Cómo medir el riesgo de situación humanitaria?: Una modificación metodología la Índice de Riesgo de Situación Humanitaria en Colombia

Transcripción

1 Cómo medir el riesgo de situación humanitaria?: Una modificación metodología la Índice de Riesgo de Situación Humanitaria en Colombia Ana María Almanza 1 Margarita Marín Jaramillo 2 Resumen En el presente trabajo se presenta la implementación de un Análisis Factorial Múltiple Jerárquico para el cálculo de un nuevo Índice de Riesgo de Situación Humanitaria (IRSH) para Colombia. Para esto, se clasificaron alrededor de 60 variables en amenazas y vulnerabilidades de origen ambiental, social o de violencia y conflicto. Esto permite obtener un nuevo IRSH para los 1123 municipios colombianos y clasificarlos en probabilidades de ocurrencia de situación humanitaria alta, media, y baja. Con esto, se descubre una alta probabilidad de ocurrencia de una situación humanitaria para los departamentos de Chocó, Nariño, Amazonas, Guajira, Meta, Antioquia, Caquetá, Cauca, Guaviare y Vichada. Palabras claves: Riesgo de situación humanitaria, Análisis Factorial Múltiple Jerárquico. 1 Estudiante de maestría M2 Recherche en Économie Appliquée de la Universidad Panthéon Sorbonne-Paris 1: a.almanza@javeriana.edu.co, ana.almanza@malix.univ-paris1.fr. 2 Investigadora del Centro de Estudios para Análisis de Conflictos y estudiante de la maestría en ciencias estadística de la universidad Nacional de Colombia: margarita.marin@cerac.org.co, mmarinj@unal.edu.co.

2 Introducción Colombia es un país que atraviesa por una grave situación ambiental, social, política y de seguridad, que ha generado graves emergencias humanitarias. Para solucionar estas emergencias, la comunidad internacional ha destinado recursos a la asistencia humanitaria (DARA, 2011), con el fin de proteger y ayudar a las comunidades afectadas. Sin embargo, dada la grave situación del país y la escasez de estos recursos, la oficina para la coordinación de asuntos humanitarios (OCHA) y la Universidad Santo Tomás, elaboraron el Índice de Riesgo de Situación Humanitaria (IRSH), que permite conocer la probabilidad de ocurrencia de crisis humanitarias en los diferentes municipios del país, buscando mejorar la focalización de las ayudas humanitarias. A pesar del gran avance que este índice ha proporcionado en términos de un mejor aprovechamiento de los recursos destinados a la asistencia humanitaria, éste posee algunas limitaciones, entre las que se encuentran la imposibilidad de estudiar la interacción entre las variables de los dos subíndices que lo componen (índice de amenazas e índice de vulnerabilidades), la existencia de duplicidad en la información, y la ausencia de una clara desagregación que permita identificar el riesgo debido a catástrofes naturales, al conflicto armado o a la inseguridad; el riesgo en zonas urbanas y rurales; el riesgo causado por amenazas y vulnerabilidad, entre otros. Por esto, este trabajo tiene como objetivo modificar la metodología del IRSH, de tal manera que permita realizar una mejor desagregación, identificando, analizando y adoptando nuevos métodos de medición y obteniendo resultados más específicos que permitan superar las limitaciones aprendidas del IRSH elaborado por OCHA y la Universidad Santo Tomás, y asignar recursos para la ayuda humanitaria de manera más eficiente. Este documento presenta en una primera sección la fundamentación conceptual, donde se presentan las definiciones de las palabras clave para desarrollar el índice. La segunda parte resume la metodología utilizada junto a sus alcances y limitaciones; los datos son presentados en la tercera parte, en donde se muestra la clasificación hecha para utilizar la metodología AFMJ. La cuarta parte despliega los resultados, los cuales son descritos según la participación de las variables en el índice y la clasificación de los niveles de riesgo. Finalmente se señalan las conclusiones a la luz de los resultados hallados.

