El uso del aprendizaje automático para evaluar el impacto del acceso a la electricidad en los medios de subsistencia

Área de la Ciencia:

• Utiliza avances en la teledetección y la inteligencia artificial para la evaluación de la política económica.

Sus antecedentes:

• La escasez de datos económicos obstaculiza el desarrollo y la evaluación efectivos de las políticas públicas a nivel mundial.
• Los métodos tradicionales luchan con las limitaciones de datos en las regiones en desarrollo.

Objetivo del estudio:

• Demostrar cómo las imágenes satelitales y el aprendizaje automático (ML) pueden superar la escasez de datos para el análisis de políticas.
• Medir el impacto causal del acceso a la electricidad en los medios de vida locales en Uganda.
• Mejorar la fiabilidad de la inferencia causal en entornos con pocos datos.

Principales métodos:

• Utiliza imágenes de satélite y visión por computadora para crear mediciones de medios de vida a nivel local.
• Aplica técnicas de inferencia de aprendizaje automático (ML) para la estimación del impacto causal.
• Analiza datos de una expansión de la red eléctrica en las zonas rurales de Uganda.

Principales resultados:

• Se estima que el acceso a la red aumenta la riqueza de los activos a nivel de aldea en las zonas rurales de Uganda en 0.15 desviaciones estándar.
• La electrificación más que duplicó la tasa de crecimiento de la riqueza de activos en las áreas tratadas en comparación con las áreas no tratadas.
• Demuestra que la inferencia basada en ML produce estimaciones causales más confiables que los métodos tradicionales.

Conclusiones:

• Proporciona pruebas a escala nacional sobre el impacto económico de las inversiones en infraestructuras de red.
• Ofrece una metodología de bajo costo y generalizable para la evaluación de políticas en entornos con datos limitados.
• Destaca el potencial de los enfoques geoespaciales y de aprendizaje automático integrados para la investigación socioeconómica.