Boletín de Riesgos R-13 – Abril 2021

Boletín Mensual de Riesgos: Abril 2021

Fecha: 10 de mayo de 2021

​Última revisión: 13 de mayo de 2021

Objetivo

El objetivo del Boletín Mensual de Riesgos es brindar una visión general a) de las lecciones aprendidas durante el mes pasado en el proyecto; b) de un sistema cuadro de mando (scorecard) para comunicar el estado de riesgo de las cadenas de suministro afectadas por la COVID-19 que apoyan la infraestructura y la fuerza laboral del sector salud entre los Estados Unidos y México; y c) de un sistema de comunicación que facilite el restablecimiento de las cadenas de suministro rotas y la formación de otras nuevas para reactivar el comercio entre los Estados Unidos y México. El informe tiene como objetivo ofrecer información valiosa al público en general y a los responsables de la toma de decisiones sobre acciones preventivas informadas para reducir el impacto potencial de la pandemia actual en las cadenas de suministro críticas y elaborar mejores estrategias sobre acciones viables de mitigación de riesgos sociales, económicos y ambientales contra la COVID-19 y las amenazas convergentes. Este boletín es producido conjuntamente por los investigadores principales (PIs) del proyecto, los contratistas del proyecto y el grupo de trabajo binacional México-Estados Unidos que provee asesoría al proyecto.

Cita sugerida:

Medina Cetina, Z., Pompelli, Gregory., Cochran, Matt., Olivares, Miriam., Perez-Patron, Maria J., Duran, Guillermo., Alvarado, Juan Pablo., Z-Losoya, Enrique., & Lopez-Acosta, Araceli. (2021). CBTS-SGL Monthly Risk Bulletin: April. https://r13-cbts-sgl.engr.tamu.edu/

@misc{Medina2021,
   author = {Medina Cetina, Z. and Pompelli, Gregory and Cochran, Matt and Olivates, Miriam, Perez-Patron, Maria J. and Duran, Guillermo and Alvarado, Juan Pablo and Alexi, Allen, and Torres, Cesar, and Barnett, Jimmy, and Lopez-Acosta, Araceli, and Sanchez-Siordia, Oscar, and Rojas, Minerva and Zarate-Losoya, Enrique},
   title = {*CBTS-SGL Monthly Risk Bulletin: April.*},
   url={https://r13-cbts-sgl.engr.tamu.edu/},
   year={2021},
   month={April}
}

Índice

• Boletín de Riesgos R-13 – Abril 2021
  • Objetivo
  • I. Estatus del Proyecto y Lecciones Aprendidas
    • Hito 3: Data Lake
    • Hito 4: Boletín de Riesgos
    • Actualización sobre el estado de los Paneles de Control de Covid-19 de Estados Unidos y de México
      • Panel de control de Covid-10 en Estados Unidos
      • Panel de control de Covid-10 en México
  • II. Mecanismo de Comunicación de Riesgos
    • Exportaciones de maíz de EE.UU. a México 2013 – 2020
    • Actualización de la Matriz de Riesgos
    • Actualización de los Datos del Índice de Vulnerabilidad Social de México
    • Índice de Vulnerabilidad Social de los CDC
    • Recomputación de la Metodología SVI y Proceso de Validación
    • Información procesable – Informes de investigación – 2-Paneles COVID-19 de EE.UU. y México
      • Paneles de Estados Unidos
      • Paneles de México
    • Información procesable — Informes de investigación — 3 — Análisis de los Paneles de Control de COVID-19 de los Estados Unidos
      • Plataforma de Desarrollo
      • Número de variables
        • Tipo de evidencia
        • Tipo de variable
        • Clasificación por Componente de Riesgo
        • Cantidad de información presentada, en comparación con los casos y muertes normalizados de COVID-19
      • Conclusiones
  • III. Restauración y Creación de Cadenas de Suministro
  • Referencias

I. Estatus del Proyecto y Lecciones Aprendidas

Contribución al Hito 2: Grupo de Trabajo

• La octava reunión del Grupo de Trabajo está programada para el 26/Marzo/2021
• Hay cuatro adiciones al Grupo de Trabajo Estados Unidos-México sobre COVID-19:
  • Thomas Wilkinson, MD, Director de Información Médica, Oficina del Director Médico (OCMO), CWMD-DHS
  • Dra. Julia Marinessen, Agregada de Salud, Departamento de Salud y Servicios Humanos de los Estados Unidos (HHS), Embajada de los Estados Unidos en la Ciudad de México
  • Dra. Julie Loisel, Profesora Asociada, Departamento de Geografía, Universidad Texas A&M
  • Dr. Dennis Gorman, Jefe Interino del Departamento de Epidemiología y Bioestadística, Universidad Texas A&M

Hito 3: Data Lake

• Se completó la definición de objetivos e hipótesis preliminares siguiendo el método científico para el Problema de Investigación 2: Problema de Investigación sobre Equipos de Protección Personal y Problema de Investigación 3: Sector de Fabricación de Automóviles.

