Boletin de Riesgos R-13 Risk Bulletin – Mayo 2021
14 de Mayo, 2021
R13 Resumen Mensual de Investigación: Mayo
@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: May.*},
url={https://r13-cbts-sgl.engr.tamu.edu/r13-cbts-sgl-boletin-de-riesgo-mayo-2021/},
year={2021},
month={Mayo}
}
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.
Investigadores Principales (PI) del Proyecto | |
---|---|
Zenón Medina-Cetina, PhD – PI | Gregory Pompelli, PhD – Co-PI |
Matt Cochran, DVM, MIA – Co-PI | María José Pérez-Patrón, PhD – Co-PI |
Miriam Olivares, GISP – Co-PI |
Documento preparado con el apoyo de: | Revisado y aprobado por: |
Enrique Z. Losoya, Guillermo Durán | Dr. Medina-Cetina – PI |
Estudiantes de Doctorado en SGL – Asistentes de Investigación de Posgrado | Fecha: 20/Mayo/2021 |
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 R-13 Boletín de Riesgos. 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: May.*},
url={https://r13-cbts-sgl.engr.tamu.edu/},
year={2021},
month={May}
}
Boletín de Riesgos R-13 – Mayo 2021
Introducción
Los modelos CBTS-SGL-R13 están empezando a ser validados por equipos de expertos, y se continúa trabajando en el desarrollo de los paneles de control, plataformas e índices asociados a nuestro proyecto.
I. Estatus del Proyecto y Lecciones Aprendidas
Resúmenes de Investigación sobre Variables e Índices del Modelo de RB
Contribución / Hito 3: Datalake
1. Estimación del exceso de mortalidad asociado con el COVID-19 para México y Estados Unidos.
-
Introducción
Al combinar datos internacionales, la cuestión de las diferentes normas y variables implementadas en el cálculo de índices y aproximaciones, que dificultan la integración de estos conjuntos de datos de una manera unificada y matemáticamente coherente.
-
Objetivos
Integrar las tasas de exceso de mortalidad para Estados Unidos y México, que utilizan dos métodos diferentes.
-
Metodología
El exceso de mortalidad se define como la diferencia entre las muertes esperadas y las observadas en un período. Se emplean dos técnicas para calcular el exceso de mortalidad: el método de Farrington y el procedimiento del canal endémico. En el método de Farrington, las muertes esperadas se dan por el límite superior de un intervalo de predicción del 95% para la media de una regresión cuasi-Poisson con una tendencia temporal lineal y un factor estacional para los datos de recuento semanal de muertes. En el método del canal endémico, las muertes esperadas corresponden al percentil del 90% de los datos de mortalidad histórica semanal. Ambos métodos se ajustan a partir de los datos de mortalidad por cualquier causa de los años 2015-2019. Los Centros para el Control y la Prevención de Enfermedades (CDC) de los Estados Unidos utilizan el método de Farrington, mientras que el gobierno mexicano utiliza el procedimiento de canal endémico. Ambos métodos se utilizarán en ambos conjuntos de datos para comparar y contrastar los resultados y determinar cuál es el más preciso y representativo de los datos.
-
Resultado
El método de Farrington indica que en 2020 México y Estados Unidos superaron el número de muertes esperadas en un 20% y 12%, respectivamente. El método del canal endémico indica que México superó las muertes esperadas en un 39%, mientras que Estados Unidos en un 17%. (Fig. 1)
presenta el recuento de muertes observadas en 2020 y las muertes esperadas correspondientes para los algoritmos de Farrington y el canal endémico para ambos países (líneas sólidas para México, líneas discontinuas para Estados Unidos). El efecto de la pandemia golpeó a Estados Unidos a mediados de marzo.
Figura 1: Cálculos Farrington México-Estados Unidos
(Fig. 2) muestra una comparación entre el exceso de mortalidad medido en los estados fronterizos de México y Estados Unidos.
Figura 2: Cálculos Farrington Estados Fronterizos
-
Conclusión
El método de Farrington mostró que Estados Unidos y México excedieron las cifras de exceso de mortalidad en un porcentaje menor que el método del Canal Endémico.
2. Índice de rigor en las medidas de contención, su impacto en la actividad económica y la reducción de la movilidad
-
Introducción
Durante la pandemia de COVID-19, los gobiernos tomaron diferentes medidas para combatir la pandemia. En esta sección, revisaremos los efectos que estas medidas tuvieron en diversos factores económicos y sociales.
-
Objetivos
Explorar la asociación entre la respuesta del gobierno para contener la pandemia y las mediciones de la reducción de la movilidad, la actividad económica y el desempleo.
-
Metodología
-
Índice de rigor de las medidas de contención: Este índice es estimado por el proyecto “The Oxford COVID-19 Government Response Tracker”. El índice se basa en la información recopilada para nueve indicadores relacionados con las medidas de contención de los gobiernos para mitigar la pandemia de COVID-19.
