Se presenta la lista de 10 proyectos de investigación aplicada (TRL 6–8) para la carrera de Economía de la UAGRM, siguiendo el mismo formato riguroso que en los casos anteriores.
—
🎯 Enfoque prioritario para Economía
· Predicción de inflación y actividad económica con redes neuronales (LSTM, N-BEATS).
· Detección de ciclos económicos y puntos de inflexión con machine learning.
· Análisis de pobreza multidimensional con datos satelitales y censales.
· Modelos de riesgo crediticio y morosidad para el sistema financiero boliviano.
· Evaluación de impacto de políticas públicas (transferencias, subsidios) con métodos de machine learning causal.
· Pronóstico de tipo de cambio y precios de commodities (soja, gas) con modelos híbridos.
· Segmentación de mercados laborales y predicción de desempleo.
—
1. InflaciónLSTM – Predicción de inflación mensual en Bolivia usando LSTM con factores externos (precios de commodities, tipo de cambio, M2)
Problema científico
Los modelos tradicionales de inflación (VAR, ARIMA) no capturan relaciones no lineales ni largas dependencias temporales. Bolivia tiene alta volatilidad por subsidios y política cambiaria.
Hipótesis principal
Una red LSTM bidireccional con capa de atención, entrenada con datos mensuales de 2005-2025 (IPC, tipo de cambio, precio de soja y gas, emisión monetaria), reduce el error RMSE en un 25% respecto a un modelo ARIMA(1,1,2) para horizontes de 3 y 6 meses.
Modelo de Red Neuronal Propuesto
LSTM (2 capas, 64 unidades) + atención temporal. Entrada: 12 meses de historia. Salida: IPC del próximo mes (y horizonte 3, 6 con estructura multi-step).
Base teórica
La inflación en Bolivia está influenciada por factores monetarios y de oferta externa (precios de commodities). Las redes neuronales pueden modelar interacciones no lineales (Medeiros et al., 2021, International Journal of Forecasting).
Diseño Metodológico
Recopilación de datos del INE, BCB y Bloomberg (2005-2025). Entrenamiento con 80%, validación temporal con 20% más reciente. Métricas: RMSE, MAE, MAPE. Comparación con SARIMA y Random Forest.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor con Python (TensorFlow). Datos públicos disponibles. Costo: $10.000 (limpieza y modelado).
Impacto Cuantificable
Reducción del 25% en RMSE (de 0.6% a 0.45% de inflación mensual). Mejor planificación de política monetaria y ajuste de salarios.
Aplicabilidad Práctica Inmediata
Banco Central de Bolivia (BCB), Ministerio de Economía, empresas de consultoría económica.
Proyección a 5 años
API pública “InflaciónBolivia” con pronósticos mensuales. Integración en sistemas de planificación gubernamental.
—
2. PobrezaSatelital – Estimación de pobreza a nivel de manzana en Santa Cruz usando imágenes satelitales nocturnas (VIIRS) y redes neuronales convolucionales (CNN)
Problema científico
Los censos de pobreza tienen rezago de 10 años y baja resolución espacial (municipios). Las imágenes de luz nocturna correlacionan con actividad económica, pero requieren calibración local.
Hipótesis principal
Una CNN (ResNet) entrenada con parches de imágenes satelitales diurnas y nocturnas (Landsat, VIIRS) más datos de encuestas de hogares (INE) predice el índice de pobreza multidimensional (IPM) a nivel de manzana con R² >0,75, resolviendo el problema de falta de datos censales actualizados.
Modelo de Red Neuronal Propuesto
ResNet-18 preentrenada en ImageNet, fine-tuned con parches de 256×256 píxeles. Capa final de regresión para IPM.
Base teórica
La economía del desarrollo utiliza datos de sensores remotos para aproximar riqueza (Jean et al., 2016, Science). Las luces nocturnas y la textura de asentamientos predicen pobreza.
