Clasificación de los municipios mediante árboles de decisión en el contexto de la pobreza multidimensional como elemento de optimización de la planificación regional.

dc.contributor.advisorPérez Carvajal, Edwin Robert
dc.contributor.authorCalderón León, Carlos Giovany
dc.contributor.authorCastro Sabogal, Jhon Jaider
dc.date.accessioned2024-10-23T16:17:10Z
dc.date.available2024-10-23T16:17:10Z
dc.date.created2024-08-22
dc.descriptionLa pobreza en Colombia es un problema persistente que el país no ha logrado resolver a lo largo de su historia. Este problema se agrava por las deficiencias en los mecanismos de planeación y ordenamiento territorial, los conflictos territoriales, la dificultad de acceso a ciertas áreas, la violencia, la tendencia centralista del país y la división política. Estas divisiones limitan el desarrollo de los territorios y los recursos destinados a la inversión pública. Las problemáticas que enfrentan las comunidades no se limitan a un solo territorio, sino que actúan como clústeres espaciales. La planeación desde las entidades municipales, sin considerar el factor espacial y las condiciones de los municipios vecinos, limita la realización de proyectos conjuntos para reducir las deficiencias existentes. Los mecanismos actuales de planeación basados en el análisis de indicadores no permiten crear planes a nivel regional ni evidenciar estas relaciones. El avance de la tecnología, especialmente en el ámbito de la inteligencia artificial y sus aplicaciones recientes, ofrece oportunidades para innovar en los campos que manejamos como ingenieros catastrales y geodestas. Herramientas como los árboles de decisión reducen la complejidad en la toma de decisiones y brindan nuevos enfoques para resolver problemas territoriales. Junto con las representaciones gráficas, estas herramientas se convierten en una gran ayuda para la planeación regional. En este trabajo, analizamos cómo la pobreza está relacionada con el espacio en el país, las tendencias centralistas en diferentes escalas, la generación de clústeres multivariantes y las deficiencias en salud, vivienda, educación, trabajo e infancia. Además, demostramos la utilidad de la metodología Midecat para la clasificación municipal y la planeación a nivel regional, donde la implementación del geo visor junto con la generación de salidas grafica a escalas Nacional, Regionales y departamentales se convierten en un insumo importante para todas las oficinas de planeación del país.
dc.description.abstractPoverty in Colombia is a persistent issue that the country has been unable to resolve throughout its history. This problem is exacerbated by deficiencies in planning and territorial management mechanisms, territorial conflicts, difficulty in accessing certain areas, violence, the country's centralist tendencies, and political divisions. These divisions limit the development of territories and the allocation of resources for public investment. The challenges faced by communities are not confined to a single territory but rather function as spatial clusters. Municipal planning, without considering spatial factors and the conditions of neighboring municipalities, restricts the implementation of joint projects to address existing deficiencies. Current planning mechanisms based on indicator analysis do not allow for the creation of regional plans or the identification of these relationships. The advancement of technology, especially in the field of artificial intelligence and its recent applications, offers opportunities for innovation in the areas managed by cadastral and geodesy engineers. Tools like decision trees reduce complexity in decision-making and provide new approaches to solving territorial problems. Along with graphical representations, these tools become a significant aid for regional planning. In this work, we analyze how poverty is spatially related within the country, the centralist tendencies at different scales, the formation of multivariate clusters, and deficiencies in health, housing, education, employment, and childhood. Additionally, we demonstrate the utility of the Midecat methodology for municipal classification and regional planning, where the implementation of a geo-visualizer, along with the generation of graphical outputs at national, regional, and departmental scales, becomes an essential resource for all planning offices across the country.
dc.format.mimetypepdf
dc.identifier.urihttp://hdl.handle.net/11349/41969
dc.language.isospa
dc.publisherUniversidad Distrital Francisco José de Caldas
dc.relation.referencesTipologías Departamentales y Municipales, Departamento Nacional de Planeación DNP 2015, https://colaboracion.dnp.gov.co/CDT/Desarrollo%20Territorial/Tip-FormatoPublicacion.pdf , Recuperado el 05/12/2023
dc.relation.referencesWobcke, W., & Mariyah, S. Machine learning and data augmentation in the proxy means test for poverty targeting. Statistical Journal of the IAOS
dc.relation.referencesGrueso, H. (2023). Unveiling the causal mechanisms within multidimensional poverty. Evaluation Review, 47(6), 1107-1134.
dc.relation.referencesSusan Sixue, J. I. A., & Pengling, Y. U. machine learning approach for identifying relative poverty of urban households: a case study of china.
dc.relation.referencesMuñetón-Santa, G., & Manrique-Ruiz, L. C. (2023). Predicting multidimensional poverty with machine learning algorithms: an open data source approach using spatial data. Social Sciences, 12(5), 296.
