nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
En los procesos de evaluación de impacto se pueden medir diversos aspectos, tanto para lo que fueron diseñados los programas sociales, así como algunos efectos secundarios que pueden ser resultado de las mismas políticas. En este trabajo se trata sobre el efecto en los ingresos del año 2020, considerando los programas del Bienestar dirigidos a los hogares productores de productos agrícolas.
Como antecedente a los programas del Bienestar se encuentra el Programa de Apoyos Directos al Campo, denominado PROCAMPO, el cual busca proteger a productores rurales ante la previsión de condiciones negativas ante la apertura comercial, realizando transferencias monetarias a productores rurales inscritos en el mismo. Esta política surge como un aliciente ante el Tratado de Libre Comercio de América del Norte (TLCAN) iniciado en 1994, para atender a familias campesinas más vulnerables por posibles estragos ante la posible llegada de productos agrícolas provenientes de Estados Unidos y Canadá.
Otro precedente es el llamado PROAGRO-Productivo, el cual es la continuidad de PROCAMPO, y cuya finalidad, a diferencia del anterior, implicaba impulsar la producción agrícola, aunque sus reglas de operación son parecidas.
Con el gobierno iniciado en 2018, al considerar a los programas PROCAMPO y PROAGRO como parte de un esquema de política económica contraria a las nuevas propuestas gubernamentales, inicia una serie de políticas denominadas Bienestar, que se divide en tres partes: Precios de Garantía, Sembrando Vida y Producción para el Bienestar (este último descendiente directo de PROAGRO). Entre los objetivos de estas políticas figuran: reducir la la pobreza y los daños ambientales (Secretaría de Bienestar, 2020).
Este documento hace una evaluación de impacto a los ingresos de los hogares rurales que son beneficiarios de estos programas. Para dicho proceso se aplica el Kernel Matching (kmatch) para calcular los efectos de tratamiento promedio y, así, determinar la eficacia de los programas del Bienestar, bajo la hipótesis de que existen diferencias en los apoyos en cada región, además de que el comportamiento de las variables varía de una zona a otra.
Este proceso se basa en los mecanismos del llamado Propensity Score Matching (PSM), el cual, revisa si el llamado sesgo de selección es un problema en el proceso de medir los impactos, por lo que es un mecanismo que se menciona en el presente documento. El proceso de emparejamiento de Kernel, a diferencia del PSM, busca a los vecinos más cercanos (entre los grupos de control y tratamiento) dentro de un entorno, para realizar dichos comparativos.
En la siguiente sección se realiza una revisión teórico-metodológica de los procesos de evaluación de impacto, haciendo énfasis en el que se aplica en el presente documento, así también de las variables requeridas y de la fuente de información donde se obtienen los datos. Posteriormente, se presentan los resultados y las reflexiones finales sobre este ejercicio en los programas del Bienestar en los hogares rurales.
I. Las evaluaciones de impacto
Los programas sociales, en el entorno de las políticas públicas, tienen como finalidad resarcir las externalidades provocadas por los mecanismos de mercado. El combate a la pobreza, el apoyo a la producción en algún ramo en específico, el apoyo directo a empresas, son ejemplos de los proyectos llevados a cabo.
La historia con respecto al funcionamiento de los programas sociales en México, hasta los años ochenta, utilizaba una información estadística sencilla, pero, al mismo tiempo, manejada de manera discrecional, sólo por tener fines electorales (Palacios, 2013), lo cual no implicaba un resultado objetivo sobre las políticas puestas en marcha en los diversos ámbitos existentes.
A partir del diseño e implementación de programas sociales, sobre todo, los que están dirigidos a combatir la pobreza en sus diferentes dimensiones, se hace necesario, seguir el ejemplo de otros países para realizar evaluaciones midiendo el impacto de las políticas puestas en marcha (Abramo et al., 2019.).
