15 nov 2021

Metodologías de análisis de riesgos múltiples

Este estudio ha sido realizado por dos estudiantes de máster, Laura Hielkema (becaria de la 510) y Jasmijn Suidman (investigador junior del Centro del Clima de la Cruz Roja y la Media Luna Roja), en colaboración con el Centro del Clima de la Cruz Roja y la Media Luna Roja (supervisado por Catalina Jaime, responsable de Clima y Conflictos), y la 510. En el marco de un proyecto encargado por el Banco Mundial para identificar los factores que impulsan la fragilidad climática y medioambiental en Burundi, se ha llevado a cabo un estudio sobre metodologías de riesgos múltiples.

Esquema

1. Introducción

La realidad de las crisis de COVID19 ha puesto de relieve una vez más la necesidad de pensar en las catástrofes no como acontecimientos aislados y estáticos, sino como la materialización de uno de los múltiples peligros que pueden afectar a una zona concreta. Los fenómenos climáticos que no son extremos en sí mismos pueden, sin embargo, provocar un impacto extremo cuando se producen simultáneamente con otros fenómenos (no extremos). Si se adoptara un enfoque basado en un único peligro, se correría el riesgo de subestimar el riesgo potencial al que se enfrenta una determinada región. De ahí que exista un acuerdo general en que la reducción del riesgo de catástrofes debe pasar de los escenarios basados en un único peligro a los basados en peligros múltiples. Un enfoque multipeligro puede ayudar a los responsables políticos y a los inversores a decidir hacia dónde canalizar el dinero y la atención, haciendo que los esfuerzos de desarrollo y la respuesta a los peligros se basen en el riesgo y sean más eficientes.

1.1 Pasar del análisis de un único riesgo al de riesgos múltiples

Pasar del análisis de un solo peligro al de peligros múltiples no es tarea fácil, ni para la comunidad científica ni para los responsables de la toma de decisiones operativas en las instituciones y organizaciones que gestionan y mitigan el peligro. Los retos identificados en la literatura son la complejidad de la fragmentación de los sucesos multipeligro y sus interrelaciones, las lagunas en los enfoques multipeligro adoptados por las distintas instituciones y la complejidad de los sucesos multipeligro que puede dar lugar a una gran cantidad de soluciones ad hoc. No sólo el carácter extremo de una variable climática o meteorológica determina el impacto, sino que también deben conocerse bien la exposición y la vulnerabilidad de las personas.

Un enfoque multipeligro trata de captar un sistema complejo y no estacionario en una sola evaluación, lo que sólo puede conseguirse si existe una colaboración interdisciplinar entre las instituciones del conocimiento y los organismos de toma de decisiones operativas. Como los impactos no se ciñen a silos, la comunidad operativa internacional advierte que las consecuencias y soluciones de los peligros múltiples tampoco deben investigarse en "silos".

1.2 Terminología

El análisis de riesgos multipeligro es un término amplio que abarca el examen de los peligros en una zona geográfica y un momento concretos y su magnitud, así como la descripción de su interacción y la interpretación de sus resultados combinados en un grupo objetivo. Amplía el análisis de un único peligro y sus resultados no son sólo la suma de sus partes.

  • El término"multipeligro " se refiere a situaciones en las que existe más de un peligro a la vez (y que pueden interactuar entre sí).
  • Cuando la magnitud del peligro es particularmente alta desde una perspectiva estadística, o supera un umbral específico, el peligro se clasifica como "extremo".
  • Los "peligros compuestos " son una categoría específica de peligros múltiples en la que: "(a) extremos que ocurren simultánea o sucesivamente; (b) extremos combinados con condiciones de fondo que amplifican su impacto global; o (c) extremos que resultan de combinaciones de eventos "promedio""(Pescaroli & Alexander, 2018, p. 6).Dentro del ámbito del análisis de riesgos multiamenaza, el término "amenaza compuesta" se utiliza a menudo en referencia a la amenaza meteorológica y climática.