dc.relation.referencesAlsharkawi, A., Al-Fetyani, M., Dawas, M., Saadeh, H., & Alyaman, M. (2021). Poverty classification using machine learning: The case of Jordan. Sustainability, 13(3), 1412. https://doi.org/10.3390/su13031412Title of Site. Available online: URL (accessed on Day Month Year).
dc.relation.referencesSihombing, P. R., & Arsani, A. M. (2021). Comparison of Machine Learning Methods in Classifying Poverty in Indonesia in 2018. Jurnal Teknik Informatika (Jutif), 2(1), 51-56.
dc.relation.referencesTingzon, I., Orden, A., Go, K. T., Sy, S., Sekara, V., Weber, I., Fatehkia, M., García-Herranz, M., & Kim, D. (2019). Mapping poverty in the Philippines using machine learning, satellite imagery, and crowd-sourced geospatial information. ISPRS - International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, XLII-4/W19, 425–431. https://doi.org/10.5194/isprs-archives-xlii-4-w19-425-2019
dc.relation.referencesSantos, M. E. (s/f). Desafíos en el diseño de medidas de pobreza multidimensional. Cepal.org. Recuperado el 15 de septiembre de 2023, de https://repositorio.cepal.org/server/api/core/bitstreams/ffbb9f56-2fbd-447cae7f-77071837f07f/content
dc.relation.referencesDANE – Metodologia índice de pobreza multidimensional 2014. Recuperado el 15 de septiembre de 2023, de https://www.dane.gov.co/files/operaciones/PM/met-IPM.pdf
dc.relation.referencesDANE- Medida de pobreza multidimensional municipal de fuente censal 2018. Recuperado 15 de septiembre de 2023, de https://www.dane.gov.co/index.php/estadisticas-por-tema/pobreza-y-condiciones-de-vida/pobreza-y-desigualdad/medida-de-pobreza-multidimensional-de-fuente-censal
dc.relation.referencesAsana. (2023, febrero 27). El árbol de decisiones: un análisis de 5 pasos para tomar mejores decisiones [2023]. https://asana.com/es/resources/decision-tree-analysis
dc.relation.referencesDuch, J., Tejedor Navarro, H., Kanaan-Izquierdo, S., & Escudero Bakx, G. (2017). Inteligencia artificial, febrero 2017.
dc.relation.referencesLey 388 de 1997 - Gestor Normativo. (s/f). Gov.co. Recuperado el 5 de agosto de 2024, de https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=339
dc.relation.referencesLey 1996 de 2019 - Gestor Normativo. (s/f). Gov.co. Recuperado el 5 de agosto de 2024, https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=99712
dc.relation.referencesLey 1930 de 2018 - Gestor Normativo. (s/f). Gov.co. Recuperado el 5 de agosto de 2024, https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=87764
dc.relation.referencesGarcía, J. M. (2023, noviembre 24). América Latina ante la inteligencia artificial: mapeo de iniciativas regulatorias en la región. Derechos Digitales. https://www.derechosdigitales.org/22881/america-latina-ante-la-inteligencia-artificial-mapeo-de-iniciativas-regulatorias-en-la-region/
dc.relation.referencesCundinamarca, G. (s/f). Gobernación de Cundinamarca. Gov.co. Recuperado el 5 de agosto de 2024, de https://www.cundinamarca.gov.co/home/
dc.relation.referencesBoyacá - Gobernación de Boyacá. (2018, septiembre 25). Gobernación de Boyacá; Gobernacion de Boyacá. https://www.boyaca.gov.co/
dc.relation.referencesGobernación de Antioquia. (s/f). Gov.co. Recuperado el 5 de agosto de 2024, de https://www.antioquia.gov.co/
dc.relation.referencesGobernación de Nariño. (2024, enero 29). Gobernación de Nariño. https://narino.gov.co/
dc.relation.referencesSantander, S. E. G. (s/f). Gobernación de Santander. Sede Electrónica Gobernación de Santander. Recuperado el 5 de agosto de 2024, de https://santander.gov.co/
dc.relation.referencesConsultores., D. P. P. O. (s/f). Lista de Municipios PDET y ZOMAC: Municipios ZOMAC y PDET. Gov.co. Recuperado el 5 de agosto de 2024, de https://minciencias.gov.co/sites/default/files/upload/convocatoria/anexo_14._lista_de_municipios_pdet_y_zomac.pdf
dc.relation.referencesRPubs - Algoritmo genético para la selección de predictores. (s/f). Rpubs.com. Recuperado el 5 de agosto de 2024, de https://rpubs.com/Joaquin_AR/436053
dc.relation.referencesLey 1955 de 2019 - Gestor Normativo. (s/f). Gov.co. Recuperado el 5 de agosto de 2024, de https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=93970
dc.rights.accesoAbierto (Texto Completo)
dc.rights.accessrightsOpenAccess
dc.subjectPlaneación
dc.subjectOrdenamiento territorial
dc.subjectInteligencia artificial
dc.subjectClasificación
dc.subjectÁrboles de decisión
dc.subject.keywordPlanning
dc.subject.keywordTerritorial planning
dc.subject.keywordArtificial intelligence
dc.subject.keywordClassification
dc.subject.keywordDecision trees
dc.subject.lembIngeniería Catastral y Geodesia -- Tesis y disertaciones académicas
dc.subject.lembPobreza multidimensional
dc.subject.lembPlanificación regional
dc.subject.lembÁrboles de decisión
dc.subject.lembMetodología Midecat
dc.titleClasificación de los municipios mediante árboles de decisión en el contexto de la pobreza multidimensional como elemento de optimización de la planificación regional.
dc.title.titleenglishClassification of municipalities using decision trees in the context of multidimensional poverty as an optimization element in regional planning.
dc.typebachelorThesis
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.degreeMonografía
dc.type.driverinfo:eu-repo/semantics/bachelorThesis

Archivos

Bloque original

Mostrando 1 - 2 de 2
Cargando...
Miniatura
Nombre:
CalderonLeonCarlosGiovany2024.pdf
Tamaño:
15.12 MB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Licencia de uso y publicacion editable.pdf
Tamaño:
270.91 KB
Formato:
Adobe Portable Document Format

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
7 KB
Formato:
Item-specific license agreed upon to submission
Descripción: