machine learning | Carlos Mendez

La ley de Okun y los regímenes espaciales en Indonesia: un enfoque de aprendizaje automático

Thu, 28 May 2026 00:00:00 +0000

El enigma

La ley de Okun es una de las regularidades más fiables de la macroeconomía: cuando el producto crece, el desempleo cae. Sin embargo, estimada para Indonesia como una sola economía, la relación no se sostiene. La razón es la agregación. Un archipiélago vasto y heterogéneo no es un único mercado laboral, y un promedio nacional cancela silenciosamente las regiones que se mueven en direcciones opuestas. La pregunta, entonces, no es si la ley de Okun se cumple en Indonesia, sino dónde.

Un enfoque guiado por los datos en dos pasos

En lugar de imponer grupos geográficos de antemano (por ejemplo, “Oeste” frente a “Este”), los autores dejan que los datos ordenen los distritos en grupos con dinámicas similares de crecimiento y desempleo, y luego modelan cómo esas dinámicas se desbordan a través del espacio. El marco es descriptivo: mapea asociaciones, no efectos causales.

graph LR
A("<b>Paso 1 — C-Lasso</b><br/>(aprendizaje automático)<br/><i>Ordena los distritos en regímenes latentes<br/>que comparten un patrón de crecimiento-desempleo</i>")
B("<b>Paso 2 — Modelo espacial de Durbin</b><br/><i>Divide la respuesta de cada régimen en una<br/>asociación directa (local) e indirecta (desbordamiento<br/>hacia los vecinos)</i>")
A --> B
classDef blue fill:#1f2b5e,stroke:#6a9bcc,stroke-width:3px,color:#e8ecf2
classDef orange fill:#1f2b5e,stroke:#d97757,stroke-width:3px,color:#e8ecf2
class A blue
class B orange

Cuatro regímenes latentes

El clasificador descubre cuatro regímenes distintos que cruzan la geografía administrativa y física: los distritos del mismo grupo no tienen por qué ser vecinos. Cada uno cuenta una historia diferente sobre cómo el crecimiento se encuentra con el mercado laboral.

Régimen	Perfil estructural	Ejemplos	Comportamiento de Okun
Grupo 1	Centros que absorben mano de obra: metrópolis, cinturones industriales, plantaciones de pequeños productores	Bekasi, Yakarta Norte, Makassar, Medan	Fuerte, de manual. El crecimiento se mueve junto con la caída del desempleo, tanto a nivel local como en los vecinos.
Grupo 2	Polos intensivos en capital: zonas de recursos, agricultura corporativa mecanizada	Balikpapan, Yakarta Central, focos rurales de Java	Invertido. Un crecimiento más rápido se asocia con un desempleo abierto medido más alto.
Grupo 3	Centros en transición: ciudades secundarias que pasan de la agricultura a los servicios	Cilacap, Indramayu, Malang	Débil. Escaso vínculo de base; el ajuste opera a través de las horas trabajadas, no de los despidos.
Grupo 4	Mercados periféricos: economías rurales insulares delgadas y aisladas	Papúa remota, Nusa Tenggara Oriental	Insignificante. La informalidad generalizada corta el vínculo con el desempleo formal.

¿Por qué el crecimiento se mueve junto con un desempleo creciente en el Grupo 2? Donde predominan la industria intensiva en capital y la agricultura corporativa, el crecimiento suele llegar a través de la mecanización que desplaza a la mano de obra agrícola tradicional. A medida que los trabajadores desplazados abandonan el trabajo informal o familiar para buscar empleos asalariados formales, entran en las estadísticas como “desempleados abiertos”. El desempleo medido aumenta junto con el producto debido a las fricciones de búsqueda y al desajuste de competencias, no porque el crecimiento en sí destruya empleos.

Robustez a nivel provincial

Para comprobar que el patrón no es un artefacto del ruido a nivel de distrito, los autores vuelven a aplicar el marco a 34 provincias. Este reproduce una estructura similar, ahora en tres regímenes:

Provincias diversificadas y con demanda abundante: polos industriales y de consumo con un pronunciado coeficiente de Okun de $-0.262$.
Corazones de productos básicos agrícolas: grandes plantaciones corporativas donde el crecimiento es localmente “sin empleo” pero genera desbordamientos hacia los vecinos.
Enclaves de frontera de productos básicos: mercados laborales delgados ligados a la minería y la industria pesada, con un coeficiente casi plano de $-0.033$.