3 1. Fundamentación Conceptual Definición de Riesgo Desde el punto de vista de la asistencia humanitaria, el riesgo es la probabilidad de sufrir daños en un lugar o momento determinado, los cuales ocasionan pérdidas o consecuencias económicas y sociales (Morales y Alfaro, 2008). El riesgo a su vez está compuesto por dos elementos principales: la amenaza y la vulnerabilidad. La amenaza corresponde a la probabilidad de ocurrencia de un evento adverso que puede tener un origen natural, socio-natural, tecnológico, antrópico (BID e IDEA, 2002) o una mezcla de todos los anteriores. Teniendo en cuenta esto, es posible determinarla en función de la intensidad y la frecuencia del evento adverso (UNISDR, 2009). Por otra parte, la vulnerabilidad es entendida como la susceptibilidad de un elemento (persona, familia, comunidad o sociedad) a ser afectado por un evento adverso (Ferradas y Medina, 2003) y es determinada por: la exposición, que hace referencia la condición de desventaja del sujeto, dada su localización; la susceptibilidad, que indica el grado de fragilidad interna del elemento para enfrentar la amenaza y recibir un posible impacto por la ocurrencia del riesgo; y la resiliencia, que muestra la capacidad de un elemento para resistir, absorber, adaptarse y recuperarse de sus efectos de manera oportuna y eficaz (UNISDR, 2009). A su vez, los tres elementos anteriores pueden ser ocasionados por factores ambientales, físicos, económicos, sociales, institucionales (Ferradas y Medina, 2003) o alguna mezcla de ellos. 2. Metodología Teniendo en cuenta las definiciones anteriores, y el objetivo de OCHA, el cual consiste en movilizar y coordinar los esfuerzos humanitarios ocasionados por desastres naturales y emergencias complejas 3 (OCHA, 2012), el presente trabajo se enfoca en elaborar un indicador de riesgo de situación humanitaria compuesta por amenazas y vulnerabilidades en los temas sociales, ambientales, y de seguridad y conflicto (Gráfico 1). Para lograr esto, es necesario utilizar la metodología de Análisis Factorial Múltiple Jerárquico, que permita calcular los pesos de las variables, así como cada una de las agrupaciones. A continuación se explica esta metodología, partiendo del Análisis en Componentes Principales. 3 Las emergencias complejas son situaciones causadas por guerras, disturbios civiles y movimientos de personas a

4 Gráfico 1. Árbol de jerarquía y agrupación del IRSH Seguridad y conflicto Vulnerabilidad Ambiental Social Índice de Riesgo de Situación Humanitaria Seguridad y conflicto Amenaza Ambiental Social Análisis en Componentes Principales El Análisis en Componentes Principales, también conocido como ACP (X,, ) (Escofier y Pagès (1992)) es una metodología utilizada para describir datos en tablas con múltiples filas y columnas, en la cual se busca generar un nuevo conjunto de variables independientes de las variables originales, que conserven la mayor cantidad posible de inercia (varianza), así como las relaciones presentes entre individuos y variables (USTA & OCHA, 2009), disminuyendo el problema de dimensionalidad. Para lograr esto, se considera la matriz de datos X con n individuos y p variables, centrada (y en algunas ocasiones estandarizada) a la cual posee dos representaciones geométricas de las distancias entre los individuos: una para los individuos y otra para las variables. En el caso de los individuos la representación geométrica se logra considerando una distancia o métrica euclidiana entre los puntos de los individuos, la cual en forma matricial se representa mediante

5 la matriz (matriz idéntica de orden p). En contraste, en el caso de las columnas, la métrica corresponde a y (siendo la matriz idéntica de orden n). Con esto en mente, encontrar la nueva variable (eje) que maximiza la inercia corresponde a calcular el vector de dirección u que maximiza la Ecuación 1 (Lebart et al., 2006) (1) Sujeto a la restricción, lo que lleva a que: (2) Por tanto, la dirección que maximiza la inercia corresponde a los vectores propios asociados al mayor valor propio de la matriz de correlaciones de X. A continuación, se encuentra un segundo eje ortogonal a los datos y al primero, el cual corresponde a los vectores propios asociados al segundo mayor valor propio de la matriz de correlaciones. Este proceso continúa hasta encontrar los p primeros valores propios. Es posible mostrar que (Lebart et al., 2006) en el caso de las variables, se utiliza un proceso similar para la matriz, que tiene unos valores propios asociados iguales a los encontrados en la Ecuación 2. A partir de esto, se construye la representación de los individuos y las variables sobre los vectores propios se calculan de acuerdo a las Ecuaciones 3 y 4, respectivamente. La primera de estas representaciones presenta uniones pares de los ejes factoriales, conocida como los planos factoriales, en la que cada punto representa la proyección de un individuo sobre los ejes. Así, los puntos cercanos indican semejanza global entre los individuos (es decir que, en todas las variables en conjunto, los individuos son parecidos) y puntos alejados, señalan grandes diferencias entre ellos. La segunda representación es producto de la unión dos a dos de los ejes factoriales de las variables. En este caso, las variables se representan como vectores que parten del origen y (3) (4)

