Figura 6. Ranking de las 40 variables de acuerdo con su capacidad de predicción de los grupos pobre (A+B) y no pobres (C+D) del Sisben IV

Nota. Los valores altos indican mayor importancia.

Fuente: elaboración propia a partir de la base de datos del Sisben IV para Medellín.

 

El gráfico muestra el total de variables utilizadas en el modelo de clasificación (40). Las cinco más importantes para la estimación son el tipo de seguridad social, la edad de la persona, la tenencia de internet en el hogar, si la persona cotiza en un fondo de pensiones y el material de los pisos de la vivienda. En las diez primeras variables de importancia, destacan los indicadores de tenencia de activos y los asociados al mercado laboral. Las variables con menor capacidad predictiva son: la tenencia de energía, la tenencia de tractor, el cuidado de los niños (indaga por dónde o con quién permanecen el niño o la niña más tiempo entre semana), si el niño o la niña reciben comida en el lugar donde pasan la mayor parte del tiempo; y la tenencia de cocina.

 

 

Al evaluar las métricas de desempeño del modelo para el grupo de pobres y no pobres por IMP, se observan resultados similares (cuadro 5). Esto significa que el modelo estimado no está sesgado por la variable de pobreza multidimensional. Ser pobre o no pobre multidimensionalmente no influye en que el modelo genere mejor o peor predicción. El modelo es consistente para identificar ambas clases, independientemente de la característica de ser pobre o no pobre de forma multidimensional.

Ahora bien, al analizar el modelo de acuerdo con los grupos de pobres o no pobres por Sisben IV (cuadro 6), se predice mayor proporción de población pobre según el Sisben IV en comparación con los valores reales (balanceados). La proporción de casos predichos es mayor en los grupos de pobres por ambos métodos y pobres por Sisben, pero no por el IPM: con 7.17 % y 32.55 %, respectivamente, en comparación con 4.87 % y 22.31 % de los valores reales. El modelo tiende a clasificar mayor porcentaje de población como pobre, según el Sisben (32.55 %, en relación con el real de 22.31 %). El algoritmo asigna menor porcentaje de los pobres por IPM y no por Sisben, así como a los no pobres por ambos métodos. Cabe resaltar que, con la estimación, no es posible determinar en qué grupo de pobreza queda la predicción, según la clasificación del Sisben.

 

 

C. Realidades de ser no pobre según el Sisben IV

 

Una de las principales discusiones sobre los algoritmos que evalúan la calidad de vida de las personas es su capacidad para captar las realidades con precisión. El instrumento del Sisben IV es un algoritmo que determina el tipo de ayuda social que una persona o familia merece recibir, según su capacidad para predecir la pobreza y la vulnerabilidad. Sin embargo, es la realidad de la vida de las personas la que permite centrar los juicios y ajustar los algoritmos. Así pues, en este apartado, se describen las realidades de cuatro familias que solicitan ayuda del Estado y que se encuentran en situaciones que no consideradas pobres y, en algunos casos, no vulnerables, según la clasificación del Sisben IV.

 

1. Familia Naranjales

 

Andrés Naranjales se ve forzado a acudir a la defensoría del pueblo para solicitar apoyo, debido a su condición. Tiene 36 años, es soltero y cuenta con educación técnica en el área comercial. Pertenece a la comunidad LGBTIQ+; diagnosticado con VIH desde hace cuatro años. Además, se encuentra desempleado.

Manifiesta que solicitó apoyo en forma de ayuda social, debido a su falta de empleo y a los constantes ataques psicológicos y xenófobos que recibe asociados al género. También ha perdido su red de apoyo familiar. Sus problemas de salud le producen deterioro físico y psicológico, requiere de medicación constante y atención médica, de la cual manifiesta estar privado, debido a los frecuentes retrasos y a la dificultad para acceder a citas médicas. Andrés oculta el diagnóstico de la enfermedad a su familia, excepto a su madre; y pide prudencia con la información, para evitar que se enteren, ya que la violencia psicológica podría intensificarse. Por solicitud expresa de Andrés, el informe solo se refiere a él y no a su grupo familiar.

El hogar está conformado por los padres y hermanos de Andrés. Sin embargo, él manifiesta que, principalmente los hermanos no le ofrecen apoyo y se convierten en agresores psicológicos debido a su orientación sexual y su imposibilidad para contribuir económicamente. El hogar enfrenta limitaciones para generar ingresos suficientes para la alimentación y otras necesidades básicas. La vivienda pertenece a los padres, pero Andrés debe contribuir para pagar los servicios y cubrir los gastos relacionados con su enfermedad.

Además de no contar con fuentes de ingresos, ha iniciado un emprendimiento de venta de postres, pero manifiesta tener pocas ventas y no poder cubrir los costos fijos. El mercado laboral lo excluye debido a su condición de salud y al diagnóstico de VIH. Andrés manifiesta, pues, tener pensamientos suicidas que se intensifican debido a las dificultades que enfrenta.