Las evaluaciones de impacto buscan calcular los efectos de los programas públicos y sociales sobre la población beneficiada, por lo que debe permitir continuar o, redirigir hacia una mejor toma de decisiones por parte de las autoridades o grupos que ponen en marcha dicho proyecto, esto, de acuerdo con lo planteado por el Consejo Nacional de Evaluación de la Política de Desarrollo Social (CONEVAL, sf).
A diferencia de los programas sociales del pasado, basados en la mera implementación de proyectos, ahora se busca una medición cuantitativa que mida el impacto de los efectos causados por las políticas públicas, considerando los beneficios para los que están hechos los programas (Cámara de Comercio de Barranquilla, 2019), aunque también pueden existir otros resultados involucrados a los mismos.
La aplicación de una evaluación implica la existencia de un grupo poblacional beneficiario del programa frente a otro que, a pesar de tener las mismas condiciones y posibilidades de recibirlo, no tiene los apoyos, siendo este el llamado grupo de control (Sánchez, 2015).
Para la realización de evaluaciones de impacto, se han utilizado diferentes métodos, que van desde una revisión ex-ante y durante el proceso de aplicación de la política, manejando el proceso de diferencias en diferencias, o incluso, “fabricando” un grupo de control en caso de no encontrarlo para realizar un mecanismo de emparejamiento (matching), lo cual permite medir la existencia de resultados que indiquen sobre el funcionamiento del programa (Gertler et al., 2017). Así, se puede encontrar el vínculo de causa-efecto a raíz de la existencia del plan puesto en marcha (Nyakuengama, 2017).
En diferentes partes del mundo, se ha explicado sobre el éxito de diversos programas sociales, sobre todo, a los dedicados a combatir la deserción escolar y reducir los rezagos en la salud pública en diversas naciones de Asia y África (Cardona, 2020).
De las evaluaciones de impacto, sobresalen las que se han realizado en diferentes ámbitos a programas educativos en Costa Rica (Mata y Hernández, 2015), así también en Ecuador, Honduras, Nicaragua, México, Colombia y Argentina (Rossel et al., 2022). De igual manera, se encuentran aquellos que se involucran en temas de salud y nutrición, como es el caso de las políticas impuestas en la India, en la que se miden los efectos en las diferentes regiones de la nación asiática (Subramanyam et al., 2017).
Así como en los programas sociales, también existen apoyos a empresas, mismos que también son evaluados para revisar sus efectos. Tal es el caso de la Política de Transferencia de Tecnología realizada en España, en el cual se mide el impacto sobre las ventas de las empresas (Heijs y Guerrero, 2022).
Con respecto a políticas de ingresos, se ha aplicado el PSM para estudiar casos como el referente al apoyo a los productores rurales de aceite de palma en Indonesia (Alwarritzi et al., 2016), mostrando que el grupo beneficiario tiene mejoras en sus entradas de dinero en comparación a los que no tienen dichos apoyos.
Habiyaremye (2017), también estudia por medio del PSM, los ingresos y la reducción de la pobreza de los hogares rurales dedicados al cuidado del gusano de seda en Rwanda, comparando con aquellos que no han adoptado esta vía de subsistencia, llegando a la conclusión de que, a pesar de la falta de desarrollo y habilidades en la sericultura, las retribuciones monetarias han mejorado.
En estudios de evaluación de impacto más recientes e involucrados con políticas de ingresos y combate a la pobreza, el trabajo de Yu et al. (2020) revisa la política de microcréditos en China como el mecanismo para reducir las penurias económicas de los productores agrícolas. Utilizando el PSM, concluye, que este mecanismo financiero no sólo mejora las condiciones de vida familiares (incluyendo el acceso a la salud), sino que también promueve la compra de activos fijos para aumentar la producción.
El PSM tiene diversas aplicaciones diferentes a la de la economía, pues también se utiliza en la investigación médica como es el estudio que realizan Head, Angelini y Blacstone (2018) sobre pacientes que se han realizado operación de coronarias y sus condiciones de salud con respecto a los que no lo han hecho, pero lo requieren.