Es importante observar que al pasar del análisis de una sola amenaza al de múltiples amenazas, la escala temporal y espacial del riesgo en cuestión puede cambiar drásticamente. Además, dado que las amenazas interactúan, la combinación de dos o más amenazas únicas no da lugar a una relación lineal con los impactos resultantes.

Figura 1. Escala temporal y espacial de las diferentes categorías de riesgo único extraída de Gill y Malamud (2014).

Tipos de interrelaciones entre peligros:

  • Independencia -> Pura coincidencia. Superposición espacial y temporal de los impactos de dos peligros, pero sin relación de desencadenamiento o dependencia.
  • Desencadenamiento o cascada -> Peligro principal y otro secundario. Cualquier peligro puede desencadenar cero, uno o más peligros. El segundo peligro puede ser el mismo o diferente.
  • Modificar las condiciones -> Un peligro puede alterar la disposición de un peligro consecutivo modificando las condiciones del entorno.
  • Peligro compuesto (asociación) -> Peligros diferentes interrelacionados que están causados por el mismo suceso primario o procesos a gran escala (no necesariamente peligros).
  • También puede darse la exclusión mutua o la dependencia negativa de dos peligros naturales.

La relación entre los peligros considerados puede influir en la elección de la metodología (por ejemplo, peligros en cascada frente a peligros simultáneos pero independientes). Aunque la metodología elegida para el análisis de riesgos es aplicable a múltiples tipos de peligros, puede haber metodologías más adecuadas que otras en función del tipo de interacción que exista entre los peligros. Por lo tanto, se aconseja comprender primero las interrelaciones entre los peligros y, a continuación, elegir la metodología (o combinación de metodologías) para el análisis de riesgos multipeligro.

2. Metodologías

Las metodologías de análisis de riesgos multipeligro pueden dividirse en cualitativas, cuantitativas y semicuantitativas.

2.1 Metodologías cualitativas

Los peligros simultáneos pero independientes son difíciles de cuantificar, ya que no existe una dependencia (causal, demostrada) entre los dos sucesos y, por tanto, que ocurran al mismo tiempo puede ser la realización de un proceso aleatorio. En estos casos, recurrir a metodologías cualitativas puede ser la mejor práctica. Las metodologías cualitativas son útiles para definir el alcance de las catástrofes en las que centrarse durante un estudio de riesgos múltiples y para comprender, por ejemplo, qué combinación de catástrofes provoca el mayor impacto en las comunidades objetivo.

Se han utilizadometodologías descriptivas o anecdóticas para describir discursivamente la relación entre peligros primarios y secundarios. Otras metodologías cualitativas no pretenden cuantificar el riesgo de peligros múltiples, sino que se basan en la visualización para proporcionar información sobre posibles peligros superpuestos o subsiguientes espacial y temporalmente. Se han utilizado enfoques geográficos de peligros multicapa para identificar en un mapa zonas de posible superposición espacial de peligros (véase, por ejemplo: Dilley, et al., 2005; Wipulanusat et al., 2009; Mahendra et al., 2011).

Dentro de las metodologías cualitativas se pueden utilizar datos sobre sucesos históricos pasados de este tipo de eventos simultáneos, conocimientos de expertos y entrevistas. Una limitación es que la exhaustividad y la calidad de los datos recogidos de este modo dependen en gran medida del número de participantes y del sesgo de selección de la muestra entrevistada. También se considera una limitación la capacidad del informante y del entrevistador para comprender el peligro y dar respuestas objetivas.

Véase un ejemplo en este informe de ACAPS.

El análisis cualitativo puede traducirse en resultados más cuantitativos facilitando una correspondencia entre las percepciones discursivas y las medidas cuantitativas, como la clasificación en una escala. La clasificación por pares es una técnica muy utilizada en estos casos. La cartografía comunitaria también es una técnica utilizada a menudo para trasladar las anécdotas a la cartografía geográfica.

2.2 Metodologías cuantitativas

Las metodologías cuantitativas se centran en cuantificar la magnitud de los peligros y las interrelaciones entre ellos, y suelen utilizarse para evaluar la aparición de peligros potenciales en cascada modelizando analíticamente la cadena causa-efecto y derivando la distribución de probabilidad de su aparición.

