Mapas autoorganizados basados en redes neuronales para predecir casos de corrupción en diferentes horizontes de pronóstico sirven como herramienta para luchar contra la corrupción, un mal endémico de nuestro país en los últimos años.
Los mapas autoorganizados son un tipo de redes neuronales artificiales que imitan las funciones del cerebro. Estos mapas pueden asignar patrones repetitivos a partir de grandes cantidades de información sin necesidad de explicitar las relaciones subyacentes a ellos.
Gracias a estas capacidades, los mapas autoorganizados son un instrumento adecuado para identificar patrones de comportamiento y obtener una representación gráfica de grandes cantidades de datos. Por lo tanto, pueden ser una buena forma de predecir la corrupción.
Investigadores de la Universidad de Valladolid han desarrollado esta red neuronal para modelizar y predecir la corrupción pública basándose en factores económicos y políticos. El estudio ha sido publicado en la revista Social Indicators Research.
Puesto que los recursos públicos para combatir la corrupción son limitados, es necesario centrar los esfuerzos en aquellas áreas que serán afectadas por la corrupción con mayor probabilidad. Los científicos coinciden en que la corrupción debe detectarse en las etapas más tempranas posibles para tomar medidas correctivas y preventivas.
Los investigadores utilizaron una base de datos de casos de corrupción política en España. Desarrollaron un modelo de alerta temprana y pronóstico de la corrupción en las regiones de España sobre la base de factores macroeconómicos y políticos. Este modelo ofrece diferentes opciones para los riesgos de corrupción, dependiendo de la situación económica de la región y el momento del pronóstico.
De acuerdo con los resultados del estudio, los factores económicos pueden usarse para predecir la corrupción. Los científicos han revelado que la corrupción puede ser estimulada por el crecimiento económico, el aumento de los precios de la vivienda, así como un aumento en el número de entidades de depósito y las empresas no financieras.
También resultó que el crecimiento de la corrupción está relacionado con la permanencia en el poder de un mismo partido político. Los investigadores pueden predecir la ocurrencia de casos de corrupción en un periodo de hasta tres años, dependiendo de las características de una región en particular.
Mientras que en algunas regiones, la corrupción se puede predecir mucho antes de que ocurra y adoptar medidas preventivas, en otros casos el período de pronóstico es mucho más pequeño y requiere medidas urgentes de política para eliminarlo. El método de los científicos consiste en un complejo algoritmo con un conjunto de conexiones no lineales, en el que los factores de predisposición a la corrupción cambian con el tiempo.
«Hemos desarrollado un nuevo enfoque, que tiene tres características. En primer lugar, en contraste con estudios anteriores que se basan principalmente en la percepción de la corrupción, hemos utilizado los datos sobre casos reales de corrupción”, explica Felix J. López-Iturriaga, investigador de la Escuela Superior de Economía y la Universidad de Valladolid.
En segundo lugar, han usado redes neuronales, un método muy adecuado en este caso, ya que no hace suposiciones sobre la distribución de datos. Las redes neuronales son un instrumento de modelización potente y flexible que no implica limitar las hipótesis sobre el proceso de creación de datos o leyes estadísticas con respecto a las variables relevantes.
En tercer lugar, proponen la previsión de casos de corrupción para diferentes horizontes de tiempo, de modo que sea posible desarrollar medidas anticorrupción con diferente antelación. “Nuestro modelo nos permite desarrollar esquemas para la aparición de la corrupción para diferentes escenarios”, explica López-Iturriaga.
