Uno de los principales retos para quienes están a cargo de formular políticas públicas para combatir la pobreza es encontrar a sus beneficiarios. Existen herramientas para mejorar la focalización de políticas, como los  índices de marginación o pobreza multidimensional o  los mapas de pobreza, por mencionar algunos. Sin embargo, la pobreza es un fenómeno complejo y ciertas circunstancias pueden invisibilizar a poblaciones marginadas, o peor aún, excluirlas de las políticas sociales. 

En este artículo discutimos la importancia de considerar recursos tecnológicos  para la medición y combate a la pobreza, como la Inteligencia Artificial (IA), el Big Data o el aprendizaje de máquina (machine learning). En particular, el uso de fuentes de datos no-tradicionales como las imágenes satelitales tienen el potencial para poder identificar, dentro de las complejas zonas urbanas, islas de pobreza o asentamientos irregulares, y visibilizar poblaciones muchas veces no identificadas en las encuestas tradicionales. 

En el marco de EmpatIA, y en colaboración con el Centro Latam Digital, Prosperia desarrolló un mapa basado en modelos de Inteligencia Artificial para identificar zonas de alta vulnerabilidad dentro de la Ciudad de México (CDMX). En total, se lograron identificar cerca de 400 asentamientos irregulares, 150 islas de pobreza, y 100,000 islas de pobreza a nivel de predio. Los resultados de este estudio permiten aportar en la discusión sobre el rol de las tecnologías en el  diseño, focalización e implementación de políticas sociales, y su posible aplicación en diversas regiones de Latinoamérica, en donde aún existen amplias áreas de oportunidad en términos de políticas  de combate a la pobreza y la desigualdad. 

1. Sistemas de focalización y mapas de pobreza: nuevas tendencias basadas en datos no tradicionales

Los sistemas de focalización, ampliamente utilizados para la toma de decisiones en políticas sociales y de combate a la pobreza, enfrentan ciertas imprecisiones que potencialmente derivan en ineficiencias y acceso desigual a los apoyos, teniendo en Latinoamérica un error de medición cercano al 30% [1]. Esto se traduce en dos tipos de errores: poblaciones que reciben apoyos a pesar de no estar en una condición de vulnerabilidad (error de inclusión) y poblaciones en condición de vulnerabilidad que no reciben apoyos a pesar de cumplir con las condiciones para acceder (error de exclusión). 

La mayor parte de los sistemas que identifican poblaciones vulnerables se basan en indicadores, los cuales toman datos económicos (ingresos, gastos o consumo de los hogares), demográficos y/o geográficos. [2]. Los mapas de pobreza, elaborados a partir de datos de encuestas, son un ejemplo de esta última categoría, es decir, indicadores de vulnerabilidad con base en datos geográficos. Con el objetivo de generar estimaciones con mayor resolución geográfica, estos mapas implementan metodologías que integran el detalle de la información de las encuestas con la cobertura exhaustiva de los censos [3]. Aún así la resolución más alta que se alcanza es a nivel manzana.

En este sentido, la tecnología presenta una oportunidad para la generación de índices y herramientas de focalización basados en datos geográficos. Actualmente, existen métodos que combinan fuentes tradicionales con fuentes no tradicionales como pueden ser datos de teléfonos celulares, satelitales, o datos de texto, los cuales “están creando oportunidades para mapear la pobreza con mejor resolución y a mayor escala”. Estos métodos permiten realizar estimaciones con una alta resolución, por ejemplo a nivel predio, con los datos más actualizados y a gran escala [4]. A continuación, discutimos una aplicación de estas tecnologías en la elaboración de un mapa de pobreza dentro de la Ciudad de México. 

2. Mapas de pobreza de la CDMX: el uso de fuentes no tradicionales

En México existen dos principales mediciones de pobreza. La primera de ellas es el Índice de rezago social del Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL); la segunda, es el  índice de marginación del Consejo Nacional de Población (CONAPO). Estos índices se elaboran con base en características demográficas, socioeconómicas y culturales provenientes del Censo Nacional, por lo que resumen información con un nivel de confiabilidad y riqueza inigualables. 

