En la fotografía de una calle cualquiera hay más información económica de la que solemos suponer. El material de las fachadas, el estado del pavimento, los coches estacionados, la vegetación que crece en las banquetas: todo eso guarda alguna relación con el ingreso de quienes viven ahí. La pregunta interesante no es si esa relación existe, sino si podemos aprovecharla para la política pública: ¿puede estimarse, a partir de imágenes de Google y de satélites, qué hogares son pobres en México?
El problema de fondo es viejo en economía. Focalizar un programa social —decidir a qué hogares entregarlo— exige información detallada, actual y geográficamente desagregada. Las encuestas de hogares y los censos son caros, se levantan con poca frecuencia y recogen información limitada. La inteligencia artificial no sustituye esa información estadística, pero permite aproximarla con fuentes baratas que ya existen: imágenes satelitales y fotografías de Google Street View. Una investigación en curso del EQUIDE y el Departamento de Economía de la Universidad Iberoamericana ilustra el potencial y los límites del enfoque.
Predecir la pobreza del hogar
La literatura internacional ya mostró que los indicadores satelitales y las fotografías de calle predicen razonablemente bien el bienestar promedio de un municipio o una colonia. Un estudio publicado en la revista de la Academia Nacional de Ciencias de Estados Unidos identificó, en las fotografías de Google Street View de doscientas ciudades, el año, la marca y el modelo de los automóviles estacionados en la calle, y con eso estimó el ingreso, la escolaridad y hasta la tendencia de voto de cada vecindario. Los coches, resulta, dejan una huella socioeconómica.
El problema es que la focalización de programas sociales no opera sobre colonias ni municipios, sino sobre hogares. Y el promedio de una colonia dice poco de las viviendas que la componen: una con pobreza alta contiene a la vez hogares en privación severa y hogares acomodados, y una colonia de ingreso medio puede esconder pobreza concentrada en unas cuantas manzanas. De ahí nuestra pregunta: ¿alcanza esa información para saber si un hogar es pobre o no? Es justo lo que quisimos averiguar.
Usamos una encuesta que, además de preguntar con detalle por el ingreso y las condiciones de cada hogar, permite recuperar imágenes públicas del entorno donde se ubica cada vivienda. Descargamos cinco fotografías de Google Street View por hogar y, con ayuda de un modelo de inteligencia artificial, contamos lo que aparece en cada escena —automóviles, personas, bicicletas, semáforos, entre otros— y medimos cuánto verde es visible y qué tan ordenada o descuidada se ve la calle. A eso sumamos lo que ve el satélite en un radio de 200 metros: cuánto del suelo está construido, cuánta luz emite el lugar de noche, cuánta vegetación hay, cuánto llueve. Con eso entrenamos un algoritmo para distinguir hogares pobres de no pobres.
El algoritmo acierta razonablemente bien, pero no en todas partes por igual: mucho mejor en el sur-sureste que en el norte. Eso tiene explicación, y viene del propio gradiente del país. En los hogares de nuestra muestra, el sur-sureste es más pobre y más desigual que el norte, por lo que para el modelo es más fácil clasificar a los hogares donde la distancia entre unos y otros es grande.
Para un programa social lo que importa son dos errores: dejar fuera a quien sí es pobre y admitir a quien no lo es. Los llamamos subcobertura y filtración. Nuestro modelo deja fuera a poca gente, entre 11 y 16 por ciento, pero admite a demasiada, entre 30 y 34.
¿Es mucho o poco? La referencia obligada es PROGRESA, después Oportunidades, el programa de transferencias condicionadas que México puso en marcha en 1997 y que se convirtió en modelo internacional de focalización. Para elegir a sus beneficiarios, PROGRESA no medía el ingreso de cada hogar: preguntar casa por casa cuánto gana la gente es caro y poco confiable, así que lo aproximaba con una encuesta de características observables de la vivienda y la familia. Conviene subrayarlo, porque cambia los términos de la comparación: la discusión no es entre un método aproximado y uno exacto, sino entre dos aproximaciones con costos muy distintos. Frente a los errores que documentaron las evaluaciones del programa, nuestro modelo comete menos de subcobertura y más de filtración; sólo en el sur-sureste gana en ambos. La conclusión no es sustituir los censos o encuestas socioeconómicas, sino apoyarlos donde levantar información casa por casa resulta más difícil o más caro de actualizar.
Vale la pena detenerse en el patrón regional, porque dice más sobre el país que sobre el algoritmo. Que una fotografía alcance para reconocer a un hogar pobre en el sur-sureste y no en el norte es un dato sobre cómo se distribuye la desventaja en México: en el sur está segregada y, por eso mismo, es visible. La consecuencia práctica es afortunada: la herramienta rinde más justo donde más se necesita y donde levantar encuestas cuesta más trabajo.
Todo esto viene con una advertencia que conviene tener en cuenta. El ingreso de un hogar cambia de un año a otro; la fachada de su casa, no. Un modelo entrenado con imágenes puede acertar en promedio y ser ciego a lo que más le importa a un programa social: quién acaba de caer en la pobreza y quién acaba de salir de ella. Medir ese desfase, siguiendo a los mismos hogares durante varios años, queda pendiente. Mientras tanto, estas herramientas sirven para lo que sí sabemos que hacen: mirar el territorio con más frecuencia y menos dinero que hasta ahora.
Análisis de especialistas de la Universidad Iberoamericana son presentados a nuestros lectores cada 15 días en un espacio que coordina el Departamento de Economía de la Universidad Iberoamericanas, Ciudad de México.
Comentarios: pablo.cotler@ibero.mx
El autor es investigador del Instituto de Investigaciones para el Desarrollo con Equidad de la Universidad Iberoamericana.