6 terminan en el punto resultante de la proyección sobre los ejes. Los ángulos entre vectores muestran las correlaciones entre las variables de manera que, vectores con ángulos cercanos a 0 grados indican una alta correlación positiva entre las variables; vectores con ángulos cercanos a los 90 grados muestran que no existe correlación entre ellas; y vectores con ángulos cercanos a los 180 grados indican una alta correlación negativa entre las variables. Cuando los datos no son normados (no se dividen por su varianza), la longitud de los vectores indica la varianza de la variable. Por el contrario, cuando los datos son normados, la longitud del vector queda restringida al intervalo [0, 1], donde valores cercanos a cero indican una mala representación y valores cercanos a uno, una buena representación en el plano. Teniendo en cuenta esto, sólo deben interpretarse los vectores con longitud cercana a 1 pues, de lo contrario, se pueden obtener conclusiones erradas. Teniendo en cuenta que el primer valor propio retiene la mayor inercia; el segundo valor propio, la segunda mayor inercia y así sucesivamente, entonces la mejor representación de los datos (tanto para los individuos como para las variables) se produce al cruzar los p primeros ejes factoriales. Partiendo de los resultados anteriores, para la construcción de un índice mediante esta metodología se deben representar las variables de interés en el círculo de correlaciones de los dos primeros ejes factoriales y seleccionar aquellas variables que se encuentren más correlacionadas con el primer eje. Posteriormente, se realiza un nuevo ACP con estas variables (asegurándose que presenten una alta correlación con el primer eje) y se selecciona el vector propio asociado a este eje. Finalmente se construye el índice como la suma ponderada de las variables donde los pesos de cada variable corresponden a sus pesos en la construcción del índice. Esta es la metodología que se implementa actualmente en la construcción del IRSH de Colombia. Sin embargo, dada la composición del índice, no es posible calcular los pesos para los componentes de vulnerabilidad y amenaza, lo que lleva a que se imponga una ponderación igual para ambas categorías. Lo anterior hace necesario introducir una metodología que permita contemplar además de los pesos para las variables, los pesos para sus agrupaciones.

7 Análisis Factorial Múltiple El Análisis Factorial Múltiple (AFM) es un método adaptado para el tratamiento de tablas que cruzan individuos con varios grupos de variables 4 (Escofier & Pagès, 1992), en el que se aplica un ACP equilibrando la influencia de los diferentes grupos (Pagès, 2004). Lo anterior permite realizar un doble análisis a través del conjunto de variables de cada grupo y entre grupos de variables (Escofier & Pagès, 1992). Para lograr esto, se introduce una ponderación a los grupos de variables, de manera que se modifica la matriz M, tal que [(Escofier & Pagès, 1992), (Pagès, 2004)]: (5) Donde representa el primer valor propio del grupo j. En este caso, la matriz X debe ser centrada, normada y organizada de acuerdo a los grupos de variables, y D permanece igual que en el ACP. Lo anterior implica que los grupos tienen una ponderación equilibrada en la construcción del primer eje, aunque un grupo con mayor número de variables y mayor peso contribuirá más en la construcción de un mayor número de ejes. En este caso, los ejes serán iguales a los mostrados en las Ecuaciones 3 y 4, reemplazando la matriz M de la Ecuación 3 por la presentada en la Ecuación 5. Lo anterior permite tres representaciones para los datos: los individuos, las variables, y los grupos de variables. La primera de estas representaciones corresponde a la representación del ACP tradicional. La segunda representación puede ser vista de dos maneras. En la primera, se hace un análisis separado de cada uno de los grupos de variables, lo que implica que las variables tienen un peso igual a 1 en cada grupo. En la segunda, se puede realizar un análisis global de todas las variables, lo que implica que son ponderadas de acuerdo a su grupo de pertenencia. Finalmente, la última representación corresponde a la de los grupos de variables, la cual se interpreta igual que la representación de individuos en el ACP. Lo anterior implica que en la construcción de un índice, es posible generar una ponderación para las variables, así como de los grupos de variables, siguiendo con la misma lógica propuesta para el ACP. Sin embargo, en este trabajo es necesario introducir otra ponderación que permita clasificar las variables de acuerdo a si el riesgo o la amenaza es de origen ambiental, social o por violencia y 4 Las cuales pueden ser continuas o discretas.

8 conflicto. Por lo que a continuación se presenta una metodología que permite estudiar datos con múltiples jerarquías de agrupación de datos. Análisis Factorial Múltiple Jerárquico El Análisis Factorial Múltiple Jerárquico (AFMJ) permite el análisis de las variables que se encuentran descritas por múltiples agrupaciones de variables (Le Dien & Pagès, 2003a). Lo anterior implica una generalización del AFM, en la que es necesario realizar un cálculo en varias etapas, de manera que: 1. Se realiza un Análisis Factorial para cada variable de acuerdo a su subgrupo, donde se guardan los valores propios y los factores. 2. Se calcula un AMF de cada subgrupo de variables, y guardar los valores propios y los factores. 3. Se repite el paso dos hasta que solo queden los grupos superiores de agrupación y nuevamente se realiza un AFM, el cual corresponde al análisis global del AFMJ. Lo anterior implica que el peso de las variables está dado por (6) Donde corresponde al primer valor propio del Análisis Factorial para el subgrupo h de variables. Al igual que en el AFM, es necesario que la tabla X se encuentre centrada, estandarizada y organizada de acuerdo a los grupos de variables, y la variable D permanece igual que en los casos anteriores. Bajo esta configuración, existirán h+2 representaciones, de las cuales una corresponde a las de los individuos, una a la de las variables, h-1 a los subgrupos de variables y la última a la agrupación final de grupos de variables. En todos los casos, las interpretaciones son análogas a las indicadas en el AFM. En la construcción del índice, la implementación del AFMJ elimina el cálculo en dos pasos que posee actualmente el IRSH. Adicionalmente, se podrá realizar un análisis de las posibles interdependencias entre las amenazas y las vulnerabilidades causadas por factores ambientales, sociales y de violencia y conflicto. Esto implica la existencia de mayor información para la toma de decisiones sobre asistencia humanitaria, que permite focalizar los esfuerzos en el tipo de recursos adecuados para superar la emergencia humanitaria.

