Inteligencia artificial y planeación presupuestaria en México: promesas y retos en América Latina para la asignación del gasto público

Artificial Intelligence and Budget Planning in Mexico: Promises and Challenges in Latin America for Public Spending Allocation

DOI: https://doi.org/10.69733/clad.ryd.n85.a234
Publicado
2023-01-01
David Valle-Cruz
Vanessa Fernández-Cortez
J. Ramón Gil-García

Resumen (es)

La elaboración del presupuesto público es un proceso complejo que depende de una gran cantidad de factores, incluyendo la consideración de recursos escasos y la calidad de la información disponible. La inteligencia artificial (IA) tiene el potencial de descubrir modelos que ayuden a explicar fenómenos sociales complejos, como el proceso de planeación presupuestaria. Sin embargo, actualmente existen pocos trabajos que exploran la aplicación de la IA en este contexto. Este artículo tiene como objetivo proponer una perspectiva algorítmica del análisis del presupuesto público de México, al explorar el potencial del perceptrón multicapa y los algoritmos genéticos multiobjetivo para la asignación de recursos a cada uno de los gastos del presupuesto. La pregunta que guía la investigación es: ¿cuál es el potencial del perceptrón multicapa y los algoritmos genéticos multiobjetivo en la toma de decisiones en cuanto a la asignación del presupuesto público mexicano? El estudio analiza los datos abiertos del Banco Mundial relacionados con el presupuesto de gastos de México y datos para la medición de la pobreza provistos por el Consejo Nacional de Evaluación de la Política de Desarrollo Social para el periodo 1990-2020. También, se identifican algunas limitaciones del trabajo derivadas de la complejidad inherente en el proceso de asignación del gasto público. El modelo mostró indicadores que permiten comprender la importancia de los gastos del presupuesto público mexicano para promover el desarrollo económico, así como potencialmente reducir la inflación y la desigualdad. Del análisis, basado en técnicas de IA, se encontró que los aspectos más importantes para generar un presupuesto público efectivo y eficiente deben enfocarse, principalmente, en combatir la pobreza, invertir en el sector agrícola, incentivar la industria, generar políticas para la mejora del sector salud, así como promover la investigación y el desarrollo.

Palabras clave (ES): Presupuesto, Inteligencia Artificial, Gasto Público, Toma de Decisiones, Sector Público, México

Resumen (en)

Public budgeting is a complex process that depends on multiple factors, including the consideration of scarce resources and the quality of available information. Artificial intelligence (AI) has the potential to discover models that help explain complex social phenomena, such as the budget planning. However, currently there is little work exploring the application of AI in this context. This paper aims to propose an algorithmic perspective for the allocation of public budget in Mexico by exploring the potential of multilayer perceptron and multi-objective genetic algorithms. The guiding research question is: what is the potential of the multilayer perceptron and multi-objective genetic algorithms in decision making regarding the allocation of the Mexican public budget? The study analyzes open data from the World Bank related to Mexico’s expenditure budget and poverty measurement data provided by the National Council for the Evaluation of Social Development Policy for the period 1990-2020. Additionally, some limitations of this work derived from the inherent complexity of the public expenditure allocation are identified. The model showed indicators that allow us to understand the importance Mexican public budget expenditures in promoting economic development, as well as potentially reducing inflation and inequality. From the analysis, based on AI techniques, it was found that the most important aspects to generate an effective and efficient public budget should focus mainly on fighting poverty, investing in the agricultural sector, encouraging industry, generating policies for the improvement of the health sector, as well as promoting research and development.

Palabras clave (EN): Budget, Artificial Intelligence, Public Expenditure, Decisions Making, Public Sector, Mexico

David Valle-Cruz, Universidad Autónoma del Estado de México

Profesor de la Universidad Autónoma del Estado de México, integrante del Sistema Nacional de Investigadores Nivel 1 y miembro de Laboratorio de Innovación e Inteligencia Artificial: i-Lab. Profesor de la Escuela de Negocios de la Universidad de las Américas Puebla en México. Ingeniero en Computación, máster en Informática y doctor en Ciencias Económico-Administrativas. Ha sido investigador visitante en el Center for Technology in Government (CTG), SUNY Albany, New York; y en el Laboratorio de Ciencias de la Computación y Sistemas Multiagentes del CINVESTAV, Guadalajara, México. Editor del “Handbook of Research on Applied Artificial Intelligence and Robotics for Government Processes” publicado en IGI Global y ponente en la NASA Space App Challenge. Obtuvo el premio al mejor artículo de investigación por la Digital Government Society. Ha publicado en Government Information Quarterly, Cognitive Computation, First Monday, Information Polity, e International Journal of Public Sector Management, entre otras revistas. Sus intereses de investigación están relacionados con la inteligencia artificial aplicada y la ciencia de datos para la toma de decisiones estratégica.

