ANOVA POLICY RESEARCH | POLICY BRIEF | Año 7, Número 6
ANOVA Policy Research Team
Introducción
El 24 de junio de 2026, Venezuela fue sacudida por un doblete sísmico de magnitudes 7,2 Mw y 7,5 Mw con epicentros en el estado Yaracuy, el evento sísmico más potente registrado en el país en más de un siglo, cuya destrucción se concentró de manera desproporcionada en la franja costera del estado La Guaira. En el Policy Brief anterior de esta serie (Año 7, N° 5), ANOVA Policy Research estimó, sobre la evaluación satelital de daños del Microsoft AI for Good Research Lab, que unas 73.524 personas de la franja habitaban estructuras con algún nivel de daño —37.611 de ellas en estructuras gravemente comprometidas o destruidas— y que el costo mínimo de reposición de la infraestructura puramente habitacional ascendería a US$ 2.370,6 millones, entre 2% y 3% del PIB corriente del año 2025.
El balance oficial más reciente da cuenta de la escala humana de la tragedia: 5.346 personas fallecidas, 16.740 heridas, cerca de 17.900 personas que perdieron su vivienda y 23.122 personas alojadas en 107 campamentos transitorios [1]. Más allá de las cifras agregadas, la calidad, eficiencia y efectividad de la respuesta de políticas públicas, al menos en un Estado funcional, dependerá de la posibilidad de levantar información precisa y oportuna sobre quiénes son, dónde están y en qué condición social se encontraban las personas cuando sobrevino el desastre. Los terremotos son eventos naturales impredecibles; la respuesta pública, no.
Para contribuir a responder estas preguntas, este Policy Brief propone la construcción de un índice de vulnerabilidad social (IVS), proyectable sobre la escala territorial más fina que permite la infraestructura estadística del país —el segmento censal—, para obtener un mapa microzonificado de condiciones socioeconómicas del estado La Guaira. Luego, esta capa de información puede ser cruzada con el mapa de daños del evento sísmico producido por el Microsoft AI for Good Research Lab, y traducir ese cruce en un instrumento de priorización territorial. Los hallazgos principales de este trabajo indican que 187.305 personas —60,3% de la población residente de las siete parroquias analizadas [2]— vivían, ya antes del terremoto, en hogares socialmente vulnerables, y que del cruce de vulnerabilidad y daño sísmico, se puede identificar un núcleo crítico de 110 segmentos censales, donde se estima vivían unas 105.681 personas, que muestran simultáneamente altas tasas de vulnerabilidad social y destrucción masiva de infraestructura como consecuencia de los terremotos del 24J: esta debería ser la población objetivo de la primera línea de respuesta del Estado.
Vulnerabilidad socioeconómica y desastres
Como se dijo en la edición pasada, la economía de los desastres ha establecido con claridad que los terremotos son fenómenos naturales, pero sus consecuencias humanas y económicas no lo son: ante eventos de magnitud similar, la mortalidad y las pérdidas dependen críticamente del nivel de ingreso, la calidad institucional y la capacidad de respuesta del Estado (Kahn, 2005; Cavallo y Noy, 2011). La misma lógica opera dentro de cada territorio afectado. Los hogares socialmente vulnerables disponen de menos activos, menos ahorro, menor acceso a seguros y redes de protección más débiles, de modo que un mismo choque produce en ellos pérdidas de bienestar proporcionalmente mayores y recuperaciones más lentas. Típicamente, las pérdidas de bienestar se concentran en los pobres aun cuando las pérdidas de activos se concentren en los no pobres (Hallegatte et al., 2017).
