Modelo para la compensación ecológica en la gobernanza de proyectos mediante la predicción de métricas de CO₂ equivalente

Abstract

La investigación tiene como finalidad el diseño de un modelo de compensación ecológica orientado a mitigar los efectos del deterioro ambiental derivados de la gobernanza de proyectos. Si bien este ámbito ha transitado históricamente de una visión centrada en la eficiencia operativa a la incorporación progresiva de criterios de sostenibilidad, aún se evidencia una debilidad metodológica en la incorporación efectiva de la compensación ecológica en los principales estándares internacionales de gestión de proyectos, como PMBOK y PRINCE2. El marco teórico del estudio se fundamenta en la convergencia de tres enfoques complementarios: el pospositivista, que aborda los impactos ambientales como realidades objetivas susceptibles de medición a través de variables cuantificables, tales como las emisiones de gases de efecto invernadero o los créditos de carbono; el pragmático, que privilegia la generación de soluciones operativas mediante la integración de técnicas estadísticas avanzadas y criterios cualitativos asociados a tipologías y esquemas de certificación; y el enfoque biocéntrico-bioético, que incorpora una dimensión normativa al sostener que la compensación no debe limitarse a un cálculo económico, sino fundamentarse en principios de justicia ambiental y en la salvaguarda del valor intrínseco de la vida. Este enfoque integrador contribuye al fortalecimiento de la teoría de la gobernanza de proyectos al ampliar su alcance hacia dimensiones ambientales, políticas y económicas. En el plano institucional, el modelo se articula con los compromisos internacionales asumidos en el marco del Acuerdo de París, favoreciendo esquemas de gobernanza ambiental más consistentes, mientras que, desde la perspectiva económica, incorpora criterios analíticos que optimizan la toma de decisiones en inversión sostenible y la selección de créditos de carbono en el mercado voluntario. El principal aporte metodológico de la investigación se fundamenta en la contrastación sistemática entre modelos multivariados tradicionales y técnicas de aprendizaje estadístico, particularmente Elastic Net y Random Forest: el primero permite estabilizar los coeficientes y depurar los predictores relevantes, mientras que el segundo identifica relaciones no lineales y patrones complejos entre las variables. La integración de ambas aproximaciones da lugar a un modelo analíticamente más robusto, parsimonioso y replicable, con mayor capacidad explicativa para la gobernanza ambiental de proyectos. La solidez del modelo se manifiesta en su capacidad para abordar de forma simultánea la multicolinealidad y la alta dimensionalidad de los datos mediante una penalización combinada L1/L2 propia del enfoque Elastic Net. Este procedimiento permitió una disminución significativa del error estándar residual, que pasó de 277.700 a 129.200, evidenciando una mejora sustancial en la estabilidad estadística del modelo y en la consistencia de sus estimaciones predictivas. En términos de desempeño comparativo, el modelo alcanza un R^2ajustado de 0,77 en datos de prueba, superando ampliamente al Random Forest (R^2\approx0,49), lo que demuestra una mayor capacidad explicativa y utilidad para la toma de decisiones gerenciales en compensación ecológica. La parsimonia se respalda empíricamente por la eliminación automática de aproximadamente del 66% a 78% de las 232 variables originales, reteniendo únicamente entre 50 y 78 predictores relevantes sin pérdida de poder predictivo. La validez del modelo se garantiza mediante un esquema de validación out-of-sample 70/15/15 aplicado a 3.897 registros del Berkeley Carbon Trading Project, donde los hiperparámetros (\lambda, \alpha) se optimizan en validación y el desempeño final se evalúa exclusivamente en prueba, lo que asegura la ausencia de sobreajuste, la reproducibilidad y la trazabilidad. Finalmente, el modelo genera una ecuación lineal interpretable, alineada con los principios bioéticos de transparencia y gobernanza ambiental. El estudio se apoya en la base de datos del Berkeley Carbon Trading Project, lo que refuerza su rigor y su utilidad para fortalecer estrategias (ASG) ambiental, social y de gobernanza y responder a los retos urgentes del cambio climático.

The research aims to design an ecological compensation model to mitigate the environmental degradation resulting from project governance. While this field has historically shifted from a focus on operational efficiency to the progressive incorporation of sustainability criteria, a methodological weakness remains in the effective integration of ecological compensation into major international project management standards, such as PMBOK and PRINCE2. The study's theoretical framework is based on the convergence of three complementary approaches: the post-positivist approach, which addresses environmental impacts as objective realities measurable through quantifiable variables, such as greenhouse gas emissions or carbon credits; the pragmatic approach, which prioritizes the generation of operational solutions through the integration of advanced statistical techniques and qualitative criteria associated with typologies and certification schemes; and the biocentric-bioethical approach, which incorporates a normative dimension by arguing that compensation should not be limited to an economic calculation, but rather based on principles of environmental justice and the safeguarding of the intrinsic value of life.

This integrative approach contributes to strengthening project governance theory by broadening its scope to include environmental, political, and economic dimensions. At the institutional level, the model aligns with the international commitments undertaken under the Paris Agreement, fostering more consistent environmental governance frameworks. From an economic perspective, it incorporates analytical criteria that optimize decision-making in sustainable investment and the selection of carbon credits in the voluntary market. The research's main methodological contribution lies in the systematic comparison between traditional multivariate models and statistical learning techniques, particularly Elastic Net and Random Forest: the former allows for stabilizing coefficients and refining relevant predictors, while the latter identifies nonlinear relationships and complex patterns among variables. The integration of both approaches results in a more analytically robust, parsimonious, and replicable model with greater explanatory power for the environmental governance of projects.

The model's robustness is evident in its ability to simultaneously address multicollinearity and high dimensionality in the data through a combined L1/L2 penalty characteristic of the Elastic Net approach. This procedure allowed for a significant reduction in the residual standard error, from 277,700 to 129,200, demonstrating a substantial improvement in the model's statistical stability and the consistency of its predictive estimates. In terms of comparative performance, the model achieves an adjusted R² of 0.77 in test data, significantly outperforming the Random Forest (R² ≥ 0.49), thus demonstrating greater explanatory power and utility for managerial decision-making in ecological compensation. Parsimony is empirically supported by the automatic elimination of approximately 66% to 78% of the original 232 variables, retaining only 50 to 78 relevant predictors without loss of predictive power. Model validity is ensured through a 70/15/15 out-of-sample validation scheme applied to 3,897 records from the Berkeley Carbon Trading Project. In this scheme, hyperparameters (λ, α) are optimized during validation, and final performance is evaluated exclusively during testing, ensuring the absence of overfitting, reproducibility, and traceability. Finally, the model generates an interpretable linear equation, aligned with the bioethical principles of transparency and environmental governance. The study relies on the Berkeley Carbon Trading Project database, which reinforces its rigor and its usefulness for strengthening environmental, social, and governance (ESG) strategies and addressing the urgent challenges of climate change.