Vanessa Fernández-Cortez, Universidad Autónoma del Estado de México

Licenciada en Contabilidad y máster en Finanzas por su trabajo sobre la optimización de carteras de inversión con algoritmos genéticos. Doctoranda en Finanzas en el Instituto de Estudios Superiores en Finanzas, México. Su interés de investigación está relacionado con la inteligencia artificial aplicada al mercado de valores y a los presupuestos públicos. Recibió el premio a la mejor investigación de la Conferencia Internacional Anual sobre Investigación en Gobierno Digital de 2020 por su trabajo “Towards Smarter Public Budgeting? Understanding the Potential of Artificial Intelligence Techniques to Support Decision Making in Government”. Es coautora del artículo “Does Twitter Affect Stock Market Decisions? Financial Sentiment Analysis During Pandemics: a Comparative Study of the H1N1 and the COVID-19 Periods”, publicado en la revista Cognitive Computation. Actualmente es profesora del Departamento de Finanzas de la Universidad Autónoma del Estado de México.

J. Ramón Gil-García, Universidad de las Américas Puebla

Profesor investigador del Departamento de Administración y Políticas Públicas y director del Centro de Tecnología en el Gobierno de la Universidad Estatal de Nueva York en Albany. Miembro de la Academia Mexicana de Ciencias y del Sistema Nacional de Investigadores de México Nivel III. En 2013 fue seleccionado para el Premio a la Investigación de la Academia Mexicana de Ciencias. Fue nombrado “Una de las 100 personas más influyentes en el gobierno digital a nivel mundial” por Apolitical en 2018 y 2019. Recibió un premio inaugural de la Sociedad de Gobierno Digital (DGS). Es profesor de la Escuela de Negocios de la Universidad de las Américas Puebla en México, profesor afiliado del Centro Nacional para el Gobierno Digital de la Universidad de Massachusetts Amherst y profesor afiliado del Programa de Doctorado en Ciencias de la Información del Colegio de Gestión de Emergencias, Seguridad Nacional y Ciberseguridad de la Universidad Estatal de Nueva York en Albany, Estados Unidos.

Referencias

Acevedo, M. (2020), “Ajuste fiscal para financiar gastos derivados de la pandemia de Coronavirus (COVID-19)”, Santiago, Ministerio de Hacienda. Dirección de Presupuestos. Comisión Mixta de Presupuestos. Afonso, A.; Schuknecht, L.; y Tanzi, V. (2010), “Income Distribution Determinants and Public Spending Efficiency”, en The Journal of Economic Inequality, Vol. 8 N° 3, pp. 367-389.

Aladejare, S. A. (2019), “Testing the Robustness of Public Spending Determinants on Public Spending Decisions in Nigeria”, en International Economic Journal, Vol. 33 N° 1, pp. 65-87.

Aladejare, S. A. (2020), “Are Public Spending Determinants Significant in Per Capita Budget Spending Decisions in Nigeria?”, en International Journal of Finance and Economics, Vol. 27 N° 1, pp. 192-206. Alizamir, M.; Kim, S.; Kisi, O.; y Zounemat-Kermani, M. (2020), “A Comparative Study of Several Machine Learning Based Non-Linear Regression Methods in Estimating Solar Radiation: Case Studies of the USA and Turkey Regions”, en Energy, Vol. 197, Article 117239.

Anthony, M. y Bartlett, P. L. (2009), Neural Network Learning: Theoretical Foundations, Cambridge, Cambridge University Press.

Banco de México (2018), “Crecimiento económico y productividad”, en Informe trimestral: julio-septiembre 2018, México, Banco de México, pp. 19-23.

Baumol, W. J. (1967), “Macroeconomics of Unbalanced Growth: the Anatomy of Urban Crisis”, en The American Economic Review, Vol. 57 N° 3, pp. 415-426.

