Métricas que Marcan la Diferencia: Uso de los Indicadores de Bienestar y del Desarrollo Sostenible en América Latina y el Caribe/Metrics that Make a Difference: Policy Uses of Well-being and Sustainable Development Indicators in Latin America and the Caribbean, 23-24 October 2019, Bogotá, Colombia. More information at: www.oecd.org/statistics/lac-well-being-metrics.htm

1. Incorporación de Nuevas
Fuentes de Datos a
Estadísticas Oficiales:
dos Ejemplos en México
Metrics that Make a Difference
Policy Uses of Well-being and Sustainable Development
Indicators in Latin America and the Caribbean
October 23, Colombia

2. Fuente: https://www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf
Datos propiedad de empresas privadas

3. »Estado de ánimo de los tuiteros
en México
»Medición de impactos
económicos y de movilidad tras
el sismo 19S-2017 en la CMDX
Aprovechamiento de nuevas fuentes de datos para México

4. Ánimo de los
tuiteros en
México

5. Ánimo Tuitero
Objetivo: Medir automáticamente y reportar el ánimo de los
tuiteros en México.
Método: Procesamiento de Lenguaje Natural (PLN)
Recolección y
Preprocesamiento
Metodología para
clasificar tweets
Interfaz pública para
mostrar y comunicar
resultados

6. Recolección y Preprocesamiento
Tweets
Recolección diaria (3 a.m.):
• 150 000 tweets
• 93 000 tweets georreferenciados en MX
• 450 millones de tweets
georreferenciados
• 300 millones dentro de México
• Periodo de 3 años
• Manejo de emoticonos
• N-gramas
• Manejo de URLs
• Nombres de usuario
Procesamiento de texto:

7. » 5 000 estudiantes de la Universidad TecMilenio y 5 000 trabajadores de INEGI
de todo el país, etiquetaron manualmente 54 000 tuits  ‘Conjunto de tuis de
entrenamiento’
» TF IDF como metodología para vectorizar texto
» SVM algoritmo usado para clasificación
Metodología para la clasificación
tuits etiquetados
Normalización y representación vectorial Clasificación
(Reglas de decisión)

8. Producción
Nuevo tuit
Reglas de decisión Estado de ánimo de los
tuiteros
Normalización y representación vectorial
POSITIVOS
Cociente de
positividad
NEGATIVOS

10. 01/11/16
01/12/16
01/01/17
01/02/17
01/03/17
01/04/17
01/05/17
01/06/17
01/07/17
01/08/17
01/09/17
01/10/17
01/11/17
01/12/17
01/01/18
01/02/18
01/03/18
01/04/18
01/05/18
01/06/18
01/07/18
01/08/18
01/09/18
01/10/18
01/11/18
01/12/18
01/01/19
01/02/19
Cociente
Estado de ánimo de los tuiteros en México
Noviembre/2016 a febrero/2019 (diario)
Día del niño
(30/04)
Óscares 2018
La forma del Agua
(4/03)
Navidad
(25/12)
Debates 2018
(22/04, 20/05 y 12/06)
Terremoto
(19/02)
Terremotos
(8 y 19/09)
Votación
2018 (1/07)
Alemania
vs México
(17/06)
Corea del
Sur vs
México
(23/06)
México vs
Suecia
(27/06)
México vs
Brasil
(2/07)
“Día del
periodista” (1/04)
Votación
USA
(8 y 9/11)
“Gasolinazo”
(04-05/01)
14 de
febrero
Navidad
(25/12)
Año Nuevo
(31/12 y 01/01)
Premios
MTV (18/05)
Cancelación
del NAIM
(29/10)
Desabasto
de gasolina
Explosión
ducto
Año Nuevo
(31/12 y 01/01)
IMCozumel
Corona Capital
(18/11)
Año nuevo
(31/12 y 1/01)

11. Terminales Punto de
Venta (TPV) y
teléfonos celulares
para evaluar los
efectos del sismo en
Ciudad de México

12. » El 19 de septiembre de 2017, un sismo de magnitud 7.1 en la escala de Richter
con epicentro en el estado de Morelos (a 120 kilómetros de la Ciudad de
México) golpeó al país, causando pérdidas humanas y materiales en varias
entidades.
» De acuerdo con información pública y medios de comunicación, el número total
de muertes fue de 369, siendo la Ciudad de México la entidad con el mayor
número de víctimas. Miles de viviendas fueron parcial o totalmente destruidas,
forzando a sus habitantes a cambiar su lugar de residencia.
Antecedentes

13. En un esfuerzo de colaboración inter-institucional, BBVA,
Telefónica Movistar e INEGI acordaron estimar los efectos
económicos y de movilidad del sismo, tanto en la Ciudad de
México como en el corredor Roma-Condesa, una de las áreas
más afectadas dentro de la ciudad.
Antecedentes

14. » Contrafactual modelado a partir de datos de entidades no afectadas por el
sismo.
» Correlación de series de tiempo.
Metodología

15. Caída del 36.7 %
Caída del 14.7 %
Resiliencia y efectos económicos
Ciudad de México

16. 19 de
septiembre
Periodo de
recuperación
- 26.3 % 7 %
- 26 % - 15.4 %
- 33.4 % 11 %
Resiliencia y efectos económicos por categorías de gasto

17. Afectaciones Económicas en Roma-Condesa
Caída del 30.4 %
Caída del 21.8 %

18. 19 de
septiembre
Periodo de
recuperación
- 39 % -13.2 %
- 61.2 % - 24.2 %
Resiliencia y efectos económicos por categorías de gasto

19. 19 de
septiembre
Periodo de
recuperación
- 58.4 % - 18.5 %
- 68.2 % - 39.3 %
Resiliencia y efectos económicos por categorías de gasto

20. Desviación con respecto al patrón común de viajes originados desde
alguna alcaldía
Promedio Z-score 13:00 a 18:59 horas Promedio Z-score 19:00 a 00:59 horas
Efectos en Movilidad - Telefónica

21. Desviación con respecto al patrón común de viajes originados desde Cuauhtémoc
con destino a las distintas alcaldías de Ciudad de México

22. Afectaciones de Movilidad en Roma-Condesa
Patrones de estadía antes y después del sismo
40% de la
población
con afectaciones
en su patrón de
estadía

23. » Marcos legales que faciliten el uso de nuevas fuentes de información para fines
estadísticos
» Creación de nuevos modelos de negocio con las empresas tenedoras de datos
» Búsqueda y alineación de incentivos para colaboraciones duraderas público-
privadas
» Retos técnicos para el uso y manejo de datos manteniendo su privacidad y
confidencialidad
Retos en la construcción de relaciones público-privadas

24. jose.ruizs@inegi.org.mx