Las metodologías cuantitativas se dividen a grandes rasgos en enfoques multicapa de un solo peligro y enfoques multipeligro que integran interacciones entre procesos medioambientales y antropogénicos.

2.2.1 Planteamientos multicapa frente a un único peligro

Los enfoques multicapa de un solo peligro se centran en la identificación de áreas en las que los peligros se solapan. Esto se hace superponiendo capas de peligros. No se tienen en cuenta las interrelaciones entre peligros, lo que reduce la fiabilidad. Sin embargo, se pueden incluir muchos peligros diferentes. Esta metodología es fácil de entender, y los resultados son fáciles de interpretar y pueden tratar mucha información sobre riesgos.

Mapas de frecuencia de riesgos

La metodología cuantitativa más sencilla para obtener una visión cuantitativa del riesgo de peligros múltiples es un mapa de frecuencia, cuyo objetivo es identificar las zonas en las que se solapan los riesgos de varios peligros. La figura 2 muestra un mapa coloreado con el número de veces que se produce un peligro específico en una región o nivel administrativo concretos. Cuando se consideran peligros múltiples, se calcula un índice de frecuencia compuesto mediante la suma normalizada de los componentes de frecuencia individuales ponderados por una medida de clasificación de un solo peligro.Las modificaciones de esta técnica vuelven a normalizar, por ejemplo, la densidad de población o la vulnerabilidad.Se trata de una técnica que puede utilizarse para identificar (de forma relativa) puntos críticos de catástrofes suponiendo que el número de veces que una catástrofe ocurrió en la zona en el pasado es representativo de su ocurrencia en el futuro. Por supuesto, esto no tiene en cuenta las interrelaciones entre peligros ni las tendencias de las proyecciones futuras si los riesgos o las condiciones que los rodean son dinámicos. Además, las incertidumbres no pueden representarse en una descripción de este tipo, aunque puede utilizarse como base para desarrollar escenarios y fundamentar las políticas.

Figura 2 Distribución mundial de los puntos críticos de riesgo de catástrofes según el número de amenazas renormalizadas por la mortalidad de "Natural Disaster Hotspots: a global risk analysis" (Dilley et al., 2005)
Métodos de índices de riesgo

Los métodos de índices son una evolución de los mapas de frecuencias, cuyo objetivo es identificar las zonas que corren el riesgo de sufrir múltiples tipos de amenazas. Estos métodos calculan un índice de riesgo compuesto a través de múltiples dimensiones, siendo la más utilizada una combinación de índices normalizados como exposición al peligro y vulnerabilidad. Cuando se consideran múltiples peligros, éstos pueden ponderarse por intensidad, magnitud y frecuencia. Los resultados de los métodos de índices de riesgo suelen visualizarse como una escala de colores en un mapa.

El índice INFORM es una de esas metodologías que calcula un índice de riesgo normalizado para las crisis humanitarias a partir de indicadores compuestos de vulnerabilidad, exposición y falta de capacidad de afrontamiento. No tiene en cuenta las interacciones entre peligros, pero permite estratificar otros tipos de desastres distintos de los naturales, como por ejemplo los conflictos.

Figura 3 Marco del índice de riesgo compuesto multipeligro definido en INFORM
Técnicas probabilísticas/estadísticas

Los enfoques probabilísticos se basan en el conocimiento de la distribución subyacente de las variables que describen el peligro para inferir la probabilidad de que algo ocurra con un cierto grado de certeza. El conocimiento de la distribución de las variables se infiere a partir de datos históricos(técnicas no paramétricas) o de la teoría subyacente de la física de los sucesos(técnicas paramétricas).La exactitud de la representación es tan buena como el conocimiento de las distribuciones subyacentes, lo que significa que, en el caso de sucesos en cascada que tienen una interconexión física subyacente (como inundaciones y corrimientos de tierras o sequías e incendios forestales, en los que uno puede ser el motor físico del otro), este enfoque puede ser muy potente y bastante exacto. No lo es tanto cuando los fenómenos no tienen una correlación clara o cuando no se dispone de datos suficientes.