En el caso de México, se han realizado diversas evaluaciones de impacto a los programas públicos como PROSPERA-Oportunidades, de los más recientes es el realizado por Berhman et al. (2019), relacionado con diferentes áreas de la educación. Así también, los análisis de los efectos en la producción agrícola a raíz del PROCAMPO (Dyer, et al., 2017; Corte y Carrillo, 2018).
Recientemente, a raíz de la pandemia, se hace una evaluación de impacto sobre las afectaciones del COVID-19 ante el proceso de vacunación en diversos municipios rurales del Estado de Puebla con una población no mayor de 30 mil habitantes, aplicando el método de diferencias en diferencias, en el cual, el grupo de comparación eran las zonas en el cual se mostraban atrasos en el esquema de inoculación (Corte, 2021).
En términos de políticas dedicadas al sector privado en México, Vergara et al. (2022), realizan el ejercicio, a través del PSM, para el caso de las ayudas a la innovación empresarial.
Como se revisa en esta parte, en la mayoría de las evaluaciones de impacto se utiliza el llamado Propensity Score Matching (PSM), el cual como su nombre lo indica, es comparar dos grupos (beneficiarios y no beneficiarios) para señalar la existencia de efectos favorables a la política estudiada. En segundo término, también se utiliza el mecanismo de diferencia en diferencias, el cual es comparar un ex-ante y durante la duración del proyecto del mismo conjunto de personas.
Método Kernel Matching
Con el desarrollo de la estadística y la econometría, los métodos para realizar evaluaciones de impacto son más frecuentes. Desde el momento en que Heckman (1977) busca establecer los efectos en los cambios salariales, descubriendo el llamado sesgo de selección, o en sus trabajos posteriores sobre los efectos de las políticas educativas, Heckman y Smith (1995), se instauran mecanismos para la construcción de diferencias estadísticas que demuestran el funcionamiento de los programas.
Tanto Gertler et al. (2017) como Heijs y Guerrero (2022), señalan y, como ya se ha dicho anteriormente, una evaluación requiere de la existencia de dos grupos, uno de beneficiarios (
El impacto de los programas públicos (o privados), se calcula a través de tres medidas a saber: 1) el Efecto de Tratamiento Promedio sobre el grupo Tratado (ATT); 2) el Efecto de Tratamiento Promedio sobre el grupo de Control (ATC) y; 3) el Efecto de Tratamiento Promedio (ATE):
donde X es el vector de variables explicativas con respecto al ingreso, y
En el método de Kernel Matching “el emparejamiento se realiza mediante el peso ponderado de todos los sujetos del grupo control, que es inversamente proporcional a la distancia entre la distancia de propensión entre los dos grupos, tratados y control” (Ferrada y Montaña, 2022, p. 216). Esto implica una ventaja, pues lleva a obtener un impacto eficiente.
En comparación, el PSM es un proceso de emparejamiento entre los grupos de tratamiento y control, con el cual se comparan las diferencias de los resultados de tener un apoyo de programa o no (Heijs y Vergara, 2022). Calcula un propensity score (puntaje de propensión o susceptibilidad) a partir de una regresión probit entre beneficiarios y no beneficiarios midiendo la probabilidad de estar o no estar inscritos en la política en cuestión, como si fuera una variable instrumental con respecto a la que se evalúa.
En el caso del Kernel Matching, primero se calcula un propensity score en base a un modelo logit, el proceso de emparejamiento se realiza a partir de una función de densidad de Kernel, el cual se revisa la forma de distribución de cada una de las observaciones, tanto tratadas como no tratadas. La diferencia es que este tipo de algoritmo considera la influencia de las variables que afectan a la que corresponde a la evaluación por medio de Mínimos Cuadrados Ordinarios (MCO).
