Senado pide a Rosario Piedra atender los temas que aquejan a la CNDH
Nuevo método para construir escenarios prospectivos mediante regresiones lineales
Introducción
En los últimos cuarenta años, la prospectiva estratégica se ha afianzado como herramienta de referencia para anticipar futuros posibles; sin embargo, la mayoría de sus aplicaciones descansa en métodos netamente cualitativos, como la construcción narrativa de escenarios o los talleres de expertos, con poca o nula modelación estadística
La literatura especializada reconoce que la ausencia de una base numérica clara puede convertir los escenarios en “visiones atractivas, aunque no necesariamente factibles”, reduciendo su utilidad operativa en la planificación pública, corporativa o territorial
Entre los antecedentes de esta convergencia sobresale el Trend Impact Analysis (TIA), que parte de la extrapolación estadística de series históricas y la ajusta con eventos disruptivos identificados por expertos
En respuesta a este vacío metodológico, el presente artículo introduce el “Método mixto de construcción de escenarios mediante regresiones lineales”. La propuesta se apoya en tres pilares:
· Modelación lineal de la serie temporal completa para obtener el escenario tendencial (business-as-usual).
· Segmentación experta de los datos históricos para identificar subconjuntos representativos de desempeño máximo (ideal) y mínimo (catastrófico), excluyendo anomalías estadísticas mediante un filtro |z| > 3.
· Comparación de las tres proyecciones a través de bandas de predicción al 95 %, cuya lectura se traduce en un semáforo de riesgo destinado a la toma de decisiones.
Con ello se busca superar las limitaciones de los enfoques puramente cualitativos, aportando un esquema operacional que conserve la riqueza interpretativa de la prospectiva, pero anclado en evidencia numérica y criterios de reproducibilidad. Las secciones siguientes presentan el marco teórico, describen paso a paso la metodología, ilustran su aplicación en un estudio de caso y discuten sus implicaciones prácticas para la planificación estratégica y la formulación de políticas públicas.
Antecedentes
La literatura sobre prospectiva estratégica muestra una marcada preferencia por enfoques cualitativos basados en narrativas, los cuales facilitan la creatividad pero limitan la verificabilidad y la utilidad operativa de los escenarios. Diversos autores demandan la incorporación de técnicas cuantitativas, en particular la extrapolación estadística, para dotar de rigor numérico a la construcción de futuros. Entre las propuestas híbridas, el Trend Impact Analysis y las variantes de análisis de escenarios con regresión lineal representan intentos destacados, aunque suelen requerir supuestos probabilísticos complejos o bases de datos amplias. El método mixto de construcción de escenarios mediante regresiones lineales se posiciona como una adaptación simplificada: combina la estimación de tendencias históricas con un procedimiento cualitativo de segmentación de datos extremos, evitando mecanismos de validación sofisticados y manteniendo la transparencia y reproducibilidad del proceso.
La prospectiva se ha consolidado como práctica clave para anticipar futuros plausibles y preparar decisiones estratégicas. La revisión de Amer, Daim y Jetter identifica la construcción de escenarios como la técnica más difundida, subrayando su raíz esencialmente cualitativa basada en relatos coherentes sobre incertidumbres críticas
Aunque la creatividad narrativa resulta valiosa, su aplicación aislada conlleva tres problemas principales: (i) ausencia de parámetros numéricos verificables, (ii) dificultad para comparar escenarios entre proyectos o disciplinas y (iii) vulnerabilidad a sesgos de grupo. Estas carencias reducen la adoptabilidad de los resultados por actores gubernamentales y corporativos que exigen métricas objetivas para sustentar decisiones de política, presupuesto o inversión.
Las propuestas de fortalecer la prospectiva con métodos estadísticos parten, en su forma más sencilla, de la regresión lineal aplicada a series temporales para proyectar un escenario tendencial. En finanzas y macroeconomía, la práctica de contrastar “best-case” y “worst-case” derivados de variaciones en el crecimiento histórico ilustra la utilidad de linealizar segmentos de datos para derivar trayectorias alternativas. Pese a su simplicidad, estas aproximaciones cuantitativas suelen quedar relegadas a anexos técnicos y no integran la visión cualitativa que domina el discurso prospectivo.
