Selecciona Edición
Selecciona Edición
Tamaño letra

Movilidad, Big Data y Desarrollo

Un proyecto de datos cuantifica y analiza la movilidad humana y el impacto en la población que se queda en origen

 Miles de personas se juegan la vida en el mar huyendo de la desesperación.
Miles de personas se juegan la vida en el mar huyendo de la desesperación.

La movilidad es uno de los factores más importantes cuando consideramos la vulnerabilidad, nivel socioeconómico y medios de producción en países en desarrollo. Estimaciones de Naciones Unidas contabilizaban un total de 65 millones de personas desplazadas en todo el mundo en 2015. Gran parte de los desplazamientos se deben a las migraciones producidas por condiciones climáticas adversas y desastres naturales. La movilidad también nos da pistas sobre las estrategias que tienen las poblaciones para enfrentar a estas condiciones adversas y de la estructura socioeconómica del país. Por ello, desde Naciones Unidas se ha identificado que las migraciones es uno de los desafíos más importantes que afrontar para alcanzar los Objetivos de Desarrollo Sostenible.

Persiguiendo cuantificar movilidad, se creó un proyecto fruto de la colaboración entre la Universidad Politécnica de Madrid, United Nations Global Pulse NY, Pulse LAB Kampala y World Food Programme en Senegal, contemplado dentro de la iniciativa Data For Development (D4D). Este proyecto supuso un caso disruptivo en el uso de Big Data para entender movilidad con alta resolución y de forma sistemática, maximizando la representatividad de los diversos grupos sociales. Un gran logro es que ahora podemos obtener un censo nacional cada mes o incluso cada semana.

La población de Senegal está en movimiento todo el año, aunque hay variabilidad de movilidad dentro de las zonas geográficas clasificadas respecto al medio de vida (livehood), según muestra el estudio. En algunas regiones la ratio de población migratoria es prácticamente similar a la de la población que no migra. También existe un porcentaje menor de población que podría considerarse nómada debido a su medio de vida. Al comienzo de la época de lluvias, la población de las zonas rurales decrece produciéndose un flujo masivo hacia las zonas urbanas, para luego crearse otro flujo de retorno por la cosecha. Esto es fundamental para entender diversos fenómenos socioeconómicos y el suministro de alimentos en mercados a través de mecanismos de seguridad alimentaria gestionados en Senegal por CSA, SECNSA y WFP.

Años de pocas lluvias pueden producir un desajuste en esta migración estructural, acumulándose gente en la ciudad en busca de trabajo y alimento afectando a la oferta-demanda en mercados. Estas migraciones también tienen impacto en la malnutrición y vulnerabilidad de la gente que se queda en zonas rurales, normalmente, mujeres, niños y gente de avanzada edad, potencialmente desprotegida. También hay un impacto en la salud global ya que estas migraciones sincronizadas con la época de lluvias pueden dar lugar a la propagación de enfermedades transmitidas por mosquitos como la malaria. También suponen un factor clave en la accesibilidad a servicios sanitarios mínimos por distancia, capacidad de los servicios o la falta de concienciación de poblaciones nómadas. Es clave tener en cuenta que la gente que migra a las ciudades suele quedarse en zonas pobres de Dakar y otras pocas ciudades con malas infraestructuras y condiciones sanitarias.

¿Cómo medimos esta movilidad? En un artículo publicado en la revista PLOS ONE, se desgrana la metodología basada en datos anonimizados y agregados de teléfonos móviles. Al usarlos, se generan huellas digitales, evidencias de comportamiento denominadas Call Detail Records. Estos datos contienen la geolocalización, la marca de tiempo de la llamada o mensaje e identificadores anónimos de los usuarios. Posteriormente, siempre, se agregan para evitar riesgos para la privacidad de las personas. Mediante técnicas de inteligencia artificial transformamos estos datos en perfiles de movilidad. Los datos pasan a convertirse en patrones que capturan comportamiento humano real y se pueden visualizar interactivamente desde cualquier lugar.

Estos indicadores de movilidad son fundamentales para mejorar la planificación, monitoreo y evaluación de decisiones y programas para el desarrollo. Además, se reduce el riesgo y el potencial coste de tiempo y dinero de otras metodologías más tradicionales. Una vez se accede a los datos se generan indicadores en tiempo real. Un aspecto clave: además de la mejora de eficacia y eficiencia, se aumenta la representatividad de las poblaciones en el estudio. Nuestra metodología consigue maximizar la representatividad, paso previo necesario a medir y reducir desigualdades. Cada grupo poblacional de interés se ve a través de su perfil de movilidad y no mezclado con otros grupos sociales, así es posible diseñar acciones más concretas y, en definitiva, más humanas.

El proyecto es un ejemplo de cómo la inteligencia artificial puede fomentar el desarrollo y decisiones más humanas. Mirando al futuro cercano, es posible imaginar sistemas de monitoreo interactivos que den información en tiempo real sobre migraciones globales para distintos grupos poblacionales. Estos nuevos sistemas se antojan fundamentales para optimizar la toma de decisiones y el diseño de políticas para el desarrollo y para sectores como el de la agricultura, la salud, la energía o las infraestructuras.

Censos dinámicos de diferentes regiones urbanas y rurales en función de su nivel de electrificación junto a estimaciones de niveles de lluvias e índice de verdor.
Censos dinámicos de diferentes regiones urbanas y rurales en función de su nivel de electrificación junto a estimaciones de niveles de lluvias e índice de verdor.

El proyecto formó parte de la iniciativa Data For Development (D4D) impulsada por Orange y fue galardonado por la Bill & Melinda Gates Foundation.

David Pastor Escuredo es experto en Big Data para el Desarrollo y la Acción Humanitaria en la UPM. Colabora con UNGP, WFP y UNHCR en innovación y operaciones basadas en Big Data. Es fundador y director del LifeD Lab

Más información