Boden, M. A. (1998), “Creativity and Artificial Intelligence”, en Artificial Intelligence, Vol. 103 Nos. 1-2, pp. 347-356.

Calderón, C. y Sánchez, I. (2012), “Crecimiento económico y política industrial en México”, en Problemas del Desarrollo, Vol. 43 N° 170, pp. 125-154.

Carrillo, V.; Jiménez, A.; Medina, V.; y González, M. J. (2021), “Implementación del Presupuesto Público Basado en Desempeño: una revisión sistemática de la literatura empírica”, en Revista del CLAD Reforma y Democracia, N° 79, pp. 77-116.

Revista del CLAD Reforma y Democracia, No. 85, Mar. 2023 David Valle-Cruz, Vanessa Fernández-Cortez y J. Ramón Gil-García Castellano, C. Q. (2013), “La toma de decisiones organizacionales en un proceso de reforma administrativa. El gobierno digital en un municipio de Jalisco, México”, en Estado, Gobierno y Gestión Pública, N° 22, pp. 87-128.

Chan, S.-G. y Karim, M. A. Z. (2012), “Public Spending Efficiency and Political and Economic Factors: Evidence from Selected East Asian Countries”, en Economic Annals, Vol. 57 N° 193, pp. 7-23.

Congreso de la Unión de México (2007), “Manual de ‘presupuesto de egresos de la federación’”, México, Cámara de Diputados. Centro de Estudios de las Finanzas Públicas (Serie de Cuadernos de Finanzas Públicas, 2007), https://www.cefp.gob.mx/intr/edocumentos/pdf/cefp/cefp0582007.pdf

Crenshaw, E. (1992), “CrossNational Determinants of Income Inequality: a Replication and Extension Using EcologicalEvolutionary Theory”, en Social Forces, Vol. 71 N° 2, pp. 339-363.

De Haan, J. y Sturm, J.-E. (1997), “Political and Economic Determinants of OECD Budget Deficits and Government Expenditures: a Reinvestigation”, en European Journal of Political Economy, Vol. 13 N° 4, pp. 739-750.

Dhanalakshmi, S.; Kannan, S.; Mahadevan, K.; y Baskar, S. (2011), “Application of Modified NSGA-II Algorithm to Combined Economic and Emission Dispatch Problem”, en International Journal of Electrical Power and Energy Systems, Vol. 33 N° 4, pp. 992-1002.

Dhar, V. (2013), “Data Science and Prediction”, en Communications of the ACM, Vol. 56 N° 12, pp. 64-73.

Dobrescu, E. (2015), “BARS Curve in Romanian Economy”, en Amfiteatru Economic, Vol. 17 N° 39, pp. 693-705.

Dragomirescu-Gaina, C. (2015), “An Empirical Inquiry into the Determinants of Public Education Spending in Europe”, en IZA Journal of European Labor Studies, Vol. 4 N° 1, pp. 1-24.

Dwivedi, Y. K. …[et al] (2019), “Artificial Intelligence (AI): Multidisciplinary Perspectives on Emerging Challenges, Opportunities, and Agenda for Research, Practice and Policy”, en International Journal of Information Management, Vol. 57, Article 101994.

Engin, Z. y Treleaven, P. (2019), “Algorithmic Government: Automating Public Services and Supporting Civil Servants in Using Data Science Technologies”, en The Computer Journal, Vol. 62 N° 3, pp. 448- 460, https://doi.org/10.1093/comjnl/bxy082

Revista del CLAD Reforma y Democracia, No. 85, Mar. 2023 Facchini, F. (2018), “What Are the Determinants of Public Spending? An Overview of the Literature”, en Atlantic Economic Journal, Vol. 46 N° 4, pp. 419-439.

FAO (2019), FAO Investment Centre: Annual Review 2019, Rome, FAO, https://www.fao.org/documents/card/en/c/cb0464en

Fernández-Cortez, V.; Valle-Cruz, D.; y Gil-García, J. R. (2020), “Can Artificial Intelligence Help Optimize the Public Budgeting Process? Lessons about Smartness and Public Value from the Mexican Federal Government”, paper presented at the 2020 Seventh International Conference on eDemocracy and eGovernment (ICEDEG), Buenos Aires, Argentina, April 22-24, pp. 312- 315.

