Modelado causal de la demanda de energía y recursos

Por qué importa nuestro uso de energía y agua

Desde las luces de nuestras casas hasta el agua de los grifos y los coches que conducimos, la vida moderna depende de la energía y los recursos. Sin embargo, nuestra demanda colectiva ha crecido tanto que está transformando el planeta y presionando los límites de lo que la Tierra puede ofrecer. Este artículo explora una manera nueva de comprender esa demanda: en lugar de limitarse a detectar patrones en los datos, busca lo que realmente causa que las personas y los edificios consuman más o menos energía y agua. Al rastrear causa y efecto, los autores pretenden ayudar a las ciudades a diseñar políticas más inteligentes que reduzcan el despilfarro de forma real, en lugar de perseguir tendencias engañosas.

Mirar más allá de las correlaciones simples

La mayoría de las herramientas actuales para estudiar el consumo eléctrico, el uso de agua o las elecciones de movilidad se basan en la correlación: encuentran variables que se mueven juntas, como viviendas más grandes y facturas de electricidad más altas. Pero la correlación por sí sola no puede responder a una pregunta crucial: si cambiamos un factor, ¿cambiará realmente el resultado? La emergente “ciencia de la causalidad” intenta responder esa pregunta directamente. Representa los sistemas como redes de flechas que trazan cómo un factor conduce a otro, lo que permite a los investigadores plantear preguntas precisas de “qué pasaría si”, por ejemplo, qué ocurre con el uso del coche si cambia el ingreso del hogar o la distancia del viaje. Este cambio de la asociación a la causalidad es especialmente importante cuando el objetivo es diseñar políticas efectivas y no solo hacer pronósticos precisos.

Tres formas cotidianas en que usamos recursos

Para mostrar cómo funcionan los métodos causales en la práctica, los autores analizan tres formas familiares de demanda urbana: cómo la gente elige entre coche, transporte público y caminar; cuánta electricidad usan los edificios grandes; y cuánta agua consumen esos mismos edificios. Usando conjuntos de datos estándar y de acceso público para Chicago (comportamiento de viaje) y Nueva York (servicios de edificios), aplican un algoritmo informático para descubrir enlaces probables de causa y efecto entre factores sociales, económicos y físicos. Un segundo método estima luego con qué intensidad cada causa altera el resultado en promedio en la población. Juntas, estas herramientas revelan no solo qué variables están conectadas, sino cuáles parecen impulsar el comportamiento.

Lo que revelan los mapas causales

Para las elecciones de viaje, el mapa causal resultante es intrincado. Señala el número de vehículos en un hogar y la distancia del viaje como causas directas de elegir conducir, usar el transporte público o caminar. También sugiere cadenas de influencia que atraviesan la edad, la educación, el empleo, los ingresos y la raza, reflejando estructuras sociales más profundas. En contraste, los diagramas causales para el uso de electricidad y agua en edificios grandes son sorprendentemente simples: el tipo de edificio (residencial frente a no residencial) y la antigüedad del edificio emergen como los principales impulsores de la electricidad, mientras que solo el tipo de edificio destaca para el uso de agua. Los autores sostienen que la simplicidad probablemente refleja límites en los datos disponibles—muchas influencias del mundo real, como las operaciones del edificio o características del vecindario, no se capturaron por completo—pero incluso esta imagen reducida destaca qué palancas importan más en el contexto estudiado.

Promesas, riesgos y decisiones de política

El artículo discute abiertamente las fortalezas y debilidades de estas herramientas causales. En el lado positivo, los modelos causales pueden filtrar correlaciones engañosas, exponer cadenas ocultas de influencia entre variables y mostrar qué podría ocurrir si una ciudad interviene—por ejemplo, cambiando las normas de construcción o mejorando el servicio de transporte. En el lado negativo, los métodos dependen de sus supuestos subyacentes, de la riqueza y calidad de los datos y de la orientación de expertos que sepan qué enlaces son plausibles y cuáles no. Algunas relaciones—como las que involucran raza o género—pueden actuar como sustitutos de desigualdades sociales más amplias y deben interpretarse con cuidado. Además, los hallazgos están ligados a las ciudades y conjuntos de datos estudiados y pueden no aplicarse en todas partes.

Qué significa esto para un futuro sostenible

En términos accesibles, la conclusión principal es que si queremos reducir el apetito de la sociedad por la energía y el agua, debemos entender no solo qué va junto, sino qué causa realmente qué. El modelado causal sigue siendo un campo joven y las técnicas específicas usadas aquí tienen limitaciones claras, pero el estudio muestra que ya pueden arrojar luz sobre qué factores impulsan genuinamente la demanda y cuáles son señuelos. Al trazar estas vías de causa y efecto, los planificadores urbanos y los responsables de políticas pueden centrarse en intervenciones con más probabilidades de funcionar—como dirigir esfuerzos a tipos de edificio o condiciones de viaje concretas—mientras evitan medidas costosas basadas en patrones engañosos. En resumen, este enfoque ofrece una hoja de ruta más confiable para devolver el uso cotidiano de energía y agua dentro de los límites del planeta.

Cita: Chauhan, R.S., Acosta, J. & Derrible, S. Causal modeling of energy and resource demand. npj Urban Sustain 6, 67 (2026). https://doi.org/10.1038/s42949-026-00370-9

Palabras clave: modelado causal, demanda energética urbana, uso de agua y electricidad, comportamiento de viaje, política de sostenibilidad