Simulaciones y pobreza multidimensional: Reflexiones sobre un estudio de evaluación del COVID-19

La pandemia actual de COVID-19, que comenzó a principios de 2020, puso a los responsables de las políticas en una difícil situación. En primer lugar, existe un alto grado de incertidumbre tanto respecto de la eficacia como de los posibles efectos secundarios de la mayoría de las medidas que se han tomado para reducir la propagación del virus, al no saber las características epidemiológicas precisas de éste. En segundo lugar, la pandemia ha provocado grandes males, incluyendo un gran número de muertes prematuras, serias contracciones económicas, y negativos efectos sobre la educación de varias generaciones de jóvenes.

Mientras tanto, la investigación orientada a las políticas públicas enfrenta una escasez de datos, lo que impide dar recomendaciones y consejos fundamentados, puesto que aún no se han podido realizar evaluaciones de impacto convencionales. No obstante, este tipo de situaciones requieren de decisiones, incluso en circunstancias así de adversas.

En un reciente estudio, aplicamos técnicas de simulación para hacer una evaluación anticipada (ex ante) de la pandemia y de las respuestas políticas relacionadas con la pobreza multidimensional global. Este artículo muestra una discusión no técnica de ese estudio, destacando la utilidad y los problemas que presentan las simulaciones para los análisis de la pobreza multidimensional.

 

Datos y escenarios

En nuestro estudio, utilizamos conjuntos de microdatos de 70 países incluidos en el Índice de Pobreza Multidimensional (IPM) global 2020, junto con información de cambios de la pobreza multidimensional en el tiempo, documentados en detalle en las notas metodológicas 49 y 50 [1] de OPHI. El IPM global está compuesto por 10 indicadores agrupados en tres dimensiones (salud, educación y niveles de vida), y se basa en el enfoque de conteo de corte doble, a veces llamado método Alkire-Foster. Calculado desde el 2010 sobre la base de conjuntos de datos de encuestas de hogares, como la Encuesta Demográfica de Salud (DHS), y la Encuesta de Indicadores Múltiples por Conglomerados (MICS), el IPM global fue revisado en 2018 para alinearse mejor con los Objetivos de Desarrollo Sostenible.

En nuestras simulaciones, implementamos escenarios para dos de los diez indicadores del IPM global: privación en nutrición e inasistencia a la escuela, porque (i) capturan efectos relevantes a corto plazo; (ii) existe suficiente información confiable para saber cómo estos indicadores pueden verse afectadas por la pandemia; y (iii) tienen una importante ponderación en el IPM global.

Los datos del Programa Mundial de Alimentos (PMA) sobre riesgos para la seguridad alimentaria brindan información sobre los escenarios de privación de alimentos. El PMA proporciona cifras previas a la pandemia sobre personas que padecen inseguridad alimentaria en muchos países del mundo en desarrollo.

En nuestras simulaciones, suponemos que la inseguridad alimentaria se materializa en la malnutrición entre las personas pobres y vulnerables que habían conseguido evitar este tipo de carencias antes de la aparición de la pandemia. Teniendo en cuenta las características específicas de los datos del PMA, obtenemos tres posibles índices de riesgo de aumento en las privaciones de nutrición: 12%, 20%, y 50%.

Los riesgos de no asistir a la escuela se basan en los datos de la UNESCO acerca del cierre diario de las escuelas en todo el mundo. Derivamos un riesgo del 50% de que los niños en edad escolar experimenten una pérdida significativa de la escolaridad, y, por lo tanto, de privación en la asistencia a clases por el cierre de escuelas durante el primer año de la pandemia.

Interpretación y resultados

A principios de 2020, gran parte de los microdatos se habían recogido varios años antes de la llegada de la pandemia. Como consecuencia, el tomar los resultados de la simulación al pie de la letra sería engañoso, ya que se ignorarían las recientes reducciones de la pobreza en los distintos países analizados. Además, los impactos simulados no reflejarían las condiciones existentes en 2020 (2).

Por esta razón, primero proyectamos la pobreza multidimensional al 2020, para luego desarrollar y aplicar un modelo que transfiera los impactos simulados al 2020. Esto permite calcular los aumentos potenciales en los niveles de probreza en los diferentes escenarios debido a la pandemia. La Tabla 1 muestra, por ejemplo, que, según nuestro escenario más pesimista, el IPM global aumentaría a 0,164, y que el número de pobres aumentaría en 547 millones, lo que representa un incremento considerable.

Además, calculamos el retroceso en términos de años de reducción de pobreza causado por la pandemia. Encontramos que, dependiendo del escenario subyacente, la pandemia puede ocasionar que se pierda todo el progreso logrado durante una década entera de reducción de la pobreza multidimensional global.

Discusión

Una recomendación que destacamos en el documento es que se necesitan medidas políticas adecuadas para evitar que estas nuevas privaciones se consoliden. Investigaciones anteriores documentan varias medidas para atenuar el efecto de los cierres temporales de escuelas sobre las tasas de deserción escolar (Banco Mundial, 2020).

Metodológicamente, las simulaciones emergen como una herramienta prometedora para entender mejor la pobreza multidimensional. En primer lugar, las simulaciones se pueden aplicar incluso cuando no hay disponibilidad de información clave sobre determinados aspectos. Además, si se diseñan correctamente, las simulaciones pueden explicar implícitamente diversos aspectos de los microdatos, incluida la distribución conjunta de las privaciones (por ejemplo, de perfiles específicos de privación) y diversos aspectos sociodemográficos (por ejemplo, la estructura de edad de la población).

Sin embargo, las simulaciones no están exentas de problemas. Es posible que el desfase en los microdatos no refleje con exactitud la situación actual de un país, y, en consecuencia, se arribe a conclusiones engañosas. Un modelo de actualización de las simulaciones al momento en el que inicia la pandemia, como el que se propone en nuestro documento, puede soclucionar este problema en algunos casos, aunque contar con microdatos más recientes es simpre una mejor solución.

Otro problema de las simulaciones es que su plausibilidad y precisión no son fáciles de determinar. Por lo tanto, es vital contar con documentación muy clara y detallada de los supuestos subyacentes y de los datos utilizados. De lo contrario, un estudio de simulación se verá inevitablemente contaminado por un inaceptable grado de arbitrariedad.

Un tercer problema guarda relación con la implementación real de los escenarios: ¿Qué individuos o familias son susceptibles de sufrir una nueva privación? ¿Cómo se implementa la aparición de esta privación, y cómo se justifica este procedimiento? En nuestro escenario de inasistencia escolar, por ejemplo, implementamos un riesgo uniforme para todos los niños en edad escolar. Esto se justifica por el cierre de escuelas sin precedentes a nivel mundial. Otros ejercicios, como la simulación de una medida de política pública específica, indudablemente requieren de implementaciones mucho más elaboradas y afinadas si se desea obtener resultados adecuados.

Todo el potencial de las técnicas de simulación para el análisis de la pobreza multidimensional aún no está completamente desarrollado. Abordar primero estos y otros desafíos es claramente un paso en la dirección correcta para comprender mejor qué se puede hacer para disminuir las múltiples carencias que sufren las personas pobres.

 

Suppa agradece la financiación de la fundación “la Caixa” (LCF/PR/SR20/52550004).

 

[1] Más precisamente, nos basamos en 70 países para llegar a los resultados comunicados a nivel mundial, y usamos los datos de 97 países durante el ejercicio de simulación mismo.

[2] De hecho, nuestro análisis sugiere una relación no lineal entre el nivel de pobreza multidimensional y el impacto simulado.

 

 

Este artículo fue publicado en Dimensiones 13