En caso de escasez de datos históricos sobre peligros independientes, pueden utilizarse metodologías como la difusión de información para calcular la probabilidad de superación de un parámetro determinado (por ejemplo, la pérdida de vidas humanas).

Los resultados de un modelo de riesgo probabilístico se presentan normalmente en términos de métricas estándar como "pérdida media esperada a lo largo de un periodo" y "probabilidad de superar un umbral (de riesgo) determinado".Si las variables subyacentes pueden especificarse a un nivel granular (por ejemplo, utilizando mapas de susceptibilidad), también es posible un análisis probabilístico especial.

2.2.2 Evaluación de riesgos múltiples

La literatura reciente advierte de que "ignorar las interacciones entre importantes procesos ambientales y antropogénicos podría distorsionar las prioridades de gestión, aumentar la vulnerabilidad a otras amenazas espacialmente relevantes o subestimar el riesgo de desastres"(Gill y Malamud, 2016, p. 659). Por lo tanto, cuando existen interrelaciones entre amenazas, se recomienda integrar estas interacciones en la evaluación del riesgo multiamenaza. Esto puede hacerse estudiando la superposición espacio-temporal de diferentes peligros mediante el uso de métodos probabilísticos para inferir correlaciones entre los eventos. Sin embargo, en comparación con los enfoques multicapa de un solo peligro, estos métodos son más complejos y sus resultados son menos fáciles de entender.

Métodos de modelización estadística

Existen tres enfoques principales para modelizar las interrelaciones entre sucesos: estocástico, empírico y mecanicista (Figura 4). Cada enfoque de modelización tiene varios subenfoques.

Figura 4 Modelos de interrelación de peligros naturales a partir de la figura 7 de Tilloy et al. (2019).

Los modelos estocásticos estiman la distribución de probabilidad (conjunta) de múltiples sucesos (compuestos) permitiendo variaciones aleatorias en una o más de las variables de entrada. Una gran ventaja de este tipo de modelos es que tienen la capacidad de extrapolar más allá de la gama de datos de entrada. Existen modelos más sencillos y más complicados, en función de lo explícita que sea la relación entre parejas de sucesos. Se pueden definir dos familias, los modelos multivariantes y los modelos de cópula, donde los modelos de cópula sólo modelizan la estructura de dependencia, mientras que los modelos multivariantes también incluyen la modelización de la distribución de cada variable individualmente (también denominada modelización marginal). En pocas palabras, los modelos estocásticos son simulaciones numéricas de sucesos, y pueden modelizar más allá de los datos históricos disponibles.

Los modelos empíricos se basan en observaciones y mediciones. Estos modelos ajustan distribuciones empíricas a las observaciones.Una desventaja frente a los modelos estocásticos es que los modelos empíricos no son capaces de extrapolar más allá de los datos disponibles, por lo que requieren muchos datos. Los modelos empíricos pueden dividirse en medidas de dependencia y regresiones. Las medidas de dependencia se centran en el grado de correlación entre dos o más variables. La regresión mide qué efecto tienen los cambios en una o más variables independientes sobre una variable dependiente. Existen muchos tipos de modelos de regresión. Las regresiones se utilizan sobre todo cuando se modelizan riesgos en cascada, y el modelo de regresión más utilizado son las regresiones lineales.

Los modelos mecanicistas son representaciones optimizadas de fenómenos basadas en la representación física o en reglas del mecanismo subyacente al suceso. En el contexto del análisis de peligros múltiples, se utilizan sobre todo en masas de agua, ya que puede aplicarse la mecánica de fluidos.Son una técnica muy poderosa, ya que permite extrapolar más allá del alcance de los datos y permite justificar físicamente las interacciones entre sucesos dentro del ámbito de las suposiciones realizadas para ejemplificar los fenómenos.

Técnica de los modelos gráficos probabilísticos

Los Modelos Gráficos Probabilísticos son un método que utiliza probabilidades para calcular el riesgo.