El Trend Impact Analysis (TIA) representa uno de los primeros intentos formales de hibridar extrapolación estadística con juicio experto: parte de una proyección “libre de sorpresas” y la ajusta mediante la inserción de eventos disruptivos ponderados por probabilidad e impacto. Aplicaciones recientes en ciberseguridad y salud ilustran su capacidad predictiva, aunque también evidencian su dependencia de matrices de eventos difíciles de parametrizar. Otro grupo de enfoques mixtos recurre al método Delphi para asignar valores a las variables de estrés utilizadas en modelos económicos o energéticos, pero exige paneles extensos y rondas iterativas.
El método mixto de construcción de escenarios mediante regresiones lineales contribuye a esta tradición híbrida con tres rasgos distintivos:
· Selección experta de subconjuntos históricos: identifica al menos tres observaciones de máximo y mínimo desempeño, filtradas con criterio estadístico (|z| > 3) para excluir anomalías, y las modela con regresión lineal independiente.
· Triada de escenarios con fundamento numérico: la línea tendencial, la ideal y la catastrófica se obtienen directamente de la geometría de los datos, reforzando la trazabilidad de supuestos frente a métodos puramente narrativos.
· Simplicidad operativa y transparencia: al limitarse a métricas clásicas (R², p-value), el procedimiento se mantiene accesible para organizaciones con capacidades analíticas básicas o que requieren de una estimación de escenarios rápida, sin sacrificar rigor estadístico esencial.
La propuesta presentada en este artículo responde a la necesidad de equilibrar profundidad cualitativa y verificabilidad cuantitativa en la prospectiva, proporcionando una herramienta intermedia que se alinea con las recomendaciones de la literatura para fortalecer la base empírica de los escenarios y, al mismo tiempo, conserva la flexibilidad interpretativa requerida para su aplicación en entornos de alta incertidumbre
Datos y fuentes con los que se puede usar este método
La metodología requiere indicadores con cobertura histórica continua y actualización periódica. Para series de nivel nacional se privilegia la API del Banco de Indicadores del INEGI, que ofrece más de 200 000 series económicas, sociales y ambientales con periodicidad mensual, trimestral y anual, accesibles en formato JSON, CSV o XML
En materia macroeconómica, el World Economic Outlook (WEO) del FMI provee series anuales sobre crecimiento, inflación y balanza de pagos para más de 190 economías desde 1980, con proyecciones oficiales a cinco años
Esta pluralidad de fuentes garantiza la portabilidad del método: se puede modelar desde el índice nacional de capacidad estatal hasta métricas de sostenibilidad urbana o desempeño educativo, siempre que la variable se exprese como serie de tiempo en intervalo o razón.
Criterios de selección y depuración
Las series candidatas deben cumplir cuatro requisitos básicos:
· Longitud mínima de diez observaciones para asegurar grados de libertad suficientes en la regresión.
· Periodicidad homogénea; se evitan fusiones mensuales-anuales que introduzcan autocorrelación estructural.
· Fuente oficial o académica revisada (INEGI, WDI, OECD, FMI, ONU) para reducir riesgo de revisiones retroactivas.
· Metadatos completos (definición, cobertura, método de recopilación) para evaluar consistencia metodológica.
La depuración arranca con un filtro de valores atípicos: se descartan observaciones cuyo |z-score| > 3, umbral recomendado para distribuciones aproximadamente normales
Metodología propuesta
A continuación se describe, paso a paso, el método mixto de construcción de escenarios mediante regresiones lineales, usando ejemplos con datos reales tomados del Índice de Democracia reportados por The Economist para México
Adquisición y depuración de la serie temporal
Después de obtener la serie cronológica del indicador elegido, se inspeccionan metadatos y consistencia metodológica para descartar revisiones retroactivas. Valores faltantes se imputan con técnicas simples (promedio móvil o interpolación lineal), documentando cualquier sustitución. Posteriormente, se calcula el z-score de cada observación; aquellas con |z| > 3 se consideran anomalías y se excluyen, salvo decisión contraria justificada por expertos.
Estimación del escenario tendencial
El modelo del escenario tendencial, también conocido como “business-as-usual”, se modela con regresión lineal por mínimos cuadrados ordinarios sobre la serie completa. Esto puede hacerse en programas como Excel (la línea de tendencia que se genera automáticamente sobre las gráficas elaboradas en sus hojas de cálculo se obtiene con este método), R y Python, entre otros. La fórmula matemática que se emplea es la siguiente:
Donde yt es el valor del indicador en el periodo t; B0 y B1 se obtienen minimizando
Los coeficientes pueden estimarse con software estadístico para obtener los parámetros, errores estándar y R2.
