III. Cuando la medida se vuelve el objetivo
Pregunta 3: ¿se puede manipular la medida?
Imagen: humo sobre el noroeste de India, NASA Earth Observatory (VIIRS), 2024, dominio público.
Dónde queda Punjab
- Un estado agrícola en la frontera con Pakistán — alrededor del 1.5% del territorio de India
- Dos cosechas al año: arroz en verano, trigo en invierno. Lo que queda de la paja de arroz se llama rastrojo
- Sus campos quedan 200–300 km al noroeste de Delhi, y el viento le manda a la capital casi todo el humo agrícola que llega cada invierno
Por qué queman, y por qué nadie los detuvo
- El arroz se corta en octubre; el trigo tiene que sembrarse en cuestión de semanas
- Quemar limpia una parcela en un día — la maquinaria tarda más y cuesta más
- El Tribunal Verde Nacional de India lo prohibió en 2015
- La prohibición quedó en el papel: los agricultores de Punjab tienen mucho peso político
El problema: ¿cómo detienes a cientos de miles de agricultores que hacen algo rápido, barato y que ya es ilegal?
Foto: Neil Palmer (CIAT), 2011, CC BY-SA 2.0, vía Wikimedia Commons. Fuente: Dasgupta (2026).
Los incendios desaparecieron. ¿Y el humo?
Para 2024 Punjab registró 10,909 incendios — unos 70% menos que en 2023 y el nivel más bajo del registro satelital. El gobierno lo celebró.
PM2.5 es contaminación del aire muy fina: cualquier partícula de menos de 2.5 milésimas de milímetro, humo y hollín incluidos. Lo bastante pequeña para pasar de la nariz y la garganta a los pulmones, y de ahí a la sangre.
La guía de la OMS para un solo día es 15. El promedio mensual de Delhi rebasa 200.
Los incendios desaparecieron. ¿Y el humo?
![Dos paneles de series de tiempo apilados, de 2020 a 2024, alineados en los mismos meses. El panel de arriba, incendios detectados en Punjab, muestra picos de noviembre que se desploman de unos 64,000 en 2021 a unos 6,600 en 2024. El panel de abajo, PM2.5 en Delhi, muestra picos de noviembre que se mantienen casi a la misma altura: 226 en 2021 y 232 en 2024.]()
Coméntalo con quien tengas al lado: los incendios bajaron y el humo no. ¿Qué podría explicarlo?
Sombreado: la temporada de octubre a diciembre a la que apuntó la política; los picos más chicos de primavera quedan fuera. Línea vertical punteada: empiezan las metas, septiembre de 2022. Línea verde punteada: guía de la OMS. Redibujado de Dasgupta (2026), Fig. 2 — VIIRS y PM2.5 de la embajada de Estados Unidos en Delhi, leídos de la figura, así que son cercanos pero no exactos. El aire de Delhi tiene otras fuentes también.
Los satélites tienen horario de oficina
Imagina una cámara de velocidad que solo se enciende a la hora de la comida.
- Una quema dura dos o tres horas. Si la prendes a media tarde, ya es ceniza fría cuando algo vuelve a pasar por encima.
- Así que la meta eran los incendios detectados. No los incendios.
Esquema. Varios satélites cruzan en la ventana de 10:30 a 13:30; la animación manda uno solo. Fuente: Dasgupta (2026).
Una parcela, cinco días después
8 de noviembre de 2021 — ardiendo Punjab, 31.1°N 74.6°E
![Fotografía satelital en color verdadero de campos de Punjab: parcelas verdes de riego, otras color café ya cosechadas, una aldea. Una densa columna de humo blanco sube de la parcela marcada con el círculo y se va hacia el sureste.]()
Humo blanco sobre la parcela marcada.
13 de noviembre de 2021 — quemada El mismo círculo, la misma parcela
![La misma escena en color verdadero cinco días después, desde el mismo punto de vista. El humo ya no está y la parcela dentro del círculo, junto con varias vecinas, es suelo quemado gris oscuro.]()
Ya no hay fuego: el suelo quedó gris oscuro.
La llama dura horas. La huella dura semanas. Un incendio cuenta solo si algo estaba encima mientras ardía; la cicatriz sigue ahí después. Así encuentra Dasgupta los incendios que faltan.
Color verdadero, como lo vería el ojo desde la órbita. Sentinel-2, 10 m por pixel, 4.6 km de ancho. Contiene datos modificados de Copernicus Sentinel (2021) — antes de que empezaran las metas.
¿Por qué ayudarían los funcionarios a esconder las quemas?
Los horarios de paso son públicos. Un agricultor con unas cuantas hectáreas no los va a consultar.
Hacer cumplir la ley significaba confrontar a los vecinos. El funcionario de incendios vive en la aldea. Los agricultores se juntaban a amenazarlo.