-
Índice de actividad económica: En el caso de México, utilizamos el Índice de Actividad Económica Global (IGAE), que mide la evolución de múltiples sectores económicos y se expresa en términos porcentuales respecto a los niveles de actividad de 2013. Para Estados Unidos, utilizamos el índice de Producción Industrial, que mide la evolución en los sectores de servicios públicos manufacturero, minero, eléctrico y de gas. El índice también se expresa en términos porcentuales con referencia a 2012.
-
Índice de reducción de la movilidad: Utilizamos el índice de movilidad en los lugares de trabajo publicado por el informe de movilidad local de Google. El índice de movilidad se invierte para su interpretación como una reducción de la movilidad; de esta manera, también se interpreta como un indicador de la adopción de medidas para contener la epidemia (cuanto mayores sean los valores, mayor será la adopción por parte de la población).
-
Resultado
(Fig. 3) muestra el cambio en el rigor de las medidas de contención a lo largo del tiempo. En México, el nivel más estricto se alcanzó durante los primeros meses de la pandemia. Las medidas se relajaron después de junio de 2020, y los niveles más bajos de rigor se alcanzaron a partir de febrero de 2021. El nivel máximo de rigor impactó negativamente el índice IGAE, (Fig. 4), que cayó hasta 22 puntos porcentuales con respecto a los niveles pre-pandémicos.
Figura 3: Índice de Rigor
Estados Unidos alcanzó un nivel moderadamente alto de rigor en las medidas de contención al comienzo de la pandemia. A partir de junio de 2020, las medidas se relajaron; sin embargo, el rigor inicial se recuperó durante noviembre y diciembre de 2020. Al igual que en México, el índice de Producción Industrial se vio afectado negativamente, cayendo 18 puntos porcentuales en abril de 2020.
Figura 4: Índice de Actividad Industrial
Otra repercusión económica atribuible a las medidas para contener la COVID-19 fue el aumento de la tasa de desempleo. En México, pasó del 3.6% en febrero de 2020 al 5.5% cuatro meses después, mientras que en Estados Unidos pasó del 3.5% en febrero de 2020 al 14.8% en abril del mismo año. Después de estas caídas, el empleo en ambos países se recuperó, aunque la recuperación fue más rápida en Estados Unidos. Sin embargo, ninguno de los dos países ha alcanzado sus niveles previos a la epidemia. Dado que el impacto sobre el empleo parece más amplio en los Estados Unidos, es importante mencionar un posible sub-registro en México causado por una gran proporción de la población que trabaja en el sector informal.
-
Conclusion
Como muestran los resultados, ambas respuestas del gobierno para contener la pandemia provocaron una reducción de la movilidad, una reducción de la actividad económica y un aumento del desempleo. A medida que estas medidas se relajaron, la movilidad y la actividad económica comenzaron a aumentar lentamente de nuevo, mientras que los niveles de desempleo comenzaron a disminuir con el tiempo.
3. Actualizaciones sobre el Problema de Investigación #2: EPP
Contribución / Hito 4: Boletín de Riesgo {#sec:ML4RiskBulletin}
(Fig. 5)
-
Hallazgos
-
China es el mayor exportador mundial de mascarillas médicas y protección ocular (Cohen & Meulen Rodgers, 2020).
-
EE.UU. es, por mucho, el mayor importador de máscaras faciales, equipo para ojos y guantes médicos en el mercado mundial (Cohen & Meulen Rodgers, 2020).
-
El brote de COVID-19 en China a finales de 2019 llevó a un aumento en la demanda dentro de China de EPP, especialmente para máscaras quirúrgicas desechables (Cohen & Meulen Rodgers, 2020).
-
Como resultado, el gobierno de China no sólo restringió sus exportaciones de EPP, sino que también compró una parte sustancial de la oferta mundial (Burki, 2020).
-
El 3 de junio de 2020, el Wall Street Journal informó que el fabricante chino de automóviles eléctricos “BYD” construyó lo que afirmaba era la fábrica de máscaras más grande del mundo, ahora capaz de producir 50 millones de máscaras al día.
-
En cuestión de semanas, “BYD” firmó contratos por valor de más de mil millones de dólares para productos médicos, incluyendo máscaras N95. Esos acuerdos se firmaron antes de que BYD obtuviera la certificación federal de los Estados Unidos para las máscaras N95 (The Wall Street Journal, 2020).
-
En otro artículo del 9 de junio de 2020, el Wall Street Journal informó que “BYD” obtuvo la aprobación de los Estados Unidos para suministrar máscaras N95 a estados como California (un trato de mil millones de máscaras) y Washington.
-
Conclusión
Para reducir la dependencia del suministro de EPP en el extranjero, Cohen & Meulen Rodgers, 2020 recomiendan considerar una política industrial nacional “que incentive la producción de EPP utilizando la tecnología existente al tiempo que se fomenta el desarrollo, las pruebas y la producción de EPP reutilizable y de mejor calidad”.
