8
se ven obligadas a movilizarse a dichos centros, exponiéndose al
contagio de COVID-19.
F 
M    COVID-
  .
Se puede observar que en la gura 3b y 2d los equipamientos
están concentrados en el centro de la ciudad, sin embargo 2c, 2e
muestran una dispersión con un rumbo de 40° al noreste con des-
tino hacia la Universidad Nacional del Altiplano en la ciudad, y en
2f muestra una dispersión adicional con un rumbo de 10° noroeste
con dirección al barrio Huáscar. La clasicación 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 gura 2b del vector
banco tiene un área de 32 698,27 m
2
equivalente a 9 canchas regla-
mentarias de futbol para eventos FIFA y representa el 7 % de su
mapa parcial. La gura 2c del vector caja municipal tiene un área
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
9
de 39 407,14 m
2
equivalente a 10 canchas de futbol y representa el
8 % de su mapa parcial. La gura 2d del vector cajero tiene un área
de 93 181,57 m
2
equivalente a 24 canchas de futbol y representa
el 5 % de su mapa parcial. La gura 2e del vector agente tiene un
área de 93 181,57 m
2
equivalente a 24 canchas de futbol y repre-
senta el 5 % de su mapa parcial. Y la gura 2f del vector centro de
pagos tiene un área de 99 320,80 m
2
equivalente a 25 canchas de
futbol y representa el 5 % de su mapa parcial, los valores de área y
porcentaje de las zonas, las clases alto moderado, moderado y bajo
moderado se muestra en la tabla 1.
T 
Á     R   COVID-
  
Tipo 2
a
%
a
3
b
%
b
4
c
%
c
5
d
%
d
Banco 280945,07 60 114412,91 24 41634,46 9 32698,27 7
CM* 270467,94 58 110999,42 24 49043,03 10 39407,14 8
Cajero 1131923,23 58 585258,20 30 136810,73 7 93181,57 5
Agente 1131923,00 58 585258,00 30 136810,73 7 93181,57 5
CP** 1181505,14 59 486025,58 24 245598,55 12 99320,08 5
*Caja municipal, ** Centro de pagos,
a
Bajo moderado,
b
Moderado,
c
Alto
moderado,
d
Alto.
La interpolación de la densidad de Kernel nos muestra en la
gura 4 del equipamiento comercial que existe agrupación en los
mercados y tiendas mayoristas en la parte céntrica de la ciudad de
Puno, que coincide con los resultados parciales del equipamiento
bancario, el cual incrementa el riesgo de contagio al COVID-19.
Se puede observar en la gura 4b una concentración en la zona
céntrica de la ciudad con leves dispersiones, las cuales están repre-
sentadas por los mercados itinerantes nacidos producto de la pan-
demia, sin embargo, la gura 2c, muestra una dispersión con un
rumbo de 15° al sureste con destino hacia el mercado Laykacota,
además se aprecia a los 60° suroeste una dispersión con dirección
al mercado central de Puno. La clasicación parcial de la zona de
riesgo a contagio del COVID-19 está denotada por la clase Alto, la
gura 2b del vector mercado tiene un área de 178 411,32 m
2
equi-
valente a 44 canchas reglamentarias de futbol para eventos FIFA y
representa el 4 % de su mapa parcial, la gura 2c del vector tienda
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
10
mayorista tiene un área de 50 503,31 m
2
equivalente a 13 canchas
de futbol y representa el 7% de su mapa parcial, los valores de área
y porcentaje de las zonas, las clases alto moderado, moderado y
bajo moderado se muestra en la tabla 2.
