Hasta la década de los años 1990 en México existían dos patrones de distribución de alimentos: a) el Dendrítico y b) el Solar (Torres Torres, 2011[21]; Torres Torres y Rojas Martínez, 2016[22]). No obstante, durante las últimas tres décadas, dicho esquema de distribución se reconfiguró notablemente al amparo de las políticas de ajuste estructural, sobre todo con la participación de nuevos grupos empresariales, particularmente Wal-Mart Stores Inc. Entre las implicaciones para el sector, destacan las mejoras tecnológicas y organizacionales (Gasca y Torres, 2014[10]) el aprovechamiento de la red global de proveedores de las nuevas empresas participantes (Álvarez Galván y Tilly, 2006[1]; Gasca y Torres, 2014[1]; Minei y Matusitz, 2013[17]) y las oportunidades de financiamiento para las filiales mexicanas (Moreno-Lázaro, 2012[18]). En consecuencia, el patrón de distribución de alimentos se modificó sustancialmente. Así, por ejemplo, la llegada de Wal-Mart modificó la gestión de los inventarios de las tiendas toda vez que se implementó “una especie de justo a tiempo aplicado al comercio” (Álvarez Galván y Tilly, 2006[1], p. 947) que permite generar economías de escala en la cadena de abasto (Gasca y Torres, 2014[10]; Minei y Matusitz, 2013[17]) y, por tanto, una transformación radical de los patrones clásicos de búsqueda de alimentos de los hogares (Atkin, Faber, y Gonzalez-Navarro, 2018[2]). En otras palabras, se generó un tercer patrón de distribución, el del comercio moderno.

Si bien no se ha profundizado en las características de este moderno patrón de acopio y distribución de alimentos (Castillo Girón, Ayala Ramírez, López Jiménez, y Vargas Portillo, 2014[3]), algunos autores (Lagakos, 2009[15]) han planteado que la participación de las grandes cadenas de distribución de alimentos, como es el caso de Wal Mart, puede impactar algunas variables, como es la productividad por trabajador.

En el presente trabajo cuestionamos tal consideración y nos planteamos la siguiente pregunta ¿Wal-Mart es un factor significativo de las diferencias de productividad por trabajador del comercio al por menor mexicano?.

Para dar respuesta a esta pregunta, el texto se integra de tres apartados: el primero contiene los conceptos que vinculan al comercio moderno con la productividad por trabajador del sector; el segundo define la relación que existe entre la productividad por trabajador y la presencia de Wal-Mart en México y, en consecuencia, se plantea un modelo de probabilidad ordinal con tres categorías de respuesta; en el tercer apartado se presenta la estadística descriptiva, las estimaciones y el análisis de los resultados. Al final se presentan las conclusiones del trabajo.

Si bien antes de la década de los años 1990 ya había participación de algunas grandes empresas de comercio minorista en México (empresas del sector retail), la distribución de alimentos seguía dos patrones: a) el Dendrítico identificado por operar un centro o mercado regional que acopia los productos y los hace llegar a las ciudades a un centro mayorista de primer orden que a su vez los llevará a un mercado secundario o a las tiendas minoristas; y, b) el Solar, donde los productores distribuyen sus alimentos directamente a un mercado central, es decir, no existe la presencia de mercados regionales (Torres Torres, 2011[21]; Torres Torres y Rojas Martínez, 2016[22]).

No obstante, durante las últimas tres décadas, al amparo de las políticas de ajuste estructural y, particularmente, con la participación de grandes empresas distribuidoras de alimentos, el patrón de distribución de alimentos de México se modificó sustancialmente. En esa reconfiguración sobresale la influencia de Wal-Mart, entre cuyas innovaciones más destacadas están los Centros de Distribución (CEDIS) (Álvarez Galván y Tilly, 2006[1]; Castillo Girón et al., 2014[3]; Gasca y Torres, 2014[10]; Minei y Matusitz, 2013[17]). Con un alto contenido tecnológico, la puesta en operación de un CEDIS impactó la gestión de los inventarios de las tiendas, es decir, se implementó “una especie de justo a tiempo aplicado al comercio” (Álvarez Galván y Tilly, 2006[1], p. 947) que propició economías de escala en la cadena de abasto (Gasca y Torres, 2014[10]; Minei y Matusitz, 2013[17]).

