Calidad de Vida en Ciudades Suizas

Beatriz Oyadomari de Sousa; Adriana Camargo De Brito

DOI: 10.22167/2675-6528-202602714

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El crecimiento de las áreas urbanas intensificó la necesidad de evaluar la calidad de vida como herramienta para analizar el bienestar poblacional. Ante las limitaciones de los rankings globales que no disponen de sus datos, un estudio utilizó bases oficiales y abiertas para garantizar la transparencia y la replicabilidad. El objetivo fue desarrollar un ranking para clasificar cinco ciudades suizas (Zúrich, Berna, Basilea, Lausana y Ginebra), basándose en datos de 2023. Se seleccionaron variables a partir de las dimensiones de bienestar de la OCDE, adaptadas al contexto suizo. Tras el tratamiento y la normalización de los datos, se aplicaron métodos de Toma de Decisión Multicriterio (WSM, TOPSIS y VIKOR), combinados con la Entropía de Shannon para definir los pesos de las variables, minimizando sesgos interpretativos. La correlación de Spearman evidenció una fuerte convergencia entre los métodos, demostrando la consistencia y robustez de la evaluación. Los resultados de los tres métodos se sintetizaron en un ranking global, que posicionó a Zúrich en primer lugar, seguida por Basilea, Berna, Ginebra y Lausana. La investigación estableció un modelo replicable y fundamentado, ofreciendo soporte a la gestión urbana.

Palabras clave: Ciudades suizas; Estadísticas de ciudades; Calidad de vida urbana; Ranking; Toma de decisiones multicriterio.

1. Introducción

Las áreas urbanas representan los principales centros de desarrollo económico, social y político de un país. Sin embargo, la creciente concentración poblacional en las ciudades intensifica los desafíos asociados al desarrollo urbano (Răducan et al., 2025). Ante este escenario, la evaluación de la calidad de vida emerge como un instrumento esencial para comprender y medir el bienestar de la población (Ríos-Vásquez & de la Fuente-Mella, 2023).

La Organización Mundial de la Salud [OMS] define la calidad de vida como la percepción del individuo sobre su posición en la vida, influenciada por el contexto cultural, los sistemas de valores, las expectativas y los objetivos personales (Răducan et al., 2025). Esta percepción puede variar entre culturas y a lo largo del tiempo, acompañando las prioridades sociales (MacLean & Salama, 2019). La literatura académica señala que la calidad de vida se compone de dos pilares: el bienestar subjetivo, que se refiere a la satisfacción personal, y el bienestar objetivo, que abarca indicadores concretos, como los socioeconómicos (Das, 2008; Patil & Sharma, 2022).

En Suiza, datos recientes del estudio “Stadt-Land-Monitor” (Hermann et al., 2025) indican que, aunque la mayoría de los suizos evalúan positivamente su calidad de vida, el crecimiento del país genera desafíos críticos. Preocupaciones por la escasez de vivienda y el tráfico son ejemplos de tensiones urbanas que afectan el bienestar de los ciudadanos. Mientras estos datos reflejan el pilar subjetivo, este estudio se enfoca en el análisis del pilar objetivo de la calidad de vida, utilizando indicadores concretos y estadísticos.

La medición de estos aspectos a menudo se realiza a través de índices de evaluación que clasifican a las ciudades en dimensiones como calidad de vida, movilidad urbana y desarrollo socioeconómico (Tischer & Polette, 2019). Sin embargo, los rankings globales como el de Mercer (2024) y el del IMD (2025) presentan limitaciones para un análisis científico replicable, ya que sus datos brutos no son abiertos. Además, muchos de estos rankings se basan en ponderaciones subjetivas o encuestas de opinión, lo que puede introducir un sesgo global que ignora los contextos culturales locales (MacLean & Salama, 2019). Aunque el índice del IMD aborda el bienestar, su enfoque principal reside en la infraestructura tecnológica y la percepción digital, lo que difiere del enfoque multidimensional de la calidad de vida (De Jong et al., 2015; Răducan et al., 2025).

