La desagregación espacial fina responde a una limitación recurrente en la planeación económica, ambiental y territorial: muchos indicadores oficiales se reportan en unidades administrativas amplias, mientras las decisiones de política, inversión, focalización y evaluación requieren mayor resolución geográfica. Indicadores como producción económica, emisiones, demanda de servicios, exposición a amenazas o uso de recursos suelen estar disponibles a escala nacional o regional, lo que restringe el análisis subnacional y la identificación de heterogeneidades internas. Frente a esta brecha, se formula una metodología basada en redes neuronales de grafos para asignar estadísticas agregadas a unidades espaciales más pequeñas, conservando la consistencia con los totales reportados.

La arquitectura utiliza el sistema H3 de indexación hexagonal jerárquica, que ofrece una grilla global consistente, relaciones fijas de vecindad y vínculos explícitos entre resoluciones. Cada combinación de unidad administrativa y año se representa como un grafo espacial multiescala, donde las celdas finas incorporan atributos derivados de población, luminosidad nocturna, entorno construido, infraestructura, cobertura terrestre y uso del suelo. La red neuronal propaga información entre celdas vecinas y conexiones jerárquicas para capturar contexto local y multiescalar, mientras aprende una superficie de intensidad no negativa asociada al indicador que se busca distribuir. El problema central es estadísticamente complejo, porque múltiples asignaciones finas pueden reproducir el mismo total agregado. Por esta razón, la metodología no pretende observar una verdad espacial única, sino seleccionar una distribución estable, interpretable y transferible dentro del conjunto de soluciones factibles. La consistencia se garantiza mediante restricciones contables: las intensidades estimadas en las celdas se agregan dentro de cada unidad administrativa y se ajustan a los valores oficiales. Esta formulación permite entrenar el modelo sin etiquetas a escala fina, apoyándose en restricciones a nivel agregado y en sesgos inductivos derivados de la estructura espacial, la jerarquía administrativa, la similitud de atributos y la no negatividad de las estimaciones.

La aplicación empírica toma el PIB como caso representativo y distribuye valores nacionales o regionales en celdas H3 de resolución 6 para el periodo 2015-2024. Las variables explicativas provienen de cuatro fuentes públicas principales: población de WorldPop, luminosidad nocturna anual, variables de OpenStreetMap asociadas a vías, edificaciones y puntos de interés, y coberturas de suelo derivadas de MODIS. Los objetivos económicos se construyen con PIB regional cuando está disponible a nivel ADM1 o ADM2; en ausencia de esta información se utiliza PIB nacional para asegurar cobertura geográfica completa. Todos los valores se expresan en dólares constantes de 2015, lo que facilita comparabilidad temporal y entre países. Los resultados muestran ventajas frente a una red neuronal que solo utiliza atributos de celda sin estructura relacional. Mientras el modelo de referencia presenta sobreajuste y una capacidad limitada de generalización, con un R² de 0,765 en validación regional, la red neuronal de grafos incorpora suavización espacial, vínculos jerárquicos y transferencia de información desde áreas vecinas y agregados superiores. Esta estructura mitiga la escasez de información a resolución fina y preserva heterogeneidad local sin generar asignaciones arbitrarias. La regularización temporal también reduce variaciones inestables entre años, manteniendo coherencia en la intensidad económica relativa de las celdas.

La capacidad de inferencia global constituye uno de los aportes más relevantes. El modelo se entrena con agregados nacionales y subnacionales de un conjunto amplio de países, y luego estima todas las celdas H3 R6 del mundo, incluso en territorios sin PIB subnacional observado. Al aprender patrones desde países con sistemas estadísticos regionales más desarrollados, transfiere reglas de asignación hacia contextos con menor disponibilidad de datos. Además, las celdas pueden agregarse nuevamente a resoluciones superiores o límites administrativos sin reestimación, manteniendo coherencia entre escalas.

La metodología abre una ruta para producir superficies espaciales de alta resolución aplicables a indicadores económicos, sociales y ambientales. Su carácter general permite integrar nuevas fuentes geoespaciales, combinar microdatos con estadísticas administrativas y ampliar el uso de datos abiertos para análisis territorial, gestión pública, evaluación de desigualdades, medición de exposición y seguimiento de dinámicas económicas a escala local.

Para leer más ingrese a:

https://openknowledge.worldbank.org/entities/publication/ecc731d2-7428-46a7-ac55-45084188a7bf

https://openknowledge.worldbank.org/server/api/core/bitstreams/c21a0df9-4ad7-473a-ac6d-6a21a31e73a3/content