Estimación de los escenarios ideal y catastrófico
El paso siguiente consiste en aislar las porciones de la serie que caracterizan los futuros ideal y catastrófico. El razonamiento que respalda el que se puedan seleccionar porciones de la misma serie de tiempo para modelar estos escenarios se basa en que, como este indicador ya tuvo un determinado comportamiento, es posible que este se pueda replicar en el futuro o, en otras palabras, si ese comportamiento ya ocurrió, puede volver a ocurrir.
El criterio operativo se apoya en la dinámica de las pendientes: se detectan los tramos donde la tendencia local exhibe la mayor inclinación positiva —si el crecimiento del indicador es deseable—, para modelar el escenario ideal y, de forma análoga, los tramos con la pendiente negativa más marcada cuando la caída del indicador representa la situación menos deseable, para modelar el escenario catastrófico. Cabe mencionar que, para los indicadores donde lo deseable es que tengan el menor valor posible, estos criterios deben invertirse.
Para garantizar robustez estadística se seleccionan, en cada extremo, al menos tres observaciones contiguas; el investigador puede realizar esta identificación de forma autónoma o convocar un panel Delphi de especialistas que, en dos rondas anónimas, consensúe qué segmentos reflejan auténticos picos de desempeño o profundos retrocesos sin efectos transitorios ni distorsiones únicas. Esta práctica se alinea con la recomendación habitual de diferenciar explícitamente los escenarios best-case y worst-case dentro de cualquier ejercicio de modelización prospectiva.
Una vez seleccionadas las porciones de la serie de tiempo con las que se modelarán los escenarios ideal y catastrófico, se colorean los puntos seleccionados para indicar los tramos seleccionados de forma clara.
Tras modelar los tramos de mejor y peor comportamiento del indicador, se “trasladan” esos segmentos hasta el final de la serie histórica con el fin de simular su prolongación hacia el futuro inmediato. El procedimiento consiste en calcular, para cada tramo elegido, las diferencias sucesivas 
; dichas variaciones se agregan al último valor observado (yn) para generar una nueva secuencia de puntos yn+1, yn+2, …, yn+k que reproduce la pendiente original, pero anclada en el presente. Sobre estos puntos recién proyectados se ajusta otra regresión lineal, obteniendo las ecuaciones definitivas que modelan los escenarios ideal y catastrófico conforme al método de mínimos cuadrados ordinarios.
Por último, se usan las ecuaciones de las rectas correspondientes a los escenarios tedencial, ideal y catastrófico para estimar el calor aproximado que tomaría el indicador en cada escenario para cualquier año en el futuro. La forma de obtener este valor consiste en simplemente sustituir el número del año futuro deseado en la variable x de cada ecuación y calcular su valor de y correspondente.
Representación gráfica
A continuación, las trayectorias para los tres escenarios (tendencial, ideal y catastrófico) se representan en una única gráfica, conectando el último valor conocido de la serie de tiempo con cada uno de los valores obtenidos para sus escenarios prospectivos. Se colorea la línea del escenario tendencial en amarillo, mientras que los puntos y la recta del escenario ideal se destacan en verde y los del catastrófico en rojo, siguiendo la convención psicológica que asocia el verde al progreso y el rojo a la advertencia. Este esquema cromático, recomendado por guías de buenas prácticas, favorece una lectura rápida de riesgos y oportunidades.
La visualización incluye, en la leyenda o como anotaciones in-plot, las ecuaciones de cada recta y sus principales estadísticas de ajuste como R2, lo que permite a cualquier analista contrastar la fuerza explicativa de los modelos y replicar el procedimiento con la misma base de datos., reforzando así la utilidad de la gráfica como insumo para la toma de decisiones financieras, operativas o de política pública.
El resultado final es una herramienta visual transparente y verificable que combina la potencia descriptiva de la regresión lineal con la intuición cualitativa de los expertos, cumpliendo los criterios de claridad recomendados en recientes revisiones de métodos de planificación por escenarios.
