Contar con datos poblacionales detallados a nivel local es fundamental para realizar diagnósticos precisos, estimar poblaciones en riesgo, identificar necesidades específicas y asignar recursos de manera eficiente.&nbsp;Indicadores socioeconómicos desagregados espacialmente, como los referidos a la pobreza y desempleo,&nbsp;permiten detectar zonas de alta necesidad y diseñar intervenciones más focalizadas. Sin embargo,&nbsp;los datos oficiales no siempre están disponibles con un nivel de desagregación espacial suficiente. Los censos, aunque cubren amplios territorios, se realizan con baja frecuencia y muchas veces no incluyen información detallada sobre ciertas dimensiones socioeconómicas clave. Por su parte, las encuestas, como la Encuesta Permanente de Hogares (EPH) en Argentina, ofrecen datos relevantes sobre la población, pero están diseñadas para generar estimaciones confiables solo a nivel de grandes áreas geográficas, como regiones o aglomerados.En&nbsp;<a href="https://www.tandfonline.com/doi/full/10.1080/17421772.2024.2330410">una investigación recientemente publicada en&nbsp;Spatial Economic Analysis</a>,&nbsp;Alejandro Izaguirre, investigador del Centro de Estudios para el Desarrollo Humano (CEDH) de la Universidad de San Andrés, aplicó herramientas de clasificación basadas en técnicas de&nbsp;machine learning para aumentar la resolución espacial de los datos existentes y generar estimaciones más precisas dentro de escalas geográficas más acotadas. El estudio se centra en el aglomerado del Gran Rosario, cuya configuración socioeconómica espacial es comparable con la de muchas otras ciudades del mundo. Como el nivel más desagregado que ofrece la EPH es el del aglomerado, sin distinguir entre localidades específicas, impide, por ejemplo, estimar la pobreza o el desempleo a nivel local. Para superar esta limitación, Izaguirre propone&nbsp;combinar los datos de la EPH con los del Censo Nacional de Población y Vivienda, que ofrece variables comparables con un mayor nivel de detalle geográfico. A partir de las observaciones censales sobre variables comunes—principalmente relacionadas con características del hogar, como los materiales de construcción, acceso a agua potable o sistema de desagüe—el investigador entrenó&nbsp;algoritmos que permiten inferir la ubicación aproximada de los hogares encuestados en la EPH dentro del aglomerado.&nbsp;“Este procedimiento permite predecir la ubicación espacial de las observaciones de la EPH en una escala menor, utilizando información del censo, lo que representa&nbsp;una mejora significativa en la capacidad de análisis espacial de cualquier variable relevada por la encuesta. Por ejemplo, en lugar de conocer solo la tasa de pobreza o desempleo para todo el Gran Rosario,&nbsp;se pueden obtener estimaciones diferenciadas por zonas,&nbsp;revelando desigualdades internas que de otro modo permanecerían ocultas. Esto permite focalizar las políticas públicas”, explica Izaguirre. Para controlar posibles errores de clasificación,&nbsp;el estudio también estimó tasas de error tomando el censo como referencia, lo que permite ajustar las estimaciones según el grado de incertidumbre. Finalmente, Izaguirre destaca que, dado que en América Latina y el Caribe se dispone de censos y encuestas de hogares sobre diversas dimensiones socioeconómicas,&nbsp;su propuesta es potencialmente replicable en otros países para mejorar la resolución espacial de los datos disponibles y ofrecer herramientas más precisas para el diseño y la evaluación de políticas públicas.&nbsp;

Buscador UdeSA

Mejorar el conocimiento espacial del territorio con machine learning