Telefónica Research ha llevado a cabo varios estudios para evaluar hasta qué punto se pueden usar las trazas de teléfonos móviles para caracterizar el comportamiento de migrantes comparado con el comportamiento de los locales. El objetivo es identificar esas diferencias para proponer posibles acciones que limiten la dificultad de integración de los recién llegados en la sociedad que los acoge.
En los últimos años se está observando un incremento en el volumen, tipo y complejidad de las migraciones humanas en muchos países, debido, principalmente a razones económicas, aunque también a inestabilidad política, desastres naturales y guerras. [1]
Dichas migraciones son objeto de estudio de economistas, demógrafos y sociólogos, y se centran principalmente en determinar las causas y las consecuencias de las mismas. Entender tanto las causas como las consecuencias constituye un elemento crítico para poder definir políticas que faciliten la integración en la sociedad de los recién llegados.
Los análisis requeridos para estudiar las migraciones requieren la recolección de datos, proceso que puede ser complejo y caro. Tradicionalmente dichos estudios se han basado en entrevistas, lo cual limita considerablemente el número de gente que participa en el estudio. Más allá de la limitación del tamaño del estudio, la recolección de datos también tiene otras limitaciones como los errores de memoria de los entrevistados [2].
En este contexto, el uso de información generada automáticamente por los migrantes, ya sea a través de las redes sociales basadas en localización (Location Based Social Networks) o de las trazas agregadas y encriptadas de teléfonos móviles permite solucionar las limitaciones anteriores de tamaño de la muestra y los posibles errores en las entrevistas al basarse en información generada de forma transparente.
Identificar las migraciones para mejorar la integración
En Telefónica Research hemos llevado a cabo varios estudios para evaluar hasta qué punto podemos usar las trazas de teléfonos móviles (CDRs) para caracterizar el comportamiento de migrantes comparado con el comportamiento de los locales. El objetivo es identificar esas diferencias para proponer posibles acciones que limiten la dificultad de integración de los recién llegados en la sociedad que los acoge.
Como caso de ejemplo nos centramos en las** migraciones ocurridas en México en 2009 y 2010**, años para los que además disponemos de datos de migración del INEGI (Instituto Nacional de Estadística y Geografía de México) para poder validar los resultados obtenidos. México presenta migraciones internas principalmente debido a factores económicos siendo los principales polos de atracción la Ciudad de México y los estados turísticos de Quintana Roo y Baja California.
El primer paso de nuestro estudio es identificar los migrantes a partir de las trazas de teléfonos móviles. Para ello, definimos como migrante a cualquier persona que vive en un municipio durante al menos tres meses y que en algún momento se muda a otro municipio en el que al menos pasa otros tres meses. La identificación se realiza a partir de la aplicación de algoritmos de identificación de residencia [3] usando la actividad de llamadas nocturnas (de 8pm a 8am) a nivel de torre de comunicación (BTS) y asignando un municipio de residencia por semana.
Aquellos casos en que se cumpla la condición de tres meses de residencia como mínimo y un cambio posterior se identificaron como los migrantes foco de nuestro estudio. Asimismo, se identificaron un grupo de residentes de cada municipio para poder comparar los diferentes comportamientos entre migrantes y residentes locales.
La validación de los dos grupos identificados es clave para la aplicación de los resultados del estudio. Para validar los migrantes usamos los datos proporcionados por INEGI, que incluyen la matriz de migraciones del año 2010 construida a partir de las entrevistas realizadas para el ENADID 2010 (Encuesta Nacional de Dinámica Demográfica). Usando los migrantes identificados a partir de CDRs construimos nuestra matriz de migraciones a nivel municipal y la correlación de Pearson con la matriz del INEGI para migraciones de entrada y de salida nos proporciona un valor de 0.77 y 0.65 respectivamente.
La validación de los residentes identificados se realiza mediante la correlación de Pearson entre la distribución de población proporcionada por INEGI a nivel de municipio y la identificada por CDRs, dando un valor de 0.85. La Figura 1 presenta gráficamente la distribución de población del INEGI y la identificada con nuestra aproximación. Como se ve no todos los municipios están incluidos, lo cual se debe a falta de población, o falta de migrantes y/o falta de cobertura celular.
