En octubre de 2016, el huracán Matthew tocó tierra en Haití, inundando costas, destruyendo cosechas, matando ganado, arrasando puentes y carreteras, y destruyendo cerca de 200.000 hogares. Varias organizaciones internacionales, como el Banco Interamericano de Desarrollo (BID) y el Banco Mundial, se apresuraron a proveer asistencia inmediata. Sin embargo, la recuperación a largo plazo en las regiones más afectadas del país se vio truncada en parte debido a la falta de indicadores socioeconómicos actualizados a escala subnacional que identificaran los municipios de mayor afectación y los esfuerzos de desarrollo de mayor necesidad.
Esta falta de información en Haití se debe al hecho de que el último censo nacional se había realizado hace más de una década, en 2003, y la última encuesta de hogares, en 2012. Esto se debe principalmente al gran gasto que supone la recopilación de datos. En este contexto, se contaba con poca información actualizada que detallara la pobreza y la desigualdad a escala subdepartamental, dificultando los esfuerzos de inversión social, tanto por parte del gobierno, como de los organismos internacionales.
Un problema generalizado de insuficiencia de datos
El problema no se limita solo a Haití. Los esfuerzos para adquirir datos que permitan llevar a cabo iniciativas de recuperación después de una crisis se han visto limitados en varios países en vías desarrollo, incluyendo en América Latina y el Caribe, debido a los gastos de realización de censos y encuestas de hogares (que se estiman en US$105 por hogar en América Latina y el Caribe). Esta necesidad de información, que es apremiante en nuestra región debido a los frecuentes desastres climáticos, ha crecido exponencialmente con la pandemia de COVID-19. Se necesitan datos territoriales mucho más detallados para poder asistir a los hogares vulnerables en medio de la devastación económica provocada por la pandemia.
La buena noticia es que, mediante la combinación de novedosas técnicas de big data con información obtenida de teléfonos celulares e imágenes tomadas desde aviones o satélites, es posible actualizar la información de las encuestas de hogares a un costo relativamente bajo. Además, se puede desagregar dicha información a escala municipal o submunicipal, resultando en un pantallazo detallado de la pobreza y la desigualdad de ingresos útil para la toma de decisiones por las autoridades gubernamentales y las organizaciones internacionales.
Técnicas de big data en acción en Haití
Un estudio reciente del BID sobre la pobreza y la desigualdad en Haití, donde se utilizan dichas técnicas, muestra cómo esto se puede llevar a cabo. Para el estudio, los investigadores crearon un marco computacional de aprendizaje automático en el que se combinaron los datos del censo de 2003 con los de la encuesta de hogares de 2012 (ECVMAS), permitiendo a los algoritmos encontrar patrones comunes. Este procedimiento permitió a los investigadores obtener estimaciones de pobreza y desigualdad para 2012 a nivel de comuna (el equivalente al nivel municipal). Dichas estimaciones no estaban disponibles anteriormente debido a que la encuesta ECVMAS tiene una muestra que solo es representativa a nivel departamental.
Las estimaciones resultantes se utilizaron para validar el segundo procedimiento, que consistía en combinar datos extraídos de imágenes aéreas de 2014 con datos anonimizados de teléfonos móviles de 2015 a 2017. Posteriormente, los datos extraídos de estas fuentes se introdujeron en un sistema de aprendizaje automático que encontró patrones en los datos asociados con pobreza y desigualdad, resultando en estimaciones más actualizadas. Por ejemplo, con base al tipo de techado y la calidad de la infraestructura, así como otras características, las imágenes aéreas pueden revelar cuáles son las zonas de mayor vulnerabilidad. También muestran qué partes de las áreas rurales están sufriendo a raíz de la erosión agrícola, la calidad de la vegetación y otros factores. Los registros anonimizados de llamadas, suministrados por las compañías telefónicas, complementan esa información, ya que capturan la movilidad de los usuarios, la diversidad de sus contactos y otros factores asociados con oportunidades sociales y económicas. Todo esto pone de manifiesto los distintos niveles de riqueza. De manera similar, se realizó una segunda serie de estimaciones socioeconómicas para 2019, utilizando imágenes satelitales gratuitas de Google que permiten extraer características similares a las que se encuentran en las imágenes aéreas. Todos estos datos, introducidos en un sofisticado modelo de aprendizaje automático, permitió tener una visión actual y geográficamente detallada de lo que ocurría en Haití entre 2014 y 2019. Esto facilitó a los investigadores crear mapas dinámicos de pobreza y desigualdad de ingresos para ponerlos a disposición de los formuladores de políticas.