Ante estas limitaciones, la presente investigación adopta un enfoque que prioriza la transparencia, la verificabilidad y la replicabilidad. La selección de indicadores y ciudades de referencia (Tischer & Polette, 2019) se resuelve mediante el uso de bases de datos oficiales y abiertas. La elección de los indicadores se basa en el modelo de calidad de vida de la Oficina Federal de Estadística de Suiza (FSO, 2025), que, aunque se basa en las dimensiones de bienestar de la Organización para la Cooperación y el Desarrollo Económicos [OCDE], se ha ampliado para incluir ejes específicos de la realidad urbana suiza, como movilidad, infraestructura y ocio. Para fundamentar el análisis estadístico, se utiliza la base “City Statistics” (FSO, 2024), que integra el proyecto europeo Eurostat, garantizando la estandarización y la calidad de las estadísticas oficiales suizas (FSO, 2026a). La elección de las ciudades objeto de estudio, incluyendo Zúrich, Berna, Basilea, Lausana y Ginebra, se justifica por su presencia en rankings internacionales y por su representatividad demográfica, concentrando la mitad de la población urbana suiza (Swiss Confederation, 2023).

La necesidad de un modelo basado en estadísticas oficiales y objetivas, capaz de medir el bienestar de forma multidimensional y mitigar sesgos interpretativos, justifica la relevancia de este estudio. Así, el objetivo de este trabajo es desarrollar un ranking abierto para las principales ciudades suizas, basado en la base oficial “City Statistics” (FSO, 2026b), con el propósito de medir el bienestar de forma multidimensional.

2. Material y Métodos

La presente investigación adoptó un enfoque cuantitativo, de carácter exploratorio y descriptivo, estructurada como un estudio de caso múltiple. El objetivo fue realizar un análisis comparativo de la calidad de vida urbana, con foco en la elaboración de un ranking para cinco ciudades suizas: Zúrich, Berna, Basilea, Lausana y Ginebra. La evaluación se fundamentó en indicadores oficiales, extraídos de bases de datos abiertas, para garantizar la objetividad y replicabilidad de la medición del bienestar.

Los datos utilizados se obtuvieron de la base “City Statistics” (FSO, 2026b), mantenida por la Oficina Federal de Estadística de Suiza (FSO). La recopilación se realizó a través de la plataforma interactiva “Swiss Stats Explorer” (FSO, 2026c), donde se aplicaron filtros para seleccionar las ciudades, el período y las variables de interés. Las tablas resultantes se exportaron en formato Excel (.xlsx) para su posterior tratamiento. Todos los datos eran abiertos y anonimizados, en conformidad con la legislación suiza de protección de datos (Swiss Confederation, 2022).

La selección de los indicadores se basó en el modelo de calidad de vida de la FSO (2025), que, si bien se fundamenta en las dimensiones de bienestar de la Organización para la Cooperación y el Desarrollo Económicos [OCDE], se amplió para incluir ejes específicos de la realidad urbana suiza, como movilidad, infraestructura y ocio. El modelo original contemplaba 11 dimensiones, a las que se añadieron dos dimensiones de contexto económico y demográfico. Inicialmente, se seleccionaron 30 indicadores, desglosados en 56 variables.

En el proceso de selección de los indicadores, en la dimensión “Cultura y Ocio”, el alcance del indicador original de demanda por museos y teatros se amplió para incluir la demanda por cines. Esta decisión tuvo como objetivo garantizar la coherencia interna de la dimensión, ya que otros indicadores ya englobaban el cine en sus métricas, y la disponibilidad de datos específicos permitió un refinamiento de la medición cultural.

El tratamiento de los datos se realizó utilizando el lenguaje de programación Python, en el entorno “Google Colab Research”, con la ayuda de las bibliotecas pandas y numpy. Inicialmente, se cargó la base de datos en formato Excel, seguida de una limpieza estructural que incluyó la eliminación de encabezados, pies de página no informativos y la exclusión de filas y columnas con datos ausentes. Se descartaron indicadores sin cobertura para el año 2023, resultando en un conjunto final de 45 variables.