9 Limitaciones de la metodología Una de las grandes limitaciones en esta metodología es que los resultados y los pesos de las variables y los grupos se ven influenciados por las variables elegidas para la construcción del índice, por lo que la elección de las mismas debe estar apoyada en la teoría y el contexto subyacente al problema de investigación. Igualmente, es importante considerar que la selección del grupo de pertenencia de las variables es una elección a priori realizada por las investigadoras, lo que implica que puede existir un sesgo en esta asignación. Asimismo, teniendo en cuenta que las categorías con mayor número de variables tienden a influenciar en el peso general del análisis, es importante construir grupos equilibrados, teniendo en cuenta que las variables seleccionadas influyan en el primer eje. Finalmente, puesto que la metodología exige la exclusión de aquellas variables que no influyan en el primer eje, esto puede implicar que algunas variables importantes desde el punto de vista de la asistencia humanitaria deban ser excluidas del análisis. 3. Datos Inicialmente, se obtienen alrededor de 100 variables de diferentes fuentes de información para los 1123 municipios de Colombia en A pesar del gran número de datos obtenidos, no todos los municipios cuentan con registros para todas las variables, por lo que ante ausencia de información, los datos son imputados a cero, es decir, se les asigna un valor de cero. Clasificación de los datos Con base en las definiciones anteriormente explicadas, y la heterogeneidad de datos obtenidos, las variables fueron categorizadas según las jerarquías explicadas en el Gráfico 1. De esta manera, un poco más de 30 variables conformaron el grupo de Amenaza en sus 3 componentes, y más de 65 el grupo de Vulnerabilidades en sus 3 componentes. Tras la eliminación de variables que no presentaron correlación con el primer eje, y fueron descartadas, se obtuvieron 61 cuya clasificación, fuente de información y año de medición se encuentran disponibles en el Anexo 2. Finalmente, cada una de las variables fue transformada para encontrarse en el intervalo [0,1], buscando con esto que todas mediciones fueran comparables y reflejaran su probabilidad de ocurrencia.

10 4. Resultados Participación de las variables La Tabla 1 muestra el resultado de la contribución de cada una de las variables en la construcción del índice. Es recalcable que la mortalidad infantil es la variable que más peso tiene y las inundaciones, la que menos. Sin embargo, el número de hectáreas de coca sembradas, el número de los lotes de coca, y la mortalidad materna son otras de las variables que más peso tienen. Esto, según la clasificación explicada en el apartado anterior, muestra una alta afectación tanto de amenazas sociales, como de vulnerabilidades en seguridad y conflicto para el índice; y una afectación menor de las amenazas ambientales. Tabla 1. Contribución por variable para el IRSH Variable Contribución 1 Tasa de mortalidad infantil Hectáreas de coca cultivada Lotes de cultivo de coca Tasa de mortalidad materna por cada nacidos vivos Desplazamiento Acciones unilaterales perpetradas por las FARC Heridos víctimas de Minas Antipersonal Combates entre Grupos Estatales y la Guerrilla Muertos víctimas de Minas Antipersonal Combatientes muertos en eventos de conflicto Ocurrencia de evento MAP/MUSE Civiles muertos en eventos de conflicto Incendio Hogares con barreras de acceso a servicios para cuidado de la primera infancia Índice de Pobreza Multidimensional Hogares con inasistencia escolar Necesidades básicas insatisfechas Hogares con inadecuada eliminación de excretas Lesiones personales Hogares sin acceso a fuente de agua mejorada Hogares con analfabetismo Necesidades básicas insatisfechas en cabecera

11 23 Hogares con paredes inadecuadas Necesidades básicas insatisfechas en resto Hogares con rezago escolar Hogares sin aseguramiento a salud Hogares con déficit cualitativa Hogares con alta tasa de dependencia económica Hogares con barreras de acceso a servicios de salud Volcán Albergue Hogares en hacinamiento Hogares con bajo logro educativo Homicidios Alerta de desastre natural Combates entre Grupos Estatales y grupos Neoparamilitares Nacidos vivos con más de 5 controles hechos a la madre Hogares con pisos inadecuados Participación de población con suscripción a internet Acciones Unilaterales perpetradas por el ELN Nacidos vivos sin la madre haber tenido consultas Nacidos vivos de con entre 1 y 5 controles Vendaval Avalancha Sismo menor Hogares con déficit cuantitativo Hogares con trabajo infantil Participación de nacimientos en mujeres de 15 a 19 años Deslizamiento Nacidos vivos sin información de consultas Combates entre la guerrilla y grupos Neoparamilitares Sismo no perceptible Sismo moderado Sismo ligero Kilómetros no pavimentados y en mal estado Acciones unilaterales perpetradas por Neoparamilitares Participación de mujeres en política Personas sin afiliación en salud Sequía Ayuda recibida tras desastre natural Inundación