El cálculo de dicho propensity score es generando:
con el cual se puede construir tanto la distancia de Mahalanobis como la del vecino más cercano, considerando diversas condiciones.
Sobre la regresión de MCO, la respuesta no se considera exógena, sino endógena, pues depende de otras que explican su existencia.
donde Xi es el conjunto de variables independientes del individuo
donde
Así, con el Kernel Matching, se obtienen los tres efectos de tratamiento ya mencionados con anterioridad.
II. Programas del bienestar, modelo y variables de estudio
Programas de Apoyo del Bienestar
Con el gobierno iniciado en diciembre de 2018, se reestructuraron los programas sociales, entre ellos, PROAGRO- Productivo. La Secretaría de Desarrollo Social cambia a Secretaría del Bienestar, denominando a toda la política de apoyos y transferencias monetarias con ese término, teniendo tres modalidades para el campo: 1) Precios de Garantía, 2) Sembrando Vida y, 3) Producción para el Bienestar.
El esquema de Precios de Garantía implica mejorar las condiciones de producción, distribución, acopio y abasto de los productores de bajos ingresos monetarios (Secretaría de Hacienda, 2020).
La Secretaría de Agricultura y Desarrollo Rural (2022), señala que los objetivos de los Precios de Garantía son:
Que los pequeños productores de maíz, frijol y leche complementen sus ingresos y aumenten su producción por los precios de garantía recibidos.
Que los productores de trigo y arroz, así como los medianos productores de maíz, incrementen su producción ayudados por los incentivos recibidos.
Para tal fin se crea un organismo público denominado Seguridad Alimentaria Mexicana (SEGALMEX), encargado de establecer los precios, además de realizar el acopio correspondiente de los bienes señalados. La adquisición de los productos por parte del Estado se determina de acuerdo a la superficie registrada teniendo topes mínimos de compra (Secretaría de Agricultura y Desarrollo Rural, 2022).
El Programa “Sembrando Vida”, busca el desarrollo de Sistemas Productivos Agroforestales de árboles maderables, frutales y el apoyo a ejidos a través del reparto de semillas mejoradas y apoyos económicos. También se busca generar empleo en las zonas rurales (Secretaría del Bienestar, 2021).
Con respecto a Producción para el Bienestar, el cual es la continuidad de PROAGRO-Productivo, busca fomentar la producción a través del mecanismo de transferencias monetarias para productores de maíz, frijol, trigo, arroz, avena, cebada, soya, ajonjolí, cacahuate, garbanzo, haba, cártamo, calabaza para pipián, lenteja, alverjón girasol, linaza, canola, sorgo, caña, café, amaranto, chía, cacao, miel y leche (Diario Oficial de la Federación, 18 de marzo de 2022), Se establece realizar supervisiones pertinentes para verificar sobre el uso eficiente del dinero otorgado. Los apoyos varían de acuerdo con la capacidad productiva estableciendo un mínimo de $6,000 y un máximo de $24,000, para el año 2022.
Variables de estudio y Modelo de Evaluación
La aplicación de la Evaluación de impacto va de acuerdo con la ecuación (6), teniendo como variables dependientes a los ingresos (para el caso de MCO), y la binaria que indica si se es beneficiario o no de los programas del Bienestar (para la regresión logit).
Para la determinación de los ingresos se establecen, como variables independientes a la edad promedio de los miembros que habitan la morada, el sexo del jefe de hogar (sexjefhog), los años de estudio más elevado de algún miembro del hogar (anosestud), el número de hijos residentes en la vivienda (hijos), las horas trabajadas a la semana (htrab) y una binaria que indique si pertenece o no a una etnia.