Figura 1: Mapa de pobreza en Haití a nivel de comuna (2019)
El esfuerzo demostró, entre otras cosas, que las comunas con mejor desempeño se encontraban en el departamento del Oeste, donde está ubicada la capital, Puerto Príncipe. Asimismo, se demostró que, en los últimos cinco años, algunas comunas del sur del país pasaron a estar entre las más empobrecidas en comparación con el resto, posiblemente debido a los efectos del huracán Matthew. Similarmente, las estimaciones mostraron que la situación de algunas de las comunas en el noroeste del país es cada vez más alarmante en comparación con el resto de las comunas. Esto último probablemente se deba a la grave situación de seguridad alimentaria registrada en esa región, provocada por choques climáticos, disturbios sociales y otros factores que han sido documentados por el Programa Mundial de Alimentos. Se trata de información que no se hubiera reflejado en el censo de hace 17 años ni en la última encuesta de hogares de hace ocho años. Además, al señalar dónde habitan actualmente las personas más vulnerables del país, se proporciona una base potencial para dar prioridad a los programas de transferencia monetaria y a otras intervenciones sociales. Esto representa una contribución particularmente importante dado el limitado espacio fiscal del gobierno en la actualidad.
Es importante señalar que solo las estimaciones dinámicas de 2014 han sido validadas, por lo que las estimaciones de 2019 requieren de una validación final. Por otro lado, cabe destacar que estas técnicas de última generación no sustituyen en modo alguno a los censos ni a las encuestas de hogares que proporcionan datos esenciales en los que se basan estas innovaciones. No obstante, como lo muestra un estudio reciente que utiliza técnicas similares en Belice, estas técnicas son ampliamente aplicables en otros países. Adicionalmente, son relativamente económicas y tienen muchos usos potenciales que van más allá de la medición de la pobreza y la desigualdad de ingresos. Por ejemplo, las imágenes aéreas y los datos de teléfonos celulares empleados también pueden mostrar disrupciones en las redes de transporte, la existencia de asentamientos informales, la migración rural-urbana y un sinnúmero de otras tendencias cruciales para los esfuerzos de desarrollo a largo plazo.
Figura 2: Mapa de principales carreteras de Haití obtenido a partir de datos de telefonía móvil
Una posible innovación para los formuladores de políticas
Los gobiernos del mundo en desarrollo, incluyendo en países de América Latina y el Caribe, a menudo enfrentan un dilema. Deben decidir si realizar costosos censos y encuestas de hogares a fin de adquirir indicadores socioeconómicos precisos o utilizar ese dinero en inversiones sociales. Esto crea un círculo vicioso, dado que los indicadores socioeconómicos precisos también son esenciales para que las intervenciones sociales sean eficaces. Las nuevas técnicas de big data y el aprendizaje automático ofrecen una solución para obtener estimaciones actualizadas, precisas y geográficamente detalladas de las condiciones sociales entre los esfuerzos a gran escala que suponen los censos y las encuestas de hogares. Dichas técnicas ayudan a eliminar el gran desfase temporal de la recopilación de datos, y podrían suponer un gran avance para los formuladores de políticas en la región.
Jennifer Linares es economista de país en el Banco Interamericano de Desarrollo, donde se encarga del monitoreo macroeconómico de Haití y de la gestión de todos los productos de conocimiento relacionados con este país. Durante los últimos cinco años, ha trabajado en el BID en varias funciones, entre ellas la de consultora en economía del Departamento de Centroamérica, Haití, México, Panamá y la República Dominicana (CID) y la de consultora en economía de la representación del BID en Panamá. Antes de unirse al BID, Jennifer trabajó como economista y analista de investigación en el Florida TaxWatch Research Institute, donde estuvo a cargo de la investigación relacionada con la competitividad del estado y la efectividad de varios programas estatales. Jennifer tiene una maestría en Economía de la Universidad del Estado de Florida.
Leave a Reply