F 
M    COVID-  

T 
Á     R   COVID- 
 
Tipo 2
a
%
a
3
b
%
b
4
c
%
c
5
d
%
d
Mercado 2149439,14 51 1651962,70 39 257367,67 6 178411,32 4
TM* 266307,49 37 242473,14 33 167782,38 32 50503,31 7
*Tiendas mayorista,
a
Bajo moderado,
b
Moderado,
c
Alto moderado,
d
Alto
Para obtener el mapa de riesgo de contagio COVID-19, se
sumó los mapas parciales a través del álgebra de mapas usando la
siguiente expresión ( x
1
+ x
2
+ x
3
+ x
4
+ x
5
) + ( y
1
+ y
2
). En el caso del
raster RGB resultante del equipamiento bancario y comercial de la
densidad de Kernel, se muestra en las guras 3 y 4 las supercies
de cada uno de los raster, que se pueden expresar de la siguiente
forma:
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
11
Para obtener el mapa de riesgo de contagio COVID-19, se de-
ben sumar los mapas parciales expresados en las expresiones 1, 2,
3, 4, 5, 6 y 7 de tal forma que el resultado adiciona valores a cada
pixel por sobre posición lo que se puede expresar de la siguiente
forma:
F 
M    COVID-
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
12
Se muestra en la gura 5, el riesgo a contagio del COVID-19
en la ciudad de Puno de los 5 primeros meses de la cuarentena
basados en el equipamiento bancario y comercial, identicándose
las zonas de más riesgo a contagio. El nivel Alto de riesgo son las
zonas rojas, las cuales abarcan el 14 % del total con un área de 127
210,44 m
2
que se expande por 13 manzanas en la zona céntrica
de la ciudad. El nivel alto moderado color naranja abarca el 21 %
con un área de 260 382,56 m
2
que se expande por 27 manzanas.
El nivel moderado color amarrillo abarca el 29 % con un área 435
290,44 m
2
que se expande por 44 manzanas. Y el nivel bajo mo-
derado color verde abarca el 36 % con un área 2 518 844,43 m
2
que se expande por 252 manzanas. El nivel bajo abarca todo el
área de estudio. Además, se ha identicado la existencia de auto-
correlación espacial mediante el índice global de Moran con um-
bral de distancia de 1,5 km muestra 0,02 (cercano a 0) indicando
que existe agrupación de zonas, el puntaje del estadístico z de 6,48
tiene una probabilidad menor del 1 % que las zonas de contagio
COVID-19 sean resultado de la aleatoriedad ya que el p_value es
menor a 0,05 como se muestra en la gura 6. Esto es debido a
la conguración urbana de la ciudad, las ubicaciones de los equi-
pamientos son muy cercanas entre sí, incrementando el riesgo de
contagio del COVID-19.
F 
Í   M I
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
13
Conclusiones
La actividad comercial y bancaria se mantuvo funcional en el
estado de emergencia identicando 238 establecimientos entre co-
merciales y bancarios, las necesidades económicas de la población
y las cortas distancias de ubicación entre equipamientos mostra-
ron nuclearización en la zona céntrica de la ciudad de Puno, mien-
tras los mapas parciales mostraron que los centros de pago y los
mercados generan más riesgo de contagio al COVID-19 debido a
los bonos universales y el abastecimiento de productos para llevar.
El análisis espacial de vectores mostró zonas riesgo de contagio
en mapas de colores, riesgo alto 14 %, alto moderado 21 %, mode-
rado 29 %, bajo moderado 36 %, además, existen patrones espa-
ciales producidos por el umbral de distancia de los equipamientos
demostrando que el uso de herramientas de análisis espacial posi-
bilita la focalización de estrategias gubernamentales en el control
de la enfermedad.
Referencias bibliográcas
Aguilar, J. y Terán, O. (2021). COVID-19 y sus implicaciones
sociales: una mirada desde las ciencias computacionales.
