Populações sintéticas são grupos de pessoas gerados por computador que são projetados para se parecer com populações reais. Eles são construídos usando informações do censo público sobre as características das pessoas, como idade, sexo e trabalho, juntamente com algoritmos estatísticos que ajudam a juntar tudo. Sua principal aplicação é a realização das chamadas simulações sociais para avaliar diferentes soluções possíveis para problemas sociais, como transporte, problemas de saúde e moradia. Durante a pandemia de COVID-19, por exemplo, cientistas de vários lugares do mundo realizaram simulações sociais para estimar o número de casos em cada país.
No Japão, os pesquisadores realizam essas simulações usando supercomputadores no Projeto COVID-19 AI & Simulation, liderado pelo Secretariado do Gabinete do governo japonês desde 2020. Eles receberam uma consideração significativa ao decidir várias medidas políticas, como políticas de teste de PCR, limites de imigração, apoio ao turismo doméstico, programas de vacinação e assim por diante. Estas simulações foram possíveis graças a uma população sintética que foi preparada e atualizada no âmbito do projeto Joint Usage/Research Centre for Interdisciplinary Large-scale Information Infrastructures (JHPCN), desde 2017.
No entanto, essa população sintética japonesa tinha uma limitação significativa – embora um endereço residencial fosse um dos atributos atribuídos a cada indivíduo, a localização do local de trabalho não era. Como resultado, essa população sintética foi mais precisa ao representar a distribuição noturna das pessoas, mas não a distribuição diurna ou a relação entre ambas.
Para resolver esse problema, um trio de pesquisadores japoneses, incluindo o professor assistente Takuya Harada, do Shibaura Institute of Technology, bem como o Dr. Tadahiko Murata e o Sr. atributo a cada trabalhador em populações sintéticas. Seu estudo foi publicado em Transações IEEE em Sistemas Sociais Computacionais e contou com o apoio da JHPCN e da Agência Japonesa de Ciência e Tecnologia (JST).
O principal desafio que os pesquisadores tiveram que superar foi a falta de informações estatísticas que ligassem os locais de residência e local de trabalho das pessoas. No Japão, apenas os governos locais cuja área tem mais de 200.000 residentes divulgam estatísticas completas de origem-destino-indústria (ODI), que fornecem detalhes sobre o movimento de trabalhadores, bem como seu tipo de indústria (como varejo, construção ou manufatura). Para cidades, vilas ou vilas com menos de 200.000 habitantes, os dados ODI disponíveis são menos específicos e informam apenas se a pessoa trabalha na mesma cidade, em outra cidade da mesma província ou em outra cidade de outra província. Infelizmente, aproximadamente 48% dos trabalhadores no Japão residem em cidades com menos de 200.000 habitantes.
Assim, a equipe de pesquisa combinou dados de ODI disponíveis com dados de origem-destino (OD) e desenvolveu um método inovador de atribuição de local de trabalho que funciona para todas as cidades, vilas e aldeias do Japão. Para testar se o método foi projetado corretamente, eles o usaram para atribuir locais de trabalho a pessoas em cidades com mais de 200.000 residentes e compararam os resultados com os dados ODI completos disponíveis. Para a cidade de Takatsuki na prefeitura de Osaka, que os pesquisadores apresentaram como exemplo em seu artigo, o método proposto poderia atribuir as cidades corretas como locais de trabalho para 88,2% dos trabalhadores.
As aplicações possíveis para simulações sociais detalhadas usando populações sintéticas são muitas, como observa o professor Murata, da Universidade de Kansai: “Simulações sociais em escala real podem ser usadas para estimar a eficiência de desenvolvimentos urbanos, incluindo projetos de habitação e transporte, bem como a influência de programas sociais conduzidos por governos nacionais ou locais. Eles também podem ser empregados para programas de resgate e socorro ao enfrentar desastres como terremotos, tsunamis, inundações, tufões e pandemias.” Simplificando, as simulações sociais podem ajudar os tomadores de decisão a imaginar com precisão vários futuros possíveis.
Outro aspecto importante das populações sintéticas é que elas estão livres de preocupações com a privacidade de dados. “Populações sintéticas são uma tecnologia segura porque nenhuma informação privada é usada,” explica o professor assistente Harada, “Como sintetizamos vários conjuntos de populações com as mesmas características estatísticas, terceiros não podem identificar se informações reais estão incluídas ou não.“Vale a pena notar que este estudo marca as primeiras populações sintéticas do mundo com informações do local de trabalho que são divulgadas publicamente para engenheiros e pesquisadores.
A equipe de pesquisa já está trabalhando no uso de seu novo método de atribuição de local de trabalho para estimar a distribuição da população durante o dia em todo o Japão.
Com informações de Science Daily.
