América Latina y el Caribe debería aprovechar los datos masivos para medir la pobreza

Por Luis Tejerina y Juan Miguel Villa

El gobierno de los Estados Unidos estima que el próximo Censo 2020 podría costar hasta 15,600 millones de dólares, es decir, cerca de 49 dólares por habitante. El costo promedio de llevar a cabo una encuesta de hogares en los países en desarrollo ronda entre 1 y 1.6 millones de dólares, según un estudio llevado a cabo en 77 países por Development Initiatives.

Estos esfuerzos para calcular la población de un país o medir las cifras de pobreza son claves para guiar las decisiones de políticas públicas. Levantar datos es costoso y muchas veces las decisiones se toman a ciegas. Generar datos de manera tradicional representa montos importantes para los países—especialmente para los países en desarrollo.

Sin embargo, los métodos tradicionales de recolección de información por parte de los institutos de estadísticas están siendo amenazados por el bajo costo (relativo) de acceder a datos masivos (o Big Data). Estos datos son generados a toda hora de diferentes formas, desde información espacial producida por cientos de satélites que orbitan el planeta e información geográfica hasta llamadas por nuestros teléfonos celulares.

Un ejemplo emblemático es la imagen satelital nocturna de la península coreana: Corea del Norte parece casi totalmente apagado mientras su vecino Corea del Sur parece totalmente encendido. Sin disponer de datos de dominio público producidos por encuestas o contabilidad social, se podría deducir cuál de los dos países posee un mayor nivel de progreso económico y por tanto de bienestar. El acceso a este tipo de información nos hace replantear el futuro de la información estadística.

Según datos del Banco Mundial, se estima que en el 2016 existía 102 líneas de celular por cada 100 habitantes en todo el planeta. En un estudio, Joshua Blumenstock, Gabriel Cadamuro y Roberto  On hicieron uso de los datos masivos producidos por las antenas de telefonía celular para mapear la pobreza en Rwanda, mientras que Jessica Steele y sus coautores combinaron datos de encuestas de hogares con registros de llamadas para hacer mapas similares en Bangladesh. Ambos tuvieron resultados similares y con una mayor presición que los mapas tradicionales (ver gráfico 1).

Las posibilidades sin embargo van incluso más allá de la pobreza. De hecho permiten medir una amplia gama de indicadores de salud, educación y migración.

Gráfico 1. Mapas de ingreso y pobreza con base en (a) Imágenes satelitales, (b) Datos de celulares, y (c) Encuestas de hogares

 

Los datos satelitales de luminosidad proveen una singular oportunidad para medir la pobreza dado que son de dominio público y cubren a todo el planeta. Esta cobertura es mejor en bajas latitudes donde predominantemente se concentra la pobreza mundial.

Maxim Pinkovskiy y Xavier Sala-i-Martin hicieron uso de datos de luminosidad para validar las mediciones de bienestar con base en métodos convencionales de encuestas de hogares y cuentas nacionales. En su análisis se detalla que los datos de luminosidad son una buena aproximación para la medición de la pobreza.

Neal Jean y sus coautores fueron más allá y combinaron información de datos satelitales de luminosidad nocturna y características diurnas con información de encuestas de hogares. Usando un algoritmo de “machine learning”, lograron entrenar a una red neuronal para predecir las condiciones de vida de los hogares con una precisión del 75% en países africanos donde gran parte de los ingresos dependen del autoconsumo.

La medición de la pobreza está transitando hacia el uso de información masiva poco costosa pero de gran valor informativo.

Hoy en día los gobiernos de países en desarrollo aún no han adoptado estas medidas para medir el bienestar de la población de manera oficial. Sin embargo, Naciones Unidas ha decidido aprovechar las ventajas que ofrecen los datos masivos al crear el laboratorio de Global Pulse, cuyo mandato es explorar datos masivos para hacer seguimiento al cumplimento de los Objetivos de Desarrollo Sostenible a una fracción del costo de los métodos tradicionales.

Es de esperarse que poco a poco este tipo de aproximaciones dejen de ser una novedad para convertirse en una realidad para la medición y seguimiento de los indicadores de pobreza a nivel local, y así brindar información de manera más oportuna a las autoridades de gobierno.

 

Acerca de los autores:

Luis Tejerina es especialista lider en protección social y salud del Banco Interamericano de Desarrollo

Juan Miguel Villa es especialista en protección social y salud del Banco Interamericano de Desarrollo