Assessing regional competitiveness in Peru: An approach using nonlinear machine learning models

Este estudio aborda los retos que plantea la medición de la competitividad regional mediante métodos tradicionales, debido a la complejidad inherente y a la no linealidad de sus determinantes. El desarrollo de nuevos modelos de Machine Learning (ML) permite la creación de modelos predictivos capaces de manejar este tipo de datos, proporcionando perspectivas procesables. El objetivo del estudio fue desarrollar y probar el uso de modelos no lineales de Machine Learning para medir la competitividad regional en Perú, a nivel subnacional. La investigación utiliza el protocolo ODD (Overview, Design Concepts, and Details) para asegurar una metodología transparente y replicable. Se examina el impacto del LD en el Índice de Competitividad Regional del Perú (IRCI) en 25 regiones desde 2016 hasta 2023, centrándose en cinco pilares clave: economía, gobierno, infraestructura, empresas y personas. Se desarrolló un índice de adecuación (IoI) para evaluar en qué medida los componentes de los pilares se alinean con el LD. Los datos proporcionados por CENTRUM PUCP se sometieron a un análisis exploratorio de datos (AED) para abordar la variabilidad entre las puntuaciones de los pilares y sus efectos sobre la competitividad. Se aplicaron seis modelos de aprendizaje automático no lineal (Gradient Boosting, Random Forest, XGBoost, AdaBoost, Redes Neuronales y Árboles de Decisión), y los modelos de aprendizaje automático con mayor precisión predictiva fueron Gradient Boosting y Random Forest. Las métricas de rendimiento incluyen valores de MSE de 1,1399 y 1,3469, valores de RMSE de 1,0677 y 1,1606, y valores de R2 de 0,9768 y 0,9729, respectivamente. Estos resultados demuestran la eficacia del aprendizaje automático para analizar la complejidad de los datos de competitividad regional, identificar las variables influyentes y reducir las distorsiones de la puntuación. Los resultados proporcionan un marco basado en datos para que los responsables políticos mejoren la competitividad regional, lo que promueve el conocimiento académico y las aplicaciones prácticas para el desarrollo sostenible.

Más información

Artículos en revistas arbitradas

• García, Y., & Del Carpio, L. (2025). Assessing regional competitiveness in Peru: An approach using nonlinear machine learning models. Plos One, 20(2), e0318813. https://doi.org/10.1371/journal.pone.0318813

Otras investigaciones

• García, Y. (2019). Development of a model for the determination of population density and images using the technique of deep learning neural networks by decoupling (machine learning) and use of submersible drones for the Chorrillos small bay. Lima: National Program for Fisheries and Aquaculture Innovation (PNIPA) – ULIMA.
• García, Y. (2018). Development of a climate projection model for the 2006-2075 period for the jauja valley simulated by the Intercomparation of the MK 3.0, MIROC-ESM and CNRM-CM5 models. Lima: Programa Nacional de Innovación Agraria (PNIA) – ULIMA.
• García, Y. (2018). Development of average fish oil density model to minimize real-calculated inventory differences in Copeinca production plants. Chincha.

El profesor Yván Jesús García López centra sus investigaciones en la analítica de datos aplicada a la competitividad regional, la gestión de la cadena de suministro y la sostenibilidad. Sus estudios buscan desarrollar modelos predictivos basados en aprendizaje automático y deep learning para mejorar la toma de decisiones en sectores como la logística, la producción y la planificación ambiental. Entre sus investigaciones destacadas se encuentra “Assessing Regional Competitiveness in Peru: An Approach Using Nonlinear Machine Learning Models”, publicado en PLOS ONE, donde emplea modelos no lineales de aprendizaje automático para evaluar la competitividad regional en el país. Asimismo, ha desarrollado modelos de proyección climática y de optimización en la gestión de inventarios para el sector pesquero.

Metodológicamente, el profesor García López emplea enfoques cuantitativos avanzados, combinando big data, redes neuronales y técnicas de machine learning para analizar grandes volúmenes de información y generar pronósticos precisos. Sus estudios abordan problemáticas como la falta de herramientas eficientes para medir la competitividad regional, la optimización de la cadena de suministro y la mitigación del impacto ambiental en sectores productivos. Su enfoque interdisciplinario le permite integrar datos climáticos, económicos y operacionales para mejorar la toma de decisiones en entornos dinámicos.

Los hallazgos del profesor García han demostrado que el uso de modelos de inteligencia artificial en la planificación estratégica puede aumentar la eficiencia en la asignación de recursos y reducir costos operativos. Sus investigaciones han sido publicadas en revistas indexadas como PLOS ONE y han sido presentadas en conferencias internacionales sobre innovación y gestión de operaciones. Como aportes, propone la implementación de herramientas de analítica avanzada en la formulación de políticas públicas y en la optimización de procesos industriales.

Palabras clave: Aprendizaje automático, analítica de datos, competitividad regional, sostenibilidad y gestión de la cadena de suministro.

• Reconocimiento a la Excelencia Académica en la Docencia de Tiempo Parcial 2022, CENTRUM PUCP (2023).
• Reconocimiento a la Excelencia Académica en la Docencia de Tiempo Parcial 2021, CENTRUM PUCP (2022).
• Reconocimiento a la Excelencia Académica en la Docencia de Tiempo Parcial 2018, CENTRUM PUCP (2019).
• Reconocimiento a la Excelencia Académica en Programas de Maestría 2016 en Tiempo Parcial y Tiempo Parcial con Carga, CENTRUM PUCP (2017).
• Premiación a la Excelencia a los Profesores Tiempo Parcial 2011, CENTRUM PUCP (2012).
• Mención Honrosa del Gerente General, Maple Gas Corporation del Perú. (Marzo 2005).
• Beca Profesional, Maple Gas Corporation del Perú (2002 – 2004).
• Promoción de Jefe de Sistemas y Mención de VP de Finanzas y Desarrollo de Nuevos Negocios, DOE RUN Perú SRL (Noviembre 2000).
• Stage Profesional-Estudios de Optimización y Tecnologías Rolla-Missouri University, EE.UU., DOE RUN Perú SRL (Julio 2000).
• Promoción de Gerente de Sistemas y Telecomunicaciones, DOE RUN Perú SRL (Setiembre 1999).
• Mención Honrosa del Gerente General., Centromin Perú (1994).
• Beca para el grado de Master of Science en computación, CAPES, Centro Técnico Aeroespacial (CTA)-Instituto Tecnológico de Aeronáutica (ITA) (Marzo 1991 – Marzo 1993).
• Beca para Ingenieros de Sistemas, Centromin Perú (Marzo 1987 – Marzo 1988).