Entre las exclusiones relevantes, la dimensión de Infraestructura y Servicios fue eliminada debido a la ausencia de datos para el período seleccionado. El indicador de “Renta imponible media (en CHF)” también fue descartado, alineándose a la perspectiva de que la renta, aunque necesaria, no es suficiente para medir el bienestar de forma aislada (Goerlich & Reig, 2021). Variables con lagunas, como contaminación acústica y áreas verdes, y “Visitas al teatro” (debido a la ausencia de registros para Ginebra), fueron igualmente suprimidas.

Adicionalmente, los nombres de las variables fueron estandarizados, incluyendo la traducción del alemán y el inglés con la ayuda de herramientas de inteligencia artificial, seguida de una revisión manual. Se buscó verificar la viabilidad de la reducción dimensional mediante el Análisis de Componentes Principales (PCA), con un análisis de correlación de Pearson. Sin embargo, la Prueba de Esfericidad de Bartlett indicó la inviabilidad de la PCA, ya que la dimensión reducida de la muestra (cinco ciudades) era insuficiente para garantizar la robustez estadística necesaria para la reducción de variables.

Debido a la inviabilidad del PCA, la estrategia metodológica se orientó hacia la Toma de Decisiones Multicriterio (MCDM), basada en el enfoque propuesto por Ye et al. (2022). Esta metodología integró el Método de la Entropía de Shannon para la asignación de pesos con tres algoritmos de MCDM, con el objetivo de evaluar la calidad de vida urbana basada en criterios objetivos y matemáticamente robustos.

Para la determinación de los pesos de las 45 variables, se adoptó el Método de la Entropía de Shannon. Esta técnica define la importancia de cada indicador en función de su capacidad para proporcionar información al sistema, medida por la dispersión de los datos brutos (Ye et al., 2022). El cálculo de la entropía (ej) para cada indicador j y el peso final (wj) de cada variable se realizaron de acuerdo con las formulaciones matemáticas descritas en el trabajo original.

Las 45 variables fueron clasificadas según su polaridad funcional en relación con el bienestar urbano, definiéndose variables de beneficio (valor 1) y de costo (valor -1), según Ye et al. (2022). Las variables de Nacionalidad fueron excluidas para evitar sesgos interpretativos. Tras esta categorización, los datos fueron sometidos a la normalización lineal Min-Max, que utiliza estas polaridades para convertir variables de diferentes unidades en una escala común entre 0 y 1, siguiendo las ecuaciones específicas para variables de beneficio y costo presentadas en el estudio original.

El procesamiento estadístico y la modelización multicriterio se basaron en el enfoque propuesto por Ye et al. (2022). Para ello, se adoptó una estrategia de triple agregación utilizando los métodos Weighted Sum Method (WSM), TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) y VIKOR (VlseKriterijumska Optimizacija i Kompromisno Resenje). La aplicación de estos algoritmos se realizó a través de la biblioteca pymcdm (Kizielewicz et al., 2023). La puntuación final para el WSM, el coeficiente de proximidad para el TOPSIS y el índice final para el VIKOR se calcularon utilizando las respectivas formulaciones matemáticas detalladas en el trabajo original.

Para verificar la correlación entre los rankings generados por los métodos, se calculó la Correlación de Spearman, que es adecuada para datos ordinales. La consolidación del ranking global se realizó mediante la media aritmética de las clasificaciones obtenidas en los tres algoritmos (WSM, TOPSIS y VIKOR), procedimiento justificado por la fuerte convergencia evidenciada entre los métodos, garantizando un resultado final más robusto y equilibrado.

Durante la preparación de este trabajo, se utilizaron herramientas de inteligencia artificial (ChatGPT, Gemini y DeepL) para ayudar en la traducción de términos y textos presentados originalmente en alemán e inglés, así como en la estandarización de los nombres de ciudades e indicadores. Adicionalmente, las herramientas proporcionaron apoyo metodológico en la organización de los datos y en la aplicación de técnicas estadísticas exploratorias. El procedimiento analítico fue definido, ejecutado y validado por la autora, quien asume la responsabilidad total del contenido final.