La interpretación cualitativa de los valores proyectados se apoya en dos fuentes complementarias. En primer lugar, pueden emplearse las clasificaciones o umbrales oficiales emitidos por la entidad responsable de publicar el indicador—por ejemplo, rangos de «desempeño alto, medio y bajo» definidos en el manual técnico del índice—para asignar automáticamente una etiqueta a cada escenario. En segundo término, es posible convocar un segundo panel Delphi integrado por especialistas en la materia, quienes revisan los valores estimados y, mediante rondas anónimas de consulta, matizan su significado práctico (riesgos, oportunidades y prioridades de política). La combinación de ambos insumos asegura que la lectura final de los resultados preserve la coherencia institucional y, al mismo tiempo, incorpore el juicio experto necesario para contextualizar las proyecciones en el entorno específico de decisión.
Ejemplos de escenarios prospectivos de indicadores reportados para México
Eventos de extranjeros devueltos por la autoridad migratoria mexicana
Este método prospectivo se aplicó a la serie histórica de eventos de extranjeros devueltos por la autoridad migratoria mexicana publicada por la Unidad de Política Migratoria de la Secretaría de Gobernación
La visualización revela contrastes notables. El escenario ideal sugiere que, de mantenerse la dinámica de los tramos con mayor reducción histórica, el número anual de devoluciones podría caer por debajo de cero hacia 2030, lo que implicaría prácticamente eliminar este tipo de eventos mediante esquemas de regularización o movilidad ordenada. El escenario tendencial proyecta una meseta de alrededor de 3 200 eventos, indicando que las políticas actuales apenas estabilizan las cifras sin lograr reducciones sustanciales. En cambio, el escenario catastrófico apunta a más de 8 600 devoluciones en 2030; tal crecimiento exponencial advertiría sobre un posible recrudecimiento de los flujos irregulares o un endurecimiento de las acciones de control migratorio. Estas diferencias enfatizan la necesidad de monitorear de cerca los indicadores y de evaluar, con base en evidencia, las estrategias de gestión migratoria que permitirían acercarse a la trayectoria verde y alejarse del escenario rojo.
Escenarios prospectivos del número de muertes por fentanilo en EE.UU
De la misma forma, este método mixto de regresiones lineales se aplicó al recuento anual de muertes por intoxicación con fentanilo registrado por los Centers for Disease Control and Prevention (CDC) de Estados Unidos. Con la serie oficial 2011-2023 publicada por el National Center for Health Statistics
A la luz de las proyecciones, incluso el escenario ideal mantendría un saldo cercano a 85 000 defunciones en 2030, lo que indica que el mero ritmo de mejora registrado en los mejores años históricos no bastaría para revertir la crisis. El escenario tendencial anticipa alrededor de 130 000 muertes anuales—un incremento del 60 % respecto a 2023—, mientras que el escenario catastrófico rebasa las 170 000, advirtiendo sobre la posibilidad de un repunte acelerado si persisten la disponibilidad de opioides sintéticos y las brechas en acceso a tratamiento. La amplitud entre las trayectorias subraya la urgencia de políticas de reducción de daños, ampliación de terapias asistidas con medicamentos y control de la cadena de suministro ilícito para acercar la realidad futura a la curva verde y alejarla del desenlace rojo.
Escenarios prospectivos sobre el aseguramiento de fentanilo en México
Los datos anuales de fentanilo asegurado en México, compilados a partir de los reportes públicos del Gobierno de México para el periodo 2019-2023
Las proyecciones reflejan una brecha significativa entre los futuros posibles. El escenario ideal sugiere que, si las fuerzas de seguridad pudieran replicar de manera sostenida el mejor ritmo histórico de decomisos, las incautaciones podrían rondar las 6.9 toneladas en 2030, duplicando prácticamente los niveles actuales y evidenciando mejoras en inteligencia, interdicción y cooperación internacional. El escenario tendencial prevé unos 5.7 toneladas, lo que equivaldría a continuar con los operativos y capacidades presentes sin grandes sobresaltos. En contraste, el escenario catastrófico proyecta apenas 3.4 toneladas, una señal de estancamiento que podría deberse a adaptaciones tácticas de los traficantes, limitaciones presupuestarias o desplazamiento de rutas. La divergencia entre los tres caminos destaca la importancia de fortalecer las unidades especializadas, profundizar la coordinación binacional y mejorar los controles portuarios para consolidar la curva verde y evitar la materialización del escenario rojo.