Hito 4: Boletín de Riesgos

Actualización sobre el estado de los Paneles de Control de Covid-19 de Estados Unidos y de México

Panel de control de Covid-10 en Estados Unidos

• Se identificaron paneles de otros Estados para localizar conjuntos de datos e inspiración para nuestra plataforma.

• El equipo concluyó El equipo concluyó que las plataformas más utilizadas son ESRI ArcGIS o Tableau. . Como se muestra en la tabla tbl. 1

  Tabla 1: Estas plataformas son las más utilizadas.

  Plataforma	Totales
  ESRI (ArcGIS)	21.5
  Public Tableau	16.5
  Microsoft PowerBI	8
  Looker	1
  DataViz	1
  API de Google	1
  Plotly	1

• Se consultó el número de variables utilizadas por cada modelo y se realizó un gráfico comparativo. Esto puede ayudar a informar el número adecuado de variables que se utilizarán en la Plataforma de Riesgos:
  • Casos Confirmados
  • Fatalidad
  • Tasas de Prueba
  • Tasas de Vacunación
  • Servicios de Sistemas de Salud
• Se consultó el número de variables utilizadas por cada modelo y se realizó un gráfico comparativo. Esto puede ayudar a informar el número adecuado de variables que se utilizarán en la Plataforma de Riesgos.
  • Esto puede ayudar a informar el número adecuado de variables que se utilizarán en la Plataforma de Riesgos.

• Después de identificar las variables deben clasificarse por el tipo de evidencia que presentan.
  • Los tres tipos principales:
    1. Observación
    2. Predicción de Modelos
    3. Creencias de Expertos

• El siguiente paso es clasificar las variables observadas en el modelo de evaluación de Riesgos, con los 5 tipos principales de riesgo que se utilizarán.

• Se analizó el número de variables utilizadas en los modelos con el número de casos y muertes.
  • Parece que el número de variables tenían una relación inversamente correlacionada con el número de casos y muertes.
  • Podría ser que cuanto más robusto sea el análisis y la modelización, mejores serán las medidas que se pueden recomendar para mitigar la propagación.

• A continuación, se deberá realizar la homogeneización de las variables para encajar en un modelo singular.
  • Cada estado utiliza diferentes índices y variables; deben ser preprocesados para trabajar juntos en un modelo nacional
  • Se pueden consultar otros modelos nacionales para examinar si esto se ha hecho y si ya se dispone de conjuntos de datos.

Panel de control de Covid-10 en México

• También se recopilaron paneles estatales para México.
  • 17 estados no contaban con paneles
  • 13 estados tenían algún tipo de panel de Covid-19
  • En 2 estados (Yucatán, Zacatecas) no se localizó la información

II. Mecanismo de Comunicación de Riesgos

• Índice de Vulnerabilidad para la Alimentación y la Agricultura de Purdue

  • El Departamento de Economía Agrícola de la Universidad de Purdue y Microsoft desarrollaron un panel de control en línea para cuantificar el riesgo para los posibles suministros de Productos Agrícolas de COVID19 (Rastreador de Datos COVID, 2020b)
    • Incluye:
      • Frijoles, ganado, verduras, cerdos, pollos, trigo, arroz
    • La forma en que este proyecto cuantifica el “riesgo” debe examinarse para comprender mejor cómo debe cuantificarse en nuestros propios modelos, así como comparar la compatibilidad de los dos enfoques.
  • Variables de Riesgo:
    • Número total de casos de COVID-19 por condado
    • Número esperado de trabajadores agrícolas con COVID19 (AW_CVD)
    • Asume que el número de trabajadores agrícolas con COVID19 está a la misma tasa que la población total del condado
    • Datos a nivel de condado sobre el número de agricultores y trabajadores contratados del Censo de Agricultura de 2017
    • Datos a nivel de condado sobre la población de la Oficina del Censo 2019 (Oficina del Censo de la Población por Condado, 2019)

