Priorización de proyectos de inversión pública bajo restricciones presupuestarias: un enfoque híbrido basado en AHP y aprendizaje automático no supervisado

Abstract

Este Trabajo de Fin de Máster propone y valida un modelo híbrido para la priorización de proyectos del Plan Nacional Plurianual de Inversión Pública (PNPIP) de la República Dominicana. El enfoque integra: (i) un puntaje normativo calculado con AHP según el marco SNIP/PNPIP; (ii) aprendizaje no supervisado (K-Means, Ward, GMM y HDBSCAN) para identificar tipologías empíricas de proyectos; y (iii) una optimización lineal entera mixta (MILP) bajo techo presupuestario que articula reglas de diversidad y cuotas. A partir de la evidencia, se adoptan siete clústeres Ward como capa diagnóstica, consolidados en tres estratos (AHP_bajo/medio/alto) para la toma de decisiones. Se comparan cinco estrategias: S0 (AHP puro), S1 (cap institucional), S2 (cuotas por estrato), S3 (cuotas por clúster) y S4 (premios de cobertura institucional/territorial en la función objetivo). La evaluación combina eficiencia (∑score AHP), concentración (HHI institucional y provincial) y coberturas. Los resultados muestran que, en techos intermedios, S2–S4 reducen concentración y amplían coberturas con pérdidas de eficiencia marginales (≤2–3%, ver Anexo 4) respecto a S0; S1 es útil para contener acaparamientos, pero requiere balancearse para no trasladar concentración al plano territorial. El modelo no sustituye al AHP: lo complementa y hace gobernable, transparentando el precio de la diversidad y ofreciendo carteras óptimas condicionadas por reglas explícitas.

Abstract: This thesis develops and validates a hybrid model for prioritizing public investment projects in the Dominican Republic’s PNPIP. The approach integrates: (i) a normative score computed with AHP (aligned with the national SNIP/PNPIP framework); (ii) unsupervised learning (K-Means, Ward, GMM, and HDBSCAN) to uncover empirical project typologies; and (iii) a Mixed-Integer Linear Programming (MILP) model under a budget cap that embeds diversity rules and quotas. Evidence supports seven Ward clusters as a diagnostic layer, consolidated into three strata (low/medium/high AHP) for decision-making. Five strategies are compared: S0 (pure AHP), S1 (institutional cap), S2 (strata quotas), S3 (cluster quotas), and S4 (institutional/territorial coverage incentives in the objective). Performance is assessed through efficiency (∑AHP score), concentration (institutional and provincial HHI), and coverage. Results indicate that, at intermediate budgets, S2–S4 decrease concentration and expand coverage with marginal efficiency losses (≤2–3%, see Annex 4) relative to S0; S1 curbs institutional dominance but should be combined with other rules to avoid territorial concentration. The model does not replace AHP: it complements and operationalizes it, making the price of diversity explicit and delivering optimal portfolios conditioned by transparent rules.