En el caso de la regresión logit, se consideran como variables determinantes para recibir, al menos para uno de los programas del Bienestar mencionados, la edad y el sexo del jefe de hogar, así como pertenecer a una etnia (esto, en base al concepto de la protección de las comunidades originarias y afrodescendientes, expuestas en diversas políticas del gobierno actual). También se consideran el número de cuartos de la vivienda (cuartos), si cuenta con servicios públicos y médicos (servs y ServMed, respectivamente), el valor de la producción (valorprod) y los montos no monetarios que obtiene un hogar (mont_nom). También se considera si ese domicilio está inscrito al Programa Nacional para Captación de Agua de Lluvia y Ecotecnias (Procaptar).
La fuente de estos datos se encuentra en la ENIGH 2020 (Instituto Nacional de Estadística y Geografía, 2021), aunque se debe destacar que las preguntas realizadas, son prácticamente las mismas en comparación a años anteriores, por lo que se mantiene la secuencia metodológica.
Aunado a las variables mencionadas, se construyen otras de carácter cualitativo correspondientes a cada una de las entidades federativas (estado), la zona geográfica en la que se localizan (región) y si los beneficiarios se encuentran en un municipio meramente rural o en un municipio mayoritariamente urbano con territorios de producción agropecuaria y agrícola (zona), lo cual permite analizar las diferencias de los resultados. Estas últimas ayudan a generar resultados más exactos en la medición de los impactos. De los modelos que determinan los diferentes tratamientos promedio, primero se revisa al correspondiente a MCO.
El papel de la Edad involucra que, a más años cumplidos, los ingresos sean cada vez más elevados (CEPAL, 2018). Para el caso de pertenecer a un grupo étnico, se refiere a las políticas en la cual, supuestamente se apoya a las comunidades “originarias” y afromexicanas, en el cual, de acuerdo con los puntos 2.2.1 y 2.2.2, del Programa Nacional de Pueblos Indígenas, se busca promover proyectos productivos y el desarrollo económico (Instituto Nacional de Pueblos Indígenas, 2019), por lo que se espera que el signo, con respecto a los ingresos, sea positivo.
Con respecto a los años de estudio (anosestud) y el sexo de jefe de hogar (sexjefhog), los textos básicos de econometría como el de Wooldrige (2013), así también como Gujarati y Porter (2010), señalan con ejemplos los efectos diferenciales de estas variables. Se espera que entre más hijos y horas trabajadas (htrab), los hogares obtengan más entradas de dinero. El modelo (7) está basado en el desarrollado por Godínez et al. (2013) con respecto a su estudio sobre zonas rurales chiapanecas, con algunas modificaciones.
Para el caso propio del modelo logit
donde se supondría que entre mayor edad y pertenecer a una etnia corresponde a una mayor posibilidad de ser seleccionado para participar de los beneficios, al igual que estar inscrito en el Procaptar. El tener servicios médicos (ServMed) y un mayor número de cuartos implican, en poblaciones rurales, tener un estrato social por encima de la media, por lo que sus probabilidades de estar en Bienestar son menores. El modelo (8) está basado en dos propuestas, la primera la realizada por Hernández et al. (2008) en el cual, establecen criterios para el desarrollo de modelos de este tipo, mientras que la segunda es la hecha por Pucutay (2002), específicamente para casos de pobreza.
El cálculo de los valores estimados de (7) y (8), implicarían construir los efectos de tratamiento necesarios para revisar los efectos de los programas del Bienestar en la población en las diferentes regiones del país y, de acuerdo con las variables de control que resultan significativas para ambas regresiones, se determinan para cada una de las zonas determinadas.
La obtención de la información parte de la ENIGH levantada en el año 2020 por el Instituto Nacional de Estadística y Geografía (2021), con la que se obtienen todas las variables necesarias para realizar el presente trabajo.
III. Resultados
La evaluación que se realiza revisa el impacto en los ingresos de los programas del Bienestar en cada una de las regiones del país. Por lo que primero se requiere determinar cada una de las zonas a través de la geolocalización (Mapa 1 en Anexo).