  La ecuación para estimar el riesgo se detalla a continuación en la Fig. 7

• Impacto económico de las enfermedades por COVID19
  • La productividad laboral para una mercancía a nivel de condado se calcula con:
  • Datos también obtenidos del Censo Agrícola 2017
  • La fórmula utilizada para determinar la productividad se detalla en la Fig. 8

• Riesgo económico o”pérdida de productividad”
  • Datos a nivel de condado
  • Las ecuaciones que se utilizaron para determinar el trabajo y la productividad perdida se detallan en la Fig. 9 y Fig. 10
  • 
  • 
• Conclusiones:
  • El número esperado de trabajadores agrícolas con COVID-19 (AW_CVD) puede complementarse con otros indicadores, como el número de reproducción efectiva (Rt).
  • La pérdida estimada de productividad considera la evidencia de la amenaza de la COVID-19 y su Impacto.
  • La evidencia sobre el sistema de salud de la fuerza laboral, como la demografía, las comorbilidades y la capacidad del sistema de servicios de salud, puede complementar esta estimación.

Exportaciones de maíz de EE.UU. a México 2013 – 2020

• El maíz se cosecha una vez al año; el maíz estadounidense para 2019-2020 se cosechó antes del impacto de la pandemia.
  • No hubo interrupciones del suministro relacionadas con la pandemia.
  • En el estudio Mallory 2020, las exportaciones de maíz de 2013 a 2018 se contrastaron con los datos de 2019 a 2020 para examinar posibles interrupciones.
  • Los niveles de exportación de maíz a lo largo del tiempo se pueden ver en la Fig. 11

• ¿Se pueden aplicar estos datos al comercio de maíz entre Estados Unidos y México?
  • Los datos históricos que pueden ayudar a examinar estas preguntas se muestran en la fig. 11.

• Otras fuentes de datos corroboran los hallazgos de estos datos
  • USDA World Agricultural Production Report (2020)
  • United States Agricultural Export Yearbook (2020)
• De acuerdo con el estudio (Mallory, 2021) y resultados de los datos de 2013-2020: “Los envíos de exportación de granos, semillas oleaginosas y aves de corral no se han visto afectados, pero los envíos de exportación de carne de res y cerdo sí experimentaron reducciones significativas”
• “Las cadenas de suministro de carne son especialmente vulnerables, y las interrupciones de la capacidad de procesamiento perjudican a los agricultores, procesadores, consumidores y socios comerciales” (Mallory, 2021).

Actualización de la Matriz de Riesgos

• Las variables se están identificando a partir del índice de Estimaciones de Resiliencia Comunitaria (CRE) (Community Resilience Estimates, 2020) para su uso en el Marco de Riesgos
  • Hasta ahora se han identificado 12 variables, cada una con sus propias sub-variables y ecuaciones
  • Estas variables se visualizan en la Fig. 13

• Avances en la Matriz de Riesgos:
  • La matriz de riesgo se actualizó con variables SVI / CRE / MCVI / MSVI
  • Se categorizaron las variables estimadas bajo el marco de riesgo
  • Se identificaron y categorizaron 104 variables para ingestión

Actualización de los Datos del Índice de Vulnerabilidad Social de México

• 64 variables totales en el archivo (Índice de Vulnerabilidad Social de México, 2020)
• Las variables se visualizan en la Fig. 14:

• Los datos se dividieron en 5 temas:
  • Demográficos (2)
  • Socioeconómicos (18)
  • De vivienda e higiene (9)
  • Salud (11)
  • Epidemiológicos (3)

Índice de Vulnerabilidad Social de los CDC

• Hasta ahora, hay 125 columnas de datos por condado (Flanagan et al., 2018a, 2018b)
  • Incluidos los márgenes de error, ratios, porcentajes e índices correspondientes
  • 17 estimaciones

Los cálculos para encontrar mejor la unión del IVSM y el IVS-EE.UU. están en marcha.

• Es necesario el preprocesamiento y análisis de los índices y variables que componen los datos.
• Los dos conjuntos de datos se compararon para determinar su similitud, así como para prepararse para procesar un conjunto de datos de producto en la Fig. 15:

• Desglose de las variables del IVS de los CDC en la Fig. 16:

Recomputación de la Metodología SVI y Proceso de Validación

Hemos replicado la metodología empleada por los CDC para calcular y validar sus resultados. Este ejercicio tiene como objetivo utilizar este script de cómputo para incorporar nuevas fuentes de información y variables para calcular un índice para una cadena de suministro potencial. Los siguientes gráficos interactivos describen el proceso de validación y los resultados (Fig. 17)

Una vez que se obtuvo una buena coincidencia, se decidió clasificar e incorporar variables en temas que siguieran el marco de riesgo de nuestros grupos. La siguiente historia interactiva (fig. 18) muestra y describe el estado de este esfuerzo. El índice modificado se calculó para todos los condados de los Estados Unidos.