3. Resultados y Discusión

La etapa inicial de la investigación se centró en la consolidación y el tratamiento del conjunto de datos, lo que resultó en un “dataset” final compuesto por cuarenta y tres variables. Este proceso implicó la exclusión de dimensiones e indicadores específicos, como ‘Infraestructura y Servicios’ y ‘Renta Tributaria Media’, debido a la ausencia de datos consistentes o a la inadecuación para la medición aislada del bienestar, según lo argumentado por Goerlich y Reig (2021). También se eliminaron indicadores de nacionalidad, con el objetivo de mitigar posibles sesgos interpretativos y garantizar que el ranking se basara en criterios objetivos de calidad de vida, alineados con el alcance del estudio. Esta estandarización fue crucial para asegurar la comparabilidad entre las cinco ciudades suizas analizadas, eliminando distorsiones derivadas de lagunas en los datos oficiales o de criterios sociopolíticos.

La verificación de la viabilidad de reducción dimensional, por medio del Análisis de Componentes Principales (PCA), reveló que el enfoque no era estadísticamente robusto para la muestra en cuestión. Aunque el mapa de calor de la correlación de Pearson indicó asociaciones significativas entre diversos indicadores, especialmente en las dimensiones de mercado laboral y educación, la Prueba de Esfericidad de Bartlett no validó la adecuación de la matriz para la PCA. El resultado de la prueba, con una estadística Chi-Cuadrado de menos infinito y un P-valor de uno, acompañado de un aviso de error de determinante cero, confirmó la singularidad de la matriz. Este fenómeno ocurrió porque el número de variables (cincuenta y seis inicialmente) excedía el número limitado de observaciones (cinco ciudades), inviabilizando la extracción de componentes estables y justificando la transición metodológica hacia la Toma de Decisiones Multicriterio (MCDM).

Ponderación por Entropía de Shannon

Con la matriz de decisión debidamente estructurada, se aplicó el Método de la Entropía de Shannon para determinar objetivamente los pesos de las cuarenta y tres variables, según el enfoque de Ye et al. (2022). Esta técnica, que se diferencia de métodos que utilizan pesos subjetivos, otorga mayor importancia a los indicadores que presentan mayor dispersión en los datos brutos, reflejando su capacidad de discriminar el desempeño entre las ciudades. Los pesos porcentuales calculados revelaron que el indicador ‘Personas económicamente activas’ obtuvo la mayor ponderación, con aproximadamente 4,83%, seguido por el ‘Porcentaje de empleados en el sector económico secundario’, con cerca de 4,56%. Estos resultados indican que el dinamismo del mercado laboral y la estructura productiva local son los factores que más distinguen a las ciudades suizas evaluadas.

Otros indicadores con pesos significativos incluyeron ‘Desplazamientos en transporte público’, con aproximadamente 4,29%, y los niveles de escolaridad, como ‘Población de veinticinco a sesenta y cuatro años con escuela de nivel secundario II como mayor nivel de escolaridad’ (alrededor de 4,07%) y ‘Estudiantes en instituciones de enseñanza superior’ (aproximadamente 4,06%). La alta ponderación de estos factores subraya que las principales diferencias en la calidad de vida urbana entre las metrópolis suizas residen en las oportunidades educativas y la eficiencia de los sistemas de movilidad. El método de la Entropía de Shannon, al identificar estos indicadores con mayor variabilidad, los estableció como los criterios de mayor poder discriminatorio para la construcción del ranking.