En este nuevo patrón de distribución, llamado del comercio moderno, los CEDIS fungen como un centro de acopio para las tiendas de autoservicio, con lo que se busca eliminar a los intermediarios y generar relaciones directas con los proveedores en sus lugares de origen para abaratar costos (Castillo Girón et al., 2014[3]; Gasca y Torres, 2014[10]; Gereffi y Christian, 2009[11]; Lugo Morín, 2013[16]; Torres Torres, 2011[21]). Ello, en consecuencia, representa una transformación radical de los patrones clásicos de búsqueda de alimentos de los hogares (Atkin et al., 2018[2])¹, toda vez que “el abasto y distribución de alimentos se encamina hacia una transición del patrón típico de economías abiertas y mercados globalizados, controlado por un esquema de competencia entre firmas internacionales y locales” (Torres Torres, 2011[21], p. 67).

Por tanto, derivado de todos estos cambios, actualmente pueden distinguirse cinco canales de distribución de alimentos: los mercados públicos, los mercados sobre ruedas o tianguis, los abarrotes o tiendas de la esquina, los establecimientos de las grandes cadenas de distribución y las tiendas de conveniencia. Particularmente, debido a las innovaciones logísticas, organizacionales y tecnológicas que los caracterizan (esto en el contexto mencionado) los dos últimos suelen incluirse en el denominado comercio moderno mientras que el resto constituyen el comercio tradicional (Castillo Girón et al., 2014[3]).

No obstante, a pesar de su importancia no se ha profundizado en las características de este moderno patrón de acopio y distribución de alimentos (Castillo Girón et al., 2014[3]). Los estudios que modelan los impactos de estos cambios en el contexto mexicano son escasos y comprenden diversas temáticas: el trabajo de Atkin et al. (2018[2]) analiza mediante microdatos el impacto de la llegada de cadenas globales del sector retail sobre el bienestar de los hogares, el ingreso, el empleo y el número de tiendas del sector; Varela (2011[23], 2018[24]) analiza los costos de entrada y salida a partir del arribo de Wal-Mart a la industria de supermercados; Iacovone, Javorcik, Keller, y Tybout (2015[12]) examinan el efecto de la entrada de Wal-Mart sobre los productores de bienes de consumo; Rodríguez, Chasco, y García (2014[20]) cuantifican el efecto de la entrada de Wal-Mart sobre el promedio de los salarios por hora trabajada en los municipios de México; Lagakos (2009[15]) aborda las diferencias de productividad del sector retail entre Estados Unidos y algunos países en vías de desarrollo (como México) argumentando que se explican por la existencia de un menor número de tiendas de comercio moderno dada la menor proporción de hogares con automóviles y Dove (2006[8]) mide el impacto de la entrada de Wal-Mart sobre un índice de empleo del sector retail a nivel estatal.

Puede notarse en general, que persiste la idea de que la llegada de Wal-Mart a México ha generado impactos en diversas variables, entre las que sobresale la productividad por trabajador. Lagakos (2009[15]), sugiere que una posible explicación para la alta productividad por trabajador del canal del comercio moderno en los países en desarrollo (respecto al comercio tradicional de los mismos países) puede ser que algunas de estas tiendas son operadas por cadenas europeas o norteamericanas (por ejemplo, Carrefour en Brasil o Wal-Mart en México); sin embargo, él mismo menciona que “como los datos de los censos no permiten diferenciar el estatus de propiedad doméstica (de los comercios), permanece como una cuestión abierta si la alta productividad de las tiendas modernas es liderada por los participantes extranjeros” (p. 7).

