Centro de Innovación y Tecnología

El Programa Bolsa Família (PBF) representa una de las políticas de protección social más relevantes a nivel mundial, lo que justifica la investigación de sus efectos ante las acentuadas y heterogéneas desigualdades regionales brasileñas. El estudio evaluó los reflejos socioeconómicos de las transferencias del programa sobre la salud, la educación y el mercado laboral en los municipios brasileños, en el período de 2004 a 2019. Para ello, se aplicó la técnica de agrupamiento K-means para la segmentación territorial y se estimaron modelos econométricos de datos en panel con efectos fijos, tanto a nivel nacional como segregados por clusters. Los resultados revelaron la naturaleza anticíclica del PBF en el mercado laboral, con una relación negativa entre transferencias y vínculos laborales formales en cuatro de los cinco clusters, sugiriendo que los recursos fueron más intensos donde el mercado formal falló. En salud, el programa se asoció a una reducción significativa de la mortalidad infantil evitable en municipios con mayor equilibrio socioeconómico, pero no presentó efecto detectable en agrupaciones de mayor precariedad estructural, indicando que la transferencia de renta es necesaria, pero insuficiente sin infraestructura de salud funcional. En educación, el análisis por subperíodos mostró una atenuación progresiva del coeficiente nacional, reflejando la convergencia de las tasas de matrícula hacia un nivel de alta inercia temporal. Se concluyó que el PBF cumplió su objetivo de protección social de forma anticíclica y territorialmente focalizada, pero su capacidad de transformar indicadores estructurales dependió de la sinergia con inversiones en infraestructura pública.

El monitoreo de la salud estructural de puentes se ha vuelto cada vez más relevante ante el envejecimiento de las infraestructuras y la intensificación de eventos extremos asociados a los cambios climáticos. En este contexto, los enfoques basados en datos se han destacado como alternativas prometedoras para el reconocimiento de anomalías. El estudio tuvo como objetivo desarrollar y evaluar un enfoque basado en aprendizaje automático para el reconocimiento de anomalías en series temporales de aceleración estructural. La metodología adoptada consistió en el uso de autoencoders entrenados exclusivamente con datos representativos de la condición íntegra, permitiendo al modelo aprender patrones asociados al estado saludable de la estructura; posteriormente, el error de reconstrucción, cuantificado mediante el error cuadrático medio (MSE), se utilizó como criterio para la identificación de desviaciones respecto a esta condición. El conjunto de datos analizado se compuso de 1767 series temporales de 1000 puntos cada una, pertenecientes a dos clases: íntegra (normal) y anómala (dañada). Los resultados obtenidos demostraron que el modelo propuesto presentó una elevada capacidad de reconocimiento de la clase anómala, con una tasa de detección superior al 90%, y un desempeño global satisfactorio, con un área bajo la curva ROC (AUC) cercana a 0,78, indicando buena capacidad discriminativa y reforzando el potencial del enfoque para aplicaciones en monitoreo estructural.

Un estudio aplicó el algoritmo k-means para agrupar los 5.570 municipios brasileños basándose en indicadores socioeconómicos públicos proporcionados por el Instituto Brasileño de Geografía y Estadística (IBGE), con el fin de apoyar análisis comparativos y prácticas de benchmarking en la gestión pública municipal. Datos de 5.570 municipios, obtenidos a través de la Interfaz de Programación de Aplicaciones (API) del IBGE, fueron tratados y estandarizados con el método z-score. Se organizaron 24 variables en seis grupos de indicadores: datos generales, población, educación, salud, economía e infraestructura. Para cada grupo, se ejecutó el algoritmo k-means con valores de k que variaban entre 100 y 500, con un incremento de cinco unidades. La calidad de los agrupamientos se evaluó mediante la Razón de las Varianzas (VRC), el Índice de Silueta, el Índice Jaccard y el Criterio de Información Bayesiano (BIC), siendo los resultados normalizados y combinados en un score ponderado para identificar el número ideal de clusters. Los resultados evidenciaron patrones de agrupación distintos entre los grupos de indicadores, con el grupo economía mostrando mayor capacidad de distinción y el grupo población, menor. La clusterización final identificó similitudes generales entre municipios, con el mejor k determinado en 100. Se concluyó que la técnica de clusterización fue viable para identificar perfiles municipales similares. El enfoque propuesto demostró potencial como herramienta analítica para apoyar la comparación entre municipios y subsidiar procesos de planificación y toma de decisiones en la gestión pública.