Frente a un evento catastrófico, conocer la distribución del daño físico entre poblaciones con diversidad de condiciones socioeconómicas es un insumo determinante para el diseño de una respuesta calibrada, oportuna y pertinente. El Manual para la Evaluación de Desastres de la CEPAL, referencia principal de la metodología DaLA en América Latina, incorpora una sección específica de evaluación de los impactos sociales del evento, junto a la medición de los daños sobre los acervos y de las pérdidas sobre los flujos económicos (CEPAL, 2014). Una política calibrada exclusivamente por la severidad del daño, la métrica natural de las primeras semanas, corre el riesgo de ignorar a decenas de miles de personas cuya emergencia no es la vivienda destruida sino la destrucción de la precaria economía local de la cual dependía su sustento; y, simétricamente, una política calibrada solo por pobreza estructural desatendería las necesidades específicas —habitacionales, registrales, financieras— de los territorios donde el sismo destruyó activos. Distinguir ambos ejes exige medirlos por separado y cruzarlos a la escala territorial más fina posible.
El Índice de Vulnerabilidad Social (IVS)
Para este Policy Brief ANOVA construyó el Índice de Vulnerabilidad Social (IVS), en la línea tradicional de medición multidimensional de la pobreza (Alkire y Foster, 2011) y, en particular, implementando una versión de la estructura y ponderaciones del índice multidimensional para América Latina de Santos y Villatoro (2018), adaptando únicamente las categorías a su pertinencia relativa en la fase posterior a un desastre [3]. La Tabla 1 presenta el resultado.
| Categoría para la emergencia | Indicadores | Pond. |
|---|---|---|
| 1. Habitabilidad y seguridad de la vivienda (Vivienda) | Materiales precarios de la vivienda; hacinamiento; tenencia insegura | 22,2% |
| 2. Acceso a servicios vitales (Servicios básicos) | Agua mejorada; saneamiento; energía (electricidad y combustible de cocina) | 22,2% |
| 3. Capacidad económica de respuesta al choque (Estándar de vida) | Ingresos insuficientes; carencia de bienes duraderos | 22,2% |
| 4. Inserción laboral y cobertura de protección frente al desastre (Empleo y protección social) | Desocupación o empleo precario; carencia de protección social | 11,1% |
| 5. Continuidad educativa (Educación) | Inasistencia escolar; rezago escolar; logro educativo insuficiente en adultos | 22,2% |
Fuente: ANOVA Policy Research, sobre la estructura del índice multidimensional de pobreza para América Latina de Santos y Villatoro (2018). Entre paréntesis, la dimensión original del índice; las ponderaciones son las originales.
La privación en las dimensiones de habitabilidad y servicios define directamente la población que, antes del sismo, vivía en espacios precarios, distinguibles claramente de las segundas viviendas y residencias turísticas; la privación en las dimensiones de capacidad económica y protección social determina, en el corto plazo, la posibilidad de los hogares de absorber el choque económico; y la dimensión educativa actúa como una proxy de la capacidad de acumulación de capital humano de la familia.
El IVS se construyó sobre la base de los microdatos de la Encuesta Familiar de Ingresos y Gastos de 2024 (EFIG), definiendo como vulnerable a todo hogar con al menos una carencia en las categorías del índice. La estimación a nivel de segmento censal se basa en un método computacional de estimación en áreas pequeñas (small area estimation), que proyecta un modelo predictivo —entrenado sobre las métricas obtenidas de esa fuente contemporánea de microdatos de hogares— sobre la estructura censal actualizada demográficamente por ANOVA. El método replica el ejercicio seminal de los mapas de pobreza de Elbers, Lanjouw y Lanjouw (2003), pero mediante algoritmos de machine learning en lugar de la imputación paramétrica original. El resultado es una tasa de vulnerabilidad para cada uno de los 382 segmentos censales de las siete parroquias analizadas, consistente por construcción con los agregados parroquiales. El eje de daño de estructuras, por su parte, proviene del mapa de daños en edificaciones del Microsoft AI for Good Research Lab (Robinson et al., 2026) y de los volúmenes de estructuras desarrollados para el Policy Brief anterior de ANOVA, a partir de los cuales se calcula la proporción de la población de cada segmento que habitaba en edificios dañados [4].