Una vez validado los migrantes y los residentes podemos pasar a comparar su comportamiento en base a su dinámica espacial y a su dinámica de red social. Para ello calculamos una serie de variables que incluían para el caso de dinámica espacial: (1) el número de municipios visitados; (2) la entropía de esas visitas; (3) el radio de giro (radius of giration) y (4) la distancia diaria recorrida.
Respecto a la dinámica de red social calculamos: (1) número de llamadas por mes; (2) número de contactos por mes; (3) número de nuevos contactos por mes y (4) ratios de los valores anteriores respecto al número total de contactos y llamadas. Para cada municipio se calcularon esos valores para migrantes y locales y se evaluó su significancia con el test de Welsh.
Los migrantes requieren más movimiento para acceder a su trabajo
Respecto a la movilidad observamos que (de forma estadísticamente significativa) los migrantes visitan un mayor número de municipios; que realizan un mayor número de viajes cortos y que su distancia de casa a trabajo es mayor que la de los locales. Estos valores parecen indicar que los migrantes tienen mayor necesidad de movimiento para acceder a su trabajo, ya sea porque son varios trabajos informales o por la dificultad de encontrar trabajo cercano una vez migran. Respecto a la red social, los migrantes muestran el mismo número de llamadas que los locales, pero con un nivel menor de entropía (i.e. tienen un comportamiento más regular en las llamadas que los locales); su red social es menor y crece más lentamente que la de los locales.
Estos resultados indican que aunque los migrantes en volumen no realizan más llamadas que los locales, tienen dificultad para realizar nuevos contactos con locales de ahí que tiendan a contactar su red social anterior. De estos resultados se puede extraer que los migrantes en México se beneficiarían de un mejor acceso a la información de los medios de transporte y en general de su lugar de destino previo a la migración para facilitar su movilidad y familiarizarse con su entorno. Adicionalmente el ofrecer apoyo para la inclusión social para facilitar la integración con su comunidad de acogida aseguraría una mejor integración económica y social.
En general estos resultados demuestran la potencialidad de usar CDRs para estudiar el comportamiento de migrantes de manera masiva y sin las limitaciones de los métodos tradicionales. Los resultados presentados en su mayoría están en línea con el estado del arte [4, 6,7], aunque otros estudios presentan conclusiones diferentes [5]. Estas diferencias se deben probablemente a que este tipo de estudios no son genéricos, sino que los factores culturales y geográficos influyen en el comportamiento de los migrantes.
Estos resultados son solo el inicio de cómo medir y modelar el comportamiento de migrantes a una escala que hasta ahora no era posible. Debido al previsible incremente de migraciones en el futuro debido a desastres naturales, cambio climático, y razones económicas y políticas, el disponer de herramientas que permitan estudiar los efectos y medir el impacto de determinadas políticas en los migrantes serán clave para facilitar la integración de los mismos. Las trazas de telefonía móvil serán una de las armas más potentes para implementar y evaluar este tipo de políticas.
Referencias:
[1] Ronald Skeldon. 2014. Migration and development: A global perspective. Routledge.
[2] C Hughes, E Zagheni, GJ Abel, A Wisniowski, A Soriche.a, I Weber, and AJ Tatem. 2016. Inferring Migrations: Traditional Methods and New Approaches based on Mobile Phone, Social Media, and other Big Data. Technica Report. Mimeo prepared for European Commission.
[3] V. Frias-Martinez, J. Virseda, A. Rubio, and E. Frias-Martinez. 2010. Towards large scale technology impact analyses: Automatic residential localization from mobile phone-call data. In 4th ACM/IEEE Intl. Conf. Inf. and Communication technologies and development. ACM, 11.
[4] John O Browder, James R Bohland, and Joseph L Scarpaci. 1995. Patterns of development on the metropolitan fringe: Urban fringe expansion in Bangkok, Jakarta, and Santiago. Journal of the American Planning Association 61, 3 (1995), 310–327.
[5] Shengxiao Li and Pengjun Zhao. 2018. Restrained mobility in a high-accessible and migrant-rich area in downtown Beijing. European transport research review 10, 1 (2018), 4.
[6] Cati Coe. 2011. What is the impact of transnational migration on family life? Women’s comparisons of internal and international migration in a small town in Ghana. American Ethnologist 38, 1 (2011), 148–163.
[7] Jennifer Mason. 2004. Managing kinship over long distances. Social Policy and Society 3, 4 (2004), 421–429.