Información procesable – Informes de investigación – 2-Paneles COVID-19 de EE.UU. y México

Durante la pandemia de la COVID-19, las organizaciones nacionales e internacionales han desarrollado paneles y plataformas interactivos para presentar información relacionada con la propagación de la COVID-19 y datos sobre el manejo de la pandemia. La información presentada en el panel (o paneles) se enmarca dentro de temas recurrentes como casos confirmados, muertes, estadísticas sobre pruebas y vacunación, y la disponibilidad de servicios e infraestructura de salud. Los datos se presentan en forma de gráficos de series temporales, gráficos circulares o incluso mapas, de acuerdo con las características de las variables que se comunican (Rastreador de Datos COVID, 2020a; Dong et al., 2020; Max Roser y Hasell, 2020).

El objetivo de este informe de investigación es doble. Pimero, presentar una lista consolidada de URLs para la ubicación de los paneles estatales en los EE.UU. y México; y segundo, evaluar la cantidad de información presentada a través del recuento del número de variables incluidas en los paneles. Los paneles y plataformas incluidos en este análisis corresponden a los desarrollados por entidades oficiales de cada estado, tanto en Estados Unidos como en México. Como tal, los paneles nacionales o plataformas desarrolladas por universidades o empresas no se incluyen en este informe de investigación.

Paneles de Estados Unidos

La Fig. 19 muestra el número de variables diferentes que se incluyen en los paneles para cada estado. Además, al hacer clic en un estado en particular, aparecerá una ventana emergente con los enlaces a los diferentes paneles. La Tabla 2 incluye todas las URL de los 50 estados.

Paneles de México

La Fig. 20 muestra el número de variables diferentes que se incluyen en los distintos paneles para cada estado. Además, al hacer clic en un estado en particular, aparecerá una ventana emergente con los enlaces a los diferentes paneles. La Tabla 3 incluye todas las URL de los 32 estados.

Para el caso de México, el hecho de que algunos de los estados no tengan un tablero estatal oficial no significa que la información sobre la pandemia de COVID-19 y su manejo no se esté comunicando. La falta de información en el gráfico anterior indica que, para un estado en particular, la información no se presenta a través de un tablero interactivo, sino que podría comunicarse mediante informes diarios o semanales. El análisis de informes no interactivos está más allá del alcance de este informe de investigación.

Información procesable — Informes de investigación — 3 — Análisis de los Paneles de Control de COVID-19 de los Estados Unidos

Este Informe de investigación, #3 y #2, sobre los paneles de COVID-19 se centra en el análisis de las variables de los paneles de Estados Unidos desde diferentes perspectivas y clasificaciones. Para hacer esto, la secuencia de actividades de la Fig. 19 fue seguido.

Como tal, las siguientes secciones describen los paneles y sus variables en términos de:

• Plataforma de desarrollo
• Distribución del número de variables
• Tipo de evidencia
• Tipo de variable
• Componentes de riesgo

Una sección adicional en este Informe de investigación compara la cantidad de información presentada en cada panel con los Estados Sociales de Riesgo, como casos y muertes. La sección final resume los resultados e incluye las principales conclusiones y conclusiones del análisis.

Plataforma de Desarrollo

La Tabla 4 enumera las diferentes plataformas utilizadas por las entidades estatales para desarrollar su(s) tablero(s). Como se puede ver, un total de 29 de los 50 paneles se desarrollaron utilizando soluciones de ESRI o Tableau. Esto es seguido por una minoría de dahsboards desarrollados en Microsoft Power BI, y algunas otras soluciones como Looker, DataViz, Google APIs y Plotly.

Número de variables

La Fig. 21 muestra el número total de variables incluidas en los paneles de COVID-19 del estado de los Estados Unidos. La escala de colores refleja los cuartiles de la distribución. Así, el 25% de los paneles presentan entre 9 y 43 variables, el 25% entre 43 y 57 variables, el 25% entre 57 y 72, y un 25% final entre 72 y 172.