La vulnerabilidad social por parroquia
La Tabla 2 presenta los resultados del IVS a escala parroquial en las siete parroquias de este estudio. La tasa de vulnerabilidad de las parroquias analizadas oscila entre 47,8% (Macuto) y 68,2% (La Guaira), y en términos de habitantes en situación de vulnerabilidad, entre Catia la Mar (62.118 personas vulnerables) y Urimare (30.280). En conjunto, 187.305 personas —el 60,3% de la población residente de la franja— vivían en condición de vulnerabilidad social antes del 24 de junio.
| Parroquia | Población | Vulnerables | % vul. | % NNA vul. | % AM vul. |
|---|---|---|---|---|---|
| Caraballeda | 53.148 | 26.946 | 50,7 | 63,5 | 24,4 |
| Catia la Mar | 93.411 | 62.118 | 66,5 | 77,8 | 20,6 |
| La Guaira | 20.954 | 14.291 | 68,2 | 78,6 | 30,3 |
| Macuto | 21.924 | 10.480 | 47,8 | 59,0 | 25,2 |
| Maiquetía | 34.630 | 21.921 | 63,3 | 76,1 | 25,8 |
| Urimare | 53.122 | 30.280 | 57,0 | 68,9 | 26,5 |
| C. Soublette | 33.403 | 21.244 | 63,6 | 76,5 | 31,3 |
| Total | 310.592 | 187.305 | 60,3 | — | — |
Fuente: estimaciones de ANOVA Policy Research (IVS) sobre la base de su modelo demográfico-poblacional y los microdatos de la EFIG 2024. NNA: niños, niñas y adolescentes; AM: adultos mayores.
La interacción entre daño sísmico y vulnerabilidad social
El Gráfico 1 muestra, para cada parroquia, la proporción estimada de habitantes en edificios dañados frente a la cantidad de personas viviendo en situación vulnerable (en miles). Caraballeda y Catia la Mar son las parroquias que encabezan el % de población directamente afectada por los efectos del terremoto con proporciones prácticamente idénticas de su población en edificios dañados (31,4% y 31,1%). Por otro lado, mientras que Catia la Mar es la parroquia con la mayor masa de población vulnerable del estado, Caraballeda registra menos de la mitad de esa cantidad. En el otro extremo, Maiquetía y Carlos Soublette casi no registran daño físico estimado (2,9% y 6,8% de su población en edificios dañados), pero en ellas habitan, conjuntamente, más de 43.000 personas vulnerables. En general, se verifica que la distribución espacial de los daños inducidos por el terremoto y el mapa de fragilidad social no coinciden, hecho que debe ser tomado como un insumo fundamental en cualquier diseño de respuesta de política pública.
Gráfico 1. Heterogeneidad del daño sísmico y de la vulnerabilidad social por parroquia
Fuente: ANOVA Policy Research. Parroquias ordenadas por proporción de población en edificios dañados; población vulnerable en miles de personas.
Para inspeccionar esta heterogeneidad de manera granular, este trabajo usa la estimación de daño físico y la de vulnerabilidad social imputada a nivel de cada uno de los 382 segmentos censales de las siete parroquias analizadas. Para cada segmento se hace un análisis de dispersión de dos coordenadas: la tasa de vulnerabilidad del IVS y la proporción estimada de la población en edificios dañados. El eje de daño se divide por su mediana entre segmentos (9,0%), elegida por su robustez frente a la fuerte asimetría de esa distribución [5]; el eje social se divide por un umbral de 50% de vulnerabilidad, que identifica a los segmentos donde al menos la mitad de la población vive en hogares vulnerables. Ambos cortes definen cuatro cuadrantes de tipos de población según categorías de afectación (ver Gráfico 2). La Tabla 3 dimensiona la población de cada uno.
| Cuadrante | Segm. | Población | % pobl. |
|---|---|---|---|
| Alta vulnerabilidad / alto daño | 110 | 105.681 | 34,0 |
| Alta vulnerabilidad / bajo daño | 146 | 112.225 | 36,1 |
| Baja vulnerabilidad / alto daño | 81 | 59.766 | 19,2 |
| Baja vulnerabilidad / bajo daño | 45 | 32.920 | 10,6 |
| Total | 382 | 310.592 | 100,0 |
Fuente: estimaciones de ANOVA Policy Research. La suma de los porcentajes puede no totalizar 100,0 por redondeo.