II. Mecanismo de Comunicación de Riesgos
1. Variables de matriz R13 DLS-RDM en el Modelo de RB
Contribución / Hito 2: Data-Lake (Lago de Datos) {#sec:ML3DataLake}
Las variables en uso provienen de estos índices: – A. Índice de Vulnerabilidad Social (SVI) de los CDC – B. Estimaciones de Resiliencia Comunitaria del CENSUS (CRE) – C. Índice de Vulnerabilidad Social de COVID19 de México (MCSVI) – D. Índice de Riesgo Heurístico de COVID-19 de México (MCRI)
-
Se revisan las variables en el modelo de cada una de las cuatro anteriores
-
Determinación de las que se han utilizado y de las que quedan por incluir
-
-
No se incluyen las variables CDC SVI y CRE, enumeradas en (Fig. 6)
Figura 6: Variables no incluidas
Figura 7: Variables no incluidas
Figura 8: Variables no incluidas
2. Proceso de validación del Modelo de RB
-
Se estableció el proceso de validación y presentación de los modelos. Se ejemplifica en las figuras (Fig. 9), (Fig. 10), (Fig. 11) y (Fig. 12).
Figura 9: Talleres de validación del modelo de RB R-7.
Figura 10: Actividades del Taller #1.
Figura 11: Calendario del Taller #2.
Figura 12: Calendario del Taller #3.
III. Restauración y Creación de Cadenas de Suministro
Plataforma de Comunicación para Restaurar y Crear Cadenas de Suministro – Tercer Objetivo
-
Introducción
En esta sección, discutiremos el progreso de nuestra plataforma de comunicación para restaurar y crear cadenas de suministro dentro de los Estados Unidos y México.
-
Objetivos
-
Crear un sistema basado en la web con información binacional de fabricantes, proveedores y compradores
-
Incorporar un componente social de interactividad entre usuarios para fomentar nuevas colaboraciones y fortalecer las cadenas de suministro
-
Construir un prototipo inicial de sitio web conectado a la base de datos
-
Metodología
-
Identificar fuentes públicas de datos de evidencia de los problemas de investigación del Data-Lake
-
Categorizar en componentes de metodología basada en riesgos
-
Revisar las debilidades y ventajas de las plataformas virtuales de interacción social disponibles
-
Identificar características y herramientas para usar en nuestro propio proyecto
-
Estandarizar el formato de la base de datos
-
Estudios de Caso
-
Revisión de Plataformas similares disponibles:
-
La abrumadora mayoría son front-ends de bases de datos
-
Pocas herramientas tienen funcionalidad de conexión más allá de la base de datos
-
-
Cómo se puede utilizar en nuestro proyecto:
-
Recopilar y estandarizar una base de datos propia
-
Utilizar los conjuntos de datos ya disponibles
-
-
Construir interfaz front-end para consultar datos
-
Debe ser capaz de mostrar / consultar datos, así como actualizar la base de datos
-
-
Agregar nuevos usuarios a medida que se produce el registro
-
Obtener más datos de empresas y de cadenas de suministro al momento del registro
-
-
Crear más funcionalidad a partir de ahí
-
Aspecto social, conectando proveedores y compradores
-
Flujo de trabajo aproximado de creación de plataforma en (Fig. 13)
Figura 13: Flujo de Trabajo Aproximado del 3er Objetivo
Una revisión de las herramientas estudiadas disponibles para desarrollar la plataforma se muestra en (Fig. 14)– El verde denota atributos favorables; el amarillo, moderados; y el rojo, desfavorables
Figura 14: Herramientas disponibles para construir la plataforma
-
Resultado
-
Se decidió que la herramienta más favorable sería WordPress
-
Atributos positivos:
-
Escalable, seguro
-
Facilidad de uso
-
Requiere más configuración y configuración que caspio, pero es es la segunda menor en general
-
Temas y diseños pre-hechos
-
Plugins para resolver la mayoría de las necesidades
-
~$25 USD/mes
-
-
El cronograma del flujo de trabajo y los objetivos de este proyecto se muestran en (Fig. 15)
Figura 15: Flujo de Trabajo del 3er Objetivo
Referencias
(misc?){CohenRogers, author = {Cohen, Jennifer and van der Meulen Rodgers, Yana}, title = {Contributing factors to personal protective equipment shortages during the COVID-19 pandemic}, journal = {Preventive Medicine}, pages = {106263}, ISSN = {0091-7435}, year = {2020}, type = {Journal Article} }
(misc?){Burki2020, author = {Burki, Talha}, title = {Global shortage of personal protective equipment}, DOI = {10.1016/S1473-3099(20)30501-6}, url = {https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7314445/}, year = {2020}, type = {Journal Article} }
Burki, T. (2020). Global shortage of personal protective equipment [Journal Article]. https://doi.org/10.1016/S1473-3099(20)30501-6
Cohen, J., & Meulen Rodgers, Y. van der. (2020). Contributing factors to personal protective equipment shortages during the COVID-19 pandemic [Journal Article]. In Preventive Medicine (p. 106263).