Understanding social vulnerability in multi-ethnic inter-embedded communities: structural inequalities and disaster risk in Southwest China

Resumen Técnico: Comprensión de la Vulnerabilidad Social en Comunidades Multiétnicas Interembebidas

Planteamiento del Problema
Las comunidades multiétnicas interembebidas, caracterizadas por la coexistencia e interacción de diversos grupos étnicos dentro de estructuras sociales, económicas y de gobernanza compartidas, exhiben vulnerabilidades complejas que difieren significativamente de las comunidades de una sola etnia. Mientras que la investigación existente sobre vulnerabilidad social se centra predominantemente en entornos urbanos o convencionales, existe una brecha crítica en la comprensión de estas comunidades únicas, particularmente en las regiones montañosas de suroeste de China, propensas a desastres. Estas áreas enfrentan desafíos compuestos, incluyendo desastres naturales, envejecimiento de la población, alta movilidad y servicios públicos desiguales. Los marcos actuales suelen fallar al no integrar variables étnicas o al no elucidar los mecanismos causales subyacentes que impulsan la vulnerabilidad, lo que limita el desarrollo de estrategias de gobernanza de desastres focalizadas. Este estudio aborda la necesidad de identificar patrones espaciales, mecanismos impulsores y prioridades de gobernanza para la vulnerabilidad social en contextos multiétnicos interembebidos.

Metodología
El estudio emplea un marco analítico de tres fases utilizando el condado de Lushan, provincia de Sichuan —una región montañosa representativa, multiétnica y propensa a desastres— como caso de estudio.

1. Desarrollo del Sistema de Indicadores (SoVI): Los investigadores expandieron el Índice de Vulnerabilidad Social (SoVI) tradicional integrando indicadores específicos de etnia (por ejemplo, la proporción de minorías étnicas) junto con variables demográficas, socioeconómicas, de infraestructura y de gobernanza. Los datos se obtuvieron del Séptimo Censo Nacional de Población, anuarios estadísticos locales y encuestas de campo.
2. Cuantificación y Robustez: Los indicadores fueron estandarizados y ponderados mediante un método híbrido Entropy-CRITIC para minimizar el sesgo subjetivo. La robustez se verificó mediante pruebas de correlación de Pearson y Spearman a través de diferentes esquemas de ponderación. Los niveles de vulnerabilidad social se clasificaron mediante el agrupamiento de K-means.
3. Análisis de Mecanismos (DEMATEL y XGBoost-SHAP):
   • DEMATEL (Decision Making Trial and Evaluation Laboratory): Utilizado para analizar las relaciones causales entre 13 indicadores consolidados en 8 dimensiones. Nueve expertos evaluaron las influencias mutuas para distinguir entre factores de "causa" (impulsores) y de "efecto" (resultados).
   • XGBoost-SHAP (eXtreme Gradient Boosting con explicaciones de Shapley Aditivo): Un enfoque de aprendizaje automático utilizado para cuantificar la importancia relativa y el impacto direccional de los factores sobre el SoVI. Los valores SHAP proporcionaron interpretabilidad al modelo "caja negra" de XGBoost, revelando relaciones no lineales y contribuciones específicas de las características.

Resultados Clave

• Heterogeneidad Espacial: La vulnerabilidad social no se distribuye uniformemente, sino que exhibe disparidades espaciales significativas entre los municipios. Las áreas de alta vulnerabilidad se concentran en las regiones montañosas del sur y remotas, caracterizadas por un terreno complejo, servicios dispersos y altas tasas de envejecimiento. Las áreas de baja vulnerabilidad se agrupan cerca del centro del condado con mejores condiciones socioeconómicas.
• Estructura Causal (DEMATEL): El análisis reveló una estructura jerárquica donde los factores demográficos y de estructura social (composición étnica, estructura de edad, estructura de género) actúan como variables de "causa" primarias. En contraste, los recursos de emergencia, la capacidad de gobernanza y los servicios públicos funcionan como variables de "efecto". Esto indica que la capacidad de respuesta ante desastres está fundamentalmente moldeada por la evolución estructural social a largo plazo, más que por la asignación aislada de recursos.
• Impulsores Clave (XGBoost-SHAP): El modelo identificó los niveles educativos (específicamente la proporción de personas altamente educadas), las tasas de dependencia (proporción de niños) y la capacidad de atención médica (trabajadores de la salud por cada 10,000 personas) como los factores más influyentes. Curiosamente, los niveles educativos más altos mostraron una asociación positiva con la vulnerabilidad en esta muestra específica, lo que sugiere efectos dependientes del contexto. La cantidad de infraestructura (por ejemplo, número de refugios, supermercados) mostró un poder explicativo menor en comparación con el capital humano y la estructura demográfica.
• Interacción de Factores: La vulnerabilidad surge del acoplamiento sistémico de la composición étnica, la estructura de edad y el nivel educativo, que colectivamente restringen la capacidad de gobernanza y la resiliencia socioeconómica.

Contribuciones Clave

• Adaptación del Marco: El estudio adapta con éxito el marco SoVI para comunidades multiétnicas interembebidas mediante la incorporación de variables étnicas y capacidad de gobernanza, abordando una brecha en la literatura existente que a menudo trata a tales poblaciones como homogéneas.
• Integración Metodológica: Combina el análisis causal impulsado por expertos (DEMATEL) con el modelado predictivo basado en datos (XGBoost-SHAP). Este enfoque híbrico supera las limitaciones de depender únicamente del análisis de correlación o del juicio subjetivo de expertos, proporcionando tanto una comprensión estructural de la causalidad como una evaluación cuantitativa de la importancia de los factores.
• Perspectivas de Gobernanza: La investigación desplaza el enfoque desde la expansión de la infraestructura física hacia la identificación estructural y el fortalecimiento de capacidades. Destaca que, en las regiones montañosas multiétnicas, la vulnerabilidad es impulsada más por desigualdades estructurales profundas (educación, demografía) que por la escasez inmediata de recursos.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos ofrecen una base para una gobernanza de riesgos de desastres más focalizada en el suroeste de China y regiones montañosas multiétnicas similares. Al vincular patrones espaciales, impulsores causales y prioridades de gobernanza, el estudio respalda el diseño de intervenciones que aborden las disparidades estructurales en lugar de solo los peligros físicos.

Los autores proponen que una gobernanza efectiva requiere:

1. Institucionalizar la Gestión Escalonada: Alejarse de los enfoques de "talla única" para calibrar las intervenciones basadas en perfiles de vulnerabilidad específicos de cada municipio.
2. Monitoreo Longitudinal: Establecer mecanismos para rastrear indicadores de vulnerabilidad social (envejecimiento, educación, salud) para identificar grupos en riesgo de manera proactiva.
3. Optimización Operativa: Priorizar la eficiencia en la utilización de los recursos públicos y el desarrollo del capital humano por encima de la mera expansión de instalaciones.
4. Gobernanza Inclusiva: Integrar las relaciones étnicas y la interembebida en la planificación de desastres para reducir las barreras de comunicación y las desigualdades estructurales.

El estudio concluye que la vulnerabilidad social en estas comunidades es una manifestación concentrada de las disparidades estructurales preexistentes. Por lo tanto, mejorar la resiliencia ante desastres requiere abordar las estructuras sociales y demográficas subyacentes que dan forma a la capacidad de adaptación de una comunidad.