Educere: Revista Venezolana de Educación, (80), 147-164.
https://www.redalyc.org/journal/356/35666280013/html/
Arana-Calderón, C. (2020). COVID–19 en La Libertad,
Perú. Revista Médica de Trujillo, 15(3), 95-96, http://
dx,doi,org/10,17268/rmt,2020,v15i03,02
Bravo López, P. (2021). Autocorrelación espacial - Índices para
determinar su presencia en datos geográcos: Breve revisión
de la literatura. Universidad-Verdad, 1(78), 48-61. https://
doi,org/10,33324/uv,v1i1,351
Cáceres Seguel, C. y Ahumada Villaroel, G. (2018). Evaluación
de brechas de equipamiento urbano entre barrios de Viña del
Mar, Chile: una metodología para la identicación de desiertos
urbanos. Investigaciones geográcas, (97), 1-22. http://www.
scielo.org.mx/pdf/igeo/n97/2448-7279-igeo-97-00007.pdf
Cáceres-Bernaola, U., Becerra-Núñez, C., Mendívil-Tuchía de
Tai, S. y Ravelo-Hernández, J. (2020). Primer fallecido por
COVID-19 en el Perú. Anales de la Facultad de Medicina, 81(2),
201-204. https://dx.doi.org/10.15381/anales.v81i2.17858
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
14
Camarero, J. y Rozas, V. (2006). Spatial surface-pattern analyses
and boundary detection techniques applied in forest ecology.
Forest Systems, 15(1), 66-87. http://dx,doi,org/10,5424/
srf/2006151-00954
Caudillo, C. y Coronel, C. (2017). Densidad de Kernel.
Documento de trabajo. Centro de Investigación en
Geografía y Geomática. Repositorio CENTROGEO. http://
centrogeo,repositorioinstitucional,mx/jspui/handle/1012/168,
Costa, I., Severo, R., Costa de Souza, F., Dias, T., Saraiva, B. y
Chaves, E. (2020). Producción cientíca en revistas online
sobre el nuevo coronavirus (COVID-19): investigación
bibliométrica. Texto y Contexto - Enfermagem, 29, 22-18.
https://dx,doi,org/10,1590/1980-265x-tce-2020-0235
Cuartas, D., Arango-Londoño, D., Guzmán-Escarria, G., Muñoz,
E., Caicedo, D., Ortega, D., Fandiño-Losada, A., Mena, J.,
Torres, M., Barrera, L. y Méndez, F. (2020). SARS-coV-2
spatio-temporal analysis in Cali, Colombia. Revista de Salud
Pública, 22(2), 1-6. https://doi,org/10,15446/rsap,v22n2,86431
Da Silva Nogueira, K. (2020). Mapeamento da COVID-19 no
Estado da Paraíba: Elementos para a espacialização e análise
em ambiente SIG. Metodologias e Aprendizado, 3, 24-39.
https://doi,org/10,21166/metapre,v3i0,1301
Decreto Supremo N 044-2020-PCM. (15 de marzo del 2020). El
Peruano Diario Ocial.
Emanuel, E., Persad, G., Upshur, R., ome, B., Parker, M.,
Glickman, A., Zhang, C., Boyle, C., Smith, M. y Phillips, J.
(2020). Fair allocation of scarce medical resources in the
time of COVID-19. New England Journal of Medicine. https://
doi,org/10,1056/NEJMsb2005114
Encinas, F., Soto-Liebe, K., Aguirre Núñez, C., González,
B., Bustamante, W., Schuean, A. y Ugalde, J. (2021).
COVID-19 y ciudad: hacia un modelo integrado de vivienda,
microbiología, ambiente y urbanismo. ACE: Architecture, City
and Environment, 16(46), 1-22. https://upcommons.upc.edu/
handle/2117/348539
Enríquez Mamani, V., Bolívar Espinoza, N., Gallegos Ramos, J.,
Huanca, L., Marín Mamani, J., Marín Paucara, E. y Yunga
Zegarra, E. (2021). Análisis espacial en la identicación de
zonas de riesgo de contagio al COVID-19 como herramienta
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
15
para la gestión pública en Juliaca, Perú. Revista Cientíca
UCSA, 8(2), 30-38. https://dx.doi.org/10.18004/ucsa/2409-
8752/2021.008.02.030
Ferracini, R., Naves, W. y Alves, R. (2020). Geograa do COVID-19
no Território Tocantinense. Metodologias e Aprendizado, 3,
40-43. https://doi,org/10,21166/metapre,v3i0,1236
Galán-Rodas, E., Tarazona-Fernández, A. y Palacios-Celi, M.