Para este estudio, el país se divide en 7 regiones: Noroeste, compuesto por Baja California, Baja California Sur, Sonora y Sinaloa; Norte con Chihuahua, Coahuila, Durango, Nuevo León, San Luis Potosí, Durango y Zacatecas; Golfo constituido por Tamaulipas, Tabasco y Veracruz; Sur conformado por Chiapas, Guerrero y Oaxaca; Centro con Ciudad de México, Estado de México, Morelos, Hidalgo, Puebla, Querétaro y Tlaxcala; Occidente con Aguascalientes Colima, Guanajuato, Jalisco, Michoacán y Nayarit; Península en la que se encuentran Campeche, Quintana Roo y Yucatán.
La primera región aparece en blanco debido a que, de acuerdo a la fuente utilizada, no se presenta ningún caso con beneficios de los programas del Bienestar, por lo cual, de inicio, se descarta en el presente estudio. Por tanto, se revisan seis regiones del país, comparando con los resultados a nivel nacional.
La división regional, por lo regular, se maneja de manera discrecional de acuerdo con el tipo de estudio que se realiza, por ejemplo, García (2008), utiliza hasta nueve zonas. La que se aplica en este trabajo, a diferencia de otras, es, por ejemplo, la zona del Golfo en la que se encuentran Tamaulipas, Veracruz y Tabasco, esto debido a que es una zona meramente petrolera, además de que en los dos primeros se concentra una gran parte de la cultura huasteca, pero al mismo tiempo, con respecto al última entidad federativa, la concentración de zonas bajas y cálidas.
Así también en la región Occidente, en la que si bien, Guanajuato y Aguascalientes pertenecen a la zona del Bajío junto a Querétaro y San Luis Potosí, geográficamente están más ligados al Estado de Jalisco y de Michoacán, así mismo con la del Centro, todas estas entidades federativas son las más cercanas a la capital del país. Para el caso del Norte, se consideran características geográficas (mayormente desértico) y económicas que las vinculan fuertemente actividades industriales, ganaderas y agroindustriales.
En el Cuadro 1 se encuentran las regresiones por MCO a nivel nacional. En el modelo, variables como el Número de Hijos o el Sexo del Jefe de Hogar, no resultan ser estadísticamente significativas. Sin embargo, el número de Horas Trabajadas, al igual que los Años de Estudio Promedio en el hogar influyen para tener una mayor cantidad de ingresos. En el caso de pertenecer a un grupo étnico, implica tener ingresos más bajos en comparación al resto de los habitantes del país. En el caso de Edad, a pesar de ser estadísticamente significativo desde el inicio, esta no queda establecida en la regresión final (2), debido a que, al momento de la eliminación iterativa de las variables de control, termina siendo no significativa.
Cuadro 1 Resultados por MCO a Nivel Nacional
| Variables | (1) | (2) |
|---|---|---|
| Edad | 267.078** (112.937) [2.36] |
|
| Etnia | -29880.14* (3101.1) [-9.64] |
-31179.85* (2713.076) [-11.49] |
| anosestud | 4864.495 (438.901) [11.08] |
|
| sexjefhog | 5905.388 (7362.957) [0.80] |
|
| hijos | -717.355 (1120.097) [-0.64] |
|
| htrab | 990.137* (77.842) [12.72] |
969.483* (62.417) [15.53] |
| Constante | -19001.56** (8543.661) [-2.22] |
|
| R2 | 0.0415 | 0.0884 |
| Observaciones | 9347 | 9347 |
| ( ) Error Estándar, [ ] Estadístico t. * Nivel de Significancia del 0.01, ** Nivel de Significancia del 0.05, *** Nivel de Significancia del 0.10. | ||
Fuente: realización propia en Stata 16, con datos de ENIGH-INEGI, 2020.
Debe tenerse en cuenta que, si bien los estadísticos de ajuste son demasiado bajos, la importancia radica en tener los signos