12 La contribución de las amenazas tiene un peso de 0.499, y de las vulnerabilidades de 0.501, lo que implica que para el índice agregado, tanto las amenazas como las vulnerabilidades tienen prácticamente el mismo peso (50% cada una), esto se aproxima a las asignaciones realizadas por el IRSH original. Sin embargo, al desagregar el componente de amenazas, se observa que las amenazas ambientales contribuyen en 0.042, las amenazas de conflicto en 0.221, y las amenazas sociales en 0.236, donde la alta participación de estas últimas se debe a la alta contribución de la tasa de mortalidad infantil. Por otra parte, al ser desagregado el componente de vulnerabilidades, es la contribución de las vulnerabilidades ambientales, la de las vulnerabilidades de conflicto, y la de las vulnerabilidades sociales. Se puede entonces deducir que 6.7% es la participación de desastres naturales en el índice, 45% la de inseguridad y conflicto, y 48.3% la de sociales. Lo anterior es comprensible si se tiene en cuenta que Colombia es un país que aunque ha sufrido de catástrofes ambientales, estas no se comparan con los problemas sociales y de conflicto que afectan a múltiples regiones del país. Niveles de riesgo Para hacer comparativos los resultados del índice, estos se transformaron para estar comprendidos en las escala [0,1], donde 1 corresponde al nivel de riesgo más alto, y 0 a la inexistencia de riesgo. Adicionalmente, para facilitar su análisis, estos resultados fueron clasificados por rangos de la siguiente manera: IRSH bajo: IRSH medio: IRSH alto: Es importante tener en cuenta para algunos casos que se verán más adelante, que debido a la ausencia de datos para algunos municipios, éstos últimos obtienen como resultado un índice de riesgo menor al que posiblemente debería corresponderles, principalmente en el caso de las Amenazas. Sin embargo, estos casos deben estudiar uno a uno por los expertos en situación humanitaria. Como resultado general se obtuvo que de los 1123 municipios, 29 tienen alto nivel de riesgo, 697 en nivel de riesgo medio, y 397 en nivel de riesgo bajo. El Gráfico 2 y el Mapa 1 muestran los municipios con el IRSH más alto, es decir, los municipios en situación de riesgo

13 humanitario más crítica. La Tabla 1 (Ver Anexo 1), muestra la totalidad de los resultados del índice, en donde se puede resaltar que los municipios más críticos hacen parte de los departamentos de Chocó (12 municipios), Nariño (6 municipios), Amazonas, Guajira y Meta, (cada uno con 2 municipios), y Antioquia, Caquetá, Cauca, Guaviare y Vichada (cada uno con un municipio). Gráfico 2. Municipios con IRSH más alto San Andrés de Tumaco Bagadó Cumaribo Miriti - Paraná Roberto Payán Medio Baudó Bojayá Uribia Alto Baudó Magüi Para el componente de Amenazas, los resultados dejan ver que 9 municipios están en alto nivel de riesgo, 189 en nivel medio, y 925 en nivel bajo. El Gráfico 3 y el Mapa 2 muestran los municipios con el IRSH por amenazas más alto. Se puede resaltar que los municipios más críticos en IRSH por amenazas hacen parte de los departamentos de Amazonas (3 municipios), Chocó y Guainía (2 municipios en cada uno), y Nariño y Meta (1 municipio en cada uno).

14 Mapa 1. Distribución de IRSH

15 Gráfico 3. Municipios con mayor IRSH de amenazas Puerto La Victoria Miriti - Alegría (Amazonas) Paraná (Amazonas) (Amazonas) Morichal (Guainía) Pana Pana (Guainía) San Andrés de Tumaco (Nariño) Puerto Gaitán (Meta) Bagadó (Chocó) Lloró (Chocó) El Cantón del San Pablo (Chocó) El componente de vulnerabilidad arroja dentro de sus resultados que 27 municipios tienen alto nivel de riesgo por vulnerabilidad, 835 nivel medio, y 261 nivel bajo. El Gráfico 4 y el Mapa 3 muestran los municipios con el IRSH por vulnerabilidad más alto. Se evidencia que los municipios más críticos en IRSH por vulnerabilidades hacen parte de los departamentos de Chocó y Nariño (cada uno con 8 municipios), Cauca y Guaviare (cada uno con 2 municipios), y Antioquia, Bolívar, Caquetá, Guajira, Meta, Putumayo, y Vichada (cada uno con un municipio). Finalmente, llegando al último nivel de jerarquía, del componente de amenazas de seguridad y conflicto, 4 municipios están en alto nivel de riesgo por amenazas de seguridad y conflicto, 7 en nivel medio, y en nivel bajo. Los departamentos que se ven más afectados son Nariño, Caquetá, Arauca, y Putumayo, con un municipio cada uno. El Gráfico 5 deja ver cuáles son los municipios con mayor riesgo humanitario por amenazas relacionadas a la seguridad y el conflicto.

