Motor de simulación multinivel del impacto del maíz biofortificado
Una herramienta que simula, a escala nacional y departamental, el efecto de introducir maíz biofortificado en Guatemala desde dos prismas a la vez: el económico para el agricultor y el epidemiológico para la desnutrición crónica infantil.
El programa de biofortificación de New Seed necesitaba conjugar dos dimensiones en simultáneo: cuánto mejoraría la economía de los hogares productores y cómo se vería afectada la desnutrición crónica infantil de las familias de Guatemala
Introducir maíz biofortificado es a la vez una decisión agrícola y una intervención de salud pública. La simulación tenía que sostener las dos lecturas sobre el mismo escenario.
El maíz es el alimento básico de la dieta guatemalteca, y por eso introducir una variedad biofortificada produce efectos en dos planos que no suelen analizarse juntos. En el plano económico, la adopción de la nueva semilla altera la economía de los hogares productores: lo que cultiva, lo que vende, lo que consume su propio hogar y lo que reinvierte. En el plano epidemiológico, el maíz que llega a los hogares modifica la ingesta de micronutrientes de los niños y, con ella, la desnutrición crónica infantil. El reto era construir una única simulación capaz de responder a las dos preguntas para el mismo escenario, de forma que la lectura económica y la sanitaria fueran coherentes entre sí.
A esto se añadía que la decisión rara vez se toma sobre el promedio nacional: un donante o un ministerio necesita saber qué ocurre en cada departamento, y bajo distintas hipótesis de cobertura, de variedad de semilla y de subsidio. La simulación no podía entregar un número, sino un espacio completo de escenarios explorable a la resolución en que se decide.
2 prismas
económico para el agricultor y epidemiológico para la infancia, sobre un mismo escenario
22 departamentos
resolución territorial además del agregado nacional
198 escenarios
precomputados: 11 niveles de penetración por 3 semillas, 3 subsidios y 2 vías de impacto
Una base poblacional fiable, una redistribución que respeta la geografía y un motor que precomputa todos los escenarios
Una población sintética calibrada para construir escenarios departamentales
Para estimar a resolución departamental hacía falta resolver un obstáculo previo: varios departamentos tenían en la encuesta original muestras insuficientes para obtener estimaciones directas con la resolución requerida. Se genera entonces una población sintética infantil reforzando las regiones de muestra crítica con niños de regiones adyacentes, expandiendo por bootstrap estratificado y aplicando un jitter controlado con límites tomados del diccionario de datos. La clave es la calibración: la población resultante se ajusta contra dos referencias independientes —los niveles de ingesta de la encuesta de consumo y la prevalencia de desnutrición por departamento de la encuesta materno-infantil—, de modo que se calibra para reproducir los indicadores y distribuciones de referencia seleccionados en lugar de multiplicar registros.
Una redistribución del producto que respeta la geografía real
Como el maíz no se consume necesariamente donde se cultiva, el excedente de los departamentos productores se redistribuye hacia los deficitarios con un modelo gravitacional: el flujo es mayor cuanto mayor es el déficit del destino y menor cuanto mayor es el tiempo de viaje entre ambos. Esa fricción se calcula sobre una matriz asimétrica de tiempos de conducción reales entre las 22 capitales departamentales, no sobre distancias en línea recta. La formulación sigue a Anderson y van Wincoop (2003), estándar en flujos comerciales interregionales, y conserva la producción total a lo largo del reparto.
Un motor parametrizado que precomputa el espacio de escenarios
Sobre esas dos bases, la adopción se modela como un proceso continuo en el que cada agricultor entra en el reparto en un punto del ranking y convierte una fracción creciente de su producción conforme avanza la cobertura. El motor resuelve de antemano toda la rejilla de decisión —once niveles de penetración del 0 al 100 %, tres generaciones de semilla, tres regímenes de subsidio y las dos vías de estimación del impacto sanitario—, en su versión nacional y departamental. Precomputar, en lugar de calcular al vuelo, es lo que permite que la exploración sea inmediata.
Un dashboard dinámico en Shiny para decidir a nivel multinivel, no un informe estático
Las dos lecturas, económica y sanitaria, sobre cada escenario
Para cualquier combinación de cobertura, semilla y subsidio, el motor entrega a la vez el efecto económico sobre los agricultores y el efecto sobre la desnutrición crónica infantil. Las dos lecturas se sostienen sobre el mismo escenario, de modo que New Seed valora cada decisión con el argumento agrícola y el sanitario juntos y coherentes entre sí, en lugar de en dos análisis separados.
Estimaciones modelizadas a resolución departamental
Los departamentos con menor representación en la encuesta se incorporan a la simulación mediante poblaciones sintéticas calibradas contra referencias nutricionales y de prevalencia. Esto permite comparar escenarios territoriales bajo supuestos explícitos, sin presentar las estimaciones modelizadas como observaciones directas.
Exploración autónoma para decisores no técnicos
Todo el espacio de escenarios se entrega en una aplicación interactiva que traduce las predicciones del modelo en lecturas claras para donantes y equipos directivos. Pueden explorar combinaciones y comparar territorios sin manejar el modelo subyacente: el análisis se convierte en una herramienta que el cliente usa por su cuenta, no en un entregable que solo entiende quien lo construyó.
Qué demuestra este caso sobre nuestra forma de trabajar
Dos prismas en un solo modelo
Integrar la lectura económica del agricultor y la lectura epidemiológica de la infancia en una misma simulación, en lugar de en dos estudios separados, es lo que permite decidir con una imagen completa. Pocas evaluaciones de impacto sostienen ambos planos a la vez sobre el mismo escenario.
Datos sintéticos con criterio, no relleno estadístico
Generar una población sintética no es multiplicar filas: es reconstruir las distribuciones reales calibrando contra fuentes independientes. Permite construir escenarios en territorios con baja representación muestral, preservando la estructura observada y calibrando los resultados contra fuentes externas, sin confundir los registros sintéticos con observaciones reales.
La geografía, dentro del modelo
Modelar la redistribución del producto con tiempos de viaje reales sobre la red de carreteras, y no con distancias teóricas, es lo que hace creíble el impacto territorial. Anclar la formulación en un modelo establecido de flujos comerciales evita simular un impacto que la logística real nunca permitiría.
La culminación de un programa analítico
La simulación no es una pieza aislada: reúne la caracterización del agricultor, la estimación de ingesta y el modelo de impacto sobre la desnutrición en un único motor coherente, donde cada componente alimenta al siguiente. Es el punto en el que todo el trabajo previo se convierte en una herramienta de decisión.
I've been working with Rubén and Julia on a complex modeling project for over a year now, and they have been exceptional partners throughout. As our project has evolved, they have approached every shift collaboratively, receptively, and with flexibility. They have consistently gone above and beyond to ensure we develop both a robust model and a user interface that translates model predictions into clear insights. What we have now is a fully documented, auditable methodology we can put in front of funders and external reviewers with confidence.
Katie Adams
Director of Impact and Cost Effectiveness, New Seed
Capacidades desplegadas en este proyecto
¿Hablamos?
Cuéntanos en qué estás trabajando y te damos una respuesta directa sobre cómo podemos ayudarte.