En contraste, variables como el ‘Porcentaje de empleados en el sector terciario de la economía’ y los ‘Desplazamientos de transporte individual motorizado’ presentaron los menores pesos, con aproximadamente 1,07% y 1,11%, respectivamente. Esta baja ponderación sugiere que tales dimensiones son más homogéneas entre las ciudades suizas analizadas, poseyendo un poder discriminatorio reducido para la formación del ranking final. La distribución objetiva de los pesos, determinada por la Entropía de Shannon, es fundamental para la confiabilidad del modelo, ya que garantiza que el índice final priorice los matices donde las ciudades de hecho exhiben contrastes significativos, ofreciendo un soporte práctico para la toma de decisión urbana al dirigir inversiones hacia áreas con mayor potencial de impacto diferencial.

Agrupación y Análisis de los Pesos por Dimensión Conceptual

El análisis de los pesos de los indicadores se profundizó mediante la agrupación en las dimensiones conceptuales que estructuran el modelo de calidad de vida de la Oficina Federal de Estadística de Suiza (FSO, 2025). Aunque el modelo de referencia original preveía trece dimensiones, la dimensión de ‘Infraestructura y Servicios’ fue descontinuada debido a la ausencia de datos secundarios consolidados y homogéneos para el período analizado. La consolidación de los pesos por dimensión, obtenida por la suma algebraica de los porcentajes de las variables en cada eje, permitió una visión integrada del comportamiento de los grandes ejes temáticos.

La dimensión ‘Contexto Económico’ asumió la mayor relevancia en el modelo, concentrando el 24,62% del peso total con nueve indicadores, resultando en un peso medio del 2,74% por indicador. Este hallazgo refuerza que las mayores diferencias estadísticas entre las ciudades estudiadas se encuentran en la composición del mercado laboral y en las fuerzas productivas locales. A continuación, ‘Cultura y Ocio’ (14,52% con seis indicadores y peso medio del 2,42%) y ‘Movilidad’ (13,58% con siete indicadores y peso medio del 1,94%) destacaron, respondiendo juntas por más del 28% de la variación capturada, evidenciando la importancia de estos ejes para la calidad de vida urbana.

La dimensión ‘Educación’, aunque con un peso acumulado del 9,62%, registró el mayor peso medio por indicador (3,21%), con tres variables, seguida por ‘Renta y Empleos’ (9% con tres indicadores y un peso medio del 3,00%). Esto evidencia el elevado poder discriminatorio de las variables relacionadas con la cualificación y las oportunidades profesionales. Por el contrario, ‘Condiciones de Vivienda’ (4,10% con tres indicadores y un peso medio del 1,37%) y ‘Calidad Ambiental’ (1,19% con un indicador y un peso medio del 1,19%) obtuvieron los menores pesos acumulados. Esta menor ponderación en la Entropía de Shannon no implica irrelevancia, sino una baja dispersión en los datos brutos, lo que indica que los servicios de vivienda y los parámetros ambientales son relativamente homogéneos y estandarizados entre las metrópolis suizas, lo que limita su poder de diferenciación en el ranking.

Agregación de resultados

La aplicación de los diferentes métodos de toma de decisiones multicriterio (MCDM), WSM, TOPSIS y VIKOR, junto con la Entropía de Shannon para la determinación objetiva de los pesos, permitió un análisis comparativo del rendimiento urbano de las ciudades suizas desde diversas perspectivas analíticas, según la metodología de Ye et al. (2022). Cada método ofrece una lógica distinta para la clasificación, revelando matices sobre las fortalezas y debilidades de cada centro urbano.

Mediante el método WSM (Weighted Sum Method), que suma las puntuaciones ponderadas de los indicadores, Zúrich se consolidó en la primera posición con una puntuación de 0,266136. Basilea quedó en segundo lugar con 0,200780, y Berna en tercero con 0,200178. Ginebra ocupó la cuarta posición con 0,171219, y Lausana la quinta con 0,161687. La proximidad de las puntuaciones entre Berna y Basilea sugiere que ambas poseen estructuras de indicadores cuantitativamente muy similares en el acumulado general, indicando un desempeño medio general bastante equilibrado entre ellas.