Andrés se encuentra en el Sisben IV, clasificado en el grupo C y en el subgrupo 14 de los 18 disponibles. El grupo C lo clasifica como vulnerable, pero el subgrupo proporciona información sobre la profundidad de la vulnerabilidad. El resultado de 14 implica que Andrés tiene una mejor calidad de vida y mayor capacidad para generar ingresos, en comparación con alguien ubicado en el mismo grupo, pero en un subgrupo inferior. Andrés se encuentra a dos subgrupos de ser considerado ni pobre ni vulnerable según el Estado colombiano. En este caso, no es una persona a la que se priorice para la atención social, ya que por detrás del grupo C se encuentran los grupos B y A, que suman 12 subgrupos en total.

 

2. Familia López

 

Los López son una familia de cuatro personas. Yaneth tiene 36 años y es madre cabeza de hogar. Su esposo tiene 39 años. Tienen una hija de 8 años y viven con la abuela, madre de Yaneth, que tiene 66 años. Yaneth solo cuenta con educación primaria, y trabaja en la temporada decembrina vendiendo calzado en el centro de Medellín. Es un trabajo temporal por días. El esposo completó la educación primaria y está registrado como víctima de desplazamiento forzado. Trabaja en varios oficios de construcción y gana un salario mínimo, que la familia utiliza para cubrir todos los gastos del hogar.

Yaneth toma medicamentos para el colesterol y su madre sufre de hipertensión. Su hija debe usar frecuentemente un inhalador para tratar problemas de rinitis e infecciones respiratorias. La familia tiene dificultades para alimentarse adecuadamente; y solo puede acceder a alimentos de escaso valor nutricional.

Por otro lado, la casa donde viven es propia, pero la están pagando a través de un crédito, cuya cuota, con frecuencia, les resulta difícil de pagar. La casa tiene problemas de humedad, malos olores y filtraciones de agua en las paredes. Obtienen electricidad a través de un sistema prepago, pero a veces no pueden recargar, porque no tienen suficiente dinero. Los ingresos del hogar son insuficientes para cubrir las necesidades básicas. Sin embargo, su clasificación en el Sisben IV es grupo C, subgrupo 2. Esto significa que, según el Estado, la familia Gutiérrez no se encuentra en pobreza extrema ni en pobreza moderada. El instrumento los clasifica como vulnerables.

 

3. Familia Gómez

 

La familia está conformada por Juan Camilo, de sesenta años, que vive en una zona rural de Medellín. Es separado y vive solo. Juan Camilo es un adulto mayor que trabaja de manera informal como zapatero y reciclador de residuos sólidos. Su nivel educativo alcanza la educación básica primaria.

En las labores que realiza, obtiene ingresos diarios de 10 000-40 000 pesos colombianos, además de los ingresos esporádicos por la venta de los residuos que recupera. Manifiesta que sus gastos mensuales básicos son de 80 000 pesos en alimentación, 23 000 pesos en energía prepago, 33 000 pesos en agua y alcantarillado y 17 500 pesos en alimento para sus animales de compañía (gatos y perros). Aunque vive solo, cuenta con el apoyo de una hermana que le proporciona alimentos preparados.

El psicólogo que visitó su vivienda evidenció un posible trastorno de acumulación compulsiva. Juan Camilo enfrenta denuncias de los vecinos por olores e invasión de la zona pública con basura. No puede desplazarse adecuadamente en su vivienda debido a la cantidad de residuos acumulados. Se observaron problemas de roedores, moluscos e insectos, además de tener gatos y perros viviendo con él.

Debido a su situación, Juan Camilo manifiesta sufrir de angustia con frecuencia, situación que se agrava al vivir solo. Aunque tiene acceso a la atención médica subsidiada, no cuenta con la vacunación para contrarrestar la gripa Covid-19. Solo puede comer dos veces al día y su dieta se basa en carbohidratos y productos altos en colesterol.

Juan Camilo no cumple con los requisitos para solicitar el subsidio de la estrategia Colombia Mayor, que se enfoca en mujeres mayores de 54 años y en los grupos del Sisben en las categorías A1 a C1. La clasificación que obtuvo en el Sisben IV es D9, lo que significa que se encuentra en el grupo D, que lo etiqueta como no pobre y no vulnerable. Además, se encuentra en el subgrupo 9, clasificación que le impide ser priorizado por los diferentes programas sociales de Medellín y Colombia.

 

4. Familia Álvarez

 

La familia Álvarez es un hogar unipersonal. Doña Beatriz es una adulta mayor soltera, de 67 años, que reside en la zona urbana de Medellín. Solo alcanzó a cursar educación primaria. Su caso se conoce a través de un inspector de policía, quien llevó a cabo un proceso administrativo en su contra por incumplimiento de la Ley 1801 de 2016 sobre el Código Nacional de Seguridad y Convivencia Ciudadana, debido a que no cumple con normas de seguridad y sanidad. Este proceso se debe a que tiene residuos acumulados en el exterior de la vivienda, lo cual genera problemas de salud pública.

Beatriz trabaja como recicladora informal, durante 7 a 8 horas diarias. No forma parte de ninguna cooperativa o asociación y ejerce su función de manera independiente. Lleva 38 años viviendo en el sector y está sola desde 2012, cuando grupos al margen de la ley asesinaron a su hijo; también falleció su madre en ese mismo año. Manifiesta que, con frecuencia, olvida la información que le brindan las personas que la visitan.

El psicólogo que realizó la visita observa un comportamiento de acumulación compulsiva por parte de Beatriz. Tanto el interior como el exterior de su vivienda están llenos de plásticos, cartón, vidrio, textil, calzado, chatarra, madera y otros, apilados en diferentes partes. Beatriz tiene dificultades para desplazarse por la vivienda y, aunque cuenta con un lugar para dormir, las condiciones de humedad y malos olores son intensas.

En 2021, Beatriz sufrió un incendio en su hogar debido a un accidente con el fogón, lo que causó la destrucción de sus electrodomésticos y enseres, incluyendo la red eléctrica. Desde ese incidente, no cuenta con los enseres básicos ni con un lugar donde preparar sus alimentos; de manera que compra su comida en la calle.

Tiene acceso a agua en la vivienda, que paga mediante sistema prepago. La infraestructura en general se encuentra en mal estado. Su red de apoyo es muy débil. Menciona que tiene dos nietas, pero no se comunica frecuentemente con ellas. Y los vecinos le ayudan esporádicamente con alimentación. Doña Beatriz solo puede comer dos veces al día y ha visto disminuido su acceso a la alimentación, debido al aumento de los precios. En esas condiciones, su dieta no cumple con los requisitos mínimos de nutrición, por ser alta en colesterol y carbohidratos.

Se encuentra activa en el sistema de salud subsidiado, aunque menciona que hace varios años no acude a consulta. Afirma haber recibido una dosis de la vacuna contra el Covid-19. Es una adulta mayor que ha atravesado diversas situaciones que han afectado negativamente su bienestar. No está clasificada como posible beneficiaria de ayuda social estatal, ya que su grupo en el Sisben IV es C y su subgrupo es el 16. Es decir, se considera vulnerable pero no pobre, y se encuentra a dos subgrupos de pasar al grupo D, que implicaría no ser pobre ni vulnerable.

IV. Discusión

Los resultados de la concordancia entre el Sisben IV y la pobreza multidimensional, tanto a nivel nacional como de ciudad (Medellín), revelan una baja o insignificante identificación conjunta de la población pobre. Ambas medidas muestran una capacidad limitada para identificar de manera simultánea a las personas en situación de pobreza. Es particularmente notable la proporción significativa de población que, a pesar de no ser considerada pobre según el IPM, es clasificada como pobre por el Sisben.

Es necesario revisar el argumento presentado en el documento de política social del Gobierno nacional (DNP, 2016) que relaciona la medida del Sisben IV con el IPM, a fin de evitar la exclusión de la población pobre identificada por el IPM, pero no por el Sisben. Las discrepancias entre ambas medidas pueden estar vinculadas a la necesidad del Sisben de dar respuesta a las dos formas oficiales de medición de la pobreza: el IPM y el enfoque basado en los ingresos. Por tanto, una hipótesis es que las personas consideradas pobres por el Sisben, pero no por el IPM, podrían estar experimentando pobreza monetaria. Otra razón podría estar relacionada con la naturaleza del algoritmo del Sisben, el cual identifica a los pobres de manera independiente de las mediciones oficiales de pobreza en el país.

El valor de concordancia más alto obtenido entre el Sisben IV y el IPM, en las diferentes mediciones, resulta menor que el reportado para Colombia y otros países de América Latina en estudios que comparan la línea de pobreza monetaria y el indicador de carencias sociales (Villatoro y Santos, 2019). En las regiones evaluadas en el estudio citado, la concordancia es a lo sumo moderada. La baja concordancia reportada entre el Sisben y el IPM advierte de que ambas mediciones capturan aspectos diferentes del fenómeno de la pobreza. Al considerar el resultado del Sisben IV como una medida exógena, con validez para la medición de la pobreza, se reconoce que el proceso metodológico tiene decisiones normativas que afectan la concordancia con las medidas de pobreza multidimensional.

Por tanto, es esperado que las dos mediciones de pobreza no concuerden al 100 %. Sin embargo, es responsabilidad de la política pública de Colombia atender a las personas que quedan excluidas de la ayuda social del Estado, si son pobres multidimensionales. En porcentaje, representan el 4.89 % para Colombia y el 3.73 % para Medellín, ambos según la comparación del IPM oficial. Con los resultados, ni el Sisben ni el IPM parecen ser suficientes por sí solos para evidenciar la pobreza en Colombia y, más concretamente, en Medellín.

De los resultados, en particular, se deriva la importancia de contar con mediciones que se usen de forma complementaria para la identificación de la población pobre. Dado que el método del Sisben IV estima la capacidad de generar ingresos, los resultados presentados aquí advierten la misma conclusión que otros estudios, donde se analizan la pobreza monetaria y la multidimensional, a saber, las personas de bajos ingresos resultan no ser las mismas identificadas como multidimensionalmente pobres (Alkire y Seth, 2008; Alkire y Shen, 2017; Roelen, 2017; Tran et al., 2015).

