Predicción de la inseguridad alimentaria en Colombia mediante modelos de Machine Learning (2022–2025)
Cargando...
Archivos
Fecha
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Este artículo desarrolla un modelo predictivo para anticipar escenarios de inseguridad alimentaria en Colombia, integrando fuentes de información sociales, económicas y climáticas bajo la metodología CRISP-DM adaptada a las ciencias sociales. El objetivo central fue construir una herramienta analítica que permita identificar patrones territoriales y temporales de vulnerabilidad alimentaria, fortaleciendo la toma de decisiones basada en evidencia.
Como fortaleza metodológica, el estudio combina datos del DANE (FIES, ECV, IPM, IPC) con indicadores satelitales derivados de Google Earth Engine (precipitación, temperatura y NDVI), articulando información heterogénea en un mismo marco analítico. Se evaluaron y compararon distintos algoritmos de aprendizaje automático, entre ellos: Elastic Net, Random Forest, XGBoost y SVM, destacándose el modelo Elastic Net por su capacidad para equilibrar precisión predictiva e interpretabilidad sociológica.
Los resultados sugieren la persistencia de brechas territoriales en la región Caribe y apuntan a la influencia de factores estructurales como la pobreza, la educación y el acceso desigual a servicios públicos. Desde el punto de vista metodológico, el estudio plantea evidencia inicial sobre el potencial de los enfoques de machine learning para fortalecer la investigación sociológica aplicada, ofreciendo una aproximación exploratoria para anticipar condiciones críticas y apoyar el diseño de políticas públicas más oportunas y territorialmente sensibles.
Descripción
Abstract
This article develops a predictive model to anticipate food insecurity scenarios in Colombia by integrating social, economic, and climatic data within the CRISP-DM methodology adapted for the social sciences. The main objective was to build an analytical tool capable of identifying territorial and temporal patterns of food vulnerability, thereby strengthening evidence-based decision-making.
As a methodological strength, the study combines data from DANE (FIES, ECV, IPM, IPC) with satellite-derived indicators from Google Earth Engine (precipitation, temperature, and NDVI), integrating heterogeneous sources into a single analytical framework. Several machine learning algorithms were evaluated and compared, including Elastic Net, Random Forest, XGBoost, and SVM, with Elastic Net emerging as the best-performing model due to its ability to balance predictive accuracy and sociological interpretability.
The results suggest persistent territorial disparities in the Caribbean region and point to the influence of structural factors such as poverty, education, and unequal access to public services. From a methodological perspective, the study provides initial evidence of the potential of machine learning approaches to strengthen applied sociological research, offering an exploratory framework to anticipate critical conditions and support more timely and territorially sensitive public policies.
Palabras clave
Inseguridad alimentaria, Machine learning, Sociología computacional