16 Mapa 2. Distribución del IRSH - Amenazas

17 Gráfico 4. Municipios con mayor IRSH en vulnerabilidades San Barbacoas Andrés de (Nariño) Tumaco (Nariño) Roberto Payán (Nariño) Cumaribo (Vichada) Magüi (Nariño) Alto Baudó (Chocó) El Charco (Nariño) Timbiquí (Cauca) Uribia (Guajira) Bojayá (Chocó) Gráfico 5. Municipios con mayor IRSH por amenaza de seguridad y conflicto San Andrés San Vicente de Tumaco del Caguán (Nariño) (Caquetá) Arauquita (Arauca) Puerto Asís Puerto Rico (Putumayo) (Caquetá) Tame (Arauca) Anorí (Antioquia) Tierralta (Córdoba) Apartadó (Antioquia) Briceño (Antioquia)

18 Mapa 3. Distribución del IRSH-Vulnerabilidades

19 En cuanto al índice por amenazas ambientales, 5 son los municipios que tienen un alto índice de riesgo en este aspecto, 3 tienen medio, y municipios, bajo. Esto puede deberse a que en Colombia se registran constantemente problemas causados por eventos ambientales que en otros países no se presentan tan frecuentemente, tales como deslizamientos por lluvias, incendios forestales fuera de control y sismos debido a la cercanía a la falla de San Andrés. Córdoba es para este componente el departamento con más municipios en un nivel alto de riesgo ambiental (con 2 municipios); le siguen Caldas, Risaralda, y Atlántico (cada uno con un municipio). Gráfico 6. Municipios con mayor IRSH por amenaza ambiental Montería (Córdoba) Manizales (Caldas) Pereira (Risaralda) Montelíbano Barranquilla Valledupar (Córdoba) (Atlántico) (Cesar) Sincelejo (Sucre) Armenia (Quindío) Los Santos (Santander) Riohacha (Guajira) Para finalizar con el componente de las amenazas, se evalúa el IRSH por amenazas sociales, en donde 7 municipios tienen alto nivel de riesgo, 137 nivel medio, y 979 nivel bajo. Tres municipios del departamento de Amazonas, y 3 del de Chocó están en situación más riesgosa, junto a 2 de Guainía y 1 del Meta (Ver Gráfico 7).

20 Gráfico 7. Municipios con mayor IRSH por amenaza social Puerto La Victoria Miriti - Alegría (Amazonas) Paraná (Amazonas) (Amazonas) Morichal (Guainía) Pana Pana (Guainía) Bagadó (Chocó) Puerto Gaitán (Meta) Lloró (Chocó) El Cantón del San Pablo (Chocó) Medio Baudó (Chocó) Por su parte, el componente de las vulnerabilidades de seguridad y conflicto cuenta con 1 municipio que está en alto nivel de riesgo, 5 en nivel medio, y en nivel bajo, siendo Nariño el departamento más afectado. Lo anterior radica en que la variable que mejor explica este componente es el cultivo de coca, el cual no ha sido identificado en muchos territorios del país. El Gráfico 8 muestra los 10 municipios con mayor índice de riesgo por vulnerabilidad de seguridad y conflicto, en donde se evidencia una alta diferencia entre Tumaco (municipio con mayor IRSH por vulnerabilidad en violencia y conflicto), y los demás municipios. El riesgo por vulnerabilidades ambientales se observa en niveles altos en municipios, media en 9, y baja en 1. Debido al gran número de municipios que tiene un alto riesgo en vulnerabilidad ambiental, son entonces todos los departamentos quienes se ven afectados fuertemente: Antioquia (124), Boyacá (123), Cundinamarca (115), Santander (87), Nariño (64), Bolívar y Tolima (cada uno con 46), Cauca y Valle del Cauca (cada uno con 42), Santander (40), Huila (37), Chocó (31), Magdalena (30), Meta (29), Córdoba y Caldas (cada uno con 28), Sucre (24), Atlántico y César (23 cada uno), Casanare (19), Caquetá (16), Guajira (15), Risaralda (14), Quindío y Amazonas (12 cada uno), Putumayo (11), Guainía (9), Arauca (7), Vaupés (6), Guaviare y Vichada (4 cada uno), y Archipiélago de San Andrés y Santa Catalina y