Diseño Metodológico
Recopilación de imágenes satelitales para el área metropolitana de Santa Cruz (2024). Datos de pobreza de la encuesta de hogares (2021) georreferenciados. Entrenamiento con 70% de manzanas, validación con 30%.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Google Earth Engine y PyTorch. Infraestructura: GPU. Costo: $12.000.
Impacto Cuantificable
Mapa de pobreza a nivel de manzana (actualizado anualmente). Identificación de bolsones de pobreza no capturados por datos censales.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (planificación de programas sociales), Gobernación, INE, ONG de desarrollo.
Proyección a 5 años
Sistema nacional de monitoreo de pobreza basado en satélites, con actualización trimestral.
—
3. RiesgoCrediticio – Modelo de predicción de morosidad en cartera de consumo para bancos bolivianos usando XGBoost y datos de buró de crédito
Problema científico
La morosidad en Bolivia aumentó post-pandemia. Los modelos de scoring tradicionales (logit) no aprovechan las interacciones entre variables.
Hipótesis principal
Un modelo XGBoost entrenado con 100.000 créditos de consumo (6 meses de historial) predice la morosidad a 3 meses (días de atraso >30) con AUC >0,85, superando a la regresión logística (AUC=0,75) y reduciendo falsos negativos en un 30%.
Modelo de Red Neuronal Propuesto
XGBoost con búsqueda de hiperparámetros (bayesiana). Características: edad, ingreso, relación cuota/ingreso, historial de pagos previos, número de consultas al buró, etc.
Base teórica
El riesgo crediticio se modela con técnicas de machine learning que superan a los modelos paramétricos tradicionales (Lessmann et al., 2015, European Journal of Operational Research).
Diseño Metodológico
Acceso a datos anonimizados de una entidad financiera (cooperativa o banco) bajo convenio. Entrenamiento con validación temporal (2023-2024). Métricas: AUC, lift en deciles.
Viabilidad Técnica (TRL)
TRL 7 – prototipo integrable en sistema de originación. Costo: $15.000 (incluye limpieza y validación con el área de riesgos).
Impacto Cuantificable
AUC >0,85. Reducción de la morosidad en cartera nueva en un 20% al rechazar o ajustar condiciones para los créditos de alto riesgo.
Aplicabilidad Práctica Inmediata
Bancos (Banco Unión, Bisa), cooperativas (San Martín, Los Andes), microfinancieras.
Proyección a 5 años
Modelo de scoring incorporado en el sistema financiero regulado (ASFI), con estándares comunes.
—
4. CicloEmpleo – Detección de puntos de inflexión del ciclo económico boliviano (recesión/expansión) usando redes neuronales LSTM y series de empleo formal (CNT)
Problema científico
La identificación de recesiones en Bolivia se hace con rezago (PIB trimestral). El empleo formal (Caja Nacional de Salud) tiene frecuencia mensual y podría ser un indicador adelantado.
Hipótesis principal
Un modelo LSTM que procesa series mensuales de empleo formal (por sector), producción de hidrocarburos, y ventas de cemento, clasifica con 1 mes de anticipación los puntos de inflexión del ciclo (recesión/expansión) con una precisión >80% (comparado con fechas del CEPAL).
Modelo de Red Neuronal Propuesto
LSTM + capa de clasificación softmax (3 estados: expansión, recesión, punto de inflexión). Se usa una ventana de 12 meses.
Base teórica
Los ciclos económicos tienen asimetrías y no linealidades. El aprendizaje profundo puede detectar patrones previos a recesiones (Nápoles et al., 2019, Studies in Nonlinear Dynamics).
Diseño Metodológico
Recopilación de datos mensuales (2000-2024) del INE, BCB y CNT. Fechas de recesión según CEPAL (2002, 2008-2009, 2020). Entrenamiento con 80% de las series, validación temporal.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor. Costo: $8.000.
Impacto Cuantificable
Precisión >80% en anticipación (1-2 meses). Permite a empresas ajustar inversiones y contrataciones anticipadamente.