Escenarios prospectivos sobre el aseguramiento de mentafetamina en México
La serie histórica de metanfetamina asegurada por las fuerzas de seguridad del Estado mexicano (periodo 2019-2023)
La proyección revela una dispersión notable: bajo el escenario ideal, las incautaciones podrían superar 1.5 millones de kilogramos en 2030, reflejando mejoras drásticas en inteligencia e interdicción, o un aumento de la oferta que haga más visibles los cargamentos. El escenario tendencial sitúa la cifra en torno a 760 toneladas, lo que supone casi duplicar el nivel de 2023 y mantiene la tendencia ascendente observada. En contraste, el escenario catastrófico apunta a poco más de 39 toneladas, un descenso que sugeriría tanto fallas operativas como posibles cambios en las rutas o métodos de ocultamiento del narcotráfico. La brecha entre los resultados subraya la importancia de reforzar la coordinación interinstitucional, modernizar los sistemas de detección y profundizar la cooperación internacional para acercarse a la curva verde y evitar que prevalezca la trayectoria descendente marcada en rojo.
Escenarios prospectivos para el Índice de Estado de Derecho en México
El Índice de Estado de Derecho del World Justice Project (WJP) es una escala compuesta que resume, en valores entre 0 y 1, la solidez de las instituciones jurídicas y la vigencia de los derechos fundamentales en un país. Se construye a partir de encuestas a hogares y expertos y evalúa ocho dimensiones: límites al poder gubernamental, ausencia de corrupción, gobierno abierto, respeto a los derechos fundamentales, orden y seguridad, cumplimiento regulatorio, justicia civil y justicia penal. Estas dimensiones se agregan para producir un puntaje anual que permite comparar el desempeño de los sistemas jurídicos y la percepción social de la legalidad
Esta propuesta de método prospectivo se aplicó a los datos reportados de 2013 a 2024. En la siguiente gráfica se muestran los resultados de los escenarios prospectivos estimados.
En el caso mexicano, la proyección ilustra una tendencia descendente en los tres escenarios. El escenario ideal muestra que, incluso replicando los tramos de mejor desempeño reciente, el puntaje apenas alcanzaría 0.38 en 2030—una ligera mejora respecto a la línea base, pero todavía por debajo del umbral de 0.5 que la literatura asocia con sistemas relativamente consolidados. El escenario tendencial prolonga la pendiente histórica y sitúa el índice en torno a 0.36, sugiriendo que las reformas actuales no bastan para revertir la erosión institucional. Por su parte, el escenario catastrófico proyecta un valor cercano a 0.35, reflejo de un posible deterioro adicional en varios de los ocho factores, particularmente en corrupción, seguridad y justicia penal. La proximidad entre las tres trayectorias acentúa la urgencia de intervenciones de política pública que fortalezcan la rendición de cuentas y la independencia judicial, con el objetivo de acercar el resultado real al nivel verde y evitar el deslizamiento hacia la senda roja.
Objetividad del método
Los ejemplos analizados evidencian que el método mixto de construcción de escenarios mediante regresiones lineales mantiene una objetividad inherente: cuando la tendencia histórica es claramente negativa, los tres escenarios proyectados pueden resultar igualmente desfavorables. Así ocurre con las muertes por fentanilo en Estados Unidos y con el Índice de Estado de Derecho para México, donde tanto la trayectoria ideal como la tendencial y la catastrófica reflejan descensos o incrementos que siguen siendo preocupantes. Este desenlace muestra que el componente cuantitativo, fundado en datos duros y en la geometría de la serie temporal, actúa como contrapeso frente al optimismo excesivo que a menudo caracteriza a los ejercicios puramente cualitativos, en los cuales un escenario ideal podría distanciarse demasiado de lo que las cifras permiten inferir. Al anclar la proyección en la evidencia, el método evita generar expectativas irreales y ofrece a los tomadores de decisiones un espectro prospectivo más sobrio y, por tanto, más útil para diseñar políticas y priorizar intervenciones.
