¿Cuántos pisos vacíos crees que hay en tu barrio? Así funciona la IA con la que el Govern quiere agilizar la búsqueda de viviendas desocupadas

¿Cuántos pisos vacíos cree que hay en su municipio? ¿Y en su barrio? Aunque, antes de eso, ¿qué es exactamente una vivienda desocupada? ¿Se decide a partir de un umbral de consumo de agua o de electricidad? Si es así, ¿qué pasa con los pisos turísticos, con las segundas residencias o con los que llevan años atrapados en un litigio de herencia?

Hasta ahora, responder a estas preguntas implicaba ir una a una a través de documentos acumulados y dispares entre sí. Solo la Generalitat ya acumula cerca de una veintena de estudios propios que no son públicos, realizados en años dispares y sin una metodología armonizada, puesto que no existe consenso sobre cuál es la forma más óptima de rastrear vivienda vacía a gran escala. Pero a partir del año que viene, la intención es que sea una inteligencia artificial (IA) la que responda a todas a la vez.

"Estamos desarrollando un modelo de 'machine learning' que armonizará todo el conoimiento acumulado para perfeccionar la búsqueda de vivienda vacía y aprovechar toda esa información" explica a EL PERIÓDICO Gerard Mor, responsable del proyecto que el Govern ha encargado al Centre Internacional de Mètodes Numèrics a l'Enginyeria (CIMNE), adscrito a la UPC. El sistema cuenta con un presupuesto de 39.000 euros para gastar entre mayo hasta finales de este año, cuando el Govern espera tener cartografiada la probabilidad de vivienda vacía en todos los municipios catalanes.

Probabilidad de vivienda

El objeto principal del contrato, explica Mor, no es el de localizar pisos vacíos uno a uno, ya que el margen de error asciende a una escala tan pequeña. En cambio, se pretende estimar la probabilidad a nivel de sección censal, que es la unidad estadística mínima del territorio. "Es un estudio de prevalencia", insiste. "Que a un piso se le asigne un 5% de probabilidad no dice casi nada, pero que a una sección censal se le estime un 5% de vivienda desocupada sí es un dato accionable para diseñar política pública" traslada el director.

Para su ejecución, el CIMNE ha rescatado los datos del catastro, donde figuran la superficie del suelo sobre el que se levanta un inmueble, su uso, la antigüedad y calidad del edificio, entre otros. Esta sería la base "o el esqueleto" sobre el que se añaden otras capas de información de carácter socioeconómico extraídos del INE y el Idescat, junto al registro de viviendas de uso turístico de la Generalitat o puntos de interés de OpenStreetMap.

También se introducen los consumos eléctricos medios por código postal, extraídos de Datadis —el agregador de las distribuidoras eléctricas—, y datos de agua facilitados de forma agregada por la Agència Catalana de l'Aigua (ACA). El padrón, por lo tanto, no se utiliza, sino que la información demográfica anual por sección censal la obtienen del INE.

Con todo ello, el modelo, que se encuentra actualmente en fase de aprendizaje automático, será capaz de devolver para cada vivienda la probabilidad de que esté vacía o sea una segunda residencia. "Pero las prevalencias no las definimos nosotros, porque no podemos decir que el dato de turismo tenga que pesar el doble" aclara el director, "eso no sería IA".

20 estudios que no han visto la luz

¿Y entonces, de dónde aprende el sistema los comportamientos? Es aquí donde entran en escena los entre 15 y 20 trabajos encargados por ayuntamientos y diputaciones --entre ellos los de Santa Coloma de Gramenet, Barcelona o varios municipios del Pirineo y la Terra Alta-- que la Generalitat tiene entre sus manos, aunque ninguno de ellos es público.

Desde el CIMNE explican que el 70% alimentará el entrenamiento y el 30% servirá para validar, repartiendo secciones censales entre ambos usos y con validación cruzada. Los resultados deberán cuadrar, además, con los censos de 2001, 2011 y 2021, que ofrecen cifras de vivienda vacía pero no bajan del nivel municipal. "Por primera vez podremos estimar con mayor exactitud cuantas viviendas vacías hay en los barrios de Barcelona o LLeida" destacan.

De este modo, uno de los hallazgos más destacados que este equipo del CIMNE compuesto por tres personas, con Jordi Cipriano como investigador principal, prevé obtener es qué características del entorno aumentan la probabilidad de que una vivienda se quede vacía, y cómo cambian según se trate de una zona rural, un pueblo grande o una ciudad del área metropolitana.

¿Y qué pasa con los pisos en obras, los heredados en disputa, los ocupados? Para dar respuesta, otra fuente de alimentación que recibirá esta IA será la propia ley. El artículo 3 de la Ley 18/2007 del derecho a la vivienda considera vacía la vivienda desocupada de forma permanente y sin causa justificada durante más de dos años, y admite como causas justificadas el traslado laboral, el cambio de domicilio por dependencia o el litigio judicial pendiente. Según el CIMNE, ese umbral de dos años ya está incorporado tanto en los datos de consumo de agua como en los estudios con los que se entrena el modelo.

Suscríbete para seguir leyendo