DataFeed

Mundos paralelos: Big Data y desigualdad en la Ciudad de México

“Mundos paralelos” es un proyecto desarrollado por Data-Pop Alliance y Oxfam México, cuyo propósito es analizar la desigualdad en la Ciudad de México, utilizando datos de movilidad proporcionados por el programa Data for Good de Cuebiq. Se tomó como estudio de caso la forma en cómo dos sectores socioeconómicos opuestos (los “mundos paralelos”) se apropian de los espacios que conforman la urbe y la posibilidad de encuentro entre estos dos mundos económica y geográficamente distantes. El informe analiza tres dimensiones de la desigualdad: i) en el acceso a la educación, ii) el derecho a la ciudad, mediante el análisis de espacios de carácter exclusivo, y iii) en el acceso a la cultura.

Note: In accordance to its privacy policy, Cuebiq does not collect data from minors. Therefore, the “stays” reported in primary schools were inferred based on the activity of visitors that could potentially be parents, teachers, administrative personnel, etc.

Topics

Author(s)

Author(s): 
Berenice Fernandez Nieto, Brennan Lake, Diego Vazquez, Guillermo Romero, Julie Ricard, Luis Garcia Rueda, Milena Dovalí Delgado, Rodrigo Lara Molina

Partner Organization(s)

Cuebiq, Data Pop Alliance, OXFAM México

Share

Recomendations

Annual Report

Overview and Outlook 2022-2024

10 YEARS IN REVIEW: A LETTER FROM OUR DIRECTOR Finding appropriate metrics

Project Report

Review of Technology-Based Interventions to Address Child Marriage and Female Genital Mutilation

The need to end child marriage and FGM with innovative and impactful

Journal Article

Using Facebook Advertising Data to Describe the Socio-Economic Situation of Syrian Refugees in Lebanon

While the fighting in the Syrian civil war has mostly stopped, an

Project Report

Movilidad para llegar más lejos: ¿cómo se mueven las mujeres en Lima y CDMX?

El presente estudio analiza los patrones de movilidad de las mujeres de

Compilation

Links We Like: A Compilation of 40 Editions

Links We Like Turns 40! Technically, Links We Like (LWL) has been