Aplicabilidad Práctica Inmediata
Ministerio de Economía, BCB, grandes empresas (planificación estratégica), consultoras financieras.
Proyección a 5 años
Sistema “CicloEmpleo” con alertas automáticas. Publicación mensual de indicador de ciclo.
—
5. GasPrecio – Pronóstico del precio del gas natural (Henry Hub) y su impacto en las exportaciones bolivianas usando redes neuronales N-BEATS y datos de futuros
Problema científico
El precio del gas es una fuente clave de divisas para Bolivia, pero altamente volátil. Los modelos tradicionales (GARCH, ARIMA) no capturan shocks geopolíticos.
Hipótesis principal
Un modelo N-BEATS entrenado con precios diarios del Henry Hub (2010-2025), más variables de inventarios en EE.UU., clima (temperatura en el noreste) y eventos geopolíticos codificados (variables dummy), reduce el error RMSE en un 30% respecto a un modelo ARIMA para horizontes de 7 y 30 días.
Modelo de Red Neuronal Propuesto
N-BEATS con bloques apilados. Entrada: 30 días de historia. Salida: predicción a 1, 7 y 30 días.
Base teórica
Los precios de commodities tienen memoria larga y cambios de régimen. Las redes neuronales superan a modelos econométricos en pronósticos a corto plazo (Risse, 2019, Energy Economics).
Diseño Metodológico
Datos de EIA (Administración de Información Energética de EE.UU.) y NOAA. Entrenamiento con 2010-2022, validación 2023-2024.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python (Darts). Datos públicos gratuitos. Costo: $10.000.
Impacto Cuantificable
RMSE reducido un 30% (ej. de $0.5 a $0.35 por millón de BTU). Permite a YPFB mejorar la planificación de ingresos y coberturas financieras.
Aplicabilidad Práctica Inmediata
YPFB, Ministerio de Hidrocarburos, empresas del sector energético, comercializadoras de gas.
Proyección a 5 años
API “GasPrecio” integrada en sistemas de trading de commodities. Formación de especialistas en finanzas energéticas.
—
6. Microcreditos – Evaluación de impacto de microcréditos en ingresos de mujeres emprendedoras en Santa Cruz mediante propensity score matching con redes neuronales (deep matching)
Problema científico
La evaluación de impacto de microcréditos sufre de sesgo de selección (las mujeres más emprendedoras se autoseleccionan). Los métodos tradicionales (PSM, variables instrumentales) asumen linealidad.
Hipótesis principal
Un modelo de deep matching (red neuronal para estimar el propensity score) más un estimador de diferencia en diferencias con red neuronal (DiD-NN) encuentra que los microcréditos aumentan el ingreso mensual de las mujeres beneficiarias en un 25% (efecto tratamiento promedio) después de 18 meses, mientras que el PSM lineal subestima en un 10%.
Modelo de Red Neuronal Propuesto
Red neuronal feedforward para estimar propensity score (entrada: covariables). Luego, red neuronal para modelar el contrafactual (TARNet). Se usa el estimador de diferencia en diferencias neuronal.
Base teórica
Los métodos de machine learning causal mejoran la estimación de efectos de tratamiento al relajar supuestos paramétricos (Athey & Imbens, 2019, Annual Review of Economics).
Diseño Metodológico
Encuesta retrospectiva a 1.000 mujeres (500 beneficiarias, 500 no beneficiarias) en Santa Cruz. Datos de ingreso antes y después del crédito (autoreporte). Aplicación de deep matching y comparación con PSM logit.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python (CausalML). Trabajo de campo: $20.000 (encuesta). Desarrollo: $5.000. Total: $25.000.
Impacto Cuantificable
Efecto causal estimado: +25% de ingreso. Recomendaciones para focalizar microcréditos en mujeres con alto propensity score pero no atendidas.
Aplicabilidad Práctica Inmediata
Microfinancieras (Banco FIE, Prodem), ONG (CARE, Fundación Sartawi), Ministerio de Desarrollo Productivo.
