La pregunta principal es si el uso del algoritmo para priorizar inspecciones incrementa la productividad de los inspectores y la efectividad en la detección de fraude frente al proceso vigente de asignación basado en criterio experto. Dos preguntas complementarias: el impacto sobre la productividad, medida por inspecciones realizadas, tasas de acierto y consumo recuperado por inspector; y la costo-efectividad del algoritmo frente al proceso vigente, considerando costos de implementación, operación e inspección.
El vacío de conocimiento es claro. Las empresas de la región usan cada vez más el aprendizaje automático para detectar anomalías en los datos de consumo que puedan indicar fraude (Lee y Kim, 2023; Romero-Ben et al., 2023), y el problema no es exclusivo del agua: las pérdidas eléctricas promedian 17% de la energía inyectada a la red (Jiménez Mori et al., 2014). Sin embargo, esta literatura es mayormente descriptiva y se apoya en comparaciones retrospectivas que no separan el efecto del algoritmo del sesgo de selección, dejando a las empresas sin evidencia creíble sobre las ganancias esperables.
La teoría de cambio es directa: con el personal de inspección existente, los recursos para operar el algoritmo y los datos históricos de facturación, el proyecto diseña un protocolo de datos, institucionaliza el algoritmo en la unidad de pérdidas comerciales y capacita a los inspectores. El producto es un algoritmo que prioriza las conexiones con mayor probabilidad predicha de fraude, lo que debería elevar la tasa de confirmación y el número de inspecciones diarias y, con el tiempo, reducir las pérdidas aparentes y mejorar la recuperación de ingresos, la recaudación de multas y la sostenibilidad financiera.
La metodología es un ECA prospectivo aleatorizado por sector operativo. De los 110 sectores (unas 720.000 conexiones activas), los elegibles se asignarán aleatoriamente a tratamiento (prioridad definida por AquaData) o control (proceso vigente). La muestra se restringe a conexiones residenciales activas (89% de los contratos y 80% del consumo) y excluye sectores remotos o inseguros bajo un criterio geográfico ex ante. La aleatorización por sector mitiga derrames entre conexiones vecinas. La intervención es el uso del algoritmo para priorizar casos, no la inspección en sí, que es el mecanismo de validación en campo. El impacto se estimará por intención de tratar mediante MCO, con errores agrupados por sector y controles de línea de base, verificando el balance entre grupos.
Los resultados se miden con datos administrativos de la EPMAPS: (a) proporción de inspecciones con infracción confirmada; (b) inspecciones por inspector por día laborable; (c) ingresos recuperados por ajustes de facturación y multas; (d) recaudación efectiva de las notificaciones emitidas, frente a una línea de base de 30-40%; y (e) índice de pérdidas aparentes por unidad operativa.
Los recursos del Fondo financiarán el diseño del protocolo, la digitalización de registros de inspección, la implementación y monitoreo del despliegue aleatorizado, el análisis y la difusión.
Detalle del proyecto
País
Ecuador
Número de proyecto
EC-T1647
Fecha de aprobación
-
Etapa del proyecto
Preparación
Tipo de proyecto
Cooperación Técnica
Sector
AGUA Y SANEAMIENTO
Subsector
ABASTECIMIENTO DE AGUA EN ZONAS URBANAS
Instrumento de préstamo
-
Código del instrumento de préstamo
-
Modalidad
-
Tipo de establecimiento
-
Categoría de Impacto Ambiental y Social (ESIC)
-
Costo Total
USD 150,000.00
Financiamiento de Contrapartida del País
-
Cantidad
USD 150,000.00