Los árboles de sucesos se utilizan para presentar gráficamente una secuencia de acontecimientos derivados de la catástrofe inicial. Se representan como un proceso con resultados binarios. Para calcular el riesgo se utilizan las probabilidades de que se produzcan y las consecuencias de los sucesos. Los árboles de sucesos son un método cuantitativo útil, ya que incorporan la interconexión de los peligros y las probabilidades de que se produzcan. Sin embargo, un inconveniente es que sólo puede aplicarse a partir de un único suceso inicial.

Las BN son otro modelo probabilístico que puede representar los efectos en cascada entre peligros, gracias a su estructura gráfica. Es una combinación de un enfoque cualitativo y cuantitativo. El aspecto gráfico consiste en nodos y flechas, y las probabilidades condicionales constituyen la parte cuantitativa. Todas las interacciones posibles pueden incluirse en la evaluación. Además, los nodos del modelo pueden actualizarse continuamente siempre que haya nuevas pruebas sobre las interrelaciones entre peligros. Las BN son métodos muy prometedores en los modernos campos de peligros múltiples. En primer lugar, los datos continuos deben transformarse en datos discretos. En segundo lugar, las BN no pueden adoptar patrones de retroalimentación y la modelización dinámica puede volverse tortuosa, ya que los fenómenos naturales cambian con el tiempo. Para mejorar aún más las BN, se han desarrollado la Red Bayesiana Híbrida (HBN) y la Red Bayesiana Dinámica (DBN). Las HBN implementan un algoritmo para que la BN pueda manejar tanto datos continuos como discretos y las DBN están mejor equipadas para tratar variables dinámicas.

Las técnicas de aprendizaje automático utilizan algoritmos informáticos que pueden mejorar su rendimiento en función de la (creciente) disponibilidad de datos (históricos). El aprendizaje automático utiliza un conjunto de datos de entrenamiento para hacer predicciones. Su objetivo es realizar las predicciones más precisas o minimizar el error de un modelo. Normalmente, un conjunto de datos se divide en datos de entrenamiento y datos de validación. Lo más habitual es utilizar el 70% del conjunto de datos para el entrenamiento y el 30% para la validación. Existen muchos tipos diferentes de modelos de aprendizaje automático, muchos de los cuales se basan en aplicaciones combinadas de metodologías principalmente estadísticas. Estos algoritmos se aplican en el aprendizaje automático con fines de predicción. Las metodologías de aprendizaje automático son muy potentes si nos encontramos en un entorno rico en datos. En el contexto del análisis de riesgos multipeligro, eso significaría disponer de una gran cantidad de datos históricos sobre sucesos e impactos, lo que es posible sobre todo en contextos altamente digitalizados. Por tanto, pueden ser muy potentes, pero se necesitan muchos datos.

2.3 Metodologías semicuantitativas

Las metodologías semicuantitativas utilizan un enfoque mixto, con elementos cuantitativos y cualitativos en el análisis.

Matriz de interacción de peligros

Una forma de incorporar la interacción entre peligros en la evaluación de riesgos múltiples es el uso del método de la matriz de interacción (MMI). Los expertos codifican en una matriz todas las relaciones posibles entre peligros. A continuación, se calcula el riesgo multipeligro superponiendo consecutivamente toda la información espacial. La figura 5 muestra las matrices de interacción de los riesgos compuestos y en cascada por separado. Las matrices de interrelación pueden elaborarse a partir de la revisión bibliográfica y de los conocimientos de los expertos sobre las posibles interacciones entre peligros.