Bajo esa lógica, el presente trabajo se propone indagar acerca de la relación que existe entre la presencia de Wal-Mart y las diferencias observadas en el Censo Económico de 2014 de la productividad por trabajador del comercio al por menor mexicano.

Es un hecho que existen marcadas diferencias en la productividad por trabajador (Y/L) del sector retail en México. Si se consideran a nivel municipal los datos del Censo Económico de 2014 (INEGI, 2017[14]) para el sector número 46 “comercio al por menor” del Sistema de Clasificación Industrial de América del Norte (INEGI, 2013[13]), se puede constatar que el rango en la productividad por trabajador (véase la Figure 1)² va de los 4.500 pesos a cerca de 350.000 pesos con una media de 70.600 pesos y una desviación estándar de 56.000 pesos.

Además, en la Table 1 se pueden apreciar los diez municipios con mayor y menor productividad por trabajador. Destaca que la Ciudad de México tiene tres demarcaciones dentro del top ten en tanto que prácticamente todos los municipios menos productivos (nueve de los diez considerados) son del estado de Oaxaca.

Además, si se clasifican los municipios como de baja, media o alta productividad por trabajador, es decir, si se divide el rango de dicha variable en tercios y con base en ello se les categoriza ordinalmente, se tiene que municipios de baja productividad (categoría 1) son 2.032 municipios con una productividad promedio de 50.863 pesos por trabajador, los de productividad media (categoría 2) son 353 con un promedio de 160.650 pesos, y los de alta productividad (categoría 3) son los restantes 42 con un promedio de 272.900 pesos por trabajador (véase la Table 2).

Bajo este contexto, surge el interés de conocer si estas diferencias en la productividad por trabajador se deben a la presencia de Wal-Mart o de otros factores. Intuitivamente, una primera variable proxie es considerar una variable dicotómica que toma los valores de 1 y 0 cuando en un determinado municipio exista o no la presencia de dicha empresa. Sin embargo, para este trabajo se considerá como proxie de dicha presencia a los metros cuadrados de piso de venta que la minorista posee en un determinado municipio (W), lo que, desde nuestra perspectiva, no sólo permite captar la presencia sino también el nivel (la intensidad) de las operaciones que la empresa posee en el municipio en cuestión³.

De tal manera, la presencia de Wal-Mart en los municipios va de cero (es decir, no tiene sucursales) a 153.360 m² con una media de 2.391 m² y una desviación estándar de 10.215 m². Si comparamos esos datos con las productividades de la Figure 1, es posible encontrar una relación positiva entre ambas variables, es decir, a mayor cantidad de metros cuadrados de piso de ventas de Wal-Mart existe, en promedio, una mayor productividad por trabajador (véase Figure 2).

Por otro lado, si se considera esta variable (W) con relación a las tres categorías asignadas a los municipios según se mencionó anteriormente, se tiene que en municipios con una baja productividad (categoría 1) se encuentra sólo el 11,92% del piso de ventas total de Wal-Mart, en aquellos con productividad media (categoría 2) está el 67,3%, y el 20,77% restante se encuentra en municipios de alta productividad (categoría 3). La estadística descriptiva de esta variable para todos los municipios y por categoría se puede ver en la Table 3.

Bajo este contexto y siguiendo la idea propuesta por Lagakos (2009) se puede plantear la siguiente conjunto de hipótesis de trabajo:

Ho: la intensidad de la presencia de Wal-Mart en los municipios mexicanos impacta significativamente y de manera positiva sobre el nivel de productividad por trabajador del sector del comercio al por menor.

Ha: la intensidad de la presencia de Wal-Mart en los municipios mexicanos no tiene impacto estadísticamente significativo sobre el nivel de productividad por trabajador del sector del comercio al por menor.