El cuadrante de alta vulnerabilidad y alto daño —110 segmentos, 105.681 personas, 34,0% de la población— es el núcleo crítico de la emergencia: allí se superponen la privación social y la destrucción física del entorno, y su población combina las necesidades de refugio y reposición habitacional con las de protección social inmediata. El cuadrante de alta vulnerabilidad sin daño físico directo —112.225 personas, 36,1%— agrupa hogares cuya vivienda no se vio afectada, pero cuya economía de sustento depende de los circuitos locales que el desastre interrumpió; ser pobre en una zona de desastre cuya actividad económica colapsó es, en sí mismo, una variante de la emergencia. El cuadrante de alto daño sobre población de menor vulnerabilidad —59.766 personas, 19,2%, concentrado en el corredor costero de segundas residencias turísticas— plantea un problema de naturaleza distinta: destrucción de activos en hogares con mayor capacidad de absorción de choques de ingreso, cuya atención pasa por evaluación de habitabilidad, mecanismos de compensación, apoyos de financiamiento, y resolución de problemas registrales. El cuarto cuadrante, de baja vulnerabilidad y bajo daño, es de menor urgencia relativa (32.920 personas).
Gráfico 2. Vulnerabilidad y exposición al daño de los 382 segmentos censales
Fuente: ANOVA Policy Research. Las líneas punteadas corresponden a la mediana de población en edificios dañados (9,0%) y al umbral de 50% de vulnerabilidad social; cada punto es un segmento censal.
La caracterización de cuatro cuadrantes propuesta en este documento permite inferir un hecho importante: la población más vulnerable resultó relativamente menos expuesta a los daños físicos en edificios: la tasa de exposición al daño de edificios entre la población vulnerable es de 18,1%, frente al 23,0% entre la población no vulnerable. Sin embargo, en términos absolutos, la mayoría de las personas que habitaban edificios dañados era vulnerable —33.813 frente a 28.394, el 54,4% del total—. Eso debe sumarse al hecho de que una población estimada de 153.492 personas vulnerables que habitaban estructuras no dañadas deberá enfrentar el colapso de sus medios de vida, incluyendo la pérdida de ingresos, empleo, servicios básicos, e interrupción de servicios públicos.
El análisis cruzado de daños y condición socioeconómica en una base territorial identificable como el segmento censal, permite no solo la identificación de sub-poblaciones relevantes y el diseño de intervenciones específicas, sino orientar la geo-localización territorial de cada grupo.
Priorización territorial: análisis de segmentos censales
El Gráfico 3 muestra la clasificación propuesta en un mapa de base territorial que utiliza las geometrías censales de los 382 segmentos analizados, utilizando una leyenda visual donde el rojo intenso es la población más vulnerable y más expuesta al daño. En la parte de arriba, al occidente de la franja costera, Catia la Mar y su periferia concentran el mayor núcleo de población que habita en segmentos que combinan alta vulnerabilidad y alto daño físico: casi dos tercios de los habitantes de la parroquia se encuentran en esa condición; en el corredor costero oriental, en la parte baja del mapa, Caraballeda concentra daño físico sobre población de menor fragilidad social —de color naranja—; y el eje central Maiquetía–La Guaira–Carlos Soublette reúne el núcleo de fragilidad social sin daño físico directo.