Figura 5 Matrices de interacción de Tilloy et al. (2019) para riesgos en cascada (izquierda) y compuestos (derecha).
Mapas de peligros múltiples con superposición ponderada

La superposiciónponderada es una metodología desarrollada para extraer información de índices cuantitativos superpuestos ponderados según la opinión de expertos. La metodología consiste en un análisis espacial SIG de indicadores de vulnerabilidad preexistentes, exposición histórica a peligros naturales y densidad histórica de conflictos. Cada capa se reclasifica en una clasificación de 5 clases de riesgo, de Bajo a Muy alto, basada en la opinión de expertos. La suma de las capas se normaliza de nuevo en el rango 1-5. El resultado produce un mapa que destaca las zonas vulnerables y de peligros múltiples, mostrando la superposición de todas las capas en 5 clases. Las zonas de "Clase 5" (Muy alta) son las más relevantes, ya que son las zonas geográficas más afectadas por conflictos y peligros naturales y conocen una vulnerabilidad muy alta.

Figura 6 Concepto analítico de identificación y priorización de zonas de alto riesgo mediante capas superpuestas
Mapas de riesgo

Un mapa térmico de riesgos es una representación visual de los datos de riesgo en la que los valores individuales dentro de una matriz se representan como colores que tienen un significado. El mapa de riesgos es una visualización de una matriz de riesgos que contiene la probabilidad de un suceso frente al impacto que tendrá en el sistema que estamos examinando (personas u otros activos).El color asociado al elemento específico de la matriz se elige en una escala de riesgo en la que el riesgo se define como el impacto multiplicado por la probabilidad. Es posible comparar la probabilidad de múltiples peligros en diferentes áreas geográficas y población objetivo.

Figura 7 Ejemplo de mapa de riesgos

El camino a seguir

Aunque existe un acuerdo general sobre la necesidad de que la reducción del riesgo de catástrofes pase de escenarios con una sola amenaza a escenarios con múltiples amenazas para obtener una comprensión global de la zona en riesgo, esto no significa que se considere una tarea fácil. Es aconsejable comprender primero las interrelaciones entre las amenazas antes de elegir una metodología adecuada (o una combinación de metodologías) para llevar a cabo el análisis de riesgos multiamenaza.

Para saber más

  • Delmonaco, G., Margottini, C., & Spizzichino, D. (2006). Report on new methodology for multi-risk assessment and the harmonisation of different natural risk maps.
  • Dilley, M., Chen, R. S., Deichmann, U., Lerner-Lam, A. L., & Arnold, M. (2005). Natural Disaster Hotspots: A Global Risk Analysis (nº 5). Banco Mundial, véase aquí.
  • Gill, J. C., y Malamud, B. D. (2014). Revisión y visualización de las interacciones de los peligros naturales. Reviews of Geophysics, 52(4), 680-722, ver aquí.
  • Gill, J. C., y Malamud, B. D. (2016). Hazard interactions and interaction networks (cascades) within multi-hazard methodologies. Earth System Dynamics, 7(3), 659-679, ver aquí.
  • Leonard, M., Westra, S., Phatak, A., Lambert, M., van den Hurk, B., McInnes, K., Risbey, J., Schuster, S., Jakob, D., & Stafford-Smith, M. (2013). A compound event framework for understanding extreme impacts, WIREs Climate Change, 5(1), 113-128, véase aquí.
  • Marin-Ferrer, M., Vernaccini, L., & Poljansek, K. (2017). Índice para la gestión de riesgos: INFORM Concept and Methodology Version 2017, véase aquí.
  • Nielsen, T. D., & Jensen, V. F. (2013). Bayesian Networks and Decision Graphs (Information Science and Statistics) (Ed. corregida). Springer.
  • Pescaroli, G., & Alexander, D. (2018). Understanding Compound, Interconnected, Interacting, and Cascading Risks: A Holistic Framework, Risk Analysis, 38(11), 2245-2257, ver aquí.
  • Tilloy, A., Malamud, B. D., Winter, H., & Joly-Laugel, A. (2019). A review of quantification methodologies for multi-hazard interrelationships, Earth-Science Reviews, 196, 1-20, ver aquí.
  • Tsiplakidis, J., & Photis, Y. N. (2019). Multihazard Risk Assessment from Qualitative Methods to Bayesian Networks: Revisión de contribuciones recientes y exploración de nuevas perspectivas. En Retos geoespaciales en el siglo XXI (pp. 401-429). Springer, ver aquí.