Gentrificación: un modelo automático para su predicción

¿Imaginas un vecindario que ha sido tu hogar toda la vida y de repente todo lo antiguo se renueva drásticamente? Por si no lo sabías, este revolucionario fenómeno, llamado gentrificación, transforma la cultura, la economía y la identidad de un lugar.

Entonces, ¿Cómo evitar un impacto profundo en dichas comunidades?  Veamos cómo el aprendizaje automático puede ayudar.

De qué se trata la gentrificación

La gentrificación ha afectado a ciudades en todo el mundo. Básicamente, comprende un cambio demográfico y socioeconómico de un vecindario. Es un proceso en donde los hogares acomodados o con movilidad ascendente se trasladan a áreas socioeconómicas más bajas.

Algunas de sus características más relevantes son:

  • Las viviendas antiguas son renovadas y reutilizadas para convertirse en lugares de lujo.
  • Los precios de compra y renta tienden a aumentar significativamente.
  • Tiene una influencia en la cultura y economía, llevando a las personas a mudarse a otras partes.

Debido a este problema, los investigadores han tratado de predecir variables para ocasionar el menor impacto posible. Todo esto, gracias al aprendizaje automático. Siendo así, ¿Qué se han logrado con los estudios al respecto? ¿Estás listo para sumergirte en el mundo de la transformación del espacio? Vamos allá.

Gentrificación: ¿es posible predecir con el aprendizaje automático?

La inteligencia artificial (IA) ha logrado resolver muchas tareas que en un principio parecían difíciles. De este modo, el aprendizaje automático desarrolla algoritmos que permiten a las máquinas entender y mejorar determinada experiencia. En este caso, la gentrificación ha sido una buena excusa para ello.

Fue así como unos investigadores del tema, en la Universidad New South Wales (UNSW), publicaron un proyecto que diseñó un modelo de aprendizaje automático. Dicho algoritmo pretendía predecir el cambio de un vecindario en Sídney, Australia.

De acuerdo con uno de sus autores, puede ser demasiado tarde cuando se identifican variables que afectan los cambios en las comunidades. Esto trae como consecuencia, altos costos y daños irreparables a la cultura de una ciudad.

Hallazgos del estudio

Algunos de los resultados obtenidos fueron:

  • Los modelos realizados predicen la gentrificación de 2011 a 2016 con una precisión del 74.7 %
  • Asimismo, se generaron explicaciones individuales y análisis de determinadas características de la localidad.
  • Se pudo pronosticar la gentrificación futura en Sídney hasta 2021.
  • Los resultados confirman que hay una expansión de este fenómeno de transformación hacia el exterior del centro de la ciudad.
  • En principio, los límites de expansión tenían un aproximado de 5 a 10 kilómetros alrededor del distrito central de negocios de la ciudad. Ahora, los autores prevén que se expandirá de 10 a 20 kilómetros.

Otro resultado asombroso fue ver que un incremento en las parejas casadas en un área conduce a una mayor predicción de que esta se gentrificará. Mientras tanto, las zonas con más divorciados y familias monoparentales tenían menos probabilidades.

Por otro lado, el diseño se entrenó y ajustó manejando más de ochenta variables predictoras. Esto conllevó a la utilización de una amplia gama de entrada de datos, tales como:

  • Informes de propiedades.
  • Censo.
  • El registro de empresas y Airbnb.

Los investigadores de la UNSW afirman que pueden predecir el fenómeno con un 87.3 % de precisión.

Gentrificación
Imagen de Unsplash.

Beneficios del modelo elaborado

El aprendizaje automático tiene un impacto significativo en la gentrificación, ya que permite la caracterización de patrones y tendencias. Algunas de las variables empleadas para analizar datos y predicciones son:

  • Precios de la vivienda.
  • Ingresos de los residentes.
  • Ubicación de servicios.
  • Densidad de población.
  • Pagos de hipotecas.

Por otro lado, los propios autores destacan que su investigación genera posibles soluciones para frenar las consecuencias indeseables de este proceso. Igualmente, ayuda a los legisladores al momento de desarrollar políticas públicas que promuevan:

  • El acceso a viviendas.
  • Desarrollo de iniciativas que fomenten la inversión en barrios menos favorecidos.
  • Apoyo en la transformación cultural de la comunidad.

En otro orden de ideas, se encuentra mucho escepticismo acerca de la confiabilidad del modelo por parte de formuladores de políticas urbanas.

A pesar de ello, los autores indican que hay robustez en lo presentado al identificar interacciones y relaciones entre variables. En definitiva, puede aplicarse a ciudades con características similares.

Una solución para la reconstrucción de las ciudades

Es significativo acentuar que el aprendizaje automático no es un procedimiento mágico para los problemas de este fenómeno. Es un proceso complejo que podría tener varias causas y efectos. No obstante, las herramientas de inteligencia artificial apoyan a investigadores, políticos y activistas a una mejor comprensión de las variables. Por ende, permitirá contar con soluciones más equitativas para las áreas vulnerables.

Imagen de Unsplash.

RELACIONADOS

Trucos Google Slides

30 trucos para Google Slides que desconocías

PowerPoint, el programa de diapositivas de Microsoft, tiene una interesante alternativa que también es gratuita. Se trata de Google Slides, una plataforma que forma...