El jefe de distrito necesitaba que bajara el conteo. En el servicio civil indio, los puestos y los ascensos dependen de verse eficaz.
Así que había una salida más fácil. Avisarles a los agricultores cuándo pasa el satélite. El conteo baja y nadie se confronta.
A nadie le han comprobado que lo hiciera. Lo que muestra la evidencia es el incentivo, y un patrón de incendios escondidos que encaja con él.
Y fíjate a quién estaban midiendo: no a los agricultores, sino a los funcionarios.
Fuente: Dasgupta (2026), con entrevistas a funcionarios de Punjab; el artículo trata al jefe de distrito y a los funcionarios de aldea como una sola unidad de decisión. Es un mecanismo plausible y consistente con la evidencia, no una conspiración observada directamente.
¿Comparado con qué?
Supongamos que los incendios bajaron en todas partes ese año porque el clima fue distinto. ¿Cómo sabríamos que las metas de Punjab sirvieron de algo?
![]()
Mismo clima, mismos suelos, mismos cultivos — distinta política. ¿Bajaron los incendios en Punjab más de lo que bajaron justo del otro lado de la frontera?
Por cada 100 incendios que desaparecieron, unos 22 de verdad se evitaron
Los investigadores compararon lo que detectaron los satélites con lo que dicen las cicatrices de quema que de verdad pasó.
Imagina 100 incendios que desaparecen del registro oficial de Punjab.
A dónde se fue en realidad la caída oficial
| De verdad se evitaron — la parcela no se quemó |
22 |
| Se quemaron igual — solo que sin nadie mirando |
78 |
Así que la quema sí bajó — pero ni de cerca tanto como decía el registro.
Dasgupta (2026), Cuadros 1–2: la brecha transfronteriza en incendios detectados se redujo en unos 100 incendios por cada 100 km² por temporada, de los cuales unos 22 fueron una caída real. Son dos efectos estimados escalados a un 100 redondo, no un conteo de incendios individuales.
¿Qué salió mal?
- ¿Qué quería el gobierno? Menos parcelas quemadas.
- ¿Qué midió? Los incendios que algún satélite alcanzó a ver.
- ¿Qué pasó con la quema? Se movió fuera de la vista del satélite.
- ¿Qué hizo el número? Bajó 100. La quema bajó unos 22.
Ley de Goodhart. Cuando una medida se vuelve un objetivo, deja de ser una buena medida — porque ahora alguien tiene razones para mover el número en lugar de mover la cosa.
La versión anticorrupción: detectar menos violaciones no es lo mismo que haya menos violaciones.
¿Juzgar a los funcionarios con números?
Estás a cargo de frenar la quema agrícola en Punjab. Los funcionarios necesitan presión para aplicar la ley, pero las metas numéricas fomentan la trampa. ¿Qué harías?
Opción A: mantener metas estrictas.
- Tienen que reducir el número de incendios registrados.
- Sin metas, pocos incentivos para aplicar la ley.
- El riesgo: esconder incendios para que los números se vean mejor.
Opción B: quitar las metas.
- Ya no se les premia por bajar un solo número.
- Pueden concentrarse en evitar la quema, no en la estadística.
- El riesgo: sin metas medibles, ¿cómo sabemos que hacen su trabajo?
En parejas: ¿A o B? ¿Pueden diseñar algo mejor?
¿Y si el gobierno quiere que los números se vean bien?
En Punjab la meta les dio a los funcionarios una razón para esconder incendios, y casi toda la mejora aparente parece ser justo eso. Pero ese gobierno sí quería que la quema parara.
Ahora quita ese supuesto. ¿Y si el número que halaga al gobierno es exactamente lo que el gobierno busca?
IV. Cuando el problema es el Estado
Pregunta 3 otra vez: ¿quién controla la herramienta — y unos datos que el Estado no posee pueden alcanzarlo de todos modos?
Imagen: Utah Data Center, Swilsonmc, CC BY-SA 3.0, vía Wikimedia Commons.
¿Le puedes creer a la boleta de calificaciones de un gobierno?
Un presidente sale en televisión: “La economía creció 6% el año pasado.”
- ¿Por qué decirlo? El crecimiento hace que un gobierno se vea competente — gana elecciones, calma a los mercados y mantiene callados a los rivales.
- ¿Quién produjo el número? Una agencia de estadística que ese mismo gobierno financia, integra y puede presionar.
- ¿Entonces quién lo revisa? En una democracia: partidos de oposición, tribunales, prensa libre. Donde eso es débil, cuestionar la cifra oficial se vuelve mucho más difícil.
El problema: ¿cómo le calificas la tarea a un gobierno que se la califica solo?
El 6% es inventado. Todos los gobiernos tienen el incentivo; lo que cambia es si alguien dentro del país puede hacer algo al respecto. Fuente: Martinez (2022).