Proyección a 5 años
Metodología estandarizada para evaluación de impacto de políticas públicas en Bolivia. Formación en economía causal.
—
7. DesempleoLocal – Predicción de tasa de desempleo a nivel municipal en Santa Cruz usando Random Forest y datos de movilidad (Google Mobility)
Problema científico
La tasa de desempleo se publica con trimestres de rezago y solo a nivel departamental. No hay predicciones a nivel municipal para planificación local.
Hipótesis principal
Un modelo Random Forest que integra datos de movilidad (Google COVID-19 Mobility Reports, 2020-2024), búsquedas en Google Trends (términos de empleo), y variables de producción agrícola, predice la tasa de desempleo municipal (encuesta de hogares) con error MAE <1,5 puntos porcentuales y 1 trimestre de anticipación.
Modelo de Red Neuronal Propuesto
Random Forest con 500 árboles. Características: visitas a lugares de trabajo (Google Mobility), búsquedas de “trabajo” y “desempleo”, precios de cultivos, etc.
Base teórica
Los datos de alta frecuencia (teléfonos, búsquedas) mejoran el nowcasting del mercado laboral (Edelman et al., 2021, AEA Papers and Proceedings).
Diseño Metodológico
Recopilación de datos trimestrales (2020-2024) para 15 municipios de Santa Cruz. Entrenamiento con 80%, validación temporal.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con datos públicos (Google Mobility, Google Trends) y encuestas de hogares (INE). Costo: $8.000.
Impacto Cuantificable
Predicción trimestral con MAE <1.5 puntos. Permite a municipios ajustar programas de empleo de manera preventiva.
Aplicabilidad Práctica Inmediata
Gobernación de Santa Cruz, municipios, Ministerio de Trabajo, OIT.
Proyección a 5 años
Panel de control “DesempleoLocal” con actualización mensual. Extensión a todo el país.
—
8. TipoCambio – Pronóstico del tipo de cambio USD/BOB en el mercado paralelo usando redes neuronales híbridas (ARIMA + LSTM) y noticias financieras (NLP)
Problema científico
El tipo de cambio oficial en Bolivia es fijo, pero el paralelo (dólar blue) fluctúa por expectativas. No existen modelos que integren análisis de sentimiento de noticias.
Hipótesis principal
Un modelo híbrido ARIMA-LSTM con características de sentimiento extraídas de titulares de prensa (BERT) reduce el error MAPE en un 40% respecto a un modelo ARIMA solo para predicciones a 7 días del tipo de cambio paralelo.
Modelo de Red Neuronal Propuesto
ARIMA para componente lineal + LSTM para residuos no lineales. Además, embeddings de titulares (BETO) agregados como variables exógenas.
Base teórica
Los mercados de divisas reaccionan a noticias. El NLP captura el sentimiento de los agentes (Nardo et al., 2022, Journal of Forecasting).
Diseño Metodológico
Recopilación de tipo de cambio paralelo diario (fuentes: prensa económica, 2018-2025). Scraping de titulares de El Deber, La Razón, Los Tiempos. Análisis de sentimiento con BETO. Entrenamiento y validación temporal.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en servidor con GPU. Costo: $14.000.
Impacto Cuantificable
MAPE reducido del 5% al 3% para predicción a 7 días. Mejor gestión de cobertura cambiaria para importadores y exportadores.
Aplicabilidad Práctica Inmediata
Exportadores (soja, madera), importadores, casas de cambio, BCB (para intervenciones).
Proyección a 5 años
Plataforma “TipoCambioBot” con alertas en tiempo real. Integración con sistemas de tesorería empresarial.
—
9. SojaFuturo – Modelo de predicción del precio de la soja (FOB Puerto Aguirre) con redes neuronales y datos climáticos (ENSO, sequías)
Problema científico
Bolivia es productora de soja, pero los precios se determinan internacionalmente (CBOT) y por condiciones locales de cosecha. Los agricultores toman decisiones de siembra con incertidumbre.
