En las primeras etapas de la crisis mundial de Covid-19, los gobiernos de todo el mundo se apresuraron a implementar estrategias de mitigaci\u00f3n no farmac\u00e9uticas para contener la pandemia. La mayor\u00eda de los pa\u00edses solicitaron continuamente a la poblaci\u00f3n que practique el distanciamiento f\u00edsico, indicando que a aquellos que pudieran se mantuvieran en los hogares y, en los casos m\u00e1s extremos, adoptaron medidas m\u00e1s radicales de encierro obligatorio para aplanar la curva de las infecciones y evitar un colapso del sistema hospitalario.<\/p>\n
En Chile, a finales de marzo de 2020 se iniciaron los cierres de escuelas y las cuarentenas localizadas ordenadas por el gobierno. En Santiago, estos confinamientos afectaron inicialmente sobre todo a la zona oriente, donde se concentraban la mayor\u00eda de los casos. El aislamiento fue eficaz para reducir los brotes en esos sectores, pero los casos aumentaron r\u00e1pidamente en otras zonas de la ciudad. A pesar de que la ciudad fue progresivamente aumentando los niveles de restricci\u00f3n de movilidad, estas medidas no fueron suficientes para controlar el avance de la pandemia<\/strong>.<\/p>\n Considerando que no exist\u00eda evidencia previa que permitir\u00eda entender el impacto de las cuarentenas, un grupo de investigadores del Instituto Sistemas Complejos de Ingenier\u00eda (ISCI), que inclu\u00eda al investigador del Instituto Milenio MIPP Marcel Goic, busc\u00f3 analizar los patrones de desplazamiento de las personas durante el confinamiento y los contagios, c\u00f3mo tambi\u00e9n investigar la eficacia de las cuarentenas en funci\u00f3n de las caracter\u00edsticas de la poblaci\u00f3n<\/strong>.<\/p>\n Para comenzar, los acad\u00e9micos se dieron cuenta de que necesitaban complementar los datos de nuevos casos de Covid-19 para evaluar r\u00e1pidamente la eficacia de las cuarentenas, porque esperar a observar la evoluci\u00f3n de los casos pod\u00eda resultar demasiado tarde para contener los brotes. Por lo tanto, se les ocurri\u00f3 la idea de utilizar los datos de movilidad para entender c\u00f3mo los patrones de desplazamiento pod\u00edan anticipar la propagaci\u00f3n del virus.<\/strong><\/p>\n En distintas partes del mundo, informaci\u00f3n de movilidad estaba empezando a ser usada para ayudar a entender la propagaci\u00f3n de la enfermedad. Grandes compa\u00f1\u00edas como Google o Facebook pusieron a disponibilidad algunos datos agregados de movilidad. Sin embargo, para la situaci\u00f3n chilena, estos datos no eran lo suficientemente granulares como para describir la movilidad al nivel en que se aplicaban las cuarentenas. Adem\u00e1s, proporcionaban informaci\u00f3n sobre los movimientos dentro de una zona determinada pero no entre zonas.<\/p>\n Para los expertos, el desplazamiento entre zonas era el dato que pod\u00eda proveer la informaci\u00f3n necesaria para entender la din\u00e1mica de propagaci\u00f3n de los brotes y pod\u00eda resultar m\u00e1s pertinente para evaluar la eficacia de las cuarentenas.<\/strong> Esto condujo a la colaboraci\u00f3n con Entel Ocean, parte de la empresa chilena de telecomunicaciones Entel, la compa\u00f1\u00eda telef\u00f3nica m\u00e1s grande de Chile y que tiene 9,3 millones de clientes m\u00f3viles.<\/p>\n Esta alianza se form\u00f3 con el objetivo de construir indicadores de movilidad a un nivel m\u00e1s granular basado en el uso de la infraestructura de telecomunicaciones<\/strong> y as\u00ed resolver el desaf\u00edo de entender el desplazamiento durante la pandemia. El resultado alcanzado les permiti\u00f3 transformar data de la red m\u00f3vil, que estaba anonimizada y agrupada, en un visor territorial que les permit\u00eda entender la movilidad durante las cuarentenas mediante una plataforma digital abierta.<\/p>\n En otras palabras, desarrollaron un enfoque innovador para inferir los patrones de movimiento dentro de una ciudad pand\u00e9mica utilizando datos de telecomunicaciones.<\/strong><\/p>\n En primer lugar, identificaron un hogar para cada dispositivo bas\u00e1ndose en las conexiones georreferenciadas durante la noche. A continuaci\u00f3n, trasladaron a un mapa los movimientos de cada dispositivo durante las diferentes horas de trabajo para construir una matriz de origen-destino a trav\u00e9s de las distintas comunas. Aquello proporcion\u00f3 informaci\u00f3n detallada sobre el cumplimiento de los cierres en cada \u00e1rea local.<\/p>\n Para garantizar la privacidad de los usuarios, implementaron t\u00e9cnicas de agregaci\u00f3n y anonimizaci\u00f3n de datos que fueron esenciales para proporcionar transparencia de esta informaci\u00f3n a la poblaci\u00f3n.<\/strong> Los indicadores de movilidad se pusieron a disposici\u00f3n del p\u00fablico a trav\u00e9s de una plataforma online que se actualiza semanalmente y que obtuvo una gran visibilidad en los medios de comunicaci\u00f3n. Como tambi\u00e9n lo fueron los datos agregados de movilidad que se compartieron en el repositorio de datos Covid-19 del Ministerio de Ciencias.<\/p>\n Usando estos datos de movilidad, se analiz\u00f3 cuidadosamente cu\u00e1l era el rol que jugaba la movilidad y las cuarentenas en la propagaci\u00f3n del virus. A trav\u00e9s de una serie de modelos econom\u00e9tricos, se estim\u00f3 cu\u00e1l era el impacto de la movilidad en las infecciones. Los resultados indicaron que, a grandes rasgos, un aumento del 10% en la movilidad se correlaciona con un aumento del 5% en la tasa de infecci\u00f3n.<\/strong><\/p>\n Con los datos obtenidos tambi\u00e9n se pudo determinar que el impacto de las medidas de distanciamiento social y los cierres en la movilidad era muy heterog\u00e9neo y depend\u00eda de los niveles socioecon\u00f3micos.<\/p>\n En este sentido, se detect\u00f3 que el cumplimiento del distanciamiento social era mucho m\u00e1s dif\u00edcil para las familias de bajos ingresos.<\/strong> M\u00e1s concretamente, las estimaciones indican que mientras que las zonas de alto nivel socioecon\u00f3mico presentaron reducciones de la movilidad de entre el 50% y el 90%, dependiendo de la m\u00e9trica de traslado espec\u00edfica que se utilice, estas reducciones fueron s\u00f3lo del 20% al 50% en el caso de las comunas con ingresos m\u00e1s bajos.<\/p>\nPlataforma de Movilidad<\/strong><\/h3>\n
Desigualdad Socioecon\u00f3mica<\/strong><\/h3>\n