Resumen
Participan Caroll Francesconi, de la Facultad de Ingeniería de la Universidad San Sebastián (USS, sede Concepción); Reinaldo Valdebenito, del Departamento de Construcción y Prevención de Riesgos de la Universidad Técnica Federico Santa María (sede Concepción); Carlos Aguirre, académico de la Facultad de Arquitectura, Arte y Diseño de la USS (FAAD USS) e investigador principal del Núcleo Milenio Sobre los Desafíos de la Vivienda, NUVIV; y Eric Forcael, también de la Facultad de Ingeniería de la Universidad San Sebastián (sede Concepción).
“Screening Municipal Building Permissions for Sustainable Urban Renewal: An Interpretable Machine Learning Approach with Temporal Validation” ("Análisis de los permisos de obra municipales para una renovación urbana sostenible: un enfoque de aprendizaje automático interpretable con validación temporal") aborda el uso de modelos de machine learning interpretables para la revisión de permisos municipales de construcción. Fue publicado en la revista Buildings el 14 de septiembre de 2026.
Un trabajo elaborado junto a Caroll Francesconi y Eric Forcael, de la Facultad de Ingeniería de la Universidad San Sebastián (USS, sede Concepción), y Reinaldo Valdebenito, del Departamento de Construcción y Prevención de Riesgos de la Universidad Técnica Federico Santa María (sede Concepción).
Francesconi es estudiante de doctorado en Ingeniería USS, dirigida por Forcael y codirigida por Aguirre.
El objetivo fue desarrollar un marco de machine learning interpretable capaz de identificar, a partir de registros administrativos municipales, los casos con mayor riesgo de no aprobación en solicitudes de cambio de destino de inmuebles, evitando fugas de información temporal y sin reemplazar el criterio humano en la revisión de los permisos.
Para construir el modelo, el equipo analizó 42.350 registros municipales de una ciudad de tamaño medio del sur de Chile —Concepción— correspondientes al período 2010-2025, dividiendo la información en tramos de entrenamiento, validación y prueba para evitar distorsiones temporales. El modelo seleccionado, una regresión logística que combina indicadores de riesgo derivados del giro declarado con antecedentes históricos de la propiedad, la dirección y la categoría de actividad, alcanzó un área bajo la curva ROC de 0,778 y una recuperación (recall) de 0,887, señalando para revisión prioritaria un 66,8% de las solicitudes.
El análisis muestra además que el desempeño varía de forma importante según el tipo de actividad: en el caso de locales de alimentación, por ejemplo, el modelo detecta bien los casos de riesgo, pero también genera un alto número de falsas alertas, lo que subraya la importancia de mantener el criterio humano en ciertas categorías.
Conclusiones
Entre sus conclusiones, el estudio plantea que los registros municipales constituyen un recurso institucional valioso para la inteligencia regulatoria cuando se estructuran adecuadamente, y que un modelo interpretable como el propuesto puede apoyar la priorización de casos para revisión humana, sin determinar por sí mismo el cumplimiento normativo ni automatizar decisiones municipales. Los autores plantean que su implementación debiera avanzar de forma gradual, integrarse con información territorial y de zonificación, y contar con protocolos de gobernanza que garanticen un uso transparente y sujeto a revisión.
El estudio contó con el apoyo de la Agencia Nacional de Investigación y Desarrollo (ANID) del Gobierno de Chile, a través de fondos del Doctorado Nacional 2026-21263366 y 2026-21263454, y Fondecyt Regular 1251708, además del financiamiento del Núcleo Milenio Sobre los Desafíos de la Vivienda, NUVIV (NUVIV-NCS2025_059). Los autores agradecen también el apoyo de la Universidad San Sebastián y la Universidad Técnica Federico Santa María.