Filgueiras, F. (2021), “Inteligencia Artificial en la Administración pública: ambigüedad y elección de sistemas de IA y desafíos de gobernanza digital”, en Revista del CLAD Reforma y Democracia, N° 79, pp. 5-38.

Floreano, D. y Mattiussi, C. (2008), Bio-Inspired Artificial Intelligence: Theories, Methods, and Technologies, Cambridge, MIT Press.

Flores, M. D.; Acolt, R. G.; y Tagle, M. Á. O. (2011), “El proceso presupuestario en México”, en Revista Universo Contábil, Vol. 7 N° 1, pp. 144-158.

Fonchamnyo, D. C. y Sama, M. C. (2016), “Determinants of Public Spending Efficiency in Education and Health: Evidence from Selected CEMAC Countries”, en Journal of Economics and Finance, Vol. 40 N° 1, pp. 199-210.

Fraile, M. y Ferrer, M. (2005), “Explaining the Determinants of Public Support for Cuts in Unemployment Benefits Spending across OECD Countries”, en International Sociology, Vol. 20 N° 4, pp. 459-481.

Gil-García, J. R. y Luna-Reyes, L. F. (2003), “Towards a Definition of Electronic Government: a Comparative Review”, en TechnoLegal Aspects of the Information Society and New Economy: an Overview, Badajoz, Formatex.

Gómez, C. A. (2004), “El presupuesto público en la gestión eficiente de los municipios”, en INNOVAR: Revista de Ciencias Administrativas y Sociales, Vol. 14 N° 24, pp. 105-111.

Gruber, J. (2005), Public Finance and Public Policy, New York, Macmillan.

Heim, J. J. (2016), “Do Government Stimulus Programs Have Different Effects in Recessions, or by Type of Tax or Spending Program?”, en Empirical Economics, Vol. 51 N° 4, pp. 1333-1368.

Hindman, M. (2015), “Building Better Models: Prediction, Replication, and Machine Learning in the Social Sciences”, en The Annal of the American Academy of Political and Social Science, Vol. 659 N° 1, pp. 48-62.

Hopfield, J. J. (1988), “Artificial Neural Networks”, en IEEE Circuits and Devices Magazine, Vol. 4 N° 5, pp. 3-10.

Jensen, C. (2012), “Two Sides of the Same Coin? Left-Wing Governments and Labour Unions as Determinants of Public Spending”, en SocioEconomic Review, Vol. 10 N° 2, pp. 217-240.

Jordan, M. I. (2019), “Artificial Intelligence: the Revolution Hasn’t Happened Yet”, en Harvard Data Science Review, Vol. 1 N° 1.

Kaldor, N. (1966), “Marginal Productivity and the MacroEconomic Theories of Distribution: Comment on Samuelson and Modigliani”, en The Review of Economic Studies, Vol. 33 N° 4, pp. 309-319.

Karim, A. y Noy, I. (2020), “Risk, Poverty or Politics? The Determinants of Subnational Public Spending Allocation for Adaptive Disaster Risk Reduction in Bangladesh”, en World Development, Vol. 129, Article 104901.

Kim, Y. S. (2008), “Comparison of the Decision Tree, Artificial Neural Network, and Linear Regression Methods Based on the Number and Types of Independent Variables and Sample Size”, en Expert Systems with Applications, Vol. 34 N° 2, pp. 1227-1234.

Kopańska, A. y Asinski, R. (2019), “Fiscal and Political Determinants of Local Government Involvement in Public-Private Partnership (PPP)”, en Local Government Studies, Vol. 45 N° 6, pp. 957- 976.

Leiderman, L. y Razin, A. (1991), “Determinants of External Imbalances: the Role of Taxes, Government Spending, and Productivity”, en Journal of the Japanese and International Economies, Vol. 5 N° 4, pp. 421-450.

Lin, S. A. Y. (1994), “Government Spending and Economic Growth”, en Applied Economics, Vol. 26 N° 1, pp. 83-94.

Marsh, R. M. (2015), “Determinants of Income Inequality in the Early TwentyFirst Century: a Cross-National Study”, en Comparative Sociology, Vol. 14 N° 2, pp. 219-251.

McCall, J. (2005), “Genetic Algorithms for Modelling and Optimisation”, en Journal of Computational and Applied Mathematics, Vol. 184 N° 1, pp. 205-222.

