Cómo los algoritmos pueden predecir la gentrificación y evitar desplazamientos

Normalmente, la comenzamos a ver sólo cuando los valores de propiedad y la demografía de un vecindario ya están cambiando. Es ahí cuando la gentrificación empieza a preocupar y a generar desplazamiento, lo que provoca que los defensores de la vivienda organicen acciones. Pero para entonces muchas veces ya es tarde para establecer salvaguardias para los residentes más vulnerables del vecindario.

Pero, ¿qué pasaría si existiera un sistema de alerta temprana que detectara cuándo está a punto de ocurrir un alza o una disminución de precios? Herramientas predictivas como ésta se han desarrollado en todo el país, principalmente por parte de investigadores en San Francisco. Y su valor es claro: las autoridades de las ciudades y las organizaciones sin fines de lucro determinan dónde se deben preservar las viviendas asequibles existentes, dónde construir más y dónde atraer la inversión empresarial de forma anticipada. Pero a menudo son demasiado académicas o demasiado oscuras, lo cual es la razón por la que todavía no está clara la forma en que las utilizan los legisladores y los planificadores.

Ése es el problema que Ken Steif, de la Universidad de Pennsylvania, está trabajando para resolver, en colaboración con Alan Malach, del Centro para el Progreso Comunitario.

La organización sin fines de lucro de Malach se enfocó en la revitalización de vecindarios pobres, particularmente en las ‘ciudades antiguas’. Éstas son ciudades como St. Louis, Flint, Dayton y Baltimore, las que han sufrido pérdida de población y contracción económica en los últimos años. Con esto llegan otros problemas: edificios vacíos, deterioro y desempleo. Malach está interesado en comprender qué vecindarios son propensos a continuar por ese camino y cuáles darán un giro de 180 grados. Ahora él puede hacer esas predicciones de forma intuitiva, basándose en sus observaciones sobre las características del vecindario como el parque inmobiliario, el promedio de ingresos y la raza. Pero una evaluación objetiva puede ayudar a confirmar o negar su hipótesis.

Ahí es donde entra en juego Steif. Habiendo consultado con ciudades y organizaciones sin fines de lucro sobre los análisis de datos basados en lugares, Steif ha desarrollado una serie de algoritmos que predicen el movimiento de los mercados de la vivienda utilizando costosos datos de entidades privadas como Zillow. Malach le sugirió probar sus algoritmos en los datos censales, que son gratuitos y estandarizados.

El fenómeno que probó fue la ‘gentrificación endógena’: la idea de que el aumento en los precios de la vivienda va avanzando de los vecindarios ricos a los menos caros en sus proximidades, como una ola. En su publicación de blog, Steif lo explica así: "Normalmente, los residentes urbanos intercambian proximidad por servicios con su disposición a pagar por las viviendas. Ya que las áreas más cercanas a los servicios de mayor calidad son las menos asequibles, la teoría sugiere que los gentrificadores escogerán vivir en un vecindario adyacente a una distancia razonable de un centro de servicios, pero con menores costos de vivienda".

Steif utilizó los datos del censo de 1990 y 2000 para predecir cambios en los precios de la vivienda en 2010 en 29 grandes y pequeñas ciudades antiguas. Sus algoritmos tomaron en cuenta la relación entre el promedio de los precios de la vivienda de una sección censal con aquellas a su alrededor, la proximidad de las secciones censales a las áreas de alto costo y los patrones espaciales en la distribución de los precios de la vivienda. También incorporó variables como la raza, los ingresos y la oferta de vivienda, entre otros.

Después de hacer una comprobación cruzada de la predicción de 2010 con los precios reales de las casas, proyectó el cambio del vecindario hasta el año 2020. En general, sus algoritmos fueron capaces de calcular la velocidad y amplitud de la onda de gentrificación durante ese período de tiempo razonablemente bien. Aunque fueron más fiables para algunas ciudades como St. Louis, que para otras, como New Haven. Los datos más granulares y ágiles pueden afinar las previsiones, dice Steif.

Aquí se muestra en mapas cómo se verían los cambios en los vecindarios en Detroit, Minneapolis y Pittsburgh:

Con datos más completos y granulares, Steif podría integrar sus algoritmos en una herramienta web como la que se bosqueja a continuación:

Este tipo de aplicación web no sólo permitiría predecir la probabilidad de redesarrollo, sino que podría medir cómo está sucediendo en tiempo real al mostrar nuevos permisos de construcción, permisos de renovación y desalojos para cada parcela de tierra en la ciudad, ayudando a los defensores del desarrollo comunitario que no son expertos en la intepretación de datos a adelantarse a la ola de gentrificación antes de que les caiga arriba.

Por supuesto, las herramientas como ésta también pueden ser utilizadas por desarrolladores o personas comunes y corrientes que buscan aprovecharse de los cambios en los vecindarios (y que ya lo están haciendo). Se trata de asegurarse de que las condiciones sean equitativas. "La tecnología y los datos abiertos pueden democratizar la información", dice él. "El mercado privado siempre responderá más rápidamente al mercado potencial, pero eso no significa que esta inteligencia no deba ser utilizada para promover la equidad".

Este artículo fue publicado originalmente en inglés en CityLab.com.

Galería relacionada: las ciudades más asequibles de Estados Unidos