Evolución de la pobreza en las comunidades de Bolivia entre 2012 y 2022 - Un enfoque de machine learning y teledetección

Aug 5, 2026

Esta investigación tiene como objetivo pronosticar la incidencia de pobreza a nivel comunitario en Bolivia para el año 2022 mediante algoritmos de machine learning y teledetección, y contrastar dichos pronósticos con los datos de 2012. Se emplearon datos censales de 2012 para construir un indicador de pobreza basado en Necesidades Básicas Insatisfechas (NBI) en comunidades. De 953 comunidades seleccionadas, el entrenamiento y validación de modelos revela una disminución general de la pobreza y disparidades regionales.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas66

Tiempo de lectura1 h 42 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Enfoques históricos y umbrales de pobreza

Medición multidimensional de la pobreza

Munich Personal RePEc Archive Evolution of poverty in Bolivian communities between 2012 and 2022: A machine learning and remote sensing approach Bolivar, Osmar August 2023 Online at [https://mpra. ub. uni-muenchen. de/118932/](https://mpra. ub. uni-muenchen. de/118932/) [MPRA Paper No. 118932](MPRA Paper No. 118932) , [posted 21 Oct 2023 09:40 UTC](posted 21 Oct 2023 09:40 UTC) Evoluci´on de la pobreza en las comunidades de Bolivia entre 2012 y 2022: Un enfoque de machine learning y teledetecci´on Osmar Bolivar* Agosto 2023 Resumen Esta investigaci´on tiene como objetivo pronosticar la incidencia de pobreza a nivel comunitario en Bolivia para el a˜no 2022 empleando algoritmos de machine learning y teledetecci´on, y contrastar estos pron´osticos con los datos de 2012 . Se procesaron datos censales de 2012 para crear un indicador de pobreza basado en Necesidades B´asicas Insatisfechas (NBI) a nivel de comunidades y se seleccionaron 953 de estas comunidades como unidades de an´alisis. La generaci´on de variables geoespaciales, el entrenamiento y validaci´on de algoritmos de machine learning, y la posterior aplicaci´on de estos modelos revelaron una disminuci´on general de la pobreza, conaproximadamente el 50% de las comunidades proyectadas por debajo del umbral del 42,5% en 2022, indicando mejoras significativas desde 2012 . Se observ´o una reducci´on diferencial de la pobreza, con un impacto m´as pronunciado en las comunidades con menores niveles de pobreza iniciales. Se vislumbraron disparidades regionales, con tasas de pobreza m´as bajas en ´areas urbanas, subrayando la necesidad de abordar las desigualdades regionales. Adem´as, se evidencio la eficacia de la metodolog´ıaplanteada en este estudio en comparaci´on con investigaciones similares, resaltando la utilidad de esta metodolog´ıa para predecir la pobreza a nivel comunitario. Keywords: pobreza; machine learning; remote sensing JEL Codes: C8; I3; I32; O31 * Este Working Paper corresponde a un trabajo de investigaci´on elaborado en el marco del Programa de Maestr´ıa en Econom´ıa Aplicada, de la Universidad Andina Sim´on Bol´ıvar. Las opiniones y conclusiones realizadas por el autor no representan necesariamente la posici´on de las instituciones a las que est´a[afiliado. Email:](afiliado. Email: osmar.jsmpf@gmail.com)[ osmar.jsmpf@gmail.com](afiliado. Email: osmar.jsmpf@gmail.com) 1 . Introducci´on Durante un extenso per´ıodo de tiempo, los economistas han mostrado un af´an por comprender la naturaleza y las causas de la pobreza. Un aspecto de suma importanciaradica en su medici´on y la precisi´on con la cual se calcula este indicador. En el ´ambito acad´emico, se han realizado notables esfuerzos para abordar la medici´on de la pobreza; noobstante, su cuantificaci´on es un proceso complejo y est´a sujeta a supuestos que incluyen la propia noci´on de pobreza, la elecci´on del indicador de bienestar, la unidad de mediday otros aspectos relevantes. Entre los trabajos pioneros que han contribuido a este campo, se destacan los de Orshansky (1969) y Galbraith (1998), quienes establecieron el primer umbral oficial depobreza para Estados Unidos. Orshansky se bas´o en el costo de una cesta b´asica dealimentos para determinar este umbral, considerado como el nivel m´ınimo necesario para satisfacer las necesidades b´asicas de una familia. Adem´as, desarroll´o un m´etodo para medirla pobreza utilizando los ingresos monetarios de las familias, mediante la comparaci´on de dichos ingresos con el umbral de pobreza, con el prop´osito de determinar si una familia era considerada pobre o no. Dentro de esta categor´ıa, se pueden mencionar trabajos dedestacados acad´emicos como Thon (1979), Foster et al. (1984), Kanbur (1990) y Jenkins y Lambert (1997) . Estas investigaciones sentaron las bases de las primeras medidas depobreza, las cuales han sido ampliamente empleadas a nivel global y han contribuido significativamente a una mayor comprensi´on de la pobreza

Preguntas frecuentes

Qué busca este estudio sobre la pobreza en Bolivia entre 2012 y 2022?

Pronostica la incidencia de pobreza a nivel comunitario en 2022 usando machine learning y teledetección, y compara los resultados con los datos de 2012.

Cómo se construye el indicador de pobreza utilizado en el análisis?

Se procesan datos censales de 2012 para crear un indicador basado en Necesidades Básicas Insatisfechas (NBI) a nivel de comunidades.

Qué hallazgos principales reporta el trabajo sobre la evolución de la pobreza?

Se observa una disminución general, con reducción diferencial mayor en comunidades con niveles iniciales de pobreza más bajos, además de disparidades regionales (menores tasas en áreas urbanas).

Aug 5, 2026

Subir por Olivia Brown