Los desbordamientos espaciales importan

El ajuste del mercado laboral no se detiene en las fronteras de los distritos. Los cambios en el desempleo están correlacionados entre distritos vecinos ($\rho = 0.135$), de modo que un choque de crecimiento en un lugar alcanza al siguiente.

Separar las respuestas locales de los desbordamientos es lo que hace visible este fenómeno. En el Grupo 1, el crecimiento se asocia con un menor desempleo en el propio distrito (asociación directa $-0.112$) y con un menor desempleo en el vecino (desbordamiento indirecto $-0.077$). Un modelo que ignore los desbordamientos pasaría por alto prácticamente toda la huella vecina del impulso regional.

Conclusiones clave

Las estimaciones agregadas inducen a error. Un único coeficiente de Okun nacional promedia regímenes cuyas asociaciones entre crecimiento y desempleo apuntan en direcciones opuestas.
Los polos diversificados son el motor. En los distritos metropolitanos y de plantaciones de pequeños productores (Grupo 1), las ganancias de producto se traducen de la manera más fiable en creación de empleo, tanto en el propio distrito como en los cercanos.
El cambio estructural reconfigura la absorción. Pasar de la agricultura familiar a la agricultura corporativa mecanizada reduce la cantidad de trabajadores que la economía local absorbe por unidad de producto.
La informalidad oculta la holgura. En las regiones periféricas (Grupo 4), las cifras de desempleo abierto subestiman las dificultades porque la gente recurre al subempleo y al trabajo informal.

Preguntas abiertas

Si el crecimiento intensivo en capital (Grupo 2) sigue empujando a los trabajadores agrícolas desplazados hacia el desempleo abierto, ¿cómo pueden los gobiernos locales crear canales de capacitación que los reorienten hacia empleos modernos en los servicios?
Dado cuánto de la asociación total opera a través de los desbordamientos en las zonas que absorben mano de obra, ¿debería la planificación pasar de metas distritales aisladas hacia corredores económicos coordinados de varios distritos?

Pódcast con IA: la ley de Okun y los regímenes espaciales en Indonesia

Haga clic en reproducir para cargar

0:00 0:00

Mapeo de las dimensiones de la pobreza mediante macrodatos, encuestas socioeconómicas y aprendizaje automático en Camboya

Mon, 06 Oct 2025 00:00:00 +0000

🌏 Introducción

Crecimiento económico acelerado, pero pobreza persistente (17,8 % por debajo de la línea nacional en 2019)
Los datos tradicionales de pobreza: desactualizados, costosos y poco detallados
La pobreza: no solo ingresos, sino también salud, educación y nivel de vida (marco del MPI)

Notas: Camboya ha experimentado un fuerte crecimiento, pero la pobreza persiste. El estudio aplica un enfoque multidimensional alineado con el MPI Global para captar privaciones más allá de los ingresos, centrándose en la educación, la salud y el nivel de vida.

📊 Objetivos de la investigación

Utilizar macrodatos de observación de la Tierra + la encuesta CSES + el aprendizaje automático
Mapear 10 indicadores de pobreza en las 3 dimensiones del MPI
Generar mapas de pobreza de alta resolución
Apoyar intervenciones de política focalizadas y rentables

Notas: El objetivo es integrar datos espaciales y de encuestas mediante IA/ML para producir mapas de pobreza detallados. Esto ayuda a los responsables de las políticas a asignar recursos de forma eficiente y a identificar vulnerabilidades locales.

📚 Literatura y motivación

Las encuestas de hogares = costosas, poco frecuentes y espacialmente poco detalladas
Luces nocturnas e imágenes satelitales → indicadores indirectos de la pobreza
El aprendizaje automático (RF, XGBoost, CNN) mejora las predicciones
Carencia: pocos estudios integran datos de encuestas + datos de observación de la Tierra para la pobreza multidimensional

Notas: Investigaciones previas muestran que los satélites y el ML pueden ayudar a predecir la pobreza, pero su integración con encuestas socioeconómicas para la pobreza multidimensional es limitada. Este estudio cubre esa carencia.

