El Efecto Globo: identificación de regiones propensas a la producción de coca

La lucha contra las drogas, especialmente contra la cocaína, ha empleado una gran porción de los recursos económicos, ambientales y humanos de Colombia en las últimas cuatro décadas. No obstante, no parece que haya avances significativos en la reducción del tráfico de cocaína ni en la reducción de c...

Full description

Autores:
Moreno Pabón, Juan Sebastián
Tipo de recurso:
Work document
Fecha de publicación:
2018
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/41027
Acceso en línea:
http://hdl.handle.net/1992/41027
Palabra clave:
Efecto Globo
Cultivos ilícitos
Hoja de coca
Machine learning
Subbagging
B49, K42, P37
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:La lucha contra las drogas, especialmente contra la cocaína, ha empleado una gran porción de los recursos económicos, ambientales y humanos de Colombia en las últimas cuatro décadas. No obstante, no parece que haya avances significativos en la reducción del tráfico de cocaína ni en la reducción de cultivos de coca. Una de las principales razones por la que las estrategias que atacan la oferta de narcotráfico han fracasado es el llamado Efecto Globo, según el cual represiones en la producción de drogas de una región están asociados a aumentos en otras regiones por efectos de desplazamiento. Con el objetivo de reducir de manera definitiva los cultivos de coca en Colombia durante la implementación de los acuerdos de paz, se busca identificar los municipios susceptibles a las consecuencias del Efecto Globo, es decir, encontrar los municipios que son potencialmente cocaleros a través de un ejercicio de predicción. Este ejercicio permitirá alertar al gobierno para que implemente políticas focalizadas que eviten el desarrollo de producción de hoja de coca. La metodología empírica se centra en técnicas de análisis supervisado de aprendizaje de máquinas (machine learning), en particular ensambles de modelos a través de subbagging, los cuales permiten el desarrollo de un modelo de predicción agregado que pueda clasificar los municipios potencialmente cocaleros.