Limitaciones del método
El método mixto de construcción de escenarios mediante regresiones lineales ofrece una herramienta sencilla y transparente, aunque su fiabilidad está acotada por varios factores. El primero y más importante es la recomendación de no proyectar los escenarios más allá de diez años, pues cuanto mayor sea la distancia temporal respecto al intervalo histórico, mayor será la dispersión de los errores y la probabilidad de obtener valores extremos poco plausibles. Esta cautela se suma al supuesto de linealidad implícito en el modelo: la técnica parte de que el indicador evoluciona de manera aproximadamente lineal, de modo que resulta inadecuada para variables con inflexiones pronunciadas, comportamientos logarítmicos o rupturas estructurales. Además, la precisión de las estimaciones depende de la calidad y longitud de la serie; registros cortos, con cambios metodológicos o revisiones retroactivas pueden distorsionar la pendiente a pesar de la depuración estadística que se le haya aplicado a los datos.
Otro límite surge de la selección de los tramos ideales y catastróficos. Aunque el empleo de un panel Delphi mitiga la arbitrariedad, el procedimiento conserva un componente subjetivo: distintos grupos de expertos podrían escoger subconjuntos diferentes y, en consecuencia, generar pendientes divergentes, especialmente si el indicador es altamente volátil. A ello se añade que el método se basa exclusivamente en la trayectoria histórica y, por tanto, no incorpora de manera explícita variables externas ni políticas que puedan alterar la tendencia subyacente; eventos exógenos de gran impacto, los llamados cisnes negros, quedarían fuera de las rectas proyectadas y podrían invalidar las previsiones. Finalmente, el modelo no incluye una validación fuera de muestra: al no implementarse un back-testing, se asume que los parámetros estimados conservarán su estabilidad, una hipótesis frágil en entornos sujetos a cambios de régimen.
Estas restricciones aconsejan utilizar la propuesta como instrumento exploratorio de corto a mediano plazo y complementarla con enfoques multivariados, no lineales o basados en simulación cuando se requieran decisiones estratégicas con horizontes más extensos o exista evidencia de que la dinámica del indicador podría cambiar de forma drástica.
Conclusiones
El método mixto de construcción de escenarios mediante regresiones lineales aporta una solución intermedia entre la narrativa puramente cualitativa y los modelos econométricos de alta complejidad. Al combinar la estimación de tres rectas (escenarios tendencial, ideal y catastrófico) con un proceso transparente de selección experta de tramos históricos, la técnica ofrece proyecciones numéricas reproducibles sin renunciar a la interpretación contextual que brindan los especialistas. La representación gráfica resultante, acompañada de las ecuaciones y el coeficiente R2, dota a los tomadores de decisiones de una herramienta clara para identificar de un vistazo los rangos de riesgo y oportunidad en el corto y mediano plazo.
Su aplicación muestra que, con datos públicos de calidad y una depuración básica de valores atípicos, es posible generar escenarios prospectivos confiables en plazos de hasta diez años, horizonte en el cual las pendientes permanecen razonablemente estables y la varianza de los errores no compromete la utilidad operativa de las estimaciones. La simplicidad del procedimiento facilita su adopción por organismos gubernamentales, analistas de política pública y empresas que carecen de equipos de modelización avanzados, sin sacrificar la trazabilidad de los supuestos.
No obstante, el método depende de la linealidad de la serie y de la estabilidad estructural del indicador; variables sujetas a ciclos abruptos, cambios metodológicos frecuentes o shocks exógenos requieren ajustes adicionales o el complemento de enfoques multivariados y no lineales. Asimismo, la subjetividad inherente al proceso Delphi, aunque mitigada por rondas anónimas y criterios estadísticos, introduce variabilidad que debe ser documentada y, de ser posible, contrastada con paneles alternativos.
Este método es una propuesta para incorporar rigor cuantitativo en ejercicios de prospectiva tradicionalmente cualitativos. Futuras investigaciones podrían ampliar el modelo hacia regresiones con múltiples predictores, explorar transformaciones no lineales o integrar módulos estocásticos que capturen disrupciones externas. Entretanto, la metodología presentada constituye una opción práctica y verificable para fundamentar decisiones estratégicas en contextos de información limitada y horizontes de planeación acotados.