La construcción de una clasificación sobre un mapa censal identificable permite dimensionar y localizar los esfuerzos de política pública, desde la operación de refugios, hasta donde concentrar la protección social. La lista completa de segmentos, con su identificación censal y su clasificación, está disponible como material de replicación de este brief.
Gráfico 3. Mapa de los segmentos censales según cuadrante de vulnerabilidad y daño
Fuente: ANOVA Policy Research con base en las geometrías censales por segmento y la evaluación de daños del Microsoft AI for Good Research Lab (Robinson et al., 2026).
Implicaciones de política
En primer lugar, el análisis aquí presentado permite priorizar y dar escala a la primera línea de respuesta del Estado frente al doblete sísmico del 24 de junio. Las 105.681 personas que habitan en los 110 segmentos censales categorizados como de alta vulnerabilidad/alto daño, constituyen el subgrupo de población objetivo natural para el cual se tendrá que dimensionar la operación de refugios, el monto de las transferencias, la cantidad de puestos de atención prioritaria, y, posteriormente, la política de reasentamiento y construcción de nuevas viviendas.
La segunda implicación de este análisis es que permite ampliar la definición de población afectada más allá de las métricas de daño físico. Esta es una calibración importante, ya que si la estrategia de política pública y la movilización de recursos de cooperación internacional atienden exclusivamente las zonas de devastación causada por los terremotos, quedarán estructuralmente desatendidos los efectos sociales del colapso del circuito económico de La Guaira sobre el cuadrante más poblado del análisis: las 112.225 personas en condición de alta vulnerabilidad sin daño directo.
Por último, una implicación institucional. El instrumento de focalización construido para este Policy Brief —un marco censal por segmentos, un modelo demográfico actualizado y un índice de vulnerabilidad socioeconómica imputable a pequeña escala— debería ser una herramienta de uso común para el Estado venezolano, no solo para la gestión de un desastre, sino como la base georreferenciada de muchas de las políticas económicas y sociales de un Estado moderno. La utilidad de este tipo de instrumentos excede con mucho la respuesta a la tragedia de La Guaira.
Conclusiones y comentarios finales
Este Policy Brief presenta el primer mapa de vulnerabilidad social y daño sísmico a escala de segmento censal producido para la gestión de un desastre en Venezuela. Sus resultados delinean una geografía dual: de las 187.305 personas socialmente vulnerables —60,3% de la población residente de la franja de La Guaira—, existe un núcleo crítico de 105.681 personas y territorios donde se superponen las privaciones materiales previas al evento sísmico y la destrucción física que produjo el mismo. Este subgrupo es el de atención más urgente. Adicionalmente, existe una masa aún mayor de población vulnerable, cuya afectación no está relacionada con su vivienda dañada, que enfrenta un severo choque de ingresos por el colapso de la economía local que la sostenía. Este subgrupo requiere de políticas diferenciadas pero igual de urgentes.
Este ejercicio ilustra el valor de combinar capacidades de frontera en inteligencia artificial y teledetección con conocimiento local, modelos demográficos y criterio económico. La calidad de las respuestas de política pública, en un contexto de emergencia o no, depende de la capacidad de las instituciones para tomar decisiones sobre la base de evidencia como la que aquí se presenta.
Agradecimientos
El equipo de ANOVA Policy Research agradece especialmente a Juan M. Lavista Ferres, CVP & Chief Data Scientist, y a Anthony Ortiz, Principal Research Science Manager del Microsoft AI for Good Research Lab: los daños por segmento censal aquí analizados se estiman a partir de su mapa de daños en edificaciones y de los volúmenes de estructuras desarrollados para el Policy Brief anterior de esta serie. Los resultados, interpretaciones y errores remanentes son responsabilidad exclusiva de ANOVA Policy Research.
Notas
[1] Balance oficial presentado por la Asamblea Nacional al 21 de julio de 2026. Las cifras continúan en revisión y las autoridades han advertido que el número de personas sin vivienda aumentará conforme avance la evaluación estructural de las edificaciones.
