Una simulación por computadora para salvar el mundo
Una nueva herramienta permite a la ONU y a los gobiernos probar diferentes estrategias para alcanzar objetivos elevados.
Por Will Bedingfield
En 2015, los Estados miembros de las Naciones Unidas se suscribieron a un conjunto de 17 objetivos de desarrollo sostenible o ODS, que se alcanzarán en 2030. Estos objetivos son utópicos, incluidas las aspiraciones nobles como acabar con la pobreza y “garantizar que todas las personas disfruten de la paz y la prosperidad”. . La ONU ha anunciado su nueva receta secreta para lograr estos objetivos: una simulación por computadora llamada Policy Priority Inference (PPI).
PPI es un software de presupuesto: simula un gobierno y sus burócratas mientras asignan dinero a proyectos que podrían acercar a un país a un ODS. Las áreas en las que un gobierno invierte dinero son fundamentales para comprender las prioridades de un gobierno, según Luis Felipe López-Calva, subsecretario general de la ONU. “Nuestra opinión es que la estructura del presupuesto es realmente la manifestación de sus opciones de política”, dice. “La intención es que esto se convierta en una herramienta para mejorar la discusión en torno a los procesos políticos que conducen a una cierta asignación de presupuesto”.
Este avance teóricamente conduciría a una mayor transparencia del razonamiento de un gobierno detrás de una política, y facilitaría al público monitorear el progreso en estas promesas. La simulación también arrojaría luz sobre las relaciones entre los diferentes objetivos de los ODS, explica López-Calva: por ejemplo, podría mostrar cómo la pobreza interactúa con la desigualdad educativa, o cómo la inversión en ciertas formas de energía podría dañar el medio ambiente.
PPI fue co-creado por Omar Guerrero, economista del University College London y miembro del Instituto Turing, y su socio investigador, el profesor Gonzalo Castañeda del Centro de Investigación y Docencia en Economía de México. “Hace algunos años, comenzamos a pensar en cómo crear este plan de desarrollo para los gobiernos estatales en México”, dice Castañeda. “Porque estaban haciendo un trabajo muy malo, y todavía lo están haciendo”. De esta observación surgió la primera iteración de PPI. Después de que Luis Felipe López-Calva, subsecretario general de la ONU, leyó el documento que describe cómo funcionaría el PPI, pensó que adaptar la tecnología podría ayudar a la ONU a lograr sus ODS.
Los gobiernos aún no han utilizado la tecnología, pero el equipo está en conversaciones con funcionarios de México, Colombia y Uruguay. En México, se han realizado talleres con el ministerio de finanzas, el instituto nacional de estadística, representantes de seis de los 32 estados y ONG de México. La idea es que un gobierno entrante use las ideas de la herramienta para comprender mejor cómo alcanzar un ODS. “Por ejemplo, en México, se estima que para el próximo año habrá entre cinco y diez millones de nuevos pobres, lo que significa que muchos indicadores relacionados con la lucha contra la pobreza se reducirán”, dice Guerrero. “Entonces, nuevamente podemos intentar estimar el tamaño de los retrasos”.
Una de las principales innovaciones de la herramienta, y una que llamó la atención de López-Calva, es que utiliza una técnica llamada modelado basado en agentes . En su mundo simulado, los individuos y las instituciones están representados directamente por agentes, en este caso, burócratas y gobiernos. “La mayor parte de la economía se basa en lo que a menudo llamo un agente representativo, esencialmente una persona promedio”, dice Nigel Gilbert, profesor de ciencias sociales computacionales en la Universidad de Surrey. “Pero no es necesario tener personas promedio si está utilizando un modelo de agente”.
La economía neoclásica tradicional supone que los agentes son racionales en el sentido de que intentarán maximizar su utilidad. El problema es que las personas reales no son así, explica Gilbert, ni siquiera los burócratas. “Aunque les gustaría pensar que son perfectamente racionales, generalmente son ‘estrictamente racionales'”, dice. “En otras palabras, no es que hagan cosas tontas y tomen decisiones completamente al azar, sino que no pasan grandes cantidades de tiempo haciendo cálculos infinitamente largos para determinar qué hacer”.
El modelado basado en agentes, en este sentido, proporciona una representación más realista de cómo funciona un gobierno. Es particularmente útil para comprender la forma en que nos afectan las normas sociales de larga data, dice López-Calva. “Por ejemplo, las mujeres que no participan en la fuerza laboral no deben verse como algo que está integrado en las preferencias de la sociedad, sino que se trata de las restricciones como una norma social persistente”, dice.
Por el momento, PPI es solo un comando para ejecutarse en el lenguaje de programación Python. El equipo está trabajando actualmente para generar una interfaz más amigable y un código más eficiente. El año próximo, Guerrero espera crear un sitio web donde pueda arrastrar y soltar datos en indicadores y redes, para obtener algunas estadísticas, visualizaciones y ejecutar escenarios simples.
La eficacia de los resultados de PPI se reducirá en gran medida a la calidad de los datos que proporcionan los gobiernos. “Algunos países no tienen una buena calidad [datos del gasto público]”, dice Castañeda. “Hay algunos países, en particular México y Noruega, que tienen buenos datos a ese respecto. El modelo se vuelve más robusto y confiable”.
Otro problema potencial es si el PPI, que se basa en sus propios supuestos sobre economía y ciencias del comportamiento, es un modelo válido para los problemas de un gobierno en particular. “Hay muchos modelos”, dice Gilbert. “La pregunta es cuál es la correcta y da las respuestas correctas”.
Es por eso que PPI pretende ser asesor. “No queremos decir que este es el modelo que todos deberían adoptar”, dice Guerrero. “Estamos tratando de decir que esta es una filosofía, la filosofía de cómo pensar en comprender las prioridades de las políticas y obtener asesoramiento”.
PPI no debe considerarse un reemplazo para el gobierno, ni determinar completamente sus decisiones. “La herramienta solo informa al tomador de decisiones y no determina la asignación del presupuesto”, dice López-Calva. “Cada herramienta tiene sus fortalezas y desventajas. Por lo tanto, debe usarse con un grano de sal, en cierto sentido, no es una camisa de fuerza”. Todavía no es gobierno por algoritmo.
PPI es relativamente único en su campo. No existe ninguna otra herramienta que analice cómo asignar recursos presupuestarios de la misma manera. Pero Castañeda espera que esto cambie pronto. “Ahora tenemos todo este poder en las tecnologías de la información y toda esta presión de otros campos, así que mi impresión es que dentro de cinco años, habrá muchos más”, dice. “Como con todo lo nuevo, hay mucho margen de mejora, pero creo que es un buen primer paso”.
Por ejemplo, un estratega político influyente en cierto país de Europa occidental está fascinado por el modelado basado en agentes. ¿Su nombre? Dominic Cummings .
