Tras la catástrofe, matemáticas

Hasta 46 dólares por 24 botellines de agua. Esta era la oferta que un establecimiento Best Buy de Houston hizo a finales de agosto, ante las catástrofes de Harvey. Junto a ésta, se han sucedido imágenes y publicaciones en redes sociales mostrando lo disimétrico de las evacuaciones y reparto de ayuda de poblaciones ricas y pobres. Desde el orgullo de abandonar Miami en jet privado, a los interminables atascos huyendo de la furia de Irma.

Hay una rama de las matemáticas que lucha contra las injusticias en la distribución de ayuda y por una intervención eficiente con herramientas estadísticas, computación y recopilación de grandes datos (big data). Begoña Vitoriano es experta en logística humanitaria. Esta investigadora de la Universidad Complutense de Madrid es directora de un máster en esta materia. Dirige el grupo que ideó en 2010 dos programas informáticos capaces de predecir la magnitud de una catástrofe (como el rango de muertes) y diseñar la red de ayuda sobre terreno.

En casos muy mediáticos como Irma o el terremoto de México, "hay de repente una movilización de fondos tremenda", apunta la matemática, "sobre todo cuando cala el mensaje. Hay que gestionar desde un lugar donde a veces las estructuras no acompañan. Llegas a un sitio sin capacidades logísticas, no hay puertos o aeropuertos, por ejemplo".

Computación para gestionar el exceso de buena voluntad

Se trata entonces de no hacer un reparto de ayuda sin ton ni son. O que se eche a perder. O movilizar recursos en exceso o defecto. "Puede llegar un punto en que das ayuda a gente cuyas condiciones empiezan a ser mejores que las anteriores o mejores que las de sus vecinos. No hay tiempo de analizar despacio".

Interfaz del programa SEDD. Clave: PN = pocos o ninguno; MP = muy pocos; P = pocos; B = bastantes; M = muchos M.V.

Para evitar esas situaciones, desarrollaron dos herramientas: la primera, "El Sistema Experto para el Diagnóstico en Desastres (SEDD), para la predicción y diagnóstico de los desastres y ayudar a las ONG en la toma de decisiones estratégicas”. En otras palabras, un programa de ordenador que es capaz de decirnos cómo de grave va a ser el momento después al paso de un huracán, un terremoto o un incendio, en términos de número de víctimas, desplazados o daños materiales.

Vitoriano pone un ejemplo: "En un terremoto, los medios transmiten información de fuentes gubernamentales: hay dos fallecidos, seis, diez…, va aumentando poco a poco porque sólo se da la cifra cuando se constata. Esa información no es del todo útil para que una ONG decida si si movilizar a su personal o captar fondos. Hace falta más información a partir de la experiencia".

El programa calcula la magnitud del desastre a partir de muy pocos datos del suceso

En este sentido, los grandes datos son fundamentales. Cada vez contamos con más sensores en tiempo real que auscultan nuestro mundo, desde los satélites y sismógrafos, a nuestros teléfonos móviles. Pero no menos importantes son las bases de datos (y que sean accesibles) sobre registros históricos de terremotos, características geológicas de cada región, etc. La combinación de esos datos permite crear programas como SEDD.

"Hace el trabajo que tradicionalmente hacían los expertos, sólo que éstos hacían estimaciones subjetivas" –acertadas las más de las veces, todo hay que decirlo–. "Queremos darles una herramienta con una base fiable que ayude a que tomen esas decisiones".

La segunda herramienta, HADS, viene a ser como los sistemas que gestionan los recursos de una multinacional. "Pensemos en una marca mundial de refrescos. Tiene clarísimo lo que hay [en cada momento] en sus almacenes por el mundo para satisfacer su demanda. No improvisan". La logística humanitaria pretende dar esa respuesta, una vez han llegado alimentos, mantas o combustibles a la zona en emergencia o controlando en tiempo real los stocks de los almacenes mundiales de Naciones Unidas.

La herramienta se basa en el uso de un mapa logístico del territorio, con nodos (localidades) y conexiones (caminos y carreteras). El grafo (representación de la unión entre puntos) incluye la demanda de ayuda desde poblaciones afectadas, los aeropuertos, puertos o almacenes, la disponibilidad y características de los vehículos y las rutas que los conectan.

Aún es pronto para evaluar la intervención en los últimos ciclones, pero se aprendió mucho de los errores de Haití, por ejemplo

Estos son problemas que aplica diariamente desde un navegador como Google Maps o TomTom, o la gestión logística de un envío de Amazon, "pero [esas matemáticas] aún no están aplicadas suficientemente a este ámbito humanitario".

"Aún es pronto para evaluar" lo que se ha hecho mal y bien en la secuencia de ciclones americanos o el terremoto de México, pero no hay duda de que de las experiencias previas se aprende, como del sismo de Haití de 2010 o, incluso, de los atentados de Madrid de 2004. "No basta con la solidaridad", la clave es saber gestionar la buena voluntad con información, "rendir cuentas a la población" y, ante todo, saber que "no hay mejor respuesta que una buena preparación".

Big data para medir tu vulnerabilidad desde el cajero automático

Gastos ante el huracán Odile en Baja California Sur E.I.

Una de las más llamativas aplicaciones para medir cómo de sensible a un desastre puede ser una población fue desarrollada en 2016 por BBVA Data. A partir del huracán Odile, a su paso por México, los expertos analizaron la actividad económica de miles de clientes del banco para ver cómo se comportan antes y después de una catástrofe.

El estudio analizó los  pagos realizados con tarjeta en tienda y las retiradas de efectivo en cajeros de más de 100.000 clientes de BBVA Bancomer. Al cruzar los datos, calcularon el impacto económico y la resistencia de las personas de la región.

En este caso concreto, vieron que tras el paso del huracán, se tardaron dos semanas en recuperar los pagos con tarjeta, y una semana en el caso de la retirada de efectivo. El estudio, que midió el nivel de operaciones 30 días después del impacto, mostró que se habían registrado un 30% menos de operaciones en los TPV y un 12% menos de retiradas de efectivo, en comparación con un periodo normal.