Al pasar el cursor sobre los estados, una ventana emergente mostrará el número total de variables y un conjunto de enlaces para visitar los paneles.

Para tener una mejor visión de la distribución del número de variables, se incluye un histograma de frecuencia relativa en la Fig. 22. A continuación se muestran algunas estadísticas descriptivas:

• Mínimo: 9. Correspondiente a Kentucky
• Primer cuartil: 44
• Segundo cuartil/Media: 59
• Promedio: 61 variables
• Tercer cuartil: 75
• Máximo: 127. Correspondiente a Nuevo Hampshire

Tipo de evidencia

Las variables en el tablero fueron clasificadas posteriormente según el tipo de evidencia. En la inferencia bayesiana, la evidencia puede provenir de observaciones, predicciones de modelos, creencias de expertos o una combinación de ellas (Medina-Cetina et al., 2016).

Después de clasificar las variables por tipo de evidencia, es posible calcular el porcentaje para cada una con respecto al número total de variables en cada panel. Estos porcentajes son:

• Observaciones: 91% a 100%
• Predicciones del modelo: 0% a 9%
• Creencias de expertos: 0% a 2%

La mayoría de las variables provienen de observaciones de evidencias sobre casos, muertes y capacidad de los servicios del sistema de salud. Un porcentaje inferior al 10% son predicciones de modelos, con variables como la tasa de reproducción efectiva o modelos para predecir muertes y ocupación de camas en UCI. El único estado que presenta creencias de expertos es California, que incluye opiniones de expertos para ajustar el valor de las pruebas diarias de COVID-19.

Tipo de variable

La siguiente clasificación de variables es por tipo. Los diferentes tipos son:

• V: variable regular, estática en el tiempo y el espacio
• V(t): variable que cambia en el tiempo
• V(x): variable que cambia en el espacio
• V(x, t): variable que cambia tanto en el espacio como en el tiempo

La Fig. 23 muestra una gráfica de caja para los 4 tipos diferentes de variables. Las distribuciones para los 4 tipos son similares, lo que significa que las variables en el panel están divididas aproximadamente por igual en las 4 categorías. Notablemente, dada la naturaleza de la pandemia y el desarrollo de los paneles, hay un número considerable de variables que cambian tanto en el tiempo como en el espacio, como la serie temporal de casos de COVID-19 por cada condado en un estado.

Clasificación por Componente de Riesgo

De acuerdo con la definición de Riesgo Bayesiano, y el marco de (Medina-Cetina & Nadim, 2008), El riesgo se define como:

Risk = [Hazard] * [Vulnerability] * [Consequences] (Riesgo = [Peligro] * [Vulnerabilidad] * [Consecuencias])

Donde:

• El peligro es la probabilidad de que se produzcan amenazas convergentes
• La vulnerabilidad es la probabilidad de llegar a una Consecuencia o daño en el sistema de interés, condicionada a una intensidad de amenaza determinada
• Las Consecuencias representan el valor de los elementos expuestos a las amenazas convergentes

Las variables requeridas para estimar el Peligro, la Vulnerabilidad y las Consecuencias, deben representar las amenazas, los sistemas y los impactos, respectivamente.

El marco de Evaluación de Riesgos se amplía a lo siguiente para representar la Evaluación y Gestión de Riesgos:

Risk = [H*V*C] + [Cost(AC+PC)−AC−PC]

Donde:

• AC = Contramedidas Activas
• PC = Contramedidas Pasivas

Para reducir el estado de riesgo, pueden aplicarse estrategias de mitigación, tales como contramedidas activas (AC) o contramedidas pasivas (PC).

Teniendo en cuenta la Evaluación y Gestión del Riesgo, los 5 Componentes del Riesgo son:

• Amenaza
• Sistemas
• Impactos
• Mitigación
• Estados de Riesgo

La Fig. 24 muestra una gráfica de caja para las variables clasificadas en los 5 Componentes de Riesgo. La figura muestra un mayor número de variables para Sistemas y Mitigación en los 50 paneles, con valores medios de 20 y 19 respectivamente. Por el contrario, los Impactos y los Estados de Riesgo tienen un valor medio de 7.

Ejemplos de variables en cada Componente de Riesgo son:

• Amenazas: Número de reproducción efectiva, casos diarios de COVID-19
• Sistemas: Distribución por edad de casos de COVID-19, camas disponibles en la UCI
• Impactos: Muertes por distribución por género/sexo, Muertes por raza/etnia
• Mitigación: Pruebas totales, dosis de vacuna administradas
• Estados de riesgo: Muertes diarias, muertes totales

Fig. 25 es una representación espacial del número de variables en cada Componente de Riesgo. Al pasar el cursor sobre un estado, una ventana emergente mostrará el número total de variables para el componente correspondiente.

