Can Poverty Be Reduced by Acting on Discrimination? An Agent-based Model for Policy Making

Resumen Técnico: ¿Se puede reducir la pobreza actuando sobre la discriminación? Un modelo basado en agentes para la formulación de políticas

Planteamiento del problema
El artículo aborda la desaceleración en las tasas de reducción de la pobreza global, sugiriendo que los enfoques redistributivos tradicionales pueden estar perdiendo eficacia. Los autores postulan que la discriminación contra los pobres, denominada "aporofobia", actúa como un impedimento significativo para la mitigación de la pobreza. Si bien la literatura sugiere que la aporofobia hace que las políticas de mitigación de la pobreza sean impopulares y difíciles de implementar, existe una falta de evidencia empírica que demuestre un vínculo causal entre la aporofobia y el aumento de la pobreza o la desigualdad de la riqueza. El problema central es la ausencia de herramientas computacionales para evaluar cómo los marcos legales discriminatorios influyen en la distribución de la riqueza antes de que se promulguen las políticas.

Metodología
Los autores proponen el Modelo Basado en Agentes de Aporofobia (AABM, por sus siglas en inglés), una simulación multiagente diseñada para evidenciar computacionalmente la correlación entre la aporofobia y la pobreza. El modelo está construido utilizando la biblioteca de Python Mesa e integra tres componentes distintos:

1. Perfiles de Agentes: Los agentes representan ciudadanos con perfiles socioeconómicos y demográficos únicos (edad, género, estatus, riqueza, ingresos, ubicación) instanciados a partir de datos del mundo real para cuatro distritos de Barcelona (Sarrià-Sant Gervasi, Gràcia, Les Corts y Eixample).
2. Toma de decisiones autónoma (Modelo basado en necesidades): Los agentes poseen "libre albedrío" y toman decisiones basadas en una versión modificada del modelo de necesidades de Dignum et al., inspirado en la jerarquía de Maslow.
   • Necesidades: Los agentes gestionan "necesidades de deficiencia" (fisiológicas, seguridad, pertenencia, estima) que decaen con el tiempo. Las necesidades de crecimiento (autorrealización) se excluyen para centrarse en la supervivencia básica.
   • Deliberación: En cada paso de tiempo (comenzando a las 5 PM), los agentes calculan una puntuación para las acciones disponibles basada en la urgencia de las necesidades no satisfechas, la importancia de las categorías de necesidad y la satisfacción esperada que proporciona una acción. Seleccionan la acción con la puntuación más alta.
   • Restricciones: Las acciones están limitadas por el estatus del agente (por ejemplo, solo los agentes empleados pueden trabajar), la capacidad financiera y la ubicación física.
3. Entorno Regulatorio: El modelo incorpora un conjunto de normas legales (políticas) como precondiciones y postcondiciones. Estas normas se etiquetan como Aporofóbicas (Apo) o No Aporofóbicas (Non-Apo) basándose en la colaboración con ONGs especializadas.
   • Ejemplos de Non-Apo: Prestaciones por desempleo, ingreso vital mínimo y provisión de espacios de vida dignos para personas sin hogar.
   • Ejemplos de Apo: Multas por dormir en la calle o robar comida, conmutación de multas por penas de prisión y desalojo debido a la quiebra.
     El modelo asume una adherencia perfecta a estas reglas por parte de los agentes y una implementación impecable por parte del sistema, abstrayendo el proceso legislativo para centrarse en los efectos de la política.

Configuración Experimental
El estudio utiliza un escenario de "prueba de concepto" con $N=100$ agentes simulados durante $T=2880$ pasos de tiempo (equivalente a 4 meses). Los investigadores probaron el conjunto potencia de seis normas específicas ($2^6 = 64$ combinaciones). Para cada combinación, se ejecutaron 10 corridas para dar cuenta de la variabilidad estocástica, lo que resultó en una muestra de 1,000 agentes por configuración. La métrica principal de evaluación es el coeficiente de Gini, que cuantifica la desigualdad de la riqueza, junto con la proporción de agentes que terminan en un estado de "quiebra" (riqueza $\le$ 0).

Resultos Clave
Los resultados de la simulación proporcionan evidencia computacional que vincula las políticas aporofóbicas con el aumento de la desigualdad de la riqueza:

• Efectos de las Normas Individuales: La mayoría de las normas individuales aumentaron el coeficiente de Gini en comparación con una línea base sin reglas. Solo la Norma 1 (prestaciones por desempleo) disminuyó la desigualdad. La Norma 5 (conmutación de multas por prisión) causó el aumento más significativo de la desigualdad (+18.3%).
• Efectos Colectivos (Apo vs. Non-Apo):
  • La implementación del subconjunto Non-Apo (Normas 1, 2, 3) redujo el coeficiente de Gini en un 18.8%, conduciendo a una distribución más igualitaria. Redujo significativamente la proporción de agentes en quiebra (de ~24% a ~7%).
  • La implementación del subconjunto Apo (Normas 4, 5, 6) aumentó el coeficiente de Gini en un 20.8%, resultando en una mayor desigualdad y un aumento agudo de la falta de vivienda y la quiebra (39.3% de los agentes).
• Correlación con la Aporofobia: Se observó una clara correlación positiva entre la proporción de normas aporofóbicas en una mezcla de políticas y el coeficiente de Gini resultante. El Gini más bajo (0.405) se logró con el subconjunto Non-Apo, mientras que el más alto (0.600) resultó de una mezcla que contenía un 60% de normas aporofóbicas. La Norma 1 fue identificada como un motor crítico para los resultados igualitarios.

Significancia y Reivindicaciones
El artículo afirma ser el primero en proporcionar evidencia empírica y computacional de la relación entre la aporofobia y el aumento de los niveles de desigualdad de la riqueza. Su significancia radica en:

1. Novedad: Introduce una nueva perspectiva sobre la reducción de la pobreza al tratarla como un problema social influenciado por creencias discriminatorias codificadas en la ley, más que únicamente como un problema de redistribución de recursos.
2. Herramienta de Política: Demuestra la utilidad del Modelado Basado en Agentes como una herramienta no invasiva para predecir los efectos sociales de las políticas públicas e identificar consecuencias negativas imprevistas (por ejemplo, cómo las multas por falta de vivienda exacerban la pobreza).
3. Contribución a los ODS: Los hallazgos apoyan el Objetivo de Desarrollo Sostenible de la ONU para la erradicación de la pobreza, sugiriendo que la formulación de políticas efectivas debe abordar la discriminación institucional (aporofobia) junto con la redistribución económica.

Los autores mantienen un tono modesto, reconociendo que el modelo es una "prueba de concepto" con limitaciones, tales como la necesidad de una población sintética más robusta y la exclusión actual de indicadores de pobreza multidimensional más allá de la distribución de la riqueza. Enmarcan este trabajo como una base para una nueva generación de políticas de reducción de la pobreza que mitiguen activamente la discriminación.