Pasar al contenido principal

Usando herramientas de la Inteligencia Artificial para la predicción de la pobreza municipal en Guatemala

Por Walter Figueroa

En Guatemala, como en otros países en desarrollo, la información estadística, especialmente aquella que vincula a la medición de la pobreza, no se actualiza con la frecuencia deseada para, asimismo, actualizar, reformar o construir las políticas públicas para erradicar la pobreza.    Lo anterior radica en el hecho que dicha información, fundamentalmente proveniente de encuestas de hogar, la Encuesta Nacional de Condiciones de Vida en Guatemala, son costosas y, por tanto, espaciadas en el tiempo.  Este hecho se ha convertido en una barrera para que la lucha contra la pobreza en el país sea efectiva.  

Con los cambios tecnológicos, lo cual trae bajo el brazo la disponibilidad de grandes cantidades de información, mucha de ella sin costo para el potencial usuario, los patrones de recolección de información han cambiado, contribuyendo grandemente a  la posibilidad de contar con información sociodemográfica de alta frecuencia.   En adición, las herramientas de Inteligencia Artificial, las cuales han sido ampliamente desarrolladas para apoyar al sector privado, ha dado un vuelco y puesto su mirada en desarrollos que permitan a la gestión pública, también.   En ese orden de ideas, el machine learning o aprendizaje de máquina ha sido utilizado, como una herramienta poderosa, en cuanto a su precisión, a lo que se une, su bajo costo y rapidez en su  implementación.  

Unido a lo anterior, la información del XII Censo de Población y el VII Censo de Vivienda posibilita la actualización de los mapas de pobreza municipal en el país.   Concretamente, con el uso de un modelo randon forest (bosque aleatorio), combinando información coincidente de la última Encovi (2014) y el referido censo se permite la realización de aquella tarea. 

De acuerdo con los resultados, la pobreza a nivel nacional tuvo una reducción en un período de 4 años (de 2014 a 2018), pero a nivel espacial (departamental o municipal), lamentablemente, un deterioro en estos términos, es decir, hubo un aumento de la pobreza general (no extrema o extrema).  Ello fundamentalmente en el altiplano occidental.   De acuerdo con la predicciones de pobreza realizadas, el área metropolitana, así como municipios de los departamentos de Sacatepéquez y Escuintla registraron descensos que lideraron la reducción de la pobreza a nivel nacional. 

En suma, el ejercicio que permite el machine learning  demuestra que las nuevas técnicas,  la disposición de datos sociodemógraficos de fuentes gratuitas,  confluyen para tener información de alta frecuencia para monitorear la evolución, en este caso, de uno de los principales flagelos de la sociedad guatemalteca.

 

Mapa 1: Incidencia de la pobreza general según departamento, 2014 y 2018, en porcentajes

mapa

Fuente: Elaboración propia con información del Censo 2018 y la Encovi 2014.

Top 10 pobreza municipal

top

 

 

Escribenos

De forma constante, Cardinal®  busca talento en curación de contenido y datos. Si te consideras experto en dichas actividades, puedes formar parte de nuestra base de datos y en caso se active un proceso se te contactará. El formulario lo encuentras en la parte superior.