🗂️ Fuentes de datos

Encuesta CSES (10 000 hogares) – salud, educación, vivienda, ingresos
Datos satelitales y de observación de la Tierra – luces nocturnas, cobertura del suelo, densidad de población
Datos de infraestructura – carreteras, escuelas, hospitales, servicios públicos
Huellas de edificaciones – 3,8 millones de edificios residenciales/comerciales

Notas: Se utilizó un amplio conjunto de datos: la CSES para la información de los hogares, datos de observación de la Tierra para el entorno y la infraestructura, y huellas de edificaciones para escalar las predicciones al nivel del hogar.

⚙️ Metodología

Modelo Random Forest para la clasificación
Predice la probabilidad de privación para cada indicador
División en entrenamiento y validación (90/10)
Resultados: mapas de privación a nivel de hogar y regional

Notas: Se eligió el algoritmo Random Forest por su robustez y su capacidad para procesar tipos de datos mixtos. Los modelos producen mapas de probabilidad que pueden agregarse a nivel de municipio, distrito o provincia.

📑 Indicadores del MPI

Salud (2): consumo de alimentos, acceso a la atención sanitaria

Educación (2): nivel educativo alcanzado, asistencia escolar

Nivel de vida (6): combustible para cocinar, saneamiento, agua, electricidad, vivienda, activos

Notas: Se eligieron diez indicadores siguiendo el MPI Global. Se aplicaron ponderaciones iguales a las tres dimensiones principales. Estos indicadores reflejan prioridades de los ODS como la educación, la salud, el agua potable y la energía.

📈 Resultados – Importancia de las variables

Luces nocturnas = predictor clave en todos los indicadores
Densidad de población y redes viales también significativas
Predicciones más sólidas: combustible para cocinar, agua potable, saneamiento, electricidad
Predicciones débiles: asistencia escolar, atención sanitaria, activos

Notas: Las luces nocturnas y la densidad de población explican mejor la privación. El acceso a la infraestructura también es crucial. Los indicadores con correlación espacial (p. ej., los servicios públicos) tuvieron mejor desempeño que los vinculados a condiciones específicas del hogar.

🗺️ Resultados – Patrones espaciales de la pobreza

Centros urbanos: Phnom Penh, Siem Reap, Battambang → baja privación
Provincias remotas: Preah Vihear, Ratanakiri, Mondulkiri → alta privación
La pobreza es menor cerca de las principales carreteras y fronteras (efectos del comercio)

Notas: Los mapas espaciales muestran una concentración de la privación en regiones remotas y mal conectadas. Las zonas urbanas y fronterizas con infraestructura presentan una menor pobreza.

💡 Discusión

El ML espacial es útil, pero limitado para indicadores con señales espaciales débiles
Los datos de las encuestas de hogares no están diseñados para el ML → problemas de aproximación de la ubicación
Necesidad de una integración más rica de las encuestas (p. ej., preguntas sobre accesibilidad)
La observación de la Tierra + el ML ofrecen un mapeo de la pobreza granular y dinámico

Notas: Aunque prometedor, el ML tiene dificultades cuando los datos carecen de correlación espacial. Un mejor diseño de las encuestas puede potenciar la integración. Este enfoque híbrido muestra potencial para un seguimiento de la pobreza en tiempo real y de grano fino.

✅ Conclusión

10 indicadores del MPI mapeados usando observación de la Tierra + encuestas + ML
Mejores resultados para las privaciones relacionadas con la infraestructura
Permite estimaciones de la pobreza a nivel de hogar
Apoya los ODS: Fin de la Pobreza, Educación de Calidad, Salud, Agua Limpia, Energía
Investigación futura: autocorrelación espacial, descomposición de la desigualdad, IA avanzada

Notas: Este trabajo muestra cómo la IA y los datos de observación de la Tierra complementan a las encuestas tradicionales para mapear la pobreza multidimensional. Las líneas futuras incluyen el análisis espacial avanzado y modelos de aprendizaje profundo para una mayor precisión.

Ausencia de convergencia global y formación de múltiples clubes de bienestar entre países: un enfoque de aprendizaje automático no supervisado

Wed, 17 Jul 2019 00:00:00 +0000