John Grunsfeld, antiguo jefe científico de la NASA y veterano de cinco vuelos del transbordador espacial, tuvo varias oportunidades de mirar hacia la Tierra y observó que la pobreza puede reconocerse desde lejos. A diferencia de los países más ricos, que suelen aparecer en verde, los países más pobres con menor acceso al agua presentan un impactante color marrón. Durante la noche, los países más prósperos iluminan el cielo, mientras que las naciones con una electrificación menos extendida se ven tenues.
Las observaciones del doctor Grunsfeld podrían tener implicaciones importantes. Las imágenes de satélite podrían convertirse en una herramienta para ayudar a identificar dónde existe pobreza, al ampliar la imagen hasta las aldeas más pequeñas y permitir un seguimiento constante que no puede lograrse con las encuestas tradicionales.
“La exactitud de las cifras mundiales de pobreza depende de la disponibilidad de encuestas de hogares”, escribe Chandy (2013), y “esta sigue siendo una de las mayores limitaciones para los datos sobre pobreza en la actualidad”. Dos quintos de los países no realizan una encuesta de hogares cada cinco años. Incluso cuando se llevan a cabo encuestas de hogares, los pobres tienden a ser difíciles de alcanzar para quienes realizan encuestas o censos, y la calidad de los datos suele ser baja. Por el contrario, los satélites recopilan datos de forma constante a lo largo del año, independientemente de los riesgos físicos o sociales.

En un reciente artículo (Klemens, Coppola y Shron, 2015), utilizamos Guatemala como caso de estudio para evaluar el potencial de los datos satelitales, combinando datos de luminosidad nocturna y datos sobre cobertura foliar extraídos de imágenes satelitales con la información proporcionada por las encuestas de hogares que tradicionalmente se usan para medir la pobreza. Guatemala es un caso interesante porque el Instituto Nacional de Estadística (INE) proporciona datos sobre la pobreza urbana y rural por separado, lo que nos permitió realizar ejercicios que distinguen entre municipios urbanos y rurales. En particular, analizamos la relación entre las estimaciones existentes de pobreza a pequeña escala, urbanas y rurales (basadas en información de censos y encuestas de hogares), la iluminación nocturna (de la Administración Nacional Oceánica y Atmosférica de Estados Unidos, NOAA), la reflectividad de la superficie terrestre (de la Administración Nacional de Aeronáutica y del Espacio de Estados Unidos, NASA) y la cobertura foliar (también de la NASA).
¿Puede una imagen desde el espacio ayudar a medir la pobreza en una aldea guatemalteca? Nuestros hallazgos indican que los datos de imágenes satelitales pueden aportar información valiosa para mejorar las mediciones de pobreza. En las regresiones de mínimos cuadrados ordinarios con las medidas de pobreza como variable dependiente, mejora el criterio de información de Akaike corregido (o AICc, una medida de la calidad relativa de los modelos estadísticos) cuando se incluyen las medidas de luminosidad. También observamos que el mismo tipo de información satelital puede ser más o menos significativa según el tipo de estudio. Por ejemplo, en nuestras regresiones sobre pobreza rural, los datos de luminosidad fueron significativos; sin embargo, en las regresiones sobre pobreza urbana, no lo fueron. Las medidas satelitales de cobertura foliar mostraron una correlación menor con las medidas de pobreza que la luminosidad.
En esta etapa, los datos satelitales no pueden sustituir a los datos de encuestas tradicionales para medir la pobreza. Sin embargo, sin duda pueden aportar valor y mejorar los resultados de las estimaciones. Debemos seguir explorando las oportunidades que ofrecen las nuevas tecnologías y las fuentes de datos innovadoras para ayudarnos a afrontar los desafíos del desarrollo.
Este artículo se publica en colaboración con el Banco Mundial. La publicación no implica el respaldo de las opiniones por parte del Foro Económico Mundial.
Para mantenerse al día con la Agenda suscríbase a nuestro boletín semanal.
Autores: Andrea Coppola trabaja como economista sénior para países en el Banco Mundial. Ben Klemens es economista y estadístico en busca de mejores modelos. Max Shron es fundador de Polynumeral, una consultora de estrategia con sede en la ciudad de Nueva York, especializada en resolver problemas mediante big data y aprendizaje automático.
Imagen: El sol está a punto de salir sobre el océano Pacífico Sur. NASA/Handout vía Reuters.