El método TOPSIS (Técnica para la Ordenación de Preferencias por Similitud con la Solución Ideal), que evalúa la proximidad de las ciudades en relación con una solución ideal positiva y una solución ideal negativa, presentó una inversión en las posiciones intermedias. Zúrich mantuvo la primera posición con un coeficiente de proximidad (Ci) de 0,574402. Berna ascendió a la segunda posición con un Ci de 0,401586, superando a Basilea, que quedó en tercer lugar con un Ci de 0,398582. Ginebra y Lausana mantuvieron la cuarta y quinta posiciones, con Ci de 0,313113 y 0,268851, respectivamente. El mejor desempeño de Berna en este método indica una mayor eficiencia en alejarse de los indicadores críticos y acercarse de forma más equilibrada a los valores de excelencia urbana.

Finalmente, el método VIKOR (VlseKriterijumska Optimizacija | Kompromisno Resenje), que busca una solución de compromiso y es más riguroso con ciudades que presentan cuellos de botella en indicadores específicos, también clasificó a Zúrich en primer lugar, con un índice Qi de 0,081459. Basilea retomó la segunda posición con un Qi de 0,319007, mientras que Ginebra alcanzó el tercer lugar con un Qi de 0,424167. Berna cayó a la cuarta posición con un Qi de 0,688925, y Lausana permaneció en último lugar con un Qi de 1,000000. El índice de arrepentimiento (Ri) de Berna (0,047899) reveló vulnerabilidades en indicadores aislados que penalizaron su clasificación final, mientras que Ginebra demostró un desempeño más resiliente desde la óptica del compromiso, superando a Berna en esta metodología específica.

La síntesis de los resultados obtenidos por los tres métodos demostró una notable consistencia en los extremos del ranking. Zúrich mantuvo la primera posición en todas las evaluaciones, mientras que Lausana permaneció en la última. Las posiciones intermedias, sin embargo, presentaron variaciones, con Berna oscilando entre la segunda y la cuarta colocación, Basilea entre el segundo y el tercer lugar, y Ginebra fluctuando entre la tercera y la cuarta posición. Esta variación en las posiciones intermedias entre los métodos TOPSIS y VIKOR indica que las ciudades exhiben comportamientos distintos según la lógica del algoritmo aplicado, confirmando que el análisis multicriterio es capaz de capturar matices variados de la calidad de vida urbana que un ranking simple no evidenciaría.

Correlación entre los métodos

Para verificar la concordancia entre los rankings generados por los métodos WSM, TOPSIS y VIKOR, se calculó la correlación de Spearman. Los resultados revelaron coeficientes de 0,9 entre WSM y TOPSIS, y también entre WSM y VIKOR, indicando una fuerte tendencia central en la clasificación. La relación entre TOPSIS y VIKOR presentó un índice ligeramente menor de 0,7. Estos valores confirman que, aunque existe una convergencia sustancial entre las clasificaciones, los resultados no son idénticos, lo que ratifica que los métodos evalúan el desempeño urbano desde diferentes perspectivas.

La correlación de 0,7 entre TOPSIS y VIKOR, en particular, demuestra que la jerarquía de las ciudades es sensible a las diferentes lógicas de cálculo de cada algoritmo. Esta variación refuerza la importancia de emplear un enfoque multicriterio para capturar los matices de los datos, como sugieren Ye et al. (2022). El uso conjunto de estos métodos permite una comprensión más completa del desempeño de las ciudades, mitigando la influencia de distorsiones que podrían surgir de la aplicación de un único modelo de evaluación.

Clasificación global consolidada

Con la consistencia de los métodos confirmada por la correlación de Spearman, se procedió a la elaboración del ranking global consolidado. Para este fin, se adoptó la media aritmética de las clasificaciones obtenidas en los tres algoritmos (WSM, TOPSIS y VIKOR), procedimiento justificado por la fuerte convergencia evidenciada entre los métodos. La unión de las diferentes visiones permitió obtener un resultado final más robusto, que reduce la influencia de distorsiones específicas de un único algoritmo y ofrece una visión equilibrada del desempeño urbano.