(2020). Riesgo y muerte de los médicos a 100 días del estado
de emergencia por el COVID-19 en Perú. Acta Médica
Peruana, 37(2), 119-121. https://dx,doi,org/10,35663/
amp,2020,372,1033
Gonzales-Castillo, J., Varona-Castillo, L., Dominguez-Morante,
M. y Ocaña-Gutierrez, V. (2020). Pandemia de la COVID-19
y las Políticas de Salud Pública en el Perú: marzo-mayo 2020.
Revista De Salud Pública, 22(2), 1-9. https://doi,org/10,15446/
rsap,v22n2,87373
Huesca, L., Llamas, L., Jara, H. y Rodríguez, D. (2021). e impact
of the COVID-19 pandemic on poverty and inequality in
Mexico. Revista Mexicana de Economía y Finanzas Nueva
Época, 16(3), 1-19. https://doi.org/10.21919/remef.v16i3.633
Inchausti, F., García, N., Prado, J. y Sánchez, S. (2020). La psicología
clínica ante la pandemia COVID-19 en España. Clínica y Salud,
31(2), 105-107. https://dx,doi,org/10,5093/clysa2020a11/
Iracheta, A. (2020). La ciudad que quisiéramos después de
COVID-19. ACE: Architecture, City and Environment, 15(43).
http://dx,doi,org/10,5821/ace,15,43,9512
Jiménez, A. y Díaz, M. (2017). Medición y cartografía del impacto
socialmente percibido ante industrias contaminantes con
un estimador de densidad núcleo (Kernel) y SIG: aplicación
al caso del complejo industrial Ventanas, Chile. Estudios
Geográcos, 78(282), 225-256. https://dialnet,unirioja,es/
servlet/articulo?codigo=6268752
John Hopkins University. (2020). COVID-19 Dashboard by the
Center for Systems Science and Engineering (CSSE) at Johns
Hopkins University. Coronavirus Resource Center.
Kim, S. y Bostwick, W. (2020). Social Vulnerability and Racial
Inequality in COVID-19 Deaths in Chicago. Health
Education & Behavior, 147(4), 509-513. https://doi,o
rg/10,1177/1090198120929677
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
INTERSEDES |
16
Levine, N. (2015). Chapter 5: Spatial Autocorrelation Statisticsen
N, Levine (Ed.), CrimeStat IV: A Spatial Statistics Program for
the Analysis of Crime Incident Locations, Version 4,0. National
Institute of Justice.
Llerena, R., y Narváez, S. (2020). Emergencia, gestión,
vulnerabilidad y respuestas frente al impacto de la pandemia
COVID-19 en el Perú. SciELO Preprints. https://doi.
org/10.1590/SciELOPreprints.94
Marcillo, M. (2021). Creencias básicas sobre los otros, el yo y el
mundo, en emergencia sanitaria por COVID-19. Revista de
Investigación Enlace Universitario, 20(2), 36-54. https://doi.
org/10.33789/enlace.20.2.95
Marín Mamani, G., Marín Paucara, E., Bolívar Espinoza, N.,
Enríquez Mamani, V. y Curro Pérez, F. (2021). Kriging
modeling of vertical behavior of environmental noise through
thematic maps during cultural festivities in Puno and
Juliaca, Perú. Tecnología en Marcha, 34(3), 3-14. https://doi.
org/10.18845/tm.v34i3.4989
Orona, M., Grance, L. y Weber, E. (2015). Evaluación de precisión
de navegadores GNSS (GPS-GLONASS). Universidad Nacional
de Misiones.