Para hacer el análisis formal de la relación entre las variables descritas en el apartado anterior y contrastar la hipótesis de trabajo, se plantea un modelo de probabilidad ordinal. Siguiendo a Escobar, Bernardi y Macías (2012[9]), se tiene que para este modelo la relación entre la variable latente y las independientes que se introduzcan, dentro de las que están los metros cuadrados de piso de ventas que Wal-Mart posee en un determinado municipio (W), está dada por la siguiente ecuación:

y^*_i = x_i\beta+e_i

En la expresión anterior, los puntos de corte de la variable dependiente ordinal observada están expresados por la siguiente relación:

y^*_i = m\:\:si\:\:\mu_{m-1}\leqslant y^*_i\leqslant \mu_m

La relación anterior correspondiente al planteamiento del apartado anterior en la descripción de las Tablas 2 y 3, es decir, un caso con tres categorías de la variable ordinal y dos puntos de corte es:

y_i = \left\{\begin{matrix}1\:(baja\:productividad) & si\:\:-\infty< y^*_i\leqslant\mu_1 \\2\:\:(productividad\:media) & si\:\:\mu_1< y^*_i\leqslant \mu_2 \\3\:\:(alta\:productividad) & si\:\:\mu_2< y^*_i\leqslant \infty\end{matrix}\right.

Si se hace referencia a un modelo logit ordinal, la probabilidad predicha esta dada por:

\Pr(y=m|x)=\Pr(\varepsilon<\mu_m-x\beta)-(\varepsilon\leqslant\mu_{m-1}-x\beta)

Modelo en el que el término de error tiene una media de cero y una varianza de \pi^2/3

Es de mencionar que en el modelo logit ordinal, cada categoría de la variable dependiente se puede transformar en un cociente de razones, dividiendo la probabilidad de obtener esa categoría o una inferior entre la probabilidad de obtener una categoría mayor, lo que lleva a la siguiente ecuación:

\Omega_{\leqslant{m|>m}}(x)=\frac{\Pr(y\leqslant{m|x})}{\Pr(y>m|x)}

Que puede derivar, si le aplicamos logaritmo natural, en:

\ln(\Omega_{\leqslant{m|>m}}(x))=\mu_m-x\beta

Es sobre esta variable dependiente, el logaritmo natural de una razón de probabilidades, que se hace la estimación del modelo logístico ordinal, motivo por el que la interpretación de los coeficentes es mucho más complicada que la de la regresión lineal, en otras palabras, los coeficientes de la regresión logística no expresan de manera directa la relación de la variable independiente y la dependiente; no se trata de un modelo lineal en su planteamiento base (Escobar et al., 2012[9]; Wooldridge, 2009[26]). Para realizar la interpretación hay dos formas elementales: eliminando los logaritmos de la ecuación logística original de tal modo que la ecuación se exprese en razones; o, transformando la ecuación para que exprese directamente las probabilidades de ocurrencia del suceso estudiado (Escobar et al., 2012[9])⁴.

El modelo de probabilidad logística ordinal con tres categorías para la variable latente según se planteó anteriormente, cuenta con un vector x de variables explicativas que está compuesto por la variable independiente W, los m² de piso de ventas que Wal-Mart posee en un determinado municipio, además de un set de variables de control dentro de las que se consideran:

Estas variables se tomaron del CONEVAL (2018[7]) y una definición amplia de las mismas se puede obtener a partir de la publicación que el mismo CONEVAL hace con respecto a la metodología para la medición de la pobreza en México (CONEVAL, 2014[6]). Hay que apuntar que se consideraron las variables relativas a 2010, es decir, se buscó el indicador disponible previo al censo económico de 2014, lo que aun así es pertinente ya que sólo se trata de aproximar con ellas las condiciones socioeconómicas de los municipios.