La consolidación de las clasificaciones confirmó la estabilidad del modelo en sus extremos. Zúrich mantuvo el liderazgo absoluto, siendo consistentemente la ciudad con mejor desempeño urbano en todas las metodologías, con una media de clasificación de uno. Lausana, por su parte, ocupó la última posición de forma consistente, con una media de clasificación de cinco. El ranking global definió las posiciones intermedias de la siguiente manera: Basilea se consolidó en segundo lugar con una media de 2,333333, seguida por Berna en tercer lugar con una media de tres. Ginebra se estabilizó en la cuarta posición con una media de 3,666667.

Berna, a pesar de haber obtenido un excelente resultado en el método TOPSIS, quedó en tercer lugar en la media general, influenciada por indicadores específicos que penalizaron su puntuación en el método VIKOR. Ginebra, por su parte, se estabilizó en la cuarta posición, completando la jerarquía de las principales ciudades suizas analizadas. Se reconoce, sin embargo, una limitación metodológica importante relacionada con el tamaño del universo muestral, compuesto por solo cinco ciudades. La aplicación de la Entropía de Shannon en muestras reducidas exige cautela interpretativa, ya que la medición de la entropía y la variabilidad estadística es sensible a la amplitud de los datos con pocas observaciones. En escenarios como este, variaciones puntuales en una única ciudad pueden amplificar el peso de determinado indicador o suavizar discrepancias que se comportarían de forma distinta en un conjunto muestral más amplio. Por lo tanto, los pesos y los rankings obtenidos reflejan estrictamente el contexto y la variabilidad específica de estas cinco grandes metrópolis suizas en el recorte temporal analizado.

En síntesis, la investigación estableció un modelo de análisis replicable y fundamentado para la evaluación de la calidad de vida urbana en las ciudades suizas. La integración de los métodos multicriterio, con la ponderación objetiva por Entropía de Shannon, permitió mapear los puntos de atención y las ventajas competitivas de cada ciudad, entregando un diagnóstico basado en evidencias estadísticas y en la variabilidad real de los indicadores. Los resultados confirmaron Zúrich como líder consistente y Lausana como la última colocada, mientras que las posiciones intermedias revelaron matices importantes sobre el desempeño de Basilea, Berna y Ginebra, respondiendo al objetivo de desarrollar un ranking transparente y robusto para las principales ciudades suizas.

4. Conclusión

Este estudio se dedicó a desarrollar un ranking abierto para las principales ciudades suizas, utilizando la base oficial “City Statistics” de 2023, con el propósito de medir el bienestar de forma multidimensional. Se verificó que, tras la consolidación y tratamiento de los datos, se estableció un conjunto de cuarenta y tres variables para el análisis. La ponderación objetiva por Entropía de Shannon reveló que el dinamismo del mercado laboral, con indicadores como ‘Personas económicamente activas’ y ‘Porcentaje de empleados en el sector económico secundario’, y la educación, con ‘Población de veinticinco a sesenta y cuatro años con escuela de nivel secundario II’ y ‘Estudiantes en instituciones de enseñanza superior’, fueron los factores que más distinguieron a las ciudades. La aplicación de los métodos de Toma de Decisiones Multicriterio (WSM, TOPSIS y VIKOR) demostró una fuerte convergencia en las clasificaciones, como evidenció la correlación de Spearman. El ranking global consolidado posicionó a Zúrich en primer lugar, seguida por Basilea, Berna, Ginebra y Lausana, estableciendo un modelo replicable y transparente que ofrece un diagnóstico basado en evidencias estadísticas para la gestión urbana.

Sin embargo, se reconoce una limitación metodológica importante relacionada con el tamaño del universo muestral, compuesto por solo cinco ciudades. La aplicación de la Entropía de Shannon en muestras reducidas exige cautela interpretativa, ya que la medición de la entropía y la variabilidad estadística es sensible a la amplitud de los datos con pocas observaciones, pudiendo amplificar el peso de determinado indicador o suavizar discrepancias. Los pesos y los rankings obtenidos reflejan estrictamente el contexto y la variabilidad específica de estas cinco grandes metrópolis suizas en el recorte temporal analizado. Para trabajos futuros, se sugiere explorar técnicas de consolidación ponderada de los métodos multicriterio, donde los pesos de cada algoritmo se derivan del grado de concordancia entre los rankings, y expandir el universo muestral para incluir otras ciudades de Suiza, a fin de mejorar la robustez y la generalización del modelo.

