Relaciones Empíricas entre Desarrollo y Desastre

Abstract

La Gestión del Riesgo de Desastres (GRD) ha migrado, en las últimas décadas, de un enfoque basado en una preparación para atender a los desastres, a un enfoque de gestionar los riesgos que se materializan en forma de desastre, y finalmente hacia un enfoque de gestionar los procesos de desarrollo que promueven la acumulación del riesgo de desastre. Lo implícito en este cambio de paradigma, es que son los procesos de desarrollo no-sostenibles y no los eventos naturales que típicamente asociamos con “desastre”, que son la principal causa controlable de desastres. Estos procesos no-sostenibles acumulan riesgo latente que queda escondido hasta que un evento natural desencadena una crisis social que es típica y erróneamente llamada “desastre natural”. En la actualidad, los términos “evento natural” y “desastre social” son mucho más descriptivos de esta realidad. En el presente análisis, tomamos esta relación causal postulada entre procesos de desarrollo y el riesgo de desastre como nuestra hipótesis, e intentamos comprobar su validez utilizando datos empíricos y modelos causales. Para poder modelar y comprobar la relación causal entre procesos de desarrollo no sostenibles y desastres, primero se agregaron datos de varias fuentes sobre desastre y riesgo. Los datos incluyen muchas de las bases de datos globales y nacionales sobre pérdidas por desastre e indicadores de desarrollo, gobernabilidad y ambiente. Estos datos se utilizaron dentro de un Modelo de Ecuaciones Estructurales (SEM, por sus siglas en inglés) basados en modelos conceptuales aceptados en GRD. SEM es un sistema de modelación comúnmente utilizado para establecer relaciones causales entre variables latentes no observables. Estos constructos no directamente observables del riesgo de desastre, como son la “vulnerabilidad”, la “exposición” y la “amenaza”, y las relaciones que asumimos entre ellas, no pueden ser directamente medidas. Pero empleando SEM, y logrando que los datos se normalicen dentro de las limitaciones del sistema, entonces, en teoría, los modelos conceptuales de GRD pueden ser comprobados empíricamente. En ese proceso, primero se intentó mapear modelos conceptuales del riesgo de desastre y desarrollo, utilizando la metodología SEM para primero establecer modelos de análisis factorial para concretar las variables latentes, y después usar estas variables para comparar las pérdidas por desastre modeladas usando el modelo conceptual contra los datos actuales sobre pérdidas. Finalmente, se comprobó el nivel de encaje de los modelos para establecer cuáles se aproximan más a la realidad, es decir, cuales tienen mayor potencial de nivel predictivo. Se describieron tres variantes del modelo SEM con la combinación de mejor ajuste de modelo y mejor aplicabilidad en el mundo real. Aunque el concepto de desarrollo en sí fue difícil de modelar directamente, si se pudo obtener niveles de encaje razonablemente buenos con el factor subyacente más importante del desarrollo - la gobernabilidad - , y su relación con riesgo de desastres y el ambiente. De las tres variantes de este modelo, el menos parsimonioso, es decir el más sencillo, obtuvo el mejor nivel de encaje también provee el mejor poder explicativo. El modelo de Gobernabilidad, Ambiente y Riesgo de Desastres descrito en este trabajo obtuvo valores de ajuste cercanos a los límites comúnmente aceptados para un buen grado de ajuste, con un valor de Chi -cuadrado de 163 (con 110 grados de libertad), el CFI (Índice de ajuste comparativo) de 0,98 (0.90 o más es el umbral aceptado) , un GFI ( índice de calidad del encaje ) de 0.90 (0.90 o más es el umbral aceptado) y un RMSEA (Error de aproximación “Root Mean Squared”) de 0.054 (0.05 o menos es el umbral aceptado). Todas estas cifras indican un resultado, ya sea con un alto grado de ajuste o bien, muy cerca de un alto grado de ajuste. Es decir, los resultados de correr los datos empíricos por el modelo conceptual produjeron resultados con un alto nivel de encaje con las perdidas observadas. Se concluye con una discusión sobre las relaciones e implicaciones de este modelo dentro de dos países centroamericanos ejemplares de las configuraciones de riesgo existentes en la región: Costa Rica y Guatemala. Se espera poder usar algún día los modelos logrando altos niveles de encaje, para así poder establecer cuáles intervenciones en los modos de desarrollo tienen la mejor posibilidad de reducir el riesgo de desastre en el futuro. Por ahora, se ha podido proponer los primeros pasos hacia la modelación de relaciones causales que promueven desastres. Entre las limitaciones enfrentadas al realizar esta tarea, está la desigual profundidad, calidad y cobertura de los datos disponibles sobre pérdidas y riesgo de desastres, circunstancia que puso en evidencia la necesidad de contar con datos de más alta resolución, más consistentemente recolectados, y más sencillamente compilados para poder en el futuro modelar estas relaciones con más alto nivel de certeza.

Disaster Risk Management (DRM) has moved, over the past several decades, from a focus on preparing for and managing disasters, to one of managing the risk that materializes in disasters, and increasingly towards managing the development processes that lead to the accumulation of disaster risk in the first place. The implicit assumption in this paradigm shift is that skewed and/or unsustainable development processes, and not natural events in themselves, are the principal manageable cause of disasters. These skewed development processes lead to the accumulation of “social risk” that remains hidden until an event triggers a social crisis that has been typically and erroneously termed a “natural disaster”. In the present analysis, we take this postulated causal relationship between development processes and disaster risk as our hypothesis and attempt to test its validity using empirical data and a causal modeling environment. In order to model and test the hypothesized causal relationship between skewed or unsustainable development and disaster, we first aggregated time-series data from disparate sources including many of the leading global, regional and national disaster loss databases and development indicator sets. The data was then fed into Structural Equation Model (SEM) based upon commonly accepted conceptual models of disaster risk. SEM is a modeling environment commonly used to establish probabilistic causal relationships between unobserved latent factors. These unobserved constructs, such as “vulnerability”, “exposure” and “risk”, and the assumed relationships between them, can’t be directly measured, but using SEM they can be modeled and tested using empirical data. We first attempt to map established expert opinion based conceptual models of disaster, risk and development into the SEM methodology to compare the losses predicted by these conceptual models against the observed disaster loss data. We then test the “fit” of the mapped conceptual models to determine which models best represent reality. Someday, we hope to use models with high degrees of fit to narrow down what development-related interventions have the highest probability of reducing disaster risk. For now, we have made some early in-roads into modeling disaster-related causal relationships. Among other challenges encountered, depth, quality and coverage of the underlying data are important limiting factors when dealing with disaster loss and risk data, and clearly point to the need for higher resolution, longer time series, more consistently collected, and easier to compile datasets. We describe three variants of the SEM model that held the best real-world applicability together with model fit. Although the concept of development proved difficult to model directly, we were able to obtain reasonably high degrees of fit with the key underlying driver of development- governance, and its relationship with risk and the environment. Of the three variants, the least parsimonious model provided both the best model fit and best explicative power. We conclude by drawing some relationships and implications of this model within selected Latin American countries.