Cantidad de información presentada, en comparación con los casos y muertes normalizados de COVID-19

Para evaluar la relación entre la cantidad de información presentada en los paneles con el manejo de la pandemia en los 50 estados, Fig. 26 y Fig. 27 presentar un gráfico de dispersión del número total de variables (y el número de variables para los 5 Componentes de Riesgo) y los casos y muertes por COVID-19 por cada 100,000 habitantes.

Las cifras anteriores no muestran una relación aparente entre la cantidad de información (número de variables) y los Estados sociales de Riesgo representados por los casos y muertes de COVID-19 normalizados. Es decir, no hay tendencia a que los casos y las muertes disminuyan con un aumento en el número de variables de los cuadros de mando.

La inferencia bayesiana, y la toma de decisiones bayesiana, sugiere que al tener información sobre los componentes de la ecuación de Riesgo, la toma de decisiones mejora. Esta mejora permite una mejor Evaluación y Gestión del Riesgo. Esto no es lo que sugieren las cifras anteriores.

Para explorar más a fondo la relación, y la afirmación previa, Fig. 28 presenta un gráfico de dispersión similar, pero esta vez utilizando las variables necesarias para la Evaluación del Riesgo solamente (Amenazas, Sistema, Impactos, Estados de Riesgo). La codificación de colores en los gráficos de dispersión diferencia los estados que están por debajo de la mediana del número combinado de variables (Amenazas + Sistemas + Impactos + Estados de Riesgo), entre la mediana y el tercer cuartil, y por encima del tercer cuartil. Una vez más, no se encuentra una correlación evidente en las cifras.

Como último ejercicio, se identificaron los estados que incluyen un índice agregado en sus cuadros de mando. La Tabla 5 incluye los estados, el nombre de los índices agregados y las variables utilizadas para calcularlos. Finalmente, estos estados están marcados con amarillo en la Fig. 29.

A partir de las cifras incluidas en esta sección, se puede concluir que no existe una correlación evidente entre la cantidad de información presentada y los Estados sociales de Riesgo. Esto es válido para el número total de variables en los paneles, el número de variables requeridas para una Evaluación de Riesgo, y también para aquellos estados que presentan índices agregados, algunos de los cuales se denominan Índices de Riesgo. Las posibles razones de estos hallazgos son:

• En el análisis solo se tuvieron en cuenta los impactos sociales y los estados de riesgo. No se realizó ningún análisis que incluyera los impactos económicos o ambientales
• Las decisiones basadas en la cantidad de información en los paneles tuvieron como objetivo gestionar los impactos económicos de la pandemia a nivel estatal
• Dificultades con la comunicación de riesgos. Las personas no están asimilando la información, porque no están preparadas o educadas para hacerlo
• Los estados tienen acceso a la información, y la están comunicando a través de los paneles, pero su toma de decisiones podría estar influenciada por factores externos como la geopolítica
• Los diferentes niveles de incertidumbre en la información para diferentes componentes de Riesgo, crea una complejidad adicional en los procesos de toma de decisiones
• Este análisis no aborda, ni considera, los niveles aceptables de riesgo social que podrían considerarse a nivel estatal

Conclusiones

• Este informe de investigación sobre los paneles estatales de COVID-19 de los Estados Unidos presenta una descripción detallada de las plataformas de desarrollo y de las variables notificadas en términos de tipo de evidencia, tipo de variables y Componentes de Riesgo.
• La cantidad de información presentada en los paneles se comparó con los impactos sociales, como los casos normalizados de COVID-19 y las defunciones
• No se encontró correlación evidente entre la cantidad de información y los Estados sociales de Riesgo
• Algunas razones para ello incluyen el hecho de que sólo se consideraron los impactos sociales, y también las particularidades de la toma de decisiones a nivel estatal
• Los hallazgos del informe de investigación enfatizan la importancia de la comunicación del riesgo durante un evento pandémico
• Hay un espacio considerable para la investigación con el fin de entender por qué las correlaciones no son evidentes, dado que la teoría sugiere que la toma de decisiones mejora cuando la evidencia sobre cada componente de Riesgo está disponible

III. Restauración y Creación de Cadenas de Suministro

The following efforts and manufacturers have been identified.

Referencias