Referencias Bibliográficas

Das, D. (2008). Urban quality of life: A case study of Guwahati. Social indicators research 88(2): 297-310.

De Jong, M.; Joss, S.; Schraven, D.; Zhan, C.; Weijnen, M. 2015. Sustainable-smart-resilient-low carbon-eco-knowledge cities; making sense of a multitude of concepts promoting sustainable urbanization. Journal of Cleaner production 109(2015): 25-38.

Federal Statistical Office [FSO]. 2024. City Statistics – Quality of life in the cities: A brief overview. Neuchâtel: FSO. Disponível em: <https://www.bfs.admin.ch/asset/en/30206410> . Acesso em: 15 jan. 2026.

Federal Statistical Office [FSO]. 2025. Quality of Life Indicators. Disponível em: <https://www.bfs.admin.ch/bfs/en/home/statistics/cross-sectional-topics/city-statistics/indicators-quality-life.html>. Acesso em 19 set. 2025.

Federal Statistical Office [FSO]. 2026a. Quality commitment. Disponível em: <https://www.bfs.admin.ch/bfs/en/home/fso/quality-commitment.html> Acesso em 19 fev. 2026.

Federal Statistical Office [FSO]. 2026b. City Statistics: Ausgewählte Variablen nach Städten und Agglomerationen 2020. Swiss Stats Explorer. Disponível em: <https://dv.stats.swiss/?chartId=b4b7ed7a-9937-4e29-ac80-0f8696eb7c26>. Acesso em: 27 jan. 2026.

Federal Statistical Office [FSO]. 2026c. Swiss Stats Explorer. Disponível em <https://www.bfs.admin.ch/bfs/en/home/services/research/swiss-stats-explorer.html>. Acesso em 04 jan. 2026.

Hermann, M.; Rohner, N.; Stückelberger, S. 2025. Stadt-Land-Monitor 2025: Studienbericht. Zurique: Sotomo. Disponível em:<https://sotomo.ch/site/wp-content/uploads/2025/11/StadtLandMonitor2025_DE.pdf> . Acesso em: 5 fev. 2026.

Institute for Management Development [IMD]. 2025. IMD Smart City Index 2025 Report. Disponível em: <https://imd.widen.net/s/psdrsvpbk7/imd_smart_city_2025_report>. Acesso em 19 set. 2025.

MacLean, L.; Salama, A. M. 2019. Towards a context specific and multidimensional quality of urban life model. Open House International 44(1): 25-33.

Mercer. 2024. Quality of Living City Ranking. Disponível em: <https://www.mercer.com/insights/total-rewards/talent-mobility-insights/quality-of-living-city-ranking/>. Acesso em 19 set. 2025.

Patil & Sharma, 2022 [Referência completa não encontrada no documento original]

Ríos-Vásquez, G.; de la Fuente-Mella, H. 2023. Mathematical Analysis and Modeling of the Factors That Determine the Quality of Life in the City Councils of Chile. Mathematics 11(5): 1218.

Răducan, R.; Lozsa, J., Vîrga, D.; Matichescu, M. 2025. New Integrative Model of the Quality of Urban Life: A Systematic Review. Social Indicators Research 179: 895–921.

Swiss Confederation. 20

Swiss Confederation. 2023. Urban and spatial development in Switzerland. Disponível em: <https://www.aboutswitzerland.eda.admin.ch/en/urban-and-spatial-development>. Acesso em 19 set. 2025.

Tischer, V.; Polette, M. 2019. Sistema de avaliação de cidades de referência em transportes e mobilidade urbana sustentável. Cadernos Metrópole 21(45): 481–509.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy