Data para el Manuscrito: Inteligencia Artificial y Ciberseguridad en la Bioeconomía Ande-Amazónica y Mesoamericana
Description
Descripción del Conjunto de Datos: El conjunto de datos (dataset_bioeconomia_latam.csv) analizado en este estudio corresponde a un panel de datos fuertemente balanceado, simulado estocásticamente para capturar las trayectorias bioeconómicas. Alcance Espacial: Tres (3) países: Bolivia, Honduras, México. Alcance Temporal: Treinta y dos (32) años, desde 1995 hasta 2026. Observaciones Totales: N x T = 3 x 32 = 96 observaciones. Semilla de Reproducibilidad: set.seed(2026) (garantiza la replicación exacta de los valores estocásticos descritos en la investigación). Diccionario de Variables: El modelo subyacente es una Función de Producción Cobb-Douglas Modificada (modelo Jach'a Qh'anax) Variable 1: K_verde (tipo: continua) CAPITAL VERDE. Inversión acumulada en tecnologías limpias y capital natural. Generado mediante camino aleatorio con variación positiva y término de interacción tecnológica. Parámetro Alpha = 0.3 Variable 2. L_bio (tipo: continua) Trabajo Bioeconómico. Fuerza laboral orientada a sectores bioeconómicos. Parámetro Beta = 0.4 Variable 3. B_fondo (tipo: continua) Fondo Biocultural. Acervo de saberes ancestrales y gestión territorial. Crecimiento estocástico acumulativo constante Bo = 50. Parámetro Gama = 0.25 Variable 4: CIA_index (tipo: continua) Índice ConciencIA. Indicador de innovación tecnológica y conciencia biocultural (escala 30-95, modelado exponencialmente post-2015). Parámetro Delta = 0.005 Variable 5: Y_bio_base (tipo: continua) PIB Bioeconómico Teórico aplicando el modelo: $Y_{base} = 10 \cdot K_{verde}^{0.3} \cdot L_{bio}^{0.4} \cdot B_{fondo}^{0.25} \cdot e^{0.005 \cdot CIA}$ (si se lo pone en formato ecuación se ven los supra y subíndices apropiadamente). Variable 6: Y_bio (tipo: continua) PIB Bioeconómico Observado. Incorpora inercia dinámica (rezago AR1): $Y_{bio, t} = 0.4 \cdot Y_{bio, t-1} + 0.6 \cdot Y_{bio, base, t} + \varepsilon_t$ (si se lo pone en formato ecuación se ven los supra y subíndices apropiadamente). Notas Metodológicas: Estimación GMM El diseño empírico incluye una variable dependiente rezagada ($Y_{bio, t-1}$) para modelar rigideces temporales e inercias en la transición hacia la bioeconomía. Dado que la inclusión de rezagos en un panel de datos con efectos fijos genera sesgo de Nickell, el script proporciona el entorno de datos necesario para aplicar el Método Generalizado de Momentos (GMM) para paneles dinámicos (estimadores Arellano-Bond / Blundell-Bond) mediante el uso del paquete pgmm en R.
Files
Steps to reproduce
Código Fuente de Reproducibilidad (R Script) El siguiente script contiene la rutina completa de generación y simulación. # ============================================================================== # SCRIPT DE REPRODUCIBILIDAD: BIOECONOMÍA ANDE-AMAZÓNICA Y MESOAMERICANA # Autor: Quiroga Canaviri, J. L. # Descripción: Simulación del panel, estimación GMM y visualización. # ============================================================================== # 1. PREPARACIÓN DEL ENTORNO paquetes <- c("plm", "pgmm", "stargazer", "ggplot2", "dplyr", "tidyr") nuevos_paquetes <- paquetes[!(paquetes %in% installed.packages()[,"Package"])] if(length(nuevos_paquetes)) install.packages(nuevos_paquetes) library(plm) library(pgmm) library(stargazer) library(ggplot2) library(dplyr) # 2. SIMULACIÓN DEL PANEL DE DATOS (1995-2026) set.seed(2026) # Nota: Excluido Nicaragua de la muestra final. N=3. paises <- c("Bolivia", "Honduras", "Mexico") anios <- 1995:2026 n_paises <- length(paises) n_anios <- length(anios) total_obs <- n_paises * n_anios # Estructura base del panel data_panel <- expand.grid(anio = anios, pais = paises) data_panel <- data_panel %>% arrange(pais, anio) # 3. GENERACIÓN ESTOCÁSTICA DE VARIABLES data_panel <- data_panel %>% group_by(pais) %>% mutate( # Fondo Biocultural (b_fondo) b_fondo = cumsum(runif(n_anios, 0.01, 0.05)) * 100 + 50, # Índice ConciencIA (cia_index) cia_index = ifelse(anio < 2015, runif(n_anios, 10, 30), seq(30, 95, length.out = n_anios) + rnorm(n_anios, 0, 5)), # Trabajo (l_bio) y Capital Verde (k_verde) l_bio = 1000 + cumsum(rnorm(n_anios, 10, 5)), k_verde = 500 + cumsum(rnorm(n_anios, 25, 10)) + (cia_index * 1.5), # PIB Bioeconómico Base (Función Jach'a Qh'anax) y_bio_base = 10 * (k_verde^0.3) * (l_bio^0.4) * (b_fondo^0.25) * exp(0.005 * cia_index) ) %>% ungroup() # 4. INTRODUCCIÓN DE DINÁMICA AUTORREGRESIVA (AR1) data_panel$y_bio <- 0 for (i in 1:nrow(data_panel)) { if (data_panel$anio[i] == 1995) { data_panel$y_bio[i] <- data_panel$y_bio_base[i] } else { data_panel$y_bio[i] <- 0.4 * data_panel$y_bio[i-1] + 0.6 * data_panel$y_bio_base[i] + rnorm(1, 0, 50) } } # 5. EXPORTACIÓN DEL DATASET write.csv(data_panel, "dataset_bioeconomia_latam.csv", row.names = F