Referencias
Amer, M., Daim, T. U., & Jetter, A. (2013). A review of scenario planning. Futures, 46, 23-40. https://doi.org/https://doi.org/10.1016/j.futures.2012.10.003
Bishop, P., Hines, A., & Collins, P. (2007). The current state of scenario development: An overview of techniques. Foresight, 9(1), 5-25. https://doi.org/https://doi.org/10.1108/14636680710727516
Cordova-Pozo, K., & Rouwette, E. A. (2023). Types of scenario planning and their effectiveness: A review of reviews. Futures, 149, 1-19. https://doi.org/https://doi.org/10.1016/j.futures.2023.103153
Ezzat Agami, N. M., Ahmed Omran, A. M., Saleh, M. M., & El-Din El-Shishiny, H. E. (2008). An enhanced approach for Trend Impact Analysis. Technological Forecasting and Social Change, 75, 1439-1450. https://doi.org/https://doi.org/10.1016/j.techfore.2008.03.006
Fondo Monetario Internacional. (2025). World Economic Outlook Databases. International Monetary Fund. https://www.imf.org/en/Publications/SPROLLs/world-economic-outlook-databases
Instituto Nacional de Estadística y Geografía. (2025). API del Banco de Indicadores. Instituto Nacional de Estadística y Geografía. https://www.inegi.org.mx/servicios/api_indicadores.html?utm_source=chatgpt.com
Organización de las Naciones Unidas. (2025). Sources. UN data. https://data.un.org/datamartinfo.aspx
Organización para la Cooperación y el Desarrollo Económico. (2025). OECD data via API. Organización para la Cooperación y el Desarrollo Económico. https://www.oecd.org/en/data/insights/data-explainers/2024/09/api.html
Pinter, D. (2013). Applications, Limitations and Effects of Corporate Foresight Methods – Towards an Evaluation Framework for Innovation Management. XXIV ISPIM Conference - Innovating in Global Markets: Challenges for Sustainable Growth. Helsinki, Finlandia: ISPIM. https://www.researchgate.net/publication/257919677_Applications_Limitations_and_Effects_of_Corporate_Foresight_Methods_-_Towards_an_Evaluation_Framework_for_Innovation_Management
Secretaría de Gobernación. (2024). Eventos de personas devueltas por la autoridad migratoria mexicana, según continente, país de nacionalidad y sexo, 2024. Gobierno de México. https://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BoletinesMyH/2024/Cuadros2024/cuadro3.3_.xls
Secretaría de la Defensa Nacional, Secretaría de Seguridad y Protección Ciudadana, Secretaría de Marina y Guardia Nacional. (2024). Informe de seguridad. Gobierno de México. https://seguridad.sspc.gob.mx/uploads/documentos/574/cpm-informe-de-seguridad-2C-23jul24.pdf
Shabou, S. (2020). Chapter 5 Outlier detection in Time series. GitHub. https://s-ai-f.github.io/Time-Series/outlier-detection-in-time-series.html
Twin, A. (2025). What Is the Delphi Method, and How Is It Useful in Forecasting? Investopedia. https://www.investopedia.com/terms/d/delphi-method.asp
Unidad de Inteligencia de The Economist. (2023). Democracy Index 2023: Age of conflict. Economist Intelligence Unit. https://pages.eiu.com/rs/753-RIQ-438/images/Democracy-Index-2023-Final-report.pdf
USA Facts. (2023). Are fentanyl overdose deaths rising in the US? USA Facts. https://usafacts.org/articles/are-fentanyl-overdose-deaths-rising-in-the-us/
World Bank Group. (2025). World Development Indicadors. World Bank Group. https://databank.worldbank.org/source/world-development-indicators
World Justice Project. (2022). Índice de Estado de Derecho en México 2021-2022. World Justice Project. https://index.worldjusticeproject.mx/
* Luis Erick Coy Aceves es doctor en ciencias del agua por la Universidad de las Américas Puebla (UDLAP), maestro en seguridad nacional por el Colegio de Defensa Nacional (CODENAL) y licenciado en nanotecnología e ingeniería molecular por la Universidad de las Américas Puebla (UDLAP). Ha publicado artículos científicos en revistas y libros internacionales, así como divulgado sus conocimientos en medios de comunicación y eventos académicos. Ha participado en proyectos sustentables de tratamiento de agua y generación de energía. Tiene experiencia profesional en consultoría ambiental, docencia y diseño de contenido educativo. Actualmente es docente en el Heroico Colegio Militar. Correo electrónico: luiserickxcoy@gmail.com.