Sin embargo, las encuestas y los censos presentan retos importantes, para los que las fuentes no-tradicionales se presentan como una herramienta complementaria o incluso una alternativa en la generación de mapas. Por ejemplo, las imágenes satelitales ofrecen opciones menos costosas que las encuestas tradicionales, mientras que también permiten conocer información actualizada en menortiempo y muchas veces en un muy alto detalle y resolución espacial. 

Para aprovechar las ventajas de ambas, Centro Latam Digital en colaboración con Prosperia, generó un mapa de pobreza y asentamientos informales de la CDMX combinando los índices de  medición  de  pobreza  y  los resultados del Censo de Población y Vivienda 2020 (Censo 2020) con información sensorial remota, específicamente imágenes satelitales diurnas. El mapa está compuesto por una malla de 454,166 celdas de 50 mts x 50 mts, que cubren todas las manzanas urbanas de la CDMX registradas en el Marco Geoestadístico 2020. Cada celda cuenta con información de las siguientes variables:

1. Probabilidad de Área Habitacional Construida (CHA): Con la capa de predios habitacionales y la capa geoestadística de manzanas urbanas sin población, se toma una muestra grande sobre la que el modelo predice la probabilidad de CHA (ver Figuras 1 y 2).

2. Probabilidad de Pobreza:Estimada para cada celda a partir de un modelo de IA que se basa en un índice que considera las siguientes dimensiones del Censo 2020:

• Vulnerabilidad del Hogar. Vivienda con más de un cuarto, más de dos cuartos, más de un dormitorio, con piso de tierra, con servicios básicos, agua entubada, drenaje, electricidad.
• Vulnerabilidad en Activos. Si el hogar cuenta con: autos, celulares, computadora, internet, lavadora, refrigerador, teléfono, entre otras.
• Vulnerabilidad  Económica. Si  el  hogar  cuenta  con  población económicamente activa, ocupada, o en asistencia escolar si aplica (ver Figura 3).

1. Índice de Marginación 2022 Categórico: Cada celda contiene la categoría del índice de marginación de CONAPO.

2. Índice de Rezago Social 2020 Categórico: Cada celda contiene la categoría del índice de rezago social de CONEVAL.

3. Si la celda contiene predios del Catastro del Sistema de Información Geográfica (SIG) de la CDMX: Columna binaria donde la categoría Sí indica que existe algún predio registrado en el SIG que intersecta con esa celda. En caso contrario se asigna la categoría de No.

Figura 1: Acercamiento a Muestra de Celdas Filtradas por CHA.

Figura 2: Filtrado por Alto Nivel de CHA

Figura 3: Celdas Coloreadas por Probabilidad de Pobreza

3. Uso de mapas de pobreza para políticas públicas

El mapa de pobreza se desplegó en una plataforma web interactiva que, mediante modelos de inteligencia artificial, simula y genera recomendaciones para la planeación y optimización de políticas públicas. Esta plataforma recomendó 453 asentamientos irregulares y 39 islas de pobreza. Los asentamientos irregulares son áreas con construcción habitacional usualmente ubicadas en lugares muy escondidos, de difícil acceso y detección terrestre, pues no aparecen en el catastro del SIG de la Ciudad de México. Estas zonas, usualmente, son de difícil detección por medio de fuentes tradicionales, pero es posible identificarlas utilizando imágenes satelitales (ver Figura 4). Por su parte, una  isla de pobreza es aquella área con una alta probabilidad de pobreza que está contenida dentro de una AGEB (1) con baja o muy baja marginación según CONAPO (ver Figura 5). 

Figura 4: Asentamiento Irregular

Figura 5: Isla de Pobreza

La metodología aplicada permite visibilizar poblaciones en condición de vulnerabilidad que de otra manera no serían vistas, y que pueden ser evaluadas por los tomadores de decisiones para su inclusión en políticas y programas sociales. En este análisis también se realizó un cruce de información que permitiera identificar asentamientos e islas de pobreza con riesgo de desastres naturales. Se encontró, por ejemplo, que la alcaldía de Xochimilco no solo tiene mucha más propensión a la inundación que otras partes de la ciudad, sino que además es una de las alcaldías con alto grado de pobreza, lo que coloca a sus habitantes en una doble condición de vulnerabilidad. 

