Confeccionar un mapa más preciso de la pobreza

La economía digital está transformando la manera en que los datos se recopilan, procesan y utilizan para tomar decisiones basadas en evidencias que permitan monitorear y alcanzar los Objetivos de Desarrollo Sostenible  (ODS). Nuevos métodos prometedores que combinan encuestas de hogares tradicionales con fuentes no tradicionales (como datos de teléfonos celulares, [i] datos satelitales [i] and datos de texto [PDF, en inglés]) están creando oportunidades para mapear la pobreza con mejor resolución y a mayor escala. Sin embargo, la instrumentación de estos métodos aún se ve obstaculizada por desafíos técnicos, prácticos y éticos considerables.

Con el fin de analizar estos desafíos, Dalberg Data Insights, el Qatar Computing Research Institute y el Grupo Banco Mundial invitaron a expertos a participar en un taller sobre mapeo de la pobreza en la cumbre mundial de AI for Good (Inteligencia Artificial por Una Buena Causa). (i) El objetivo del taller era intercambiar conocimientos y hacer planes para combinar de forma más adecuada datos tradicionales sobre el desarrollo (como encuestas de hogares, encuestas sobre la fuerza de trabajo y censos) con fuentes complementarias de macrodatos (satélites, teléfonos celulares y medios sociales), de manera de lograr mediciones de la pobreza más precisas, oportunas y eficaces en función de los costos.

Por qué es importante mejorar las mediciones de la pobreza

Las tendencias actuales en el mapeo de la pobreza surgen en gran medida a partir de More Than A Pretty Picture, (Algo más que una bonita imagen), (i) una publicación de 2007 del Banco Mundial en la que se instaba a hacer un mayor uso de mapas de la pobreza de zonas reducidas para orientar las estrategias de desarrollo. Normalmente, la pobreza se mide con datos sobre ingresos, activos y consumo. En un nuevo informe del Banco Mundial, Armando el rompecabezas de la pobreza, se explican las estimaciones y las tendencias más recientes de la pobreza mundial, y se describen nuevas formas de definir y medir la pobreza. Los mapas de la pobreza son importantes para el Grupo Banco Mundial y sus países clientes, dado que los ayudan a entender la pobreza y sus factores determinantes, así como a diseñar programas más adecuados para reducir la inequidad y mejorar la prestación de servicios públicos entre las personas extremadamente pobres¹ y el 40 % más pobre de la población. Esto se traduce en una demanda de datos más precisos para respaldar las estimaciones de zonas pequeñas (datos sumamente específicos), informes de las condiciones actuales (estimaciones realizadas casi en tiempo real) y seguimiento a gran escala (datos a gran escala).

Los mapas de la pobreza orientan las decisiones basadas en evidencias sobre los temas más diversos, desde la focalización y distribución de la inversión pública para mejorar la prestación de servicios y la infraestructura en las zonas más necesitadas (Croacia y México) hasta la respuesta ante las crisis y la evaluación de la vulnerabilidad en relación con los desastres naturales o los conflictos o la seguridad alimentaria (FEWS NET).

Las mediciones tradicionales de la pobreza se realizan con escasa frecuencia (cada 5, 7, 10 o más años) y solo son representativas cuando el nivel de especificidad es elevado. Por ejemplo, en Serajuddin y otros (2015) (PDF, en inglés) se muestra que, entre 2002 y 2011, 57 de los 155 países para los cuales el Grupo Banco Mundial monitorea datos hicieron un relevamiento de la pobreza en más de dos ocasiones (el mínimo necesario para realizar adecuadamente estas mediciones en un período de 10 años). La cobertura de los datos sobre la pobreza está mejorando. Recientemente, el Grupo Banco Mundial prometió apoyo sin precedentes para llevar a cabo una encuesta de hogares multitemática cada tres años entre 2016 y 2030 (i) en 78 países miembros de la Asociación Internacional de Fomento.

Cerrar la brecha con nuevas fuentes de datos

Los métodos alternativos (i) para realizar estimaciones de la pobreza en entornos donde los datos son escasos deben superar varios desafíos, entre ellos la cobertura y la comparabilidad. En los nuevos enfoques basados en mapeos de la pobreza con los que se procura abordar esos desafíos, suelen utilizarse datos satelitales y de teléfonos celulares. Los satélites proporcionan imágenes diarias de alta resolución de nuestro planeta, de las cuales se puede extraer información sobre la cubierta terrestre y los usos de la tierra, e incluso sobre objetos específicos (edificios, automóviles, etc.), para realizar una estimación aproximada del bienestar de los hogares (por ejemplo, las luces nocturnas [PDF, en inglés] sirven como indicador de actividad económica). Los datos de teléfonos celulares suministran información sobre el consumo, la movilidad, las redes sociales y las transacciones financieras (dinero móvil) de los usuarios, lo que permite realizar una estimación aproximada de la pobreza en una escala individual y en tiempo casi real.

