📊 statistics

Context-Aware Displacement Estimation from Mobile Phone Data: A Methodological Framework

Este artículo presenta un marco metodológico que aprovecha los datos de telefonía móvil para generar estimaciones de desplazamiento de población conscientes del contexto y en tiempo casi real, distinguiendo entre viajeros habituales e individuos afectados por desastres, reduciendo así los errores de sobreestimación y proporcionando a los actores humanitarios métricas accionables y límites de incertidumbre para el apoyo a la toma de decisiones.

Autores originales: Rajius Idzalika, Muhammad Rheza Muztahid, Radityo Eko Prasojo

Publicado 2026-07-08

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rajius Idzalika, Muhammad Rheza Muztahid, Radityo Eko Prasojo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando contar cuántas personas han huido de sus hogares tras una tormenta masiva. En el pasado, los trabajadores humanitarios tenían que conducir hasta las aldeas, llamar a las puertas y preguntar: "¿Se fue de casa?". Esto es lento, costoso y, a menudo, imposible cuando los caminos están cortados por las inundaciones.

Este artículo propone una forma más rápida: utilizar los datos de telefonía móvil como una "huella digital" para ver hacia dónde se mueve la gente casi en tiempo real. Sin embargo, los autores descubrieron un problema importante en la forma en que esto se hacía habitualmente, y construyeron un nuevo "filtro inteligente" para solucionarlo.

Aquí tienes el desglose de su método, utilizando analogías sencillas.

El Problema: La "Confusión del Viajero Diario"

Piensa en un día típico de una persona que vive en la Ciudad A pero trabaja en la Ciudad B.

De lunes a viernes: Se despierta en la Ciudad A, va a trabajar a la Ciudad B y duerme en la Ciudad A.
El Método Antiguo: Si una tormenta golpea, el viejo programa informático analiza los datos del teléfono. Un martes, ve a la persona en la Ciudad B. Como su "hogar" es la Ciudad A, la computadora grita: "¡Esta persona ha sido desplazada! ¡Se ha ido de su hogar!"

Esta es una falsa alarma. La persona no está desplazada; simplemente está en el trabajo. Si cuentas a cada viajero diario como un refugiado, terminas con una sobreestimación masiva, lo que lleva a los grupos de ayuda a enviar demasiados suministros a los lugares equivocados.

La Solución: El Filtro "Consciente del Contexto"

Los autores crearon un nuevo marco de trabajo que actúa como un portero inteligente en un club. En lugar de solo comprobar si alguien está en una ubicación diferente, el portero comprueba quién es y qué día es.

Lo hacen en tres pasos:

1. Construir un "Perfil de Personalidad" (Clasificación de Movilidad)

Antes de que la tormenta golpee, el sistema observa a todo el mundo durante unas semanas para aprender sus hábitos. Clasifica a las personas en grupos:

El Local: Siempre se queda en la misma ciudad.
El Viajero Diario: Vive en la Ciudad A, trabaja en la Ciudad B, todos los días laborables.
El Viajero de Fin de Semana: Solo se desplaza los sábados y domingos.

2. Las Reglas del "Portero Inteligente" (Detección Consciente del Contexto)

Cuando la tormenta golpea, el sistema aplica reglas diferentes según el perfil:

Si eres un Local: Si no estás en tu ciudad natal, estás Desplazado.
Si eres un Viajero Diario:
- En un martes: Si estás en tu ciudad de trabajo (Ciudad B), NO estás Desplazado. (El portero te deja pasar).
- En un sábado: Si estás en tu ciudad de trabajo (Ciudad B) en lugar de tu hogar (Ciudad A), SÍ estás Desplazado. (El portero te detiene, porque deberías estar en casa).

Este cambio simple evita que el sistema entre en pánico cada vez que un trabajador va a su oficina.

3. El "Margen de Seguridad" (Límites de Incertidumbre)

Los autores saben que esto no es perfecto. A veces los teléfonos se apagan o las torres se rompen durante una tormenta. Por eso, no dan un solo número (por ejemplo, "5.000 personas desplazadas"). En su lugar, dan un rango, como un pronóstico del tiempo.

Ejemplo: "Estimamos que 5.000 personas están desplazadas, pero el número real podría estar entre 4.300 y 5.700".
Calculan este rango observando cuánto oscilan normalmente los movimientos de la gente en días normales, y luego añaden un "factor de desastre" para tener en cuenta el caos de una tormenta.

La Prueba del Mundo Real: El Tifón Nando

El equipo probó esto en las Filipinas durante el Super Tifón Nando (2025) en un pueblo llamado Aparri.