21 Bogotá (1). Lo anterior es ocasionado por la falta de buenos planes de alerta y evacuación en casi todos los municipios colombianos (Ver Gráfico 9). El último componente, el de vulnerabilidades sociales, cuenta con 171 municipios con un alto nivel de riesgo, 827 en nivel medio, y 125 en nivel bajo. Los departamentos que tienen más número de municipios con alto nivel de riesgo por vulnerabilidades sociales son Bolívar (27), Chocó (24), Magdalena (19), Córdoba (17), Nariño (15), Cauca (14), Sucre (12), Antioquia (11), Meta (7), Cesar, Guajira, y Santander (cada uno con 4), Amazonas, Boyacá, Caquetá, Tolima, y vichada (cada uno con 3), Atlántico y Vaupés (cada uno con 2), y Casanare, Guaviare, Huila, Putumayo, y Santander (cada uno con uno). Gráfico 8. Municipios con mayor IRSH por vulnerabilidad por violencia y conflicto San Andrés de Tumaco (Nariño) Barbacoas (Nariño) Puerto Asís Miraflores (Putumayo) (Guaviare) Cumaribo (Vichada) Roberto Payán (Nariño) Leguízamo (Amazonas) San José del Guaviare (Guaviare) El Retorno (Guaviare) Magüi (Nariño)

22 Gráfico 9. Municipios con mayor IRHS por vulnerabilidad ambiental Los Santos (Santander) Riohacha (Guajira) Bogotá, D.C. (Bogotá D.C) Cartagena (Bolivar) Florencia (Caquetá) Chinú (Córdoba) Coloso (Sucre) Puerto Gaitán (Meta) Nuquí (Chocó) Bahía Solano (Chocó) Gráfico 10. Municipios con mayor IRHS por vulnerabilidad social Alto Baudó (Chocó) Uribia (Guajira) Bojayá (Chocó) Juradó (Chocó) Río Quito (Chocó) Murindó Carmen del (Antioquia) Darien (Chocó) Medio Atrato (Chocó) Medio Baudó (Chocó) Bagadó (Chocó)

23 5. Conclusiones En el presente trabajo se presentó una nueva metodología para el cálculo del Índice de Riesgo de Situación Humanitaria para Colombia. Para esto, se clasificaron alrededor de 100 variables, en amenazas y vulnerabilidades que podían ser de origen ambiental, social o de violencia y conflicto. Posteriormente se implementó la metodología del Análisis Factorial Múltiple Jerárquico a estas variables y categorías de clasificación, con lo cual se obtuvieron los pesos o las contribuciones de cada una de las variables resultantes, así como sus clasificaciones. Esto permitió obtener el IRSH para los 1123 municipios colombianos y clasificarlos en probabilidades de ocurrencia de situación humanitaria alta, media, y baja, en donde se descubrió una clara tendencia a una alta probabilidad de ocurrencia de una situación humanitaria para los departamentos de Chocó, Nariño, Amazonas, Guajira, Meta, Antioquia, Caquetá, Cauca, Guaviare y Vichada. El análisis para algunos municipios de los departamentos de Chocó, Amazonas y Vichada requiere tratamiento especial, pues aunque en algunos casos pudo resultar un bajo índice de riesgo, esto se puede deber a la ausencia de datos disponibles, y por ende imputación de datos como cero para estos municipios. Es de especial cuidado el municipio de Belén de Bajirá (Chocó), para el cual se encontraron muy pocos datos disponibles, siendo esta la causa para que este municipio tenga el menor IRSH. Si bien es importante que se incrementen los esfuerzos de ayuda humanitaria en estos departamentos y municipios especificados, no se pueden dejar de lado los esfuerzos humanitarios en otras zonas críticas del país, tales como Buenaventura y Montes de María.

24 Anexo 1 Tabla 2. Índice de Riesgo Humanitario por componente y por municipio Departamento Municipio IRSH Amenaza Vulnerabilidad Amenaza de conflicto Amenaza ambiental Amenaz a social Vulnerabilidad por violencia y conflicto Vulnerabilidad ambiental Vulnerabilidad social Nariño San Andrés de Tumaco Chocó Bagadó Vichada Cumaribo Amazonas Miriti Paraná* Nariño Roberto Payán Chocó Medio Baudó Chocó Bojayá Guajira Uribia Chocó Alto Baudó Nariño Magüi Nariño Barbacoas Chocó Juradó Guaviare Miraflores Chocó Istmina Amazonas Puerto Alegría* Chocó Riosucio Cauca Timbiquí Chocó Lloró Guajira Manaure Caquetá Solano Chocó Bajo Baudó Nariño El Charco

25 Chocó El Cantón del San Pablo Chocó Carmen del Darien Antioquia Murindó Meta Puerto Gaitán Nariño Santa Bárbara* Chocó Medio Atrato* Meta Mapiripán* Chocó Río Iro Bolivar Tiquisio Cauca Argelia Chocó Río Quito Vaupés Taraira Nariño La Tola Putumayo Puerto Asís Nariño Olaya Herrera Guaviare El Retorno Cauca Guapi Córdoba Tierralta Chocó Medio San Juan Nariño Ricaurte Chocó Nóvita Vaupés Caruru Córdoba San Andrés Sotavento Antioquia Vigía del Fuerte Guaviare San José del Guaviare Chocó Atrato* Chocó Cértegui Bolívar San Jacinto del Cauca*

