Correlaciones en las métricas urbanas definidas en la Norma ISO 37120 • ESMARTCITY

Comunicación presentada al IV Congreso Ciudades Inteligentes:

Javier García López, Smart&City. Arquitecto, Master in City Sciences y Doctorando, Universidad Politécnica de Madrid
Raffaele Sisto, Smart&City. Arquitecto, Master in City Sciences y Doctorando, Universidad Politécnica de Madrid
Elena Maté Múgica, Arquitecta y Master in Smart Cities and Urban Analytics UCL, Londres

Resumen

La norma UNE:ISO 37120:2015 Desarrollo sostenible en las ciudades. Indicadores para los servicios urbanos y la calidad de vida. (ISO 37120 Sustainable development of communities – Indicators for city services and quality of life) está considerada como el estándar de referencia a nivel internacional entre las metodologías de evaluación de ciudades. Este conjunto de indicadores proporciona un enfoque holístico e integrador de lo que se debe medir y de cómo se debe realizar esa medición. Están diseñados para ser estándares globales capaces de medir los servicios y la calidad de vida urbanos. Sin embargo, no prioriza ni pondera los dominios ni los indicadores de funcionamiento de la ciudad, ya que solo evalúa la disponibilidad de información sin indicar qué área de la ciudad es más relevante. Esta norma dota de indicadores completos a la ciudad, pero no ofrece orientación sobre la urgencia o pertinencia de tratar unos asuntos sobre otros. Conocer desde una perspectiva objetiva la interrelación entre sus indicadores constituye un primer paso innovador para definir el camino crítico de factores a solucionar en la senda de desarrollo sostenible de cualquier ciudad, marcando las prioridades de las acciones que debe emprender.

Palabras clave

Smart City, Evaluación Ciudades, Metodologías, Indicadores, KPI, Métricas Urbanas

Introducción

En el actual contexto internacional las ciudades están asumiendo un nuevo protagonismo y liderazgo, ya que se han convertido en los nodos que organizan y articulan la economía global. Su buena gestión en lo relativo a prestación de servicios, sostenibilidad a largo plazo y mejora de la calidad de vida de sus ciudadanos es uno de los principales retos urbanos de este siglo. Se requiere un nuevo modelo de ciudad innovador basado en la eficiencia y en la inteligencia.

Este conjunto de indicadores proporciona un enfoque holístico e integrador de lo que se debe medir y de cómo se debe realizar esa medición. Están diseñados para ser estándares globales capaces de medir los servicios y la calidad de vida urbanos. Se han desarrollado 100 indicadores en total divididos en dos categorías: 46 indicadores principales y 54 indicadores de apoyo, junto con otros 39 indicadores de perfil que proporcionan información básica de interés para la comparabilidad entre ciudades. Todos ellos se encuentran estructurados en 17 dominios.

Sin embargo, no prioriza ni pondera los dominios ni los indicadores de funcionamiento de la ciudad, ya que solo evalúa la disponibilidad de información sin indicar qué área de la ciudad es más relevante. Esta norma dota de indicadores completos a la ciudad, pero no ofrece orientación sobre la urgencia o pertinencia de tratar unos asuntos sobre otros. Conocer desde una perspectiva objetiva la interrelación entre sus indicadores constituye un primer paso innovador para definir el camino crítico de factores a solucionar en la senda de desarrollo sostenible de cualquier ciudad, marcando las prioridades de las acciones que debe emprender.

El objetivo principal de este estudio es tener una primera aproximación de cómo se interrelacionan entre sí estos indicadores en base a los datos publicados y disponibles hasta la fecha.

Metodología

La metodología de este studio ha constado de tres fases: (i) Estudio Conceptual, a través de la presentación y el análisis semántico de los indicadores principales, de apoyo y de perfil; (ii) Estudio Analítico: mediante la base de datos publicada por WCCD se ha realizado un análisis matemático y estadístico de las correlaciones entre indicadores y en diferentes sesgos. Con los resultados obtenidos se ha realizado una ficha para cada indicador, destacando las correlaciones más relevantes, fuertes ó débiles, positivas o negativas. Asimismo, en cada ficha se recoge su contexto nacional e internacional y la disponibilidad de datos en España; (iii) Estudio Crítico: a partir de los resultados obtenidos y su evaluación para cada contexto urbano se ha realizado un análisis crítico comentado, una serie de propuestas de mejora y el planteamiento de futuras investigaciones.

Figura 1. Grafo resumen de las correlaciones entre indicadores de la ISO 37120.

Para estos indicadores y sus correlaciones se ha aplicado un primer análisis visual a través del diagrama de dispersión de cada correlación entre pares de indicadores y, posteriormente, un análisis estadístico aplicando técnicas de regresión lineal tales como el de correlación de Pearson.