Al integrar varias mediciones de pobreza se enriquece la discusión sobre la pregunta ¿quién es pobre?, pero deja un reto a la política pública para definir arreglos institucionales que no dejen a ninguna persona pobre sin la posibilidad de recibir apoyo de la política social.

En el caso particular de Colombia, las medidas de pobreza que deben integrarse son tres. El proceso de evaluar la pobreza con el indicador multidimensional y el de ingresos hace necesario que la medida de focalización de la pobreza sea una agregación de ambas y cumpla su función de ser una medida superior; e incluir las diferentes medidas de pobreza.

Por consiguiente, los resultados sugieren que la clasificación de las personas en los grupos A y B del Sisben IV debe complementarse con la medición de la pobreza multidimensional, con el fin de no dejar a nadie atrás, desde la premisa del primer ODS: “Poner fin a la pobreza en todas sus formas en todo el mundo” (United Nations, 2015).

Aunque el artículo no se enfocó en la discusión de los pesos de los indicadores para definir la estructura de la evaluación del IPM, se evidencian algunos aspectos. El cambio de la estructura de pesos de los indicadores del IPM, no genera cambios significativos en los resultados para los cuatro grupos evaluados: pobres por ambos métodos, pobres por Sisben y no por IPM, pobres por IPM y no por Sisben, y no pobres por ambos métodos. En Medellín, se observó un cambio proporcional grande al considerar pesos iguales para el IPM, particularmente, en los grupos de pobres por ambos métodos y pobres por IPM y no por Sisben. Al parecer, en Colombia, se obtienen resultados consistentes a nivel agregado y, en Medellín, se altera la composición de los porcentajes de los grupos analizados.

El resultado de la estimación del modelo muestra la capacidad del algoritmo RF para clasificar la población pobre y no pobre por el Sisben IV. Las variables más importantes tienen coherencia con la esencia del Sisben IV, en cuanto a su declaración de evaluar la capacidad de generar ingresos. Las variables con mayor importancia para la estimación fueron las asociadas con el mercado laboral y las de tenencia de activos.

Con el resultado se comprueba el énfasis del algoritmo del Sisben en aspectos complementarios a los que se observan con la medición del IPM. Por ejemplo, se observa distancia en los aspectos educativos, en los servicios con los que cuenta la vivienda, en variables de salud y cuidado de los niños y en las variables de activos. Esta última, no se contempla por el IMP oficial, pero es importante para la clasificación del Sisben.

En este sentido, mantener la focalización de la ayuda social bajo la perspectiva de la capacidad de generar ingresos es una postura que requiere ampliarse. La evidencia que refuerza la premisa se ilustra con los resultados del análisis cualitativo de las familias, clasificadas como no pobres por el Sisben IV, pero a la luz de un escrutinio social se podría llegar con facilidad a la conclusión de su condición de pobreza.

Las familias que hicieron parte del estudio cualitativo presentan señales claras de pobreza, pero el algoritmo del Sisben IV no logra identificarlos como pobres, de modo que los excluye de la ayuda social estatal. El reto es llevar a cero la exclusión de los pobres de la ayuda social, vigilando que los llamados “colados” en el sistema sean los menos posibles. En este punto, la estrategia declarada debe preferir identificar bien a los pobres y, en segunda instancia, evitar a los colados en el sistema.

En el artículo, se reporta un caso de exclusión que va más allá de los expuestos por la literatura de algoritmos de inteligencia artificial y aprendizaje de máquinas (Corbett y Goel, 2018). La discriminación a la que nos referimos se hace sobre la base de un constructo complejo la pobreza, el cual se constituye en un acuerdo moral y normativo que puede o no incluir las características de identificación directa como el género/sexo, la raza, la etnia, el lenguaje, la religión o creencias, la edad, la opinión política, la discapacidad o el lugar de residencia, comunes en la evaluación de la discriminación por algoritmos de inteligencia artificial o aprendizaje de máquinas (Barocas et al., 2017; Celis et al., 2019; Chen et al., 2021; Corbett y Goel, 2018; Eubanks, 2018; Keddell, 2019; Lepri et al., 2017).

Por consiguiente, la prueba de la concordancia, sumada a la evaluación cualitativa, permite reconocer la necesidad de mejorar la clasificación automática que realiza el Sisben IV en la actualidad. Precisamente, el análisis cualitativo es una forma para mejorar los resultados de la clasificación por algoritmos (Raji et al., 2020).

El artículo también abre la discusión y la oportunidad para implementar un proceso de auditoría interna y gobernanza algorítmica en el DNP de Colombia y su contraparte en Medellín, para anticiparse a las consecuencias negativas antes de que ocurran, como se viene discutiendo en términos de la implementación de algoritmos de aprendizaje de máquinas y la inteligencia artificial (Chouldechova y Roth, 2020; Corbett y Goel, 2018; Raji et al., 2020).

Lo anterior implica una declaración ética de los resultados y efectos que deben ser rechazados por los posibles efectos sociales negativos sobre las personas que se busca beneficiar. Aunado al reconocimiento de la importancia de validar el significado de la pobreza y la postura de equidad para recibir la ayuda social del Estado, desde un acuerdo social que se fundamente en deliberaciones razonadas de la sociedad (Sen, 2018).