Palacios Cruz, M., Santos, E., Velázquez Cervantes, A. y León
Juárez, M. (2020). COVID-19, a worldwide public health
emergency, COVID-19, una emergencia de salud pública
mundial. Revista clinica espanola.. https://doi,org/10,1016/
j,rce,2020,03,001
Ponticia Universidad Católica de Chile. (03 de agosto de 2020). Del
1 al 9, la escala del peligro. https://observatorio,medicina,uc,cl/
del-1-al-9-la-escala-del-peligro/
Resolución Ministerial N° 087-2020-TR. (14 de mayo del 2020). El
Peruano Diario Ocial.
Rizzatti, M., Batista L., Spode, C., Erthal, B., de Faria, M., Sccoti,
V. y Trentin, R. (2020). Metodologia de geolocalização para
mapeamento intraurbano de COVID-19 em Santa Maria, RS.
Metodologias e Aprendizado, 3, 8-13. https://doi,org/10,21166/
metapre,v3i0,1260
Rosero, T., Chuquer, M., Villarrea, G., Tapia, M., Campaña, D. y
Lorenzo, F. (2019). La gestión de la innovación en los servicios
InterSedes, ISSN 2215-2458, Volumen 23, Número 48,
Julio-Diciembre, 2022, pp. 1-17 (Artículo).
MARÍN MAMANI ET AL. | Identicación de áreas de contagio
17
de salud pública. Revista Cubana de Investigaciones Biomédicas,
36(3), 1-8. http://www,revibiomedica,sld,cu/index,php/ibi/
article/view/81/74
Sánchez Flores, A. (2019). Fundamentos epistémicos de la
investigación cualitativa y cuantitativa: consensos y disensos.
Revista Digital de Investigación en Docencia Universitaria,
13(1), 102-122. https://dx,doi,org/10,19083/ridu,2019,644
Siabato, W. y Manrique, J. G. (2019). La autocorrelación espacial
y el desarrollo de la geografía cuantitativa. Cuadernos de
Geografía: Revista Colombiana de Geografía, 28(1), 1-22.
http://dx,doi,org/10,15446/rcdg,v28n1,76919
Silverman, W. (1986). Estimación de densidad para las estadísticas
y el análisis de datos. Wildlife Ecology New York: Conservation
and Management.
Tello-Ayllón, C. (2020). Evolución de la pandemia COVID19
en las regiones andinas del Perú. Anales de la Facultad de
Medicina, 81(2), 252-253. https://dx.doi.org/10.15381/anales.
v81i2.17774
Vela-Ruiz, M., Ramos, W. y Jhony, A. (2020). Desafíos en la
atención de los pacientes con cáncer durante la pandemia
COVID-19. Revista Peruana de Medicina Experimental y
Salud Pública, 37(3), 580-581. https://doi,org/10,17843/
rpmesp,2020,373,5536
Wang, F., Nie, J., Wang, H., Zhao, Q., Xiong, Y., Deng, L., Song, S.,
Ma, Z., Mo, P. y Zhang Y. (2020) Características de la alteración
del subconjunto de linfocitos periféricos en la neumonía
COVID-19. e Journal of Infectious Diseases, 221(11), 1762-
1769. https://dx,doi,org/10,1093/infdis/jiaa150
Wilt, E., Adams, E., omas, E., Ekperi, L., LeBlanc, T., Dunn,
I., Molinari, A. y Carbone, E. (2018). A space time analysis
evaluating the impact of hurricane sandy on HIV testing rates.
International Journal of Disaster Risk Reduction, 28, 839-844,
https://doi,org/10,1016/j,ijdrr,2018,04,003
Yuan, Y., Cave, M. y Zhang, C. (2018). Using Local Moran’s I to
identify contamination hotspots of rare earth elements in
urban soils of London. Applied geochemistry, 88, 167-178.
https://doi,org/10,1016/j,apgeochem,2017,07,011