Marco de Machine Learning interpretable para la priorización de proyectos en municipios de bajos recursos del Ecuador

Resumen

La gestión de la inversión pública en municipios con restricciones fiscales severas enfrenta el desafío de asignar recursos escasos de manera eficiente, equitativa y transparente. En el contexto ecuatoriano, esta problemática se intensifica debido a la heterogeneidad territorial y a la limitada calidad de los datos disponibles para la toma de decisiones. Ante este escenario, el presente estudio propone y valida un marco metodológico basado en la integración de Soft Computing y Machine Learning Interpretable para apoyar la priorización de proyectos de inversión pública en municipios de bajos recursos del Ecuador. El enfoque propuesto combina un sistema neuro-difuso adaptable capaz de modelar relaciones no lineales y gestionar la incertidumbre inherente a los datos sociales y territoriales, con técnicas de explicabilidad basadas en valores SHAP, que permiten identificar de forma clara la contribución de cada variable en las recomendaciones generadas. El marco fue aplicado a un conjunto de 75 municipios, utilizando información socioeconómica, demográfica y territorial proveniente de fuentes oficiales y abiertas, y su desempeño fue comparado con modelos tradicionales y algoritmos de aprendizaje automático de tipo caja negra. Los resultados evidencian que el modelo híbrido alcanza niveles de precisión comparables a los enfoques más complejos, sin diferencias estadísticamente significativas, pero con ventajas sustantivas en términos de interpretabilidad, estabilidad explicativa y percepción de equidad. Se concluye que el marco propuesto no busca sustituir la decisión pública, sino fortalecer la deliberación informada mediante criterios explícitos y auditables, contribuyendo a mejorar la legitimidad, la rendición de cuentas y la calidad de la gestión municipal en contextos de escasez de recursos.