Predicción del acceso a la electricidad en hogares brasileños mediante aprendizaje automático

Resumen

Introducción: A pesar de los avances hacia el acceso universal a la electricidad en Brasil, persisten focos de exclusión energética, especialmente en zonas rurales y en la región Norte. Identificar con precisión estos territorios es esencial para apoyar políticas públicas más eficaces y basadas en evidencia.

Objetivo: Proponer y evaluar un modelo de aprendizaje automático para estimar el porcentaje de hogares con acceso a la electricidad en Brasil, utilizando indicadores socioeconómicos del Índice de Desarrollo de Ciudades Sostenibles (IDCS).

Metodología: El estudio empleó un pipeline de ciencia de datos que incluyó el preprocesamiento de los indicadores del IDCS, la selección de variables y el ajuste de hiperparámetros. Se probaron diferentes algoritmos de aprendizaje supervisado, evaluando el desempeño mediante métricas de error, especialmente RMSE y MAPE. Tras pruebas comparativas, XGBoost fue seleccionado como el modelo más adecuado.

Resultados: XGBoost presentó el mejor desempeño predictivo, con un RMSE promedio de 3,42 y un MAPE de 1,78 %, lo que indica alta precisión en la estimación del acceso a la electricidad. Las variables más relevantes fueron el ingreso de la población más pobre, la proporción de áreas forestales y naturales, y los indicadores relacionados con la educación de los jóvenes.

Conclusión: Los resultados demuestran el potencial del aprendizaje automático como herramienta para apoyar diagnósticos territoriales y la formulación de políticas públicas orientadas a la universalización del acceso a la electricidad. El modelo propuesto contribuye a identificar determinantes estructurales de la exclusión energética, aportando evidencia técnica para orientar intervenciones más focalizadas y eficientes.