Son varias las limitaciones del presente estudio, que sirven, sin embargo, para seguir avanzando en las áreas de investigación de los indicadores de identificación de la pobreza. Primero, la base de datos del Sisben IV tiene restricciones:

1. No tienen las variables para calcular el índice de pobreza monetaria. Eso limita el alcance de la comparación con el IPM
2. Con las variables del Sisben, se reproduce una medición aproximada del IPM oficial.
3. Para el caso de Colombia, las bases de datos de familias, hogares y personas no tienen un indicador que permita unirlas.
4. Para Medellín, la base no cuenta con los registros de la población que habita las zonas rurales.

Segundo, en el tratamiento de los datos, redujimos los grupos del Sisben IV a una variable dicotómica (pobres y no pobres), lo que evita analizar las brechas entre los pobres y los indicadores de desigualdad de la pobreza. Tercero, al no contar con las variables que explican la clasificación de los grupos del Sisben IV, las comparaciones entre los grupos dados por la relación entre las dos medidas son limitadas.

En relación con lo anterior, también puede listarse como limitación final que los modelos de aprendizaje estadístico son sensibles a los tipos de dato y, por consiguiente, otras estimaciones pueden dar diferentes ordenaciones según la importancia de las variables. Sin embargo, de acuerdo con el proceso de estimación del presente artículo, se espera que las variables listadas como importantes para predecir los grupos de pobres y no pobres se encuentren entre las principales.

V. Conclusiones

La identificación de los pobres, de acuerdo con el Sisben IV y el índice de pobreza multidimensional, tiene una concordancia insignificante. Los mayores valores del indicador de concordancia kappa están por debajo de 0.36, con IPM con pesos iguales y un punto de corte del IPM igual a 0.2, que alcanza el valor más alto. Estas medidas evidencian la pobreza desde diferentes perspectivas de evaluación.

La clasificación de la pobreza del Sisben IV parece ser superior al IPM, ya que incluye aproximadamente un 38% de pobres que no son pobres según el IPM. Sin embargo, deja de identificar como pobres a alrededor del 4 al 5% de las personas pobres multidimensionales. En Medellín, el Sisben incluye al 14.73% que no es pobre según el IPM, pero deja de identificar al 3.73% que es pobre según el IPM. El grupo de personas pobres según el IPM y no pobres según el Sisben comienza a ser cero cuando el corte de las privaciones ponderadas del IPM es cercano al 40 %, tanto para Colombia como para Medellín. Cabe recordar que el corte oficial para la pobreza multidimensional es del 33 %.

Los casos reportados de las cuatro familias clasificadas como no pobres por el Sisben IV evidencian indicios de formas de pobreza multidimensional. Estas familias son ejemplos de la cotidianidad que enfrentan las familias en la ciudad de Medellín y que son excluidas por el Sisben. La descripción de algunos aspectos de la vida de las personas permite dar cuenta de las diferencias que cada familia tiene en la valoración de la vida, sus restricciones y logros.

La falta de ingresos, la soledad o las posibles enfermedades mentales se capturan mediante la descripción cualitativa. Con el análisis se caracteriza la multidimensionalidad de la pobreza, la interdependencia de las diferentes dimensiones, al tiempo que se observan las diferencias entre los casos analizados. Estas familias consideran que merecen la ayuda social, debido a su condición, y son casos ilustrativos donde el algoritmo del Sisben requiere flexibilidad como instrumento de focalización de la política pública social.

El modelo de RF estimado para clasificar los grupos de pobres y no pobres por el Sisben IV, utilizando datos de Medellín, alcanza un indicador de exactitud balanceada del 78 %. El mejor modelo se obtiene con una muestra balanceada, reduciendo la muestra de la clase con mayor representación en la base de datos, es decir, la clase no pobre. El modelo tiene la capacidad predictiva del 81 % de los pobres y del 76 % de los no pobres.

El modelo se estimó utilizando cuarenta variables asociadas con temas demográficos, vivienda, salud, mercado laboral y tenencia de activos. Las variables de mayor importancia para la predicción fueron principalmente del tema de mercado laboral y tenencia de activos. Las diez principales variables de importancia, según el modelo estimado, son el tipo de seguridad social, la edad de la persona, la tenencia de internet, si la persona cotiza en un fondo de pensiones, el material de los pisos de la vivienda, el tipo de empleo de la persona, la tenencia de computadora, el número de cuartos en la vivienda, la tenencia de moto y la tenencia de lavadora.

Así también, las variables con menor capacidad predictiva son la tenencia de energía, la tenencia de tractor, el cuidado de los niños (indaga sobre dónde o con quién permanece el niño o niña más tiempo entre semana), si el niño o niña recibe comida en el lugar donde pasa la mayor parte del tiempo y, la que tiene menos capacidad para predecir el grupo de pobres o no pobres según el Sisben, es la tenencia de cocina.