[2] El universo corresponde a la población residente estimada por el modelo demográfico de ANOVA al nivel de segmento censal (310.592 personas) y difiere del universo del Policy Brief Año 7, N° 5 (403.784), que incorporaba un incremento de hasta 30% por población flotante presente el día feriado del evento. Para el análisis de vulnerabilidad social, orientado a la política de protección y reconstrucción de mediano plazo, el universo pertinente es la población residente.
[3] El reordenamiento conserva las dimensiones, los indicadores y las ponderaciones del índice original de Santos y Villatoro (2018); únicamente el orden de presentación y la denominación de los encabezados fueron adaptados a la pertinencia relativa de cada privación en la fase posdesastre.
[4] La condición de vulnerabilidad es una clasificación probabilística de hogares, no un dictamen individual, y la encuesta de referencia es anterior al evento, por lo que las cifras constituyen una cota inferior de la necesidad social posterior al 24J. La capa de daño hereda las limitaciones de la inspección satelital documentadas en el brief anterior. El detalle de indicadores por categoría y la especificación del modelo de imputación están disponibles como material metodológico de replicación.
[5] La mediana de la proporción de población en edificios dañados (9,0%) es muy inferior a su media (21,2%) por la fuerte asimetría de la distribución del daño entre segmentos; el uso de la mediana evita que un puñado de segmentos extremadamente golpeados desplace el umbral de clasificación. En el eje social se optó, en cambio, por un umbral sustantivo de 50% —la mitad de la población del segmento en hogares vulnerables— por su interpretabilidad directa para la focalización.
Referencias
ANOVA Policy Research (2024). Encuesta Familiar de Ingresos y Gastos. Reporte de base de microdatos de encuesta de hogares. Mimeo.
Alkire, S. y Foster, J. (2011). Counting and multidimensional poverty measurement. Journal of Public Economics, 95(7–8), 476–487.
Cavallo, E. y Noy, I. (2011). Natural Disasters and the Economy — A Survey. International Review of Environmental and Resource Economics, 5(1), 63–102.
CEPAL — Comisión Económica para América Latina y el Caribe (2014). Manual para la Evaluación de Desastres. Tercera edición, LC/L.3691. Santiago de Chile: Naciones Unidas.
Elbers, C., Lanjouw, J. O. y Lanjouw, P. (2003). Micro-Level Estimation of Poverty and Inequality. Econometrica, 71(1), 355–364.
Hallegatte, S., Vogt-Schilb, A., Bangalore, M. y Rozenberg, J. (2017). Unbreakable: Building the Resilience of the Poor in the Face of Natural Disasters. Washington, DC: Banco Mundial.
Kahn, M. (2005). The Death Toll from Natural Disasters: The Role of Income, Geography, and Institutions. The Review of Economics and Statistics, 87(2), 271–284.
Robinson, C., Ortiz, A., Birge, C., White, K., Becker-Reshef, I. and Lavista Ferres, J. M. (2026). Venezuela 2026 Earthquakes — Building Damage Assessment. Microsoft AI for Good Research Lab. Disponible en: https://visualizers.aiforgood.ai/damage-assessment/venezuela_earthquake_2026_report.html. Los resultados a nivel de edificación están disponibles públicamente en la plataforma HDX de OCHA.
Santos, M. E. y Villatoro, P. (2018). A Multidimensional Poverty Index for Latin America. Review of Income and Wealth, 64(1), 52–82.
Equipo ANOVA Policy Research
- Omar Zambrano — CEO/Economista jefe
- Hugo Hernández — Director Técnico
- Oscar Soriano — Gerente de Operaciones
- Gabriel Quiroz — Economista Investigador
- Andrés Magallanes — Economista Investigador
- Sebastián León — Economista Investigador
- Victoria Calderón — Economista Asociado
- Yza Toro — Estadístico Asociado
- Sofía Maldonado — Pasante
- Diego Fonseca — Pasante
Recent Comments