Por lo que respecta a la estadística descriptiva de las variables, además de la presentada en las Table 2 y Table 3 para las variables dependiente e independiente respectivamente, se presenta la Table 4 que incluye el análisis para las variables de control. Nótese que el número de municipios del que se cuenta con información, varía de 2.427 a 2.433 toda vez que en la recolección de la información, ésta no se encontró para todas las variables y todos los municipios del país a la vez. Por tanto, el número total de municipios para los que se cuenta con información de todas las variables es de 2.422, lo que representa el 98,34% de los 2.463 municipios que el INEGI considera actualmente en su marco geoestadístico (INEGI, 2017[14])⁷.

En la Table 5 se presentan los resultados de las estimaciones del modelo de probabilidad ordinal planteado. Las estimaciones se hicieron mediante el software Stata 14 y en ellas se utilizaron errores robustos a la heteroscedasticidad. Nótese que se plantea un primer modelo sin restricciones, es decir, tal cual se planteo con todas las variables de control. Sin embargo, en este primer modelo no todas las variables son estadísticamente significativas en lo individual por lo que estas se fueron eliminando una a una hasta obtener una significancia de todas las variables de cuando menos el 90% de confianza. Para verificar la pertinencia de lo realizado se hicieron los siguientes análisis:

Por lo tanto, se tiene para este trabajo como preferido el modelo restringido cuyos valores de bondad de ajuste son: -614,482 de Log pseudolikeliehood⁸; un pseudo-R² (la medida de ajuste del modelo) de 48,9%; un porcentaje de casos en que la predicción derivada del modelo de regresión logística ordinal acierta (Count-R²) de 90,8%; y un 43.0% de capacidad de prediccón si sólo se consideran los aciertos del modelo con respecto a aquellos que se tendrían simplemente prediciendo para todos los casos el valor más común, (Count-R², Adjusted). Es con base en este modelo que se hará el análisis e interpretación de los resultados.

Según se ha dicho, interpretar los coeficientes asociados a cada unas de las variables de un modelo logístico ordinal puede ser muy complicado. De los coeficientes estimados lo que en primera instancia se puede asegurar es que el impacto sobre el logaritmo de la razón de probabilidades es negativo para el caso de las variables que hacen referencia a la carencia educativa (r_educ), la carencia de seguridad social (r_segs) y la que considera el porcentaje de la población con ingreso inferior a la línea de bienestar (l_bien).

Hacer comparaciones entre la magnitud de los coeficientes directamente es complicado. Una forma es eliminar los logaritmos de la ecuación logística original de tal modo que la ecuación se exprese en razones. Esto se hace en la columna e^b de la Table 5 que expresa cuanto varia la razón de ocurrencia del suceso en función del cambio unitario de las variables independientes. En este caso la variable que posee el mayor impacto es el salario promedio por trabajador del sector (Coef. Odds Ratio = 1,30E+70) , en tanto que la que menos impacta es la carencia educativa (Coef. Odds Ratio = 0,954). Por su parte la variable W impacta en 1,056 a la razón de probabilidades por cada 1000 m² de incremento en el piso de venta de un municipio.

No obstante, esta forma de comparar los coeficientes tiene una limitante: no considera el rango de variación de las variables independientes. Para superar este problema se analizará cuánto impacta el cambio de una desviación estandar la razón de ocurrencia del suceso, columna e^bStdX. Bajo este enfoque la variable con mayor impacto es el salario promedio por trabajador (S_Prom), seguida del número de sucursales de la banca comercial en el municipio (Sucursales) y en tercer lugar tenemos a la variable de interés de este trabajo, W, con un impacto de 1,774 por cada desviación estándar de incremento. Recuérdese de la Tabla 3 que la desviación estándar de W es 10,2278, por que un incremento de alrededor de 10.200 m² incrementará la razón de probabilidades en 1,77 veces.