Además, el mapa de pobreza generado a partir del proyecto Empatia podría integrara otras capas de información adicionales (padrón de beneficiarios de programas sociales, infraestructura social, mapas de riesgos, etc.) para informar decisiones de política pública tales como:

1. Priorización para la actualización de datos del Registro Social. Las campañas para la búsqueda activa de población vulnerable, presentan retos tanto en términos de inversión de recursos humanos y materiales como de tiempo. Por ello, es fundamental priorizar las áreas geográficas en las que se realizará dicho empadronamiento para garantizar campañas en campo precisas y costo-eficientes, y la cobertura de la población más vulnerable (reducción de error de inclusión).

2. Planeación y optimización de programas e infraestructura social. Identificar y dimensionar la demanda social insatisfecha de programas e infraestructura social con el objetivo de eficientar la gestión y distribución geográfica de recursos destinados a su expansión o consolidación.

3. Evaluación de la intersección entre la vulnerabilidad socioeconómica y la vulnerabilidad a desastres naturales. La incorporación de información sobre el riesgo a desastres naturales y cambio climático es un elemento clave en el fortalecimiento de políticas sociales preventivas y más responsivas.

Conclusiones: Analítica geoespacial para el apoyo a la toma de decisiones en el sector social

La tecnología tiene el potencial para revolucionar la forma en que se elaboran las políticas públicas focalizadas. En el caso de la focalización geográfica, posibilita integrar datos de alta resolución con capas de información adicionales que a través de plataformas especializadas permiten análisis geoespaciales de mayor complejidad. En particular, mediante mapas de pobreza ahora es posible identificar no solo concentraciones de población en pobreza extrema sino también áreas geográficas con patrones atípicos o con criterios adicionales de vulnerabilidad contribuyendo a la generación de esquemas de focalización más precisos y políticas sociales más inclusivas.

Este tipo de sistemas de apoyo a la toma de decisiones pueden ser de gran utilidad no solo para gobiernos sino también para la sociedad civil. Organizaciones sin fines de lucro podrían identificar con menores costos de operación y en menor tiempo las zonas susceptibles de las distintas intervenciones que realizan. Además, es importante tener en cuenta que la metodología utilizada muestra un trayecto del Big Data al Small Data. Si bien es a través del procesamiento de aproximadamente 8,000 imágenes satelitales que se identifican asentamientos irregulares, esto es solo un insumo que se suma a la experiencia y conocimiento de los funcionarios de las instituciones sociales. 

En suma, las herramientas tecnológicas permiten complementar el diseño tradicional de políticas sociales y presentan una interesante oportunidad para mejorar las herramientas de focalización geográfica, lo que permite, a su vez, la inclusión de poblaciones vulnerables que hoy se encuentran invisibilizadas.

Notas al pie:

(1) Área Geoestadística Básica (AGEB): Extensión territorial que corresponde a la subdivisión de las áreas geoestadísticas municipales. Constituye la unidad básica del Marco Geoestadístico Nacional y, dependiendo de sus características, se clasifican en dos tipos: rural o urbana. https://www.inegi.org.mx/app/glosario/default.html?p=localidades

Referencias bibliográficas:

[1] AlejandroNoriega-Campero, Bernardo Garcia-Bulle, Luis Fernando Cantu, Michiel A Bakker, Luis Tejerina, and Alex Pentland. Algorithmic targeting of social policies: fairness, accuracy, and distributed governance. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, pages 241–251, 2020.

[2] Rachel Slater, John Farrington, M Vigneri, M Samson, and S Akter. Targeting of social transfers: A review for DFID. London: ODI, 2009.

[3] Tara Bedi,Aline Coudouel ,and Kenneth Simler. More than a pretty picture: using poverty maps to design better policies and interventions. World Bank Publications, 2007.

[4] Varios Autores. Confeccionar un mapa más preciso de la pobreza. https://blogs. worldbank.org/es/opendata/confeccionar-un-mapa-mas-preciso-de-la-pobreza, 2019.

Crédito de imagen: Prosperia