Lamentablemente, cuando la cuota de mercado y el nivel de penetración de los teléfonos celulares resultan insuficientes, esos datos son sesgados y no representan a toda la población. (i) Para trabajar con datos móviles sensibles también es necesario elaborar procesos adicionales que permitan mantener la privacidad de las personas. (i) En consecuencia, el acceso a estos datos no es coherente, ni siquiera en épocas de crisis. (i)

Aunque tales restricciones no se aplican a los datos satelitales, estos aún están sujetos a limitaciones fundamentales, (i) dado que no todas las medidas del desarrollo humano pueden verse desde el cielo. Sin embargo, varios enfoques nuevos de mapeo de la pobreza han demostrado que combinando cuidadosamente datos móviles y satelitales con datos de encuestas (móviles) se pueden generar estimaciones confiables.

Por ejemplo, en Blumenstock y otros (2015) (i) se generaron estimaciones comparables a encuestas de demografía y salud a una velocidad 10 veces mayor y con costos variables 50 veces más bajos. En varios otros estudios se han combinado datos móviles, satelitales y de encuestas (Njuguna y otros (2017) [i],Steele y otros (2017) and Pokhriyal y otros (2017)). Asimismo, los investigadores han analizado el uso de datos de publicidad, (i) Wikipedia (PDF, en inglés) y Google Street View (i) para realizar un mapeo de la pobreza. Sin embargo, estos enfoques aún están en etapa piloto o de investigación, y es importante señalar que los macrodatos no substituyen, sino que complementan, los datos de encuestas de alta calidad.

Al lograr que las encuestas y los macrodatos funcionen mejor en forma combinada —promoviendo un acceso más amplio, una mayor interoperabilidad y un diseño de encuesta más adecuado—, la comunidad del desarrollo puede acelerar el proceso para validar y evaluar los costos y beneficios de los enfoques no tradicionales que permitan mejorar la puntualidad, la cobertura y la calidad de la información sobre las políticas.

Aplicar mediciones de la pobreza de alta resolución

Los participantes del taller sobre mapeo de la pobreza identificaron varias medidas que pueden adoptarse para mejorar la accesibilidad y la integración, y promover el uso responsable de diversas fuentes de datos y el aprendizaje automático para el mapeo de la pobreza, a saber:

1. Acelerar la validación de nuevos enfoques prometedores a través de competiciones en línea y actividades programáticas para comparar métodos y evaluar su eficacia en función de los costos y su grado de adecuación a los fines previstos.
2. Fortalecer la capacidad local para utilizar y mantener mediciones de alta resolución a través de prácticas en materia de análisis y capacitación.
3. Invertir en mecanismos de acceso a datos, como modelos de negocios sostenibles (PDF, en inglés) que trasciendan los modelos de financiamiento filantrópicos y mecanismos legales y técnicos que permitan generar datos de carácter más institucional y de propiedad de los países que sean accesibles como bienes públicos.
4. Mejorar la infraestructura de datos públicos y comerciales utilizando estándares y formatos que promuevan la interoperabilidad, datos listos para utilizar, (i) y flujos de trabajo en la nube. (i)

Desde que Naciones Unidas publicó Un Mundo que Cuenta: Movilización de la Revolución de los Datos para el Desarrollo Sostenible (PDF) hace cinco años, se han incrementado las innovaciones relacionadas con el mapeo de la pobreza que se valen de los macrodatos y el aprendizaje automático. Aunque el potencial de dichas innovaciones para complementar las estadísticas oficiales se ha demostrado con relativa precisión, aún no se han adoptado en forma generalizada. La comunidad del desarrollo necesita que el ecosistema de los datos evolucione de manera constante para confeccionar mapas de la pobreza de alta resolución y, de ese modo, acelerar los avances relacionados con el ODS 1 (“Fin de la pobreza”).

¿Quiere participar en el debate? Únase a la comunidad enviando un mensaje de correo electrónico a iweber@hbku.edu.qa y damien.jacques@dalberg.com