Por otro lado, una segunda forma de interpretar los resultados del modelo estimado es transformando la ecuación para que exprese directamente las probabilidades de ocurrencia del suceso estudiado. Para ello se estimaron las probabilidades de observar cada una de las categorías de la variable latente dado un determinado número de metros cuadrados de la variable W, que para el caso de este análisis se considero a cada 1000 m² en el intervalo de cero a 160.000 m². No obstante, lo arbitrario de este ejercicio es definir los valores de las demás variables dado que las probabilidades de cada categoría están asociadas a todas las variables en conjunto y no sólo a la variable W.

Un primer ejercicio para esta forma de interpretar los datos se puede apreciar en la Figure 3. Cada una de estas imágenes presenta en el eje X los valores de W según lo descrito en el párrafo anterior y en el eje Y las probabilidades de observar cada categoría: en azul la categoría 1, en negro la categoría 2 y en rojo la categoría 3. La diferencia entre las cuatro gráficas está en los valores que se consideran para el resto de las variables: en la imagen a) se utilizaron todas las variables en su valor mínimo; en la b) en sus valores promedio; en la c) en sus valores medianos; y en la d) en sus valores máximos.

No obstante las diferencias, lo importante de estas imágenes es observar la evolución de la probabilidad de observar cada una de las categorías. Es posible apreciar, en las tres primeras imágenes, que cuando el valor de W es cero, la probabilidad de observar la primera categoría es mayor que la de las otras dos; a medida que W aumenta, esta categoría se vuelve menos probable, incluso hasta niveles cercanos a cero. Por lo que respecta a la categoría número dos, en las mismas tres imágenes ésta describe la forma de una U-invertida, incrementa, llega a un máximo máximo y decrece dejando a la categoría tres como las más probable de ser observada, esto en niveles altos de W. Por lo tanto, a medida que incrementa W, la probabilidad de observar un mayor nivel de productividad por trabajador incrementa.

Por lo que respecta a la imágen d), ésta tiene un comportamiento un tanto diferente al de las otras tres. Desde un inicio, la probabilidad de observar la primera y segunda categorías tiende a cero por lo que existe un total predominio de la categoría tres, es decir, en este caso prácticamente desde valores bajos de W se observará una alta productividad por trabajador (Table 6).

A pesar de lo dicho, y considerando que la selección de las variables de control del modelo pudiera diferir un tanto de la realidad observada, se hizo un segundo ejercicio en el que para determinar dichas variables se utilizaron los valores del municipio que posee la productividad mediana de cada categoría. Los municipios que cumplen con esto son respectivamente de la categoría uno a la tres: San Baltazar Loxitla en Oaxaca, Acayucan en Veracruz y San Nicolás de los Garza en Nuevo León. Los valores observados para cada una de las variables se presentan en la Table 6.

El cálculo de las probabilidades con las características de los municipios seleccionados se puede ver en la Figure 4. El comportamiento de las probabilidades de los municipios de los incisos a) y b) de la gráfica (San Baltazar Loxitla y Acayucan, respectivamente) es parecido al descrito para los incisos a), b) y c) de la Gráfica 3, en tanto que para el caso del inciso c) de la gráfica en estudio (el municipio de San Nicolás de los Garza) el comportamiento de las probabilidades es semejante al presentado para el inciso d) de la Gráfica 3. Sólo resta decir que en términos generales, a mayor cantidad de m² es posible observar una categoría de mayor productividad por trabajador respectivamente.

En este trabajo se análiza el impacto de Wal-Mart sobre la probabilidad de observar un nivel superior de productividad por trabajador a nivel municipal. Los resultados muestran un impacto positivo y estadísticamente significativo en los coeficientes estimados del modelo de probabilidad ordinal. Esta relación, también es posible constatarla con base en lo mostrado por los diversos escenarios de probabilidad descritos en el análisis subsecuente. Por consiguiente, no es posible rechazar la hipótesis nula de trabajo planteada.