Hipótesis principal
Una red neuronal (MLP) que integra precios futuros de CBOT, tipo de cambio, y el índice de sequía (SPEI) con 3 meses de rezago, predice el precio FOB en Puerto Aguirre con error MAPE <8% para horizontes de 1 mes.
Modelo de Red Neuronal Propuesto
MLP de 3 capas ocultas (64, 32, 16). Entrada: precio CBOT a 30 días, tipo de cambio, SPEI regional, precio de fertilizantes. Salida: precio FOB.
Base teórica
Los precios de commodities agrícolas dependen de condiciones climáticas y mercados internacionales. El MLP puede capturar interacciones no lineales.
Diseño Metodológico
Datos de 2015-2024 de precios (CAO, SENASAG), clima (SENAMHI), CBOT (Yahoo Finance). Entrenamiento con 80%, validación con 20%.
Viabilidad Técnica (TRL)
TRL 6 – prototipo con Python. Datos públicos. Costo: $9.000.
Impacto Cuantificable
MAPE <8% (actualmente las decisiones se basan en intuición con errores >15%). Ayuda a agricultores a decidir área de siembra y coberturas.
Aplicabilidad Práctica Inmediata
Asociación de Productores de Soja (ANAPO), agroindustrias (Gravetal, ADM), exportadores.
Proyección a 5 años
Aplicación móvil “SojaFuturo” con pronósticos semanales. Sistema de alertas para precios mínimos.
—
10. EconomíaCircular – Modelo de optimización de subsidios para economía circular (reciclaje de plásticos) usando aprendizaje por refuerzo y elasticidades estimadas
Problema científico
Los subsidios municipales para reciclaje (ej. pago por kg de plástico) son lineales y no se ajustan a la respuesta de los recicladores.
Hipótesis principal
Un agente DQN (aprendizaje por refuerzo) que aprende la curva de oferta de reciclaje (cantidad recolectada vs. subsidio) y fija el subsidio óptimo semanalmente, maximiza la cantidad recolectada con un presupuesto fijo, logrando un aumento del 30% respecto a un subsidio fijo.
Modelo de Red Neuronal Propuesto
DQN con estado: histórico de subsidios y cantidades recolectadas, época del año (afecta disponibilidad). Acción: nivel de subsidio (10 niveles). Recompensa: cantidad recolectada.
Base teórica
Los subsidios óptimos requieren conocer la elasticidad precio de la oferta. El aprendizaje por refuerzo explora y explota en entornos inciertos (Klein et al., 2021, Management Science).
Diseño Metodológico
Simulador calibrado con datos de un programa piloto de reciclaje en Santa Cruz (1 año de datos). Entrenamiento del agente. Validación fuera de muestra.
Viabilidad Técnica (TRL)
TRL 6 – prototipo en simulador. Costo: $12.000. Para implementación real, se necesita un piloto con presupuesto municipal.
Impacto Cuantificable
Aumento del 30% en recolección de plásticos con el mismo presupuesto. Reducción de residuos en rellenos sanitarios.
Aplicabilidad Práctica Inmediata
GAM Santa Cruz (Programa de Reciclaje), empresas de gestión de residuos, fundaciones ambientales.
Proyección a 5 años
Sistema “EconomíaCircular” aplicado a otros materiales (vidrio, cartón). Extensión a otros municipios del departamento.
—
📌 Nota final
Estos 10 proyectos para Economía cubren:
· Macroeconomía y predicción (1, 4, 5, 8)
· Pobreza y desarrollo (2, 6)
· Finanzas y riesgo crediticio (3)
· Mercado laboral (7)
· Agroindustria (9)
· Economía ambiental (10)
Costos entre $8.000 y $25.000, TRL 6–7. Viables en la UAGRM con articulación DEIS (extensión a municipios y empresas) y DICIT (infraestructura de datos). Se recomienda establecer convenios con el BCB, INE y empresas privadas para acceso a datos.