Análisis de reducción de tasas de natalidad en Colombia: un enfoque con técnicas de aprendizaje automático

RESUMEN : Actualmente, la tasa de natalidad y mortalidad a nivel global muestra un alto dinamismo con una tendencia marcada hacia la disminución, lo que refleja cambios demográficos significativos, concentrados en diversas regiones [1]. En este contexto y desde una perspectiva nacional, las pirámides poblacionales en Colombia ya evidencian modificaciones notables en su estructura, mostrando una mayor concentración de población joven para el año 2023 y una proyección de aumento en la proporción de habitantes en edades avanzadas en los próximos años [2]. Esta evolución, es una clara consecuencia de la disminución en las tasas de natalidad y mortalidad en el país. En este sentido y de acuerdo con el último boletín técnico reportado por el DANE, sobre estadísticas vitales en Colombia se ha evidenciado una marcada disminución en la cantidad de nacimientos de los años 2019 al 2023, lo cual significa en cifras un decrecimiento porcentual del 9,6% del año 2022 al 2023 y del 15,2% del 2023 a lo corrido del 2024 [3]. Este declive, genera gran expectativa sobre el comportamiento de esta variable a futuro y el estudio de sus implicaciones económicas y sociales. Este proyecto se enfoca en analizar la reducción de la tasa de natalidad en Colombia, a partir de los microdatos estadísticos entregados por el DANE para los años 2019 a 2022 [4], utilizando técnicas de aprendizaje automático. Incluyendo dentro del ejercicio, las características demográficas asociadas a la población muestreada y sus efectos políticos, sociales, económicos o culturales, con base en la evidencia científica y literaria disponible en las bases de datos actuales. Se realizó una predicción de la tasa de natalidad utilizando los modelos de machine learning Random Forest, Árbol de Decisión y XGBoost, encontrando resultados muy positivos en cuanto al ajuste de los datos predichos en comparación con las muestras utilizadas para entrenar los modelos. Se identificó al modelo XGBoost como el que presentó las mejores métricas de desempeño, evidenciando una mayor precisión en la predicción de la tasa de natalidad y permitiendo analizar su relación con las características demográficas asociadas. Se espera que los resultados obtenidos permitan identificar tendencias futuras y ofrezcan insumos para la formulación de políticas públicas, con el fin de mitigar posibles impactos negativos en el comportamiento de esta variable.

• Autores: Largo Quintero, Lida Vanessa; Valencia Cadena, Sebastian
• Tipo de recurso: Tesis
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/44526
• Acceso en línea: https://hdl.handle.net/10495/44526
• Palabra clave: Tasa de natalidad; Birth Rate; Análisis de datos; Data analysis; Aprendizaje automático (inteligencia artificial); Machine learning; Demografía; Demography; Técnicas de predicción; Forecasting techniques; http://vocabularies.unesco.org/thesaurus/concept2214; https://id.nlm.nih.gov/mesh/D001723
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/