Este hallazgo es congruente con el planteamiento de Lagakos (2009[15]) ya que, en un país en vías de desarrollo como México, la alta productividad por trabajador del canal del comercio moderno estaría ligada a la operación de tiendas extranjeras, en este caso de Wal-Mart, empresa de origen norteamericano. Y nótese que la explicación a este fenómeno se debería, según lo planteado en la revisión de la literatura, a la generación de economías de escala cuyo origen serían las mejoras en tecnología y organización, innovación (con los CEDIS como principal estrategia), uso de una red global de proveedores y financiamiento que Wal-Mart introdujo en el país, aspectos que enfatizan principalmente Álvarez Galván y Tilly (2006[1]), Gasca y Torres (2014[10]), Minei y Matusitz (2013[17]) y Moreno Lázaro (2012[18]).

Por otro lado, si bien se abona al análisis incipiente sobre el comercio al por menor, de amplia importancia y poco estudiado (Castillo Girón, et al., 2014[3]), en futuros trabajos se deberían verificar diversos aspectos en tres sentidos: en primer lugar, con relación a una función de producción neoclásica, como la Cobb-Douglas, sería pertinente hablar de los impactos de Wal-Mart sobre las elasticidades de los factores de producción, capital y trabajo, o sobre como contribuye a la eficiencia del sector; en segundo lugar, no sólo se debería quedar el análisis a nivel de la producción del sector, es posible llevar el análisis a otras variables relacionadas con la cadena de abasto como la seguridad alimentaria, estrechamente relacionada con el nivel de pobreza; y, en tercer lugar, puesto que el modelo contrastado es de corte transversal, se sugiere también incorporar la temporalidad en los análisis a fin analizar cómo han sido en el tiempo los impactos de la evolución de la presencia territorial de la empresa en el país.

______________________________

¹ Destaca que recientemente han emergido algunas manifestaciones que podrían derivar en un nuevo patrón de distribución de alimentos ligado al comercio electrónico. Esta nueva expresión cuya base es la tecnología, tiende a simplificar más aún la cadena de abasto con relación al número de intermediarios que se requieren para que los productos lleguen al consumidor final. Aunque con altas expectativas de crecimiento en México, aún existe la incógnita respecto a si las grandes cadenas minoristas serán actores principales en él en un futuro (Torres Torres y Rojas Martínez, 2016[22]).

² La productividad por trabajador (Y/L) corresponde al cociente de la producción bruta total (variable A111A del censo) sobre el personal ocupado total (variable H001A del censo).

³ Para determinar los m² de piso de ventas de Wal-Mart, primero se ubicó el número de tiendas por formato (Wal-Mart, Bodegas Aurrerá, Superama, Sam´s Club y Suburbia) en cada municipio, esto con base en el directorio publicado por la empresa en sus diversos sitios web. Después, se calculó el piso de venta total con base en los metros cuadrados promedio que la misma empresa tiene pública en su página de relación con inversionistas (véase Wal-Mart, 2017[25]).

⁴ Otra forma de analizar e interpretar un modelo logístico es estudiando el efecto parcial en el promedio (EPeP) y el efecto parcial promedio (EPP) (Wooldridge, 2009[26]), sin embargo, el análisis de este trabajo se centrará en los dos mencionados.

⁵ Para el cálculo de dicha distancia se utilizó la fórmula de Haversine para calcular la distancia entre dos puntos geográficos.

⁶ Nótese que el Censo Económico de 2014 capta información correspondiente al periodo del 1 de enero de 2013 y el 31 de diciembre del mismo año (INEGI, 2017[14]).

⁷ La falta de información se debe a que hay municipios de nueva creación y por lo tanto la variable no fue calculada para el año observado; o simplemente porque en la descarga de la información la variable no fue proporcionada para algunos municipios por la dependencia responsable de los datos.

⁸ Se utiliza el Log pseudolikeliehood en ves del Log likelihood ya que se utilizaron errores robustos a la heteroscedasticidad.