En Colombia, se recomienda utilizar la pobreza multidimensional como complemento para la focalización de la política pública social, actualmente basada únicamente en el Sisben IV. Es decir, combinar la información de una medida superior, como el Sisben, pero que no excluya a las personas pobres según las medidas oficiales. Para eliminar la exclusión de la población que requiere ayuda social, se recomienda a los responsables de la política pública complementar la medición del Sisben IV y el IPM con otras medidas que ayuden a identificar a la población pobre y vulnerable en sus territorios, como bien se plantea en el Conpes 3877.

Ello implica promover ejercicios participativos para lograr una mejor comprensión y contextualización de la pobreza en su medición (Atkinson, 2019). Asimismo, se recomienda complementar los algoritmos de clasificación con perspectivas de análisis que incluyan la lectura del territorio y las diversas manifestaciones de la pobreza. En este sentido, los indicadores para identificar la pobreza deben evitar la objetividad obtusa que los lleva a considerar una variable a lo socioespacial (Sen, 1992).

Financiamiento y agradecimientos

La realización de la investigación no tuvo fuentes de financiamiento. El artículo es producto de la investigación doctoral del primer autor, intitulada “Identificación de dimensiones y estimación de la pobreza multidimensional utilizando modelos de aprendizaje estadístico y procesamiento de lenguaje natural”, realizada para optar al título de Doctor en Ingeniería Electrónica y de Computación, por la Universidad de Antioquia. Se agradece especialmente a los evaluadores anónimos de la revista por sus valiosos comentarios y sugerencias que contribuyeron significativamente a la mejora del artículo.