El coeficiente de correlación de Pearson hace referencia a la naturaleza de la relación entre distintas variables (indicadores) y está pensado para analizar variables cuantitativas: el conjunto de puntos resultante del diagrama de dispersión tiene interés como primera toma de contacto para conocer la naturaleza de la relación entre dos variables. Si los datos, aunque estén distantes, apuntan a una recta, es susceptible de aplicarse, a continuación, el coeficiente lineal de Pearson. Cuanto más estrecha sea esta nube de puntos, menor será el margen de variación entre las dos variables, y por tanto, más acertados los pronósticos, lo que implica una mayor correlación y posibilidades de utilizar una variable (indicador) conocida para predecir un valor de otra variable (indicador) desconocido.

Esta técnica reúne algunas propiedades que la hacen preferible a otras. Al operar con puntuaciones estandarizadas es un índice libre de escala de medida, y sirve así para poder comparar dos variables con distintas unidades de medida.

Una vez calculado el valor del coeficiente de correlación se ha determinado si cada valor obtenido muestra que las variables X e Y están relacionadas en realidad (causalidades) o tan solo presentan dicha relación como consecuencia del azar (casualidades). En sentido estricto, correlación entre dos variables tan solo significa que ambas variables comparten información y variabilidad. Determinar el origen de la información – la causa – es una cuestión que no puede resolverse mediante recursos exclusivamente matemáticos.

Con relación al tamaño de la muestra, en este caso de estudio el número de las ciudades analizadas es mayor que 30 y además representa un conjunto de población muy variado y amplio (abarcando a más de 86 millones de habitantes de población urbana).

La aplicación de estos sesgos ha sido solo un ejemplo de la diferenciación de los contextos y una oportunidad para resaltar posibles causalidades que surgen solo en determinados entornos y que necesitarían ser profundizadas en estudios posteriores, ya que al cambiar ligeramente la muestra puede cambiar el resultado. No obstante, es esencial entender que para construir herramientas útiles y encontrar correlaciones aplicables a la realidad es necesario el estudio de los distintos sesgos ya que el contexto urbano es fundamental a la hora de aportar posibles soluciones.

Resultados

Los datos utilizados para esta investigación obtenidos de la base de datos publicada por el WCCD son datos que aportan las propias ciudades. No se especifica si hay una entidad certificadora independiente que verifique su validez o fiabilidad. En ocasiones, las fechas de aportación de las ciudades a la base de datos y la fecha de actualización de cada indicador no coinciden. Asimismo, se ha constatado que durante la redacción de este estudio se está desarrollando una revisión de la norma ISO/DIS 37120 que se publicará en próximas fechas.

En la muestra de ciudades analizadas, se han dado los siguientes casos que desvirtúan los resultados de algunas de las correlaciones: (i) Indicadores con pocos datos intermedios: los datos disponibles publicados son extremos, se agrupan en rangos muy bajos o muy altos; (ii) Indicadores con datos singulares: cuando en una o dos ciudades aparece un dato atípico que afecta y distorsiona la gráfica de dispersión; (iii) Indicadores con datos fuera de rango: cuando no siguen las pautas de medición correctamente; (iv) Indicadores con datos estables: cuando son tendentes al 100% o el 0% a lo largo del tiempo. Los cambios de tendencia relevantes se producen a partir de leves variaciones. Para estos casos es necesario tener una valoración de su evolución histórica para establecer correlaciones adecuadamente.

Los cuatro indicadores con más causalidades son: SA 12.01_Esperanza media de vida (19 causalidades), AC 15.01_Porcentaje de población de la ciudad que vive en barrios pobres (15), EC 5.03_Porcentaje de población de la ciudad que vive en situación de pobreza (13), MA 8.02_Concentración de partículas en suspensión – PM10 (13).

Las ciudades con más datos disponibles son Buenos Aires, Londres y Boston con 100/100 datos publicados. Mientras que la ciudad con menos datos disponibles es Johannesburgo con 22/100 de datos publicados. El indicador con datos disponibles en todas las ciudades es el AS 21.01_Porcentaje de población de la ciudad con suministro de agua potable, aunque son datos que tienden a 100% muy estables.

El 22% de los indicadores tienen valores estables tendentes a máximos o mínimos, con una diferencia de +-0,5%.

Los diez indicadores con menos datos (menos del 70% de los datos disponibles) son: MA 8.08_Porcentaje de cambio en el número de especies autóctonas (10/35 datos disponibles), MA 8.07_Contaminación acústica (14/35), AS 21.06_Media anual de horas de interrupción del servicio de agua por hogar (19/35).

El 17% de los indicadores que contienen uno o más datos con valores atípicos.