McCausland, W. D. y Theodossiou, I. (2015), “The Consequences of Fiscal Stimulus on Public Debt: a Historical Perspective”, en Cambridge Journal of Economics, Vol. 40 N° 4, pp. 1103-1116.

McCulloch, W. S. y Pitts, W. (1943), “A Logical Calculus of the Ideas Immanent in Nervous Activity”, en The Bulletin of Mathematical Biophysics, Vol. 5 N° 4, pp. 115-133.

McInnes, M. D. F. …[et al] (2018), “Preferred Reporting Items for a Systematic Review and MetaAnalysis of Diagnostic Test Accuracy Studies: the PRISMADTA Statement”, en Jama, Vol. 319 N° 4, pp. 388-396.

McLaren, L. y Dutton, D. J. (2020), “The Social Determinants of Pandemic Impact: an Opportunity to Rethink What We Mean by ‘Public Health Spending’”, en Canadian Journal of Public Health, Vol. 111 N° 4, pp. 451-453.

Medina, O. V. (2020), La ejecución presupuestal y su relación en el manejo de la epidemia COVID-19 bajo el Decreto de Urgencia 051- 2020 en las regiones del Perú, Arequipa, Universidad Nacional de San Agustín de Arequipa. Tesis de Maestría.

Michalski, R. S.; Carbonell, J. G.; y Mitchell, T. M. (eds.) (2013), Machine Learning: an Artificial Intelligence Approach, Berlin, Springer Science and Business Media.

Miller, T. (2019), “Explanation in Artificial Intelligence: Insights from the Social Sciences”, en Artificial Intelligence, Vol. 267, pp. 1-38, https://doi.org/10.1016/j.artint.2018.07.007

Minsky, M. L. y Papert, S. A. (1969), Perceptrons, Cambridge, MIT Press.

Mitchell, D. J. (2005), “The Impact of Government Spending on Economic Growth”, en The Heritage Foundation, N° 1813, pp. 1-18.

Mitchell, M. (1998), An Introduction to Genetic Algorithms Mitchell, Cambridge, MIT Press.

Mogues, T. (2015), “Political Economy Determinants of Public Spending Allocations: a Review of Theories, and Implications for Agricultural Public Investment”, en The European Journal of Development Research, Vol. 27 N° 3, pp. 452-473.

Musgrave, R. A. (1973), Public Finance in Theory and Practice, Tokyo, McGraw-Hill Kogakusha.

Ono, Y. (2011), “The Keynesian Multiplier Effect Reconsidered”, en Journal of Money, Credit and Banking, Vol. 43 N° 4, pp. 787- 794.

Oszlak, O. (2020), “Los impactos de la ‘era exponencial’ sobre la gestión pública en los países emergentes”, en Revista del CLAD Reforma y Democracia, N° 76, pp. 5-38.

Ros, J. (2004), El crecimiento económico en México y Centroamérica: desempeño reciente y perspectivas, Santiago, CEPAL.

Russell, S. y Norvig, P. (2002), Artificial Intelligence: a Modern Approach, New Jersey, Pearson.

Russo, F. y Verzichelli, L. (2016), “Government Ideology and Party Priorities: the Determinants of Public Spending Changes in Italy”, en Italian Political Science Review/ Rivista Italiana Di Scienza Politica, Vol. 46 N° 3, pp. 269- 290.

Salvador, M. y Ramió, C. (2020), “Capacidades analíticas y gobernanza de datos en la Administración pública como paso previo a la introducción de la Inteligencia Artificial”, en Revista del CLAD Reforma y Democracia, N° 77, pp. 5-36.

Selçuk, A. A. (2019), “A Guide for Systematic Reviews: Prisma”, en Turkish Archives of Otorhinolaryngology, Vol. 57 N° 1, pp. 57-58.

Solt, F. (2009), “Standardizing the World Income Inequality Database”, en American Economic Review, Vol. 90 N° 2, pp. 231-242.

Stevens, J. P. (2012), Applied Multivariate Statistics for the Social Sciences, New York, Routledge.

