Los datos espaciales y la inteligencia artificial como aliados para combatir la pobreza

La pobreza es un fenómeno permanentemente dinámico. Causas externas, como el COVID-19, han demostrado lo rápido que pueden cambiar las condiciones socioeconómicas de la población y lo expuesta que se encuentra la región de Latinoamérica y el Caribe (LAC) a distintos riesgos al tener sistemas débiles de protección social, sistemas de salud fragmentados y asentamientos marginados carentes de acceso a servicios básicos. Sin embargo, la pandemia no es el único fenómeno al que se enfrenta la región, el cambio climático, la violencia y la transformación de los mercados de trabajo modifican a diario la vida de millones de personas; este dinamismo hace fundamental que los gobiernos continúen creando herramientas para poder analizar los patrones de pobreza y para que se puedan tomar decisiones informadas con el fin de intervenir y mitigar sus efectos en las zonas más afectadas.

Los datos espaciales fortalecen la información de las encuestas y censos

Los canales tradicionales como los censos y las encuestas son altamente confiables. Sin embargo, al ser herramientas que se levantan por lo general cada 10 años, pueden llevar a tomar decisiones de política pública ineficaces pues las condiciones de pobreza y marginación tienden a cambiar en periodos más cortos. Las encuestas de hogares, por su parte, son recolectadas con mayor frecuencia, pero su representatividad suele estar diseñada a nivel estatal. Las condiciones de los hogares no cambian de la misma forma en todo un estado, los niveles de pobreza entre una ciudad y su periferia pueden mostrar grandes diferencias. Por lo anterior, es necesario reforzar este tipo de datos con otras fuentes que logren capturar la variabilidad de los fenómenos del mundo actual.

Métodos estadísticos, como el de estimación de áreas pequeñas, integran datos de encuestas de hogares con información desagregada de los censos para actualizar sus indicadores de pobreza. Sin embargo, la dependencia de los datos censales puede debilitar la fiabilidad de las estimaciones cuando la distancia entre el levantamiento comienza a separase por más de 5 años, lo que impide la capacidad de seguimiento continuo de los indicadores de pobreza.

Para mejorar estas estimaciones se pueden utilizar fuentes de datos provenientes de sensores e imágenes satelitales que ofrecen la posibilidad de ser actualizadas diariamente. Por ejemplo, datos de teledetección, como los relativos a las precipitaciones, la temperatura y la vegetación, pueden ser utilizados como proxies de productividad agrícola. Por su parte, la luz nocturna y la distancia a las carreteras y a las ciudades están relacionadas con el acceso a los mercados y al dinamismo económico local. Esta información adicional, una vez combinada con las encuestas de hogares, puede ayudar a la elaboración de mapas de pobreza que se pueden actualizar de forma continua.

^{Ejemplos de datos espaciales
Fuente: Objeto raster de precipitaciones totales y luces nocturnas –
Project Science Office, NASA Goddard Space Flight Center}

Colaboración con Flowminder

Para ofrecer nuevas herramientas a los gobiernos de la región, el Banco Interamericano de Desarrollo (BID) se alió con Flowminder, una organización sin fines de lucro, con sede en Estocolmo y con amplia experiencia en el desarrollo de sistemas basados en aprendizaje automático y en el análisis espacial. El manual que producimos entre el BID y Flowminder, utiliza como caso de estudio a El Salvador, describiendo los datos más relevantes para este tipo de análisis, y explicando cómo pueden ser procesados y abordados. Este manual hace hincapié en proporcionar código y ejemplos reproducibles, ya que utiliza datos abiertos accesibles a todos los países.

Utilizando un conjunto de más de 20 bases públicas, se ajustó un modelo geoespacial para crear estimaciones de indicadores de pobreza, ingreso y alfabetización, a nivel municipal y a nivel segmento, logrando así una precisión en las estimaciones del 84 % en el ingreso y 80 % en el indicador de alfabetización.

^{Resultado del modelo de condiciones socioeconómicas
Fuente: Modelado espacial de alta resolución del bienestar de la población
en El Salvador: un tutorial de codificación – BID & Flowminder}

Siguientes pasos y recursos abiertos

El resultado de este proyecto fue la creación de mapas de alta resolución, que pueden ser actualizados de forma constante, sobre las condiciones socioeconómicas de una región. Los métodos pueden ser transferibles a otros indicadores socioeconómicos de interés, lo que permite una orientación más precisa de las intervenciones gubernamentales destinadas a reducir la pobreza y, a su vez, pueden incorporarse en las prácticas rutinarias de las oficinas nacionales de estadística (ONE) para el seguimiento sobre los logros de los Objetivos de Desarrollo Sostenible (ODS). Estos métodos son fácilmente aplicables, no dependen de fuentes censales y utilizan datos de libre acceso en la región. El código para replicar la creación de estos mapas de alta resolución de la pobreza y su respectivo manual están disponibles en el GitHub de Código para el Desarrollo (C4D).