El Resultado: El método antiguo decía que el 9% de las personas estaban desplazadas en los días laborables. El nuevo método "inteligente" dijo que solo el 6,5%.
La Diferencia: El método antiguo estaba contando a aproximadamente el 2,5% de la población (los viajeros diarios) como refugiados cuando en realidad solo estaban en el trabajo.
La Percepción: El nuevo método también mostró a dónde fue la gente. Descubrió que muchas personas se trasladaron a la capital regional (Tuguegarao) para estar seguras, no solo al pueblo de al lado.

Lo que este artículo NO hace

Para ser claros sobre los límites:

No cuenta a las personas que se quedaron en casa. Si una tormenta golpea y tú te quedas en tu casa, tu teléfono puede seguir conectado a la torre local. El sistema piensa que estás "en casa", por lo que no te cuenta como desplazado, incluso si tu casa está inundada.
No sabe por qué te moviste. Ve que te moviste, pero no sabe si te fuiste debido a la tormenta o para visitar a un amigo. Asume que la tormenta causó el movimiento porque ocurrió justo después de la tormenta.
No es un censo perfecto. Depende de que la gente tenga teléfonos y los mantenga encendidos. Si eres pobre, de edad avanzada o vives en una zona rural sin señal, podrías ser invisible para este sistema.

La Conclusión

Este artículo ofrece una forma más rápida y más inteligente de adivinar hacia dónde va la gente después de un desastre. Al enseñar a la computadora a entender la diferencia entre "ir al trabajo" y "huir de una tormenta", las organizaciones de ayuda pueden dejar de desperdiciar recursos en falsas alarmas y centrarse en las personas que realmente necesitan ayuda. Convierte una señal borrosa y ruidosa en una imagen más clara de quién está a salvo y quién está en problemas.

Resumen Técnico: Estimación de Desplazamiento con Conciencia de Contexto a partir de Datos de Telefonía Móvil

Planteamiento del Problema
Las estimaciones oportunas y precisas del desplazamiento de la población son fundamentales para la respuesta humanitaria durante los desastres. Los métodos tradicionales, como las encuestas de hogares y las evaluaciones de campo, requieren muchos recursos, son lentos de implementar y suelen estar restringidos por el acceso físico a las zonas de desastre. Si bien los datos de telefonía móvil ofrecen un mecanismo para el seguimiento en tiempo casi real, los enfoques existentes suelen aplicar definiciones de desplazamiento uniformes que no logran distinguir entre el desplazamiento forzado y los patrones de movilidad regular. Específicamente, los métodos estándar suelen clasificar erróneamente a los viajeros habituales (commuters) como personas desplazadas cuando se les observa en ubicaciones distintas a su hogar, lo que conduce a una sobreestimación sistemática de las cifras de desplazamiento.

Marco Metodológico
El artículo presenta un marco metodológico diseñado para separar el desplazamiento potencial de los patrones de movilidad regular utilizando datos de telefonía móvil. El marco opera a través de un proceso de seis etapas:

Señal de Ubicación Diaria: El sistema utiliza una única ubicación suministrada por el proveedor por usuario al día (modo externo), distinguiendo las ubicaciones de fin de semana (similares a la residencia) de las ubicaciones de días laborables (similares a la actividad diurna).
Establecimiento de la Línea Base Residencial: Se determina un "hogar verdadero" estable a partir de un periodo de línea base pre-desastre (mínimo 6 semanas). La metodología prioriza las observaciones de fin de semana (que requieren $\ge$ 2 días) para identificar la ubicación residencial, recurriendo a la ubicación modal de los días laborables (que requiere $\ge$ 5 días) si los datos de fin de semana son insuficientes.
Clasificación del Perfil de Movilidad: Los usuarios se categorizan según la relación entre su línea base residencial y su ubicación modal en días laborables:
- Residente Local: Misma ubicación en días laborables y fines de semana.
- Viajero Intraurbano (Intra-City Commuter): Diferente ubicación dentro de la misma ciudad.
- Viajero Interurbano (Inter-City Commuter): Diferente ubicación en una ciudad distinta.
- Usuario Solo de Fines de Semana: No hay datos disponibles para días laborables.
Detección de Desplazamiento con Conciencia de Contexto: Las reglas de desplazamiento se aplican dinámicamente según el tipo de usuario y el día de la semana.
- Residentes Locales/Viajeros Intraurbanos: Desplazados si se observan fuera de su ciudad de origen.
- Viajeros Interurbanos: Desplazados solo si se observan fuera de tanto de su ciudad de origen como de su ciudad de trabajo en días laborables. En fines de semana, se consideran desplazados si están fuera de su ciudad de origen.
- Usuarios Solo de Fines de Semana: Desplazados si están fuera de su ciudad de origen.
Cálculo de Métricas: El marco calcula tres métricas: tasas de desplazamiento, flujos de origen-destino (O-D) y dinámicas de retorno.
Escalamiento de Población e Incertidumbre: El recuento de suscriptores se escala a niveles poblacionales mediante una proporción específica de la ciudad. Los intervalos de incertidumbre se derivan del coeficiente de variación (CV) de la línea base de los recuentos diarios de usuarios, ajustado por un multiplicador de desastre (por defecto 2.0) para dar cuenta de la variabilidad del comportamiento inducida por la crisis.