Referencias

1. Alkire, S., & Foster, J. (2011). Counting and multidimensional poverty measurement. Journal of Public Economics, 95(7-8), 476-487.
2. Alkire, S., Kanagaratnam, U., & Suppa, N. (2020). The global multidimensional poverty index (MPI) 2020. https://www.ophi.org.uk/wp-content/uploads/OPHIMPIMN492020.pdf
3. Alkire, S., Roche, J. M., Ballon, P., Foster, J., Santos, M. E., & Seth, S. (2015). Multidimensional poverty measurement and analysis. Oxford University Press.
4. Alkire, S., & Seth, S. (2008). Measuring multidimensional poverty in India: A new proposal (Working Paper 15). Oxford Poverty and Human Development Initiative.
5. Alkire, S., & Shen, Y. (2017). Exploring multidimensional poverty in China: 2010 to 2014. En Research on economic inequality. Emerald Publishing Limited.
6. Angulo, R., Díaz, Y., & Pardo, R. R. (2016). The Colombian multidimensional poverty index. Measuring poverty in a public policy context. Social Indicators Research, 127, 1-38.
7. Atkinson, A. B. (1987). On the measurement of poverty. Econometrica: Journal of the Econometric Society, 55(4), 749-764.
8. Atkinson, A. B. (2019). Measuring poverty around the world. Princeton University Press.
9. Banco Mundial —BM (2022). Poverty and shared prosperity 2022: Correcting course. The World Bank.
10. Barocas, S., Bradley, E., Honavar, V., & Provost, F. (2017). Big data, data science, and civil rights. arXiv preprint arXiv:1706.03102.
11. Boltvinik, J. (2013). Medición multidimensional de la pobreza. América Latina de precursora a rezagada. Revista Sociedad y Equidad, 5, 4-29.
12. Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
13. Celis, L. E., Huang, L., Keswani, V., & Vishnoi, N. K. (2019). Classification with fairness constraints. A meta-algorithm with provable guarantees. En Proceedings of the conference on fairness, accountability, and transparency (pp. 319-328). Association for Computing Machinery.
14. Chen, R. J., Chen, T. Y., Lipkova, J., Wang, J. J., Williamson, D. F. K., Lu, M. Y., & Mahmood, F. (2021). Algorithm fairness in ai for medicine and healthcare. ArXiv, abs/2110.00603.
15. Chouldechova, A., & Roth, A. (2020). A snapshot of the frontiers of fairness in machine learning. Communications of the ACM, 63(5), 82-89.
16. Conover, W. J. (1999). Practical nonparametric statistics (vol. 350). John Wiley & sons.
17. Corbett, S., & Goel, S. (2018). The measure and mismeasure of fairness. A critical review of fair machine learning. arXiv preprint arXiv:1808.00023.
18. Decancq, K., & Lugo, M. (2013, 01). Weights in multidimensional indices of wellbeing. An overview. Econometric Reviews, 32(1), 7-34. http://dx.doi.org/10.1080/07474938.2012.690641
19. Departamento Nacional de Planeación —DNP. (2012). Metodologías oficiales y arreglos institucionales para la medición de la pobreza en Colombia. Consejo Nacional de Política Económica y Social. https://colaboracion.dnp.gov.co/cdt/ conpes/social/150.pdf
20. Departamento Nacional de Planeación —DNP. (2016, 5 diciembre). Declaración de importancia estratégica del sistema de identificación de potenciales beneficiarios (Sisben IV). Consejo Nacional de Política Económica y Social. https://colaboracion.dnp.gov.co/CDT/Conpes/Econmicos/3877.pdf
21. Eubanks, V. (2018). Automating inequality. How high-tech tools profile, police, and punish the poor. St. Martin’s Press.
22. Greco, G. (2018). Setting the weights: The women’s capabilities index for malawi. Social Indicators Research, 135(2), 457-478. https://doi.org/10.1007/s11205-016-1502-3
23. Keddell, E. (2019). Algorithmic justice in child protection. Statistical fairness, social justice and the implications for practice. Social Sciences, 8(10). https://doi.org/10.3390/ socsci8100281
24. Kuhn, M., & Wickham, H. (2020). Tidymodels: A collection of packages for modeling and machine learning using tidyverse principles [Computer software manual]. https://www.tidymodels.org
25. Laderchi, C. R., Saith, R., & Stewart, F. (2003). Does it matter that we do not agree on the definition of poverty? A comparison of four approaches. Oxford Development Studies, 31(3), 243-274. https://doi.org/10.1080/1360081032000111698.
26. Lepenies, P. (2020). Metrics, politics and definitions. How poverty lost its social context and what this means for current debates. En V. Beck, H. Hahn, & R. Lepenies (eds.), Dimensions of poverty: Measurement, epistemic injustices, activism (pp. 57-73). Springer International Publishing. https://doi.org/10.1007/978-3-030-31711-94.
27. Lepri, B., Staiano, J., Sangokoya, D., Letouze, E., & Oliver, N. (2017). The tyranny´ of data? the bright and dark sides of data-driven decision-making for social good. Transparent data mining for big and small data (pp. 3-24). Springer International Publishing. https://doi.org/10.1007/978-3-319-54024-5_1
28. Lucci, P., Bhatkal, T., & Khan, A. (2018). Are we underestimating urban poverty? World Development, 103, 297-310. https://doi.org/10.1016/j.worlddev.2017.10.022
29. Maccio, J., & Mitchell, A. (2023). Medición multidimensional de pobreza en ciudades segregadas. Evidencia de la ciudad de Buenos Aires. Revista Desarrollo y Sociedad, 93, 101-137. https://doi.org/10.13043/DYS.93.3
30. Mahamallik, M., & Sahu, G. B. (2011). Identification of the poor. Errors of exclusion and inclusion. Economic and Political Weekly, 46(9), 71-77.
31. Menardi, G., & Torelli, N. (2014). Training and assessing classification rules with imbalanced data. Data Mining and Knowledge Discovery, 28, 92-122.
32. Putnam, D. (2020). Poverty as a social relation. En V. Beck, H. Hahn, & R. Lepenies (eds.), Dimensions of poverty. Measurement, epistemic injustices, activism (pp. 41-55). Springer International Publishing. https://doi.org/10.1007/978-3-030-31711-93.
33. Raji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., & Barnes, P. (2020). Closing the AI accountability gap. Defining an end-to-end framework for internal algorithmic auditing. En Proceedings of the 2020 conference on fairness, accountability, and transparency (pp. 33-44). https://doi.org/10.48550/arXiv.2001.00973
34. Roelen, K. (2017). Monetary and multidimensional child poverty: A contradiction in terms? Development and Change, 48(3), 502-533.
35. Schonlau, M., & Zou, R. Y. (2020). The random forest algorithm for statistical learning. The Stata Journal, 20(1), 3-29.
36. Sen, A. (1985). Commodities and capabilities. Oxford University Press.
37. Sen, A. (1992). Inequality reexamined. Harvard University Press.
38. Sen, A. (1999). Development as freedom. Anchor Books.
39. Sen, A. (2018). Collective choice and social welfare. Harvard University Press.
40. Sohnesen, T. P., & Stender, N. (2017). Is random forest a superior methodology for predicting poverty? An empirical assessment. Poverty & Public Policy, 9(1), 118-133.
41. Tran, V. Q., Alkire, S., & Klasen, S. (2015). Static and dynamic disparities between monetary and multidimensional poverty measurement. Evidence from Vietnam. En T. I. Garner & K. S. Short (eds.), Measurement of poverty, deprivation, and economic mobility (vol. 23, p. 249-281). Emerald Publishing Ltd.
42. United Nations Development Programme (UNDP) & Oxford Poverty and Human Development Initiative —OPHI (2021). Global multidimensional poverty index 2021 – Unmasking disparities by ethnicity, caste and gender. United Nations Development Programme and Oxford Poverty and Human Development Initiative. https://ophi.org.uk/wp-content/uploads/UNDPOPHIGMPI2021ReportUnmasking.pdf
43. United Nations Development Programme (UNDP) & Oxford Poverty and Human Development Initiative —OPHI. (2022). 2022 global multidimensional poverty index (MPI). Autor.
44. United Nations —UN. (2015). Transforming our world: The 2030 Agenda for Sustainable Development Transforming our world: The 2030 Agenda for Sustainable Development. Autor. https://unctad.org/ system/files/official-document/ares70d1en.pdf
45. Usmanova, A., Aziz, A., Rakhmonov, D., & Osamy, W. (2022a). Utilities of artificial intelligence in poverty prediction. A review. Sustainability, 14(21). https://doi.org/10.3390/su142114238
46. Usmanova, A., Aziz, A., Rakhmonov, D., & Osamy, W. (2022b). Utilities of artificial intelligence in poverty prediction. A review. Sustainability, 14(21), 14238.
47. Viera, A. J., & Garrett, J. M. (2005). Understanding interobserver agreement: The kappa statistic. Fam med, 37(5), 360-363.
48. Villatoro, P., & Santos, M. E. (2019). ¿quiénes son pobres? Análisis de su identificación en América Latina. Problemas del Desarrollo, 50(199), 3-29.
49. Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., Franc¸ois, R., & Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686