¿Por qué una economía que crece brillaría más?
El PIB es el valor de todo lo que un país produce en un año — lo que está en los anaqueles, el acero, los cortes de pelo.
- Producir más consume más energía. Las fábricas alargan turnos, abren más tiendas y oficinas, más camiones se mueven de noche.
- Las economías que crecen construyen. Más casas, más carreteras, más alumbrado público.
- Todo eso se ve desde la órbita. Un satélite fotografía el mismo suelo cada noche y registra qué tan brillante está.
Pero la luz no es el PIB. Un país agrícola puede producir muchísimo y brillar poco; los focos eficientes recortan la luz sin recortar la producción. Las luces nocturnas son una pista que el gobierno no controla — no una medida de la economía.
Fuente: Martinez (2022), con luces nocturnas DMSP-OLS, 1992–2013.
Los países más ricos sí brillan más
![Diagrama de dispersión log-log de luz nocturna por persona contra PIB por persona para 154 países. La nube de puntos sube con claridad; Etiopía queda abajo a la izquierda y Estados Unidos arriba a la derecha, con México, China, India y Nigeria en medio.]()
Los países más ricos tienden a brillar más. Los puntos suben juntos casi en línea recta.
Y aquí está el punto: un gobierno escribe sus propias cifras de PIB. No escribe las luces.
Pero cuidado. Esto es ricos contra pobres, hoy. Todavía no te dice quién está exagerando.
Un número que el gobierno no puede apagar
- Un gobierno reporta su propio PIB. No opera el satélite
- Así que pon las dos cosas lado a lado: cuando las luces de un país se encienden más, ¿cuánto crecimiento reporta ese año?
- Martinez lo hace para 184 países, de 1992 a 2013, comparando a cada país consigo mismo a lo largo del tiempo
- La prueba: ¿el mismo aumento de brillo compra más crecimiento reportado en una autocracia que en una democracia?
Imagen: NASA Earth Observatory, VIIRS, 2012 — qué tan iluminados están los lugares, no evidencia de que algún gobierno haya falsificado sus cifras. Las luces aproximan la actividad; no son el PIB. Fuente: Martinez (2022).
Las luces y los libros no coinciden
¿Qué aprendimos?
México — ¿puede un algoritmo encontrar los contratos? Sí: seis veces mejor que el azar en lo alto de la lista. Nunca se usó en una auditoría real, así que no sabemos si bajó la corrupción.
India — ¿y si los medidos aprenden la medida? El registro mejoró mucho más que los campos. De cada 100 incendios que salieron del conteo, unos 22 de verdad se evitaron.
Autocracias — ¿unos datos externos pueden sorprender la exageración? Sí, en el patrón: la misma luz compra más crecimiento reportado bajo autocracia. Sorprenderla no es detenerla.
Todas las respuestas son sí, pero. Los tres casos produjeron información nueva. En ninguno fue suficiente, por sí sola.
La tecnología puede volver los actos indebidos mucho más fáciles de detectar. Que además los vuelva menos frecuentes depende de quién tenga el incentivo y el poder de actuar.
Referencias
Adam, I., & Fazekas, M. (2021). Are emerging technologies helping win the fight against corruption? A review of the state of evidence. Information Economics and Policy, 57, 100950. https://doi.org/10.1016/j.infoecopol.2021.100950
Bauhr, M., Czibik, Á., de Fine Licht, J., & Fazekas, M. (2020). Lights on the shadows of public procurement: Transparency as an antidote to corruption. Governance, 33(3), 495–523. https://doi.org/10.1111/gove.12432
Beraja, M., Kao, A., Yang, D. Y., & Yuchtman, N. (2023). AI-tocracy. The Quarterly Journal of Economics, 138(3), 1349–1402. https://doi.org/10.1093/qje/qjad012
Dasgupta, A. (2026). Hidden fires: Real versus measured performance in bureaucracies [Documento de trabajo]. University of California, Merced.
Referencias (continuación)
Fazekas, M., Tóth, I. J., & King, L. P. (2016). An objective corruption risk index using public procurement data. European Journal on Criminal Policy and Research, 22(3), 369–397. https://doi.org/10.1007/s10610-016-9308-z
Klitgaard, R. (1988). Controlling corruption. University of California Press.
Martinez, L. R. (2022). How much should we trust the dictator’s GDP growth estimates? Journal of Political Economy, 130(10), 2731–2769. https://doi.org/10.1086/720458
Medina-Hernández, M., Kertész, J., & Fazekas, M. (2026). Learning from sanctioned government suppliers: A machine learning and network science approach to detecting fraud and corruption in Mexico. Scientific Reports, 16(1), 22382. https://doi.org/10.1038/s41598-026-48873-w