En la siguiente figura se muestra un gráfico explicativo del numero de causalidades entre dominios. El domino con más indicadores es el de Residuos Sólidos RS.16 con 10 indicadores. Sin embargo, los que tienen más relaciones con otros dominios son el de Economía EC.05 y Salud SA.12 con 42 causalidades cada uno.

Dada la extensión de los datos analizados se han observado correlaciones que dependen de una tercera variable y que por este motivo no se pueden considerar causalidades directamente relacionadas. Es decir, que la existencia de una correlación entre dos variables no implica necesariamente causalidad entre ambas.

Figura 2. Tabla resumen de las correlaciones por el coeficiente de correlación de Pearson.

Los dominios de Educación, Economía, Transporte, Medioambiente y Salud son los que más relaciones tienen con el resto de los dominios, es decir, con más de 35 causalidades cada uno, demuestran su transversalidad.

En España, los servicios de Educación no están gestionados directamente por la administración municipal. A esto se suma que los datos de ciudades de países desarrollados son homogéneos y estables lo que dificulta el cálculo y estudio de correlaciones con el resto de los indicadores definidos.

Para el dominio de Energía se ha identificado que tiene escasa relación con el dominio de Transporte y Medioambiente. Esto puede ser debido a que los indicadores no son los adecuados para identificar su relación real. Es decir, los indicadores están orientados a medir el consumo, pero no se evalúa su repercusión más allá de los límites de la ciudad donde generalmente se encuentran los centros de producción.

El dominio de la Salud es el que más relación consigo mismo y con el resto por su carácter transversal. Cabe destacar la relación fuerte con Educación, que curiosamente, en España, no son competencias estrictamente municipales.

El dominio de Telecomunicación e Innovación dispone de pocos indicadores y no son los adecuados para medir la inmersión o tansformación tecnológica de una ciudad. En el contexto de la Tecnología hay numerosos datos disponibles en tiempo real. No son relevantes para medir la Innovación a pesar de que se llame así el dominio.

El dominio de Transporte es el de mayor calidad y cantidad de datos disponibles, en abierto e incluso en tiempo real. Dada la disponibilidad de datos se podría complementar el sistema con otros que midan la calidad del servicio y no solo la cantidad de los servicios disponibles.

No aparecen correlaciones fuertes entre indicadores de Medioambiente y Residuos Sólidos, porque los datos disponibles son uniformes, de países desarrollados tendentes al 100% o al 0% y no aportan relaciones concluyentes.

Conclusiones

En general, la calidad y fiabilidad de los conjuntos de datos de los sistemas de indicadores está condicionada y limitada por su disponibilidad en sus múltiples niveles. A continuación, se resumen cuatro condicionantes inherentes a las metodologías de indicadores que hay que tener en cuenta:

Aspecto escala del indicador: cuando no hay datos a escala municipal se realiza una extrapolación de los datos desde la escala nacional. Esta situación supone una abstracción que distorsiona la realidad de las ciudades evaluadas, ya que se pondera con ciudades ajenas. Por ejemplo, el coeficiente de GINI, que es un indicador de referencia para medir la desigualdad a nivel nacional, resulta muy complejo extrapolarlo al nivel municipal.
Aspecto competencial del indicador: cuando lo que mide el indicador no es responsabilidad directa de la administración local. Por ejemplo, en el caso de las ciudades españolas los indicadores relacionados con sanidad y educación, véase la ratio profesor/alumno, no reflejarían de forma objetiva una buena o mala gestión municipal en el ámbito de la educación ya que no tienen capacidad de su gestión.
Aspecto semántico del indicador: cuando no hay correlación directa entre la definición y su objetivo, es decir, entre lo que se quiere medir y lo que realmente mide el dato disponible. Por ejemplo, los indicadores para evaluar la innovación solo se refieren a aspectos relacionados con las telecomunicaciones. Otro caso similar, para medir el ‘ocio’ se reduce a una medición cuantitativa de los metros cuadrados disponibles para espacios recreativos.
Aspecto temporal del indicador: cuando la actualización del dato que nutre al indicador puede desvirtuar la capacidad de comparación con otras ciudades y/o dentro de las métricas de una misma metodología aparecen datos disponibles de periodos diferentes. Por ejemplo, cuando se pondera por 100.000 habitantes, se utilizan datos de años diferentes, uno para la ponderación y otro para un dato concreto.

A continuación, se proponen una serie de oportunidades de mejora a modo de recomendación, en general:

Contextualizar la medición: la realidad es mucho más compleja que un dato. Hay tantas realidades urbanas como sistemas de indicadores se quieran construir. Para consolidar un indicador se recomienda incluir la percepción ciudadana de un indicador como factor corrector.
No limitar la medición al límite administrativo: la mayoría de los indicadores se centran en datos de una ciudad principal sin tener en cuenta su contexto metropolitano. Se recomienda incorporar la escala geográfico-funcional metropolitana a la medición dada su interrelación.
Alteración de la medición: los indicadores están condicionados por las estrategias políticas a corto plazo dependientes de los ciclos electorales. Se recomienda una metodología de medición periódica y constante que permita una valoración de las políticas urbanas a largo plazo.
Impacto de externalidades en la medición: algunos indicadores se ven afectados por externalidades que repercuten en otra ciudad ajena. Se recomienda incorporar indicadores complementarios que valoren las repercusiones sobre otras ciudades y los efectos de otras sobre la ciudad evaluada.

