Métodos de aprendizaje automático en los estudios prospectivos desde un ejemplo de la financiación de la innovación en Colombia

Machine learning methods in prospective studies after an example of financing innovation in Colombia

El propósito de este artículo es hacer una breve introducción a cinco métodos avanzados de predicción de aprendizaje automático, que pueden ser de utilidad para el desarrollo de estudios prospectivos: la regresión logística, las máquinas de vectores de soporte, las máquinas de gradiente potenciado, los bosques aleatorios y las redes neuronales. Además, se explica qué metodología se puede llevar a cabo para asegurar la robustez y validar dichos modelos de predicción. A manera de ejemplo, se presenta cómo el uso de estos métodos permitió identificar las variables financieras más importantes para predecir el desarrollo de actividades de innovación en pymes colombianas. Los resultados del uso de estos métodos pueden permitir la generación de pronósticos al corto y mediano plazo, que sirvan para la realización de estudios prospectivos con métodos más amplios, como la construcción de escenarios, con el propósito de generar propuestas basadas en la evidencia, como hoja de ruta para la planeación y política pública al largo plazo.

1. INTRODUCCIÓN

La prospectiva ha sido una herramienta efectiva para la planeación estratégica y la generación de escenarios en el desarrollo de políticas públicas en un ámbito nacional. Sin embargo, para que una política pública sea efectiva, se deben realizar estudios previos en el país de contexto, con el fin de establecer cuál es la mejor estrategia para lograr las metas y resultados esperados.

Ya el Premio Nobel Herbert Simon (1976) subrayaba la importancia de la racionalidad sustantiva relacionada con los resultados óptimos de una política (en contraste con la racionalidad procedimental relacionada con quién lleva a cabo la política y cómo). La racionalidad sustantiva está íntimamente relacionada con el conocimiento científico, como lo explica Andrews:

(…) El conocimiento producido científicamente contribuye a la racionalidad sustantiva. Tal conocimiento describe los fenómenos y explica los factores causales. Proporciona la base fáctica para tomar mejores decisiones. Satisface criterios científicos de validez y fiabilidad, y justifica afirmaciones autorizadas de conocimiento. El conocimiento científico es un insumo clave que contribuye al ‘mejor’ resultado. (Andrews, 2007)

El análisis racional imbuido en el conocimiento científico, es: lógico, válido, confiable, y empíricamente probado, además de estar basado en hechos (Andrews, 2007). Así, la información de alta calidad y la evidencia son partes clave de la realización de buenas políticas públicas, de modo que las políticas modernas exigen que los gobiernos hagan uso de la evidencia disponible en la formulación y ejecución de sus políticas (Geurts, 2011). Se ha sugerido incluso que un rasgo deseable de las políticas del siglo XXI es que estén basadas en la evidencia (Geurts, 2011).