26 Magdalena Zapayán Cauca Piamonte* Arauca Tame Nariño Mosquera Chocó Quibdó Meta Puerto Rico Chocó Tadó Córdoba Canalete Caquetá San Vicente del Caguán Amazonas Puerto Arica* Córdoba Los Córdobas Bolivar Achí Santander El Tarra Caquetá La Montañita Bolivar Villanueva Sucre Guaranda Córdoba Puerto Escondido Cesar Pueblo Bello Magdalena Sabanas de San Angel Meta Uribe* Chocó El Litoral del San Juan Cauca López Amazonas Leguízamo Bolivar El Carmen de Bolívar Sucre San Benito Abad Casanare Támara Sucre Sucre

27 Nariño Francisco Pizarro Tolima Coyaima Santander Hacarí Vichada Santa Rosalía Chocó Condoto Cauca Almaguer Bolivar Pinillos Bolivar Hatillo de Loba Guaviare Calamar Casanare Hato Corozal Amazonas Puerto Nariño Meta Puerto Concordia Antioquia San Pedro de Uraba Bolivar Barranco de Loba Putumayo Puerto Guzmán Cauca El Tambo Bolivar Santa Rosa Córdoba Puerto Libertador Bolivar San Martín de Loba Cauca Santa Rosa Meta Puerto Lleras Magdalena Nueva Granada Santander Tibú Putumayo Villagarzón Santander San Calixto

28 Caquetá Milán Putumayo Valle del Guamuez Boyacá Paya Bolivar Altos del Rosario Magdalena Sitionuevo Magdalena Tenerife Cesar Astrea Bolivar San Fernando Antioquia Ituango Antioquia Necoclí Casanare Orocué Putumayo Orito Córdoba Valencia Guajira Maicao Vaupés Yavaraté* Antioquia Cáceres Meta La Macarena Meta Vistahermosa Tolima Rioblanco Nariño El Rosario Amazonas La Chorrera* Antioquia Tarazá Guainía Barranco Minas* Sucre Majagual Cauca Jambaló Amazonas La Pedrera* Bolivar Margarita Boyacá Covarachía

29 Antioquia Briceño Córdoba Moñitos Bolívar Regidor* Antioquia San Juan de Urabá Bolivar Arroyohondo Arauca Arauquita Bolivar San Jacinto Bolivar El Peñón Tolima Ataco* Cauca Inzá Huila Acevedo Nariño Córdoba Tolima Anzoátegui Nariño Cumbitara Bolívar Montecristo* Cauca Sucre Antioquia Dabeiba Guainia Inírida Casanare Nunchía Bolivar Calamar Caquetá Cartagena del Chairá Chocó Unión Panamericana Amazonas El Encanto* Guainía Puerto Colombia* Vaupés Mitú Cauca Caldono Amazonas Tarapacá * Atlántico Manatí

30 Boyacá Chita Vichada La Primavera* Caquetá Puerto Rico Bolivar Río Viejo Antioquia Nechí Chocó Unguía Nariño Arboleda Cauca Suárez Guajira Dibulla Córdoba San Carlos Magdalena Pedraza Magdalena Chivolo Sucre San Onofre Cauca Totoró Magdalena Pijiño del Carmen Córdoba Ayapel Atlántico Campo de La Cruz Tolima Ortega Córdoba Ciénaga de Oro Valle del Cauca Buenaventura Boyacá Pisba* Casanare Trinidad Guajira Albania Sucre Coveñas Santander Bolívar Sucre San Marcos Sucre La Unión Risaralda Pueblo Rico

31 Córdoba San Pelayo Cauca Morales Guainía Morichal* Antioquia Anorí Antioquia Peque Magdalena Algarrobo Amazonas Leticia Magdalena San Zenón Santander Teorama Sucre Caimito Santander Carcasí Cesar Tamalameque Vaupés Papunaua* Cauca La Vega Caquetá Solita Santander El Peñón Bolivar Zambrano Amazonas Puerto Santander* Antioquia Zaragoza Sucre Chalán Putumayo Puerto Caicedo Cesar Chimichagua Sucre Coloso Cauca Buenos Aires Boyacá Tota Cauca Toribio Antioquia Mutatá

32 Nariño Leiva Caquetá El Paujil Chocó Bahía Solano Chocó Sipí Antioquia Valdivia Sucre El Roble Santander Sardinata Magdalena Santa Bárbara de Pinto Atlántico Piojó Córdoba Planeta Rica Antioquia Turbo Córdoba Buenavista Córdoba Montelíbano Sucre Palmito Antioquia Campamento Casanare Pore Chocó Nuquí Guainía La Guadalupe* Atlántico Santa Lucía Córdoba Chimá Casanare San Luis de Palenque Boyacá Güicán Boyacá Cubará Bolivar Clemencia Magdalena Concordia Cauca Mercaderes Bolivar San Juan Nepomuceno