Uno de los propósitos de esta investigación es identificar las condiciones que contribuyen a la sostenibilidad social, ambiental y económica en el ámbito de las ciudades. El estudio realizado es un primer paso significativo para poder entender mejor los indicadores urbanos más relevantes para los servicios urbanos y la calidad de vida.

La aplicación de esta metodología de estudio de correlaciones a otros sistemas o metodologías de indicadores podría ayudar a reforzar o descartar las causalidades descritas en este estudio, así como, ayudar a encontrar nuevas correlaciones y dar paso así al desarrollo de una herramienta de apoyo a la administración pública en la toma de decisiones, a través de modelos predictivos junto con otras herramientas de diseño de la gestión urbana.

La aplicación y la profundización en la investigación de estos temas son esenciales para que los ayuntamientos y la administración pública encuentren respuestas rápidas y eficientes para atender a las necesidades de sus ciudadanos, para garantizar la sostenibilidad económica, social, ambiental de las ciudades y al mismo tiempo para mejorar la calidad de vida en las ciudades.

En este ámbito los principales objetivos a largo plazo que se propone este estudio son:

Optimización de las estrategias de planificación urbana: al predecir posibles eventos y efectos no deseados, se pueden adaptar políticas o proyectos antes de ponerlos en práctica.
Desarrollar una herramienta de evaluación y diagnóstico de ciudades inteligentes en base a las métricas urbanas y otras metodologías internacionales de referencia.
Individualización de oportunidades de negocio: utilizando las herramientas predictivas adecuadas para cada contexto se pueden detectar oportunidades para empresas y administraciones, capaces de dirigir adecuadamente la inversión publica y privada.
Desarrollar un modelo predictivo: adaptable a cada contexto urbano que sea útil para la toma de decisiones desde el punto de vista de la planificación, basado en causalidades entre indicadores que miden la calidad de vida y la sostenibilidad de los servicios urbanos.

Estas herramientas aportarían, entre otras capacidades, la inteligencia y el análisis para optimizar la gestión de la administración pública e individualizar oportunidades para la implementación de servicios urbanos adecuados, a través de la identificación de las causalidades entre variables o indicadores más relevantes.

Agradecimientos

Los autores aprovechan esta oportunidad para agradecer las ideas, el apoyo y las contribuciones de Javier Dorao, José María de La Puerta y Alejandro de Miguel.

Referencias

AENOR, 2015. UNE-ISO 37120. Desarrollo sostenible en las ciudades Indicadores para los servicios urbanos y calidad de vida.
CITYkeys, 2015. Smart City KPIs and related methodolog. Coordinators: Bosch, P., Jongeneel, S., Rovers, V.
Economic commission fo Europe, 2015. The UNECE–ITU Smart Sustainable Cities Indicators
García, J., Sisto, R., Lumbreras, J., Maté, E., 2017. Mapping City Indicators Methodologies. 2nd International conference on “Smart and sustainable planning for cities and regions-SSPCR 2017”
García, J., Sisto, R., Armuña, C., Arenal, A., Ramos, S., 2016. Caracterización y aplicación práctica de la metodología ISO 37120 para ciudades pertenecientes a la RECI. Libro de Comunicaciones: II Congreso Ciudades Inteligentes 2016, pp. 618-623.
Karayannis, G., 2014-2015. Dissecting ISO 37120: Why this new Smart city standard is good news for cities.
Sisto, R., García, J., Paez, J. M., Maté, E.,2017. Open Data Assessment in Italian and Spanish cities. 2nd International conference on “Smart and sustainable planning for cities and regions-SSPCR 2017”.
Sisto, R., García, J., 2016. Inteligencia y Ciudad. El papel de las métricas: retos, oportunidades y carencias para las ciudades inteligentes. TELOS 105. Revsita de Pensamiento sobre Comunicación, Tecnología y Sociedad, vol. 105, pp. 95-97.
WCCD – World Council on City Data. [Accessed January-march, 2017].
de LaPuerta, J., de Miguel, A., García, J., Sisto, R., Maté, E., 2017. Relaciones entre indicadores definidos en la norma ISO 37120. Universidad Politécnica de Madrid y Mº Fomento, Dirección General de Arquitectura, Vivienda y Suelo. Ed. Mairea.