A eficácia das políticas de distanciamento social

Um dos projetos mais interessantes do grupo MIT Connection Science é o The Atlas of Inequality. O projeto – liderado pelos professores Esteban Moro e Alex ‘Sandy’ Pentland – usa dados de geolocalização anônimos de dispositivos digitais para estimar onde diferentes grupos de pessoas passam o tempo, nas cidades dos EUA e com o tempo, o projeto poderá ser expandido para cidades ao redor do mundo. Os dados mostram a significativa desigualdade de renda entre as pessoas nessas cidades, não apenas por bairros, mas também nos restaurantes, lojas e outros lugares.

O grupo de pesquisa aplica seus dados e métodos de geolocalização para analisar a eficácia das políticas de distanciamento social adotadas na área metropolitana de Nova York em resposta à pandemia de Covid-19. Essas políticas incluem o fechamento de escolas, proibição de reuniões não essenciais, limitação de pedidos de comida para viagem e medidas rígidas de permanência no local. Não há como medir empiricamente o impacto dessas medidas de distanciamento social em tempo real na disseminação da Covid-19, mas pode-se medir seu impacto de forma retrospectiva ou simular o que pode acontecer no futuro com base em dados.

Esses dados ajudam a abordar de forma empírica, um conjunto de questões importantes:

1. Como as políticas de distanciamento mudaram a mobilidade e o comportamento social?;

2. Como o comportamento de distanciamento social varia na área metropolitana de Nova York?;

3. Como o comportamento varia entre a diversidade de grupos demográficos?; e, em geral,

4. Quão bem as pessoas estão seguindo essas medidas de distânciamento social?

As descobertas iniciais revelam que as políticas de distanciamento social levaram a grandes mudanças onde as pessoas passam seu tempo e como elas interagem umas com as outras:

“A distância percorrida todos os dias caiu 70 por cento, de uma média de 40 Km em fevereiro para 11 Km” no final de março;

“O número de contatos sociais diminuiu 93% de 75 para 5”, onde o contato social é definido como estando a pelo menos a 2,5 metros um do outro por pelo menos 5 minutos;

“O número de pessoas que ficam em casa o dia todo aumentou de 20% para 60%”; e

“as políticas de distanciamento social reduziram muito as diferenças relativas entre os diferentes grupos demográficos, visto que a mobilidade e os contatos sociais de quase todos foram drasticamente reduzidos.”

As mudanças na distância percorrida e nos contatos sociais tornaram-se significantes somente depois que medidas de fechamento de negócios foram implementadas.

O varejo de alimentos e lojas de suprimentos essenciais tornaram-se os locais mais comuns para contatos sociais. Depois que essas medidas foram introduzidas, cerca de 5,5% dos nova-iorquinos começaram a passar o tempo em lugares fora da área metropolitana, incluindo Nova Jersey (37%), interior do estado de NY (23%), Pensilvânia (9,8%) e Flórida (6,7%).

Resultados mais detalhados podem ser encontrados no relatório preliminar. E aqui estão as fontes dos dados usados na análise, bem como os métodos usados para preservar a privacidade dos dados.

O tipo de diretivas do governo que foram implantadas na China para combater o surto de Covid-19 não são aplicáveis nos EUA e em outras democracias de livre mercado. Nesses países, é importante recorrer a métodos sofisticados de análise de dados que estejam em conformidade com as políticas de privacidade.

A principal fonte de dados para o projeto Atlas são dados de localização anônimos de uma variedade de aplicativos em smartphones. Os dados vêm da Cuebiq, uma empresa de inteligência e medição baseada em geolocalização e, em particular, da iniciativa Data for Good da Cuebiq, que disponibiliza seus dados para pesquisas acadêmicas e programas humanitários. Para a análise de distanciamento social de NY,

“Cuebiq coleta registros anônimos de pontos GPS com registro de data / hora de usuários que optaram por compartilhar seus dados anonimamente nos EUA de 1º de janeiro de 2020 a 25 de março de 2020.” Os dados de mobilidade são extraídos apenas dos usuários que optaram por compartilhar seus dados por meio de uma estrutura compatível com GDPR e CCPA. Os dados residenciais e de áreas de trabalho são então agregados ao nível do Grupo de blocos do censo, permitindo a análise demográfica enquanto ofusca o local exato onde os usuários anônimos vivem e trabalham.

“Os dados que recebemos são construídos a partir da sequência de pings informados pelos dispositivos”, explica o relatório. “Isso resulta em um conjunto de dados dos locais públicos onde muitas pessoas ficaram (com alta precisão espacial) correspondendo aos pontos de interesse que as pessoas normalmente visitam e os setores censitários mais prováveis de onde esses proprietários de dispositivos vivem e trabalham”. uma estadia é definida como um local onde um usuário anônimo parou por pelo menos 5 minutos. A análise é limitada a dados de pessoas que foram ativas durante o período de 17 de fevereiro a 9 de março e para as quais há relatórios de dados de localização que permaneceram em suas residências por mais de 10 dias. O conjunto de dados inclui informações sobre 567.000 pessoas.

Há muito, muito mais a ser feito. “A próxima questão empírica é: quão eficazes são essas políticas de distanciamento social para reduzir a propagação do coronavírus?”, Conclui o relatório. “Com dados de mobilidade anônima de alta resolução, podemos estudar o efeito das políticas relacionadas à mobilidade nas respostas comportamentais da população e como o coronavírus se espalha de maneira diferente em locais com políticas diferentes. Os dados de mobilidade de alta resolução, anônimos e agregados, podem monitorar a adesão às políticas de distanciamento social, mas também podem informar modelos epidemiológicos baseados em matrizes de contato em tempo real”.