Sun, T. Q. y Medaglia, R. (2019), “Mapping the Challenges of Artificial Intelligence in the Public Sector: Evidence from Public Healthcare”, en Government Information Quarterly, Vol. 36 N° 2, pp. 368- 383, https://doi.org/10.1016/j.giq.2018.09.008

Swarnkar, Agrani y Swarnkar, Anil (2020), “Artificial Intelligence Based Optimization Techniques: a Review”, en Intelligent Computing Techniques for Smart Energy Systems, Akhtar Kalam …[et al] (eds.), Singapore, Springer (Lecture Notes in Electrical Engineering; Vol. 607), pp. 95-103.

Tames, L. A. L.; Campos, B. C.; y Navarro, F. A. C. (2020), “Inteligencia artificial para la transformación digital en toma de decisiones”, en Tecnología Vital, Vol. 1 N° 7.

Tang, Y. (2020), “Government Spending on Local Higher Education Institutions (LHEIs) in China: Analysing the Determinants of General Appropriations and their Contributions”, en Studies in Higher Education, Vol. 47 N° 2, pp. 1-14.

Transparencia Presupuestaria (2020), Presupuesto de egresos de la federación 2020, México, Secretaría de Hacienda y Crédito Público.

Valle-Cruz, D. (2019), “Public Value of E-Government Services through Emerging Technologies”, en International Journal of Public Sector Management, Vol. 32 N° 5, https://doi.org/10.1108/IJPSM-03-2018-0072

Valle-Cruz, D.; FernándezCortez, V.; y Gil-García, J. R. (2021), “From E-Budgeting to Smart Budgeting: Exploring the Potential of Artificial Intelligence in Government Decision-Making for Resource Allocation”, en Government Information Quarterly, Vol. 39 N° 2, https://doi.org/10.1016/j.giq.2021.101644

Valle-Cruz, D.; Gil-García, J. R.; y Fernández-Cortez, V. (2020), “Towards Smarter Public Budgeting? Understanding the Potential of Artificial Intelligence Techniques to 46 Revista del CLAD Reforma y Democracia, No. 85, Mar. 2023 Support Decision Making in Government”, paper presented at the 21st Annual International Conference on Digital Government Research, Seoul, Republic of Korea, June 15-19, pp. 232-242.

Velázquez, D. (2015), “El efecto del gasto público en el ciclo económico: una visión alternativa”, en Estudios Económicos (México, D.F.), Vol. 30 N° 1, pp. 93-140.

Wang, E. y Alvi, E. (2011), “Relative Efficiency of Government Spending and its Determinants: Evidence from East Asian Countries”, en Eurasian Economic Review, Vol. 1 N° 1, pp. 3-28.

Wang, S.; Zhao, D.; Yuan, J.; Li, H.; y Gao, Y. (2019), “Application of NSGA-II Algorithm for Fault Diagnosis in Power System”, en Electric Power Systems Research, Vol. 175, Article 105893.

Wassmer, R. W.; Lascher, E. L.; y Kroll, S. (2009), “SubNational Fiscal Activity as a Determinant of Individual Happiness: Ideology Matters”, en Journal of Happiness Studies, Vol. 10 N° 5, pp. 563- 582.

West, P. M.; Brockett, P. L.; y Golden, L. L. (1997), “A Comparative Analysis of Neural Networks and Statistical Methods for Predicting Consumer Choice”, en Marketing Science, Vol. 16 N° 4, pp. 370-391.

Wildavsky, A. B. y Caiden, N. (1988), The New Politics of the Budgetary Process, Scott, Foresman Glenview.

Yu, X. y Gen, M. (2010), Introduction to Evolutionary Algorithms, London, Springer Science and Business Media.

Zhou, Y.; Cao, S.; Kosonen, R.; y Hamdy, M. (2020), “MultiObjective Optimisation of an Interactive Buildings-Vehicles Energy Sharing Network with High Energy Flexibility Using the Pareto Archive NSGA-II Algorithm”, en Energy Conversion and Management, Vol. 218, Article 113017.

Dimensions

PlumX

Descargas

Los datos de descarga aún no están disponibles.

Visitas

59

Cómo citar

Inteligencia artificial y planeación presupuestaria en México: promesas y retos en América Latina para la asignación del gasto público. (2023). Revista Del CLAD Reforma Y Democracia, 85, 5-52. https://doi.org/10.69733/clad.ryd.n85.a234

Artículos similares

También puede Iniciar una búsqueda de similitud avanzada para este artículo.