 

Anexos

 

Anexo 1. Cálculo del IPM con la base de datos del Sisben IV

 

A continuación, se presentan los detalles para cada indicador con algunas reflexiones sobre el cálculo oficial cuando se alteran las mediciones (Experimento 3). En los casos donde no se alteró el cálculo, aparece la definición del indicador de acuerdo con la metodología oficial (Angulo et al., 2016).

 

Bajo logro educativo. Se considera que un hogar está privado, cuando el promedio del logro educativo de las personas de quince años y más que lo componen es menor a nueve años escolares.

Analfabetismo. Se considera privados a los hogares donde al menos una persona de quince años o más no sabe leer y escribir. Para este cálculo, se bajó el puntaje de corte de la edad, se consideró analfabeta si una persona de ocho o más años no sabe leer ni escribir; en coherencia con las edades del sistema educativo para la enseñanza de lectura y escritura, aunque se dio un margen de dos años más, puesto que se espera que a los seis años la persona logre leer y escribir.

Inasistencia escolar. Se considera que un hogar está privado si menos del 100 % de los niños de 6-16 años asiste al colegio.

Rezago escolar. Se considera que un hogar tiene privación en la variable si alguno de los niños de 7-17 años tiene rezago escolar.

Servicios de primera infancia. Este indicador se aproxima según las indicaciones del Sisben IV (cuadro 2). Entonces, se considera un hogar privado cuando tienen niños menores de cinco años sin seguridad social o en las siguientes categorías: “En casa solo”, “Al cuidado de un pariente menor de 18 años”, “Con su padre o madre en el trabajo”, de la pregunta del Sisben IV: “¿Dónde o con quién permanece... durante la mayor parte del tiempo entre semana (menores de 5 años)?”.

Trabajo infantil. Están en condición de trabajo infantil niños (5-17 años) que en su actividad principal en el último mes era: trabajando, buscando trabajo u oficios del hogar.

Desempleo de larga duración. Población en edad de trabajar (mayores de quince años) que se encuentran buscando trabajo.

Trabajo informal. En privación, cuando al menos una persona del hogar en edad de trabajar (mayor a quince años) está trabajando, pero no cotiza a pensión, o cuando el hogar no tiene población económicamente activa (trabajando o buscando trabajo).

Sin aseguramiento en salud. Un hogar se encuentra en privación, si alguno de sus miembros no está asegurado en salud. Dado que en el indicador de acceso a servicios para el cuidado de la primera infancia se observa si los niños entre 0 y 5 años se encuentran afiliados al Sistema General de Seguridad Social en Salud (SGSSS). Este indicador se mide solo para la población mayor a cinco años.

Barreras de acceso a servicios de salud dada una necesidad. El hogar se encuentra privado si una o varias personas del hogar sufrieron una enfermedad el último mes y no acudieron a los servicios de salud, o los que acudieron no fueron atendidos. Los hogares donde las personas no sufrieron alguna enfermedad el último mes se consideran no privados. Es importante señalar que en este indicador no es clara la privación sobre si la persona no acude a los servicios de salud por motivos de restricciones de acceso, o bien por voluntad propia.

Acceso a fuente de agua mejorada. Privación para hogares en área urbana si el hogar no cuenta con conexión a servicio público de acueducto en la vivienda. Para la zona rural, se considera privado el hogar si obtienen el agua para preparar los alimentos de un pozo sin bomba, agua lluvia, río, quebrada, manantial, pila pública, carrotanque, aguatero o agua embotellada.

Eliminación de excretas. De acuerdo con la metodología, se consideran privados los hogares del área urbana sin conexión a servicio público de alcantarillado. En el área rural se encuentran en privación los hogares que tienen inodoro sin conexión, letrina o bajamar, o simplemente no cuentan con servicio sanitario.

Pisos. Se consideran privados los hogares con pisos de tierra.

Paredes exteriores. El hogar se encuentra privado en la zona urbana, cuando el material de las paredes exteriores del hogar es madera burda, tabla, tablón, guadua, otro vegetal, chapa de zinc, tela, cartón, desechos o no tiene paredes. En la zona rural, el hogar está privado siempre que el material de las paredes exteriores sea guadua, otro vegetal, chapa de zinc, tela, cartón o desechos; o bien cuando no tiene paredes.

Hacinamiento crítico. Se considera que existe hacinamiento en el hogar (por tanto, privación), cuando el número de personas por cuarto para dormir, excluyendo cocina, baño y garaje, es mayor o igual a tres en el área urbana y de más de tres personas por cuarto para la zona rural.

 

Anexo 2. Dimensiones, privaciones y pesos del IPM

 

La tabla siguiente contiene el nombre de la dimensión, la privación y los pesos de la metodología oficial y los del Experimento 2.