Para 2050, las Naciones Unidas prevén que alrededor del 66 % de la población mundial vivirá en zonas urbanas. Se espera que la mayor expansión tenga lugar en regiones en desarrollo como África y Asia. Las ciudades de estas regiones tendrán el desafío de satisfacer las necesidades de sus residentes y proporcionar suficiente vivienda, energía, gestión de residuos, atención sanitaria, transporte, educación y empleo.
Por eso, entender cómo crecerán las ciudades y cómo podemos hacerlas más inteligentes y sostenibles en ese proceso es una prioridad para investigadores y gobiernos de todo el mundo. Debemos comprender los mecanismos internos de las ciudades si queremos diseñarlas para el futuro. Por suerte, hay herramientas que nos ayudan a hacerlo. Y, mejor aún, utilizarlas se parece un poco a jugar a SimCity.
Todo un mundo nuevo (simulado)
Las ciudades son sistemas complejos. Cada vez más, los científicos que estudian las ciudades han pasado de concebirlas como «máquinas» a abordarlas como «organismos». Considerar las ciudades organismos complejos y adaptables —similares a sistemas naturales como los termiteros o las colonias de mohos mucilaginosos— nos permite obtener perspectivas únicas sobre su funcionamiento interno. Así es como.
Los organismos complejos se caracterizan por unidades individuales que pueden regirse por un pequeño número de reglas sencillas. A medida que estos elementos relativamente simples viven y se comportan, la suma de sus interacciones y comportamientos individuales genera fenómenos agregados de mayor alcance. Por ejemplo, los hermosos y complejos patrones que forman las bandadas de aves no están organizados por un líder. Surgen porque cada ave sigue unas reglas muy sencillas sobre la distancia que debe mantener con las demás, la dirección en la que debe volar y cómo evitar a los depredadores.
De manera similar, las colonias de hormigas pueden mostrar un comportamiento muy sofisticado y aparentemente inteligente. Pero esa sofisticación no es fruto de un buen líder. Es el resultado de muchas hormigas que siguen reglas relativamente sencillas, sin tener en cuenta el panorama general. Es fácil ver cómo podría aplicarse esta perspectiva a los sistemas humanos para explicar fenómenos como los atascos.
Así pues, si las ciudades son como organismos, debemos estudiarlas desde abajo y tratar de entender cómo surgen fenómenos inesperados a gran escala de las interacciones individuales. En concreto, podemos simular cómo el comportamiento de «agentes» individuales —ya sean personas, hogares u organizaciones— afecta al entorno urbano, mediante un conjunto de técnicas conocido como «modelado basado en agentes».
Aquí es donde se parece un poco a SimCity. Es lógico que el videojuego se basara originalmente en el trabajo de Jay Forrester, un científico de sistemas de renombre mundial interesado en la dinámica urbana. En el juego, se asignan características y reglas propias a agentes individuales, que pueden interactuar con otros agentes y con el entorno. De estas interacciones surgen distintos comportamientos, que impulsan la siguiente serie de interacciones.
Pero, mientras que los videojuegos pueden recurrir a generalizaciones sobre el comportamiento de las personas y las organizaciones, los investigadores deben extraer información de los conjuntos de datos disponibles para construir reglas realistas y sólidas que puedan someterse a pruebas y evaluaciones rigurosas. Para hacerlo con eficacia, necesitamos muchos datos a nivel individual.
Modelado a partir de macrodatos
Hoy en día, el aumento de la capacidad de cómputo y la proliferación de los macrodatos otorgan al modelado basado en agentes una capacidad y un alcance sin precedentes. Uno de los avances más interesantes es la posibilidad de incorporar los pensamientos y comportamientos de las personas. Así, podemos empezar a modelar los efectos de las decisiones de las personas en las circunstancias actuales y en el futuro.
Por ejemplo, quizá queramos saber cómo podrían afectar los cambios en el trazado de las carreteras a las tasas de delincuencia en ciertas zonas. Al modelar las actividades de las personas que podrían intentar cometer un delito, podemos ver cómo la modificación del entorno urbano influye en la forma en que la gente se desplaza por la ciudad, en los tipos de viviendas que llega a conocer y, por consiguiente, en qué lugares corren mayor riesgo de convertirse en objetivo de robos con allanamiento.
Para hacer realidad el objetivo de simular ciudades de esta manera, los modelos necesitan una enorme cantidad de datos. Por ejemplo, para modelar el flujo diario de personas por una ciudad, necesitamos saber a qué dedican el tiempo, dónde lo hacen, con quién y qué impulsa su comportamiento.
Sin datos de buena calidad y alta resolución, no podemos saber si nuestros modelos producen resultados realistas. Los macrodatos podrían ofrecer a los investigadores abundante información para satisfacer estas dos necesidades. Entre los tipos de datos que entusiasman a quienes modelan entornos urbanos se encuentran:
Tarjetas electrónicas de transporte que nos indican cómo se desplaza la gente por una ciudad.
Mensajes de Twitter que permiten conocer lo que la gente hace y piensa.
La densidad de teléfonos móviles, que puede indicar la presencia de multitudes.
Transacciones con tarjetas de fidelización y de crédito para entender el comportamiento de los consumidores.
Cartografía participativa de espacios urbanos hasta ahora desconocidos, como Open Street Map.
A menudo, estos datos pueden desglosarse hasta el nivel de una sola persona. Como resultado, los modelos de fenómenos urbanos ya no tienen que basarse en supuestos sobre la población en su conjunto: pueden adaptarse para reflejar la diversidad de una ciudad llena de personas que a menudo piensan y se comportan de manera diferente.
Las personas que faltan
Por supuesto, al integrar macrodatos en modelos urbanos hay que tener en cuenta importantes consideraciones prácticas y éticas. El ruido de fondo de las nuevas fuentes de datos puede dificultar la extracción de información útil y fiable. Por ejemplo, a menudo resulta difícil distinguir los mensajes de Twitter publicados por bots de los publicados por personas reales.
También debemos asegurarnos de saber quiénes están bien representados en nuestros datos y quiénes no. La brecha digital sigue existiendo y las investigaciones sugieren que hay una brecha de clase entre quienes producen contenidos digitales y quienes no. Esto significa que probablemente falten grandes sectores de la población en los conjuntos de datos.
También necesitamos encontrar nuevas formas de hacer que estos métodos sean éticos. Tradicionalmente, la ética del consumo y de la investigación se ha articulado en torno al consentimiento informado. Antes de participar en entrevistas o encuestas, las personas deben firmar formularios de consentimiento que autorizan a los investigadores a utilizar sus datos. Pero ahora las personas están digitalizando aspectos de su vida, como sus estados de ánimo, pensamientos, sentimientos y comportamientos, que históricamente no se habían documentado. Y, algo importante, estos datos suelen publicarse en internet.
Y aunque una persona haya marcado una casilla para autorizar el uso de sus datos, eso no garantiza que haya leído y entendido las condiciones. Las condiciones de iTunes de junio de 2015, por ejemplo, tienen más de 20 000 palabras (20 veces la extensión de este artículo). Los investigadores y proveedores de servicios deben preguntarse cuántas personas llegan realmente a comprender estos documentos y si su aceptación satisface nuestra idea de consentimiento.
Quizá nunca podamos simular a todas las personas de una ciudad, y probablemente nunca queramos hacerlo. Pero cada vez estamos más cerca de poder simular la riqueza del tejido que se entrelaza para dar forma a nuestras ciudades. Si lo conseguimos, podremos aportar información útil sobre la mejor manera de diseñar las ciudades del futuro, quizá hasta el último farol, autobús y bloque de viviendas.
