El machine learning como herramienta de apoyo al seguimiento de la Política Pública de Productividad, Competitividad y Desarrollo Socioeconómico de Bogotá (2011-2031)

Abstract

La evaluación de las políticas públicas distritales presenta limitaciones cuando depende únicamente de métodos tradicionales de seguimiento, particularmente frente a la heterogeneidad territorial y a las relaciones no lineales entre variables socioeconómicas. El presente escrito analiza comparativamente modelos de aprendizaje automático supervisado y no supervisado, con el fin de valorar su utilidad como herramientas complementarias de apoyo al seguimiento y análisis de indicadores de la Política Pública de Productividad, Competitividad y desarrollo Socioeconómico de Bogotá (2011–2031), en variables estratégicas como empleo, productividad, dinamismo empresarial y pobreza multidimensional por localidad. Los resultados muestran desempeños distintos según el indicador analizado. En el caso de Random Forest destacó en pobreza por localidad, la regresión logística en dinamismo empresarial, K-means en agrupamientos sectoriales y SVR en desocupación, mientras que el MLP presentó limitaciones asociadas al tamaño muestral.