Contribuciones Clave
El artículo identifica tres innovaciones metodológicas primarias:

Clasificación del Perfil de Movilidad: Categorización explícita de los usuarios por patrones de viaje (locales, intraurbanos, interurbanos) para diferenciar la movilidad regular del desplazamiento.
Lógica de Detección con Conciencia de Contexto: Aplicación de reglas de desplazamiento que varían según el tipo de usuario y el día de la semana, creando específicamente una "excepción" para los viajeros interurbanos en días laborables para evitar falsos positivos.
Cuantificación de la Incertidumbre Operativa: Utilización de un enfoque basado en el CV con un factor de ajuste por desastre para proporcionar límites de apoyo a la decisión en lugar de intervalos de inferencia estadística formal. Este enfoque reconoce el problema de identificación parcial donde los usuarios "faltantes" (no observables debido a problemas de red o falta de actividad) no pueden clasificarse como desplazados o no desplazados.

Resultados del Caso de Estudio
El marco se aplicó a los datos de Aparri, Cagayan, tras el Super Tifón Nando en septiembre de 2025, utilizando datos de ubicación diaria de Globe Telecom.

Reducción de la Sobreestimación: El método con conciencia de contexto redujo el desplazamiento estimado entre municipios en un 1.6 a 2.7 puntos porcentuales en días laborables en comparación con los métodos ingenuos. Esta diferencia se atribuye a la exclusión de los viajeros interurbanos que fueron incorrectamente marcados como desplazados por las reglas uniformes.
Convergencia de Fin de Semana: En fines de semana, el método con conciencia de contexto y el método ingenuo produjeron resultados casi idénticos (diferencia de 0.1 pp), confirmando que la lógica de excepción para viajeros funciona según lo previsto solo para días laborables.
Patrones de Desplazamiento: El estudio identificó que las personas desplazadas se movieron tanto a municipios vecinos inmediatos como a la capital regional, la ciudad de Tuguegarao (a aproximadamente 80 km de distancia).
Dinámicas de Retorno: Un análisis retrospectivo mostró una tasa de retorno acumulada que subió del 0% al 87.6% en 15 días, con un 50% de los suscriptores desplazados regresando para el día 9.
Comparación con Datos Oficiales: La estimación del marco de un 6.5% de desplazamiento entre municipios fue inferior al recuento oficial de la DSWD del 15.5%. Los autores señalan que esto es esperado, ya que el recuento oficial incluye evacuados internos (dentro del mismo municipio), los cuales el marco de datos móviles no detecta.

Significancia y Limitaciones
El artículo posiciona este marco como una herramienta para el apoyo a la decisión operativa más que para la inferencia estadística formal. Su principal significancia radica en proporcionar estimaciones rápidas a nivel municipal que tienen en cuenta los patrones regulares de viaje, reduizando así el riesgo de asignar erróneamente recursos humanitarios basados en cifras de desplazamiento infladas.

Los autores reconocen explícitamente varias limitaciones:

Alcance: El método detecta únicamente el desplazamiento entre municipios; la evacuación dentro de un mismo municipio está fuera de su alcance.
Validación: La lógica de excepción para viajeros no ha sido validada independientemente contra la verdad de terreno de GPS o datos autoinformados; los resultados se presentan como una prueba de concepto.
Sesgo de Datos: Las estimaciones dependen de los suscriptores de telefonía móvil, lo que podría subrepresentar a las poblaciones de edad avanzada, rurales y de bajos ingresos. Los datos de un solo operador (Globe Telecom) pueden introducir sesgos de cuota de mercado.
Generalizabilidad: El marco está diseñado para desastres de inicio súbito. La aplicación a desastres de inicio lento o zonas de conflicto requiere modificaciones metodológicas.
Datos Faltantes: Los usuarios no observables durante el periodo post-desastre no pueden ser clasificados, lo que crea un escenario de "identificación parcial" donde la verdadera tasa de desplazamiento se encuentra entre la tasa observada y la suma de la tasa observada más la tasa de los faltantes.

El artículo concluye que, si bien la validez externa a través de múltiples eventos sigue siendo un trabajo futuro, el marco ofrece un enfoque viable y respetuoso con la privacidad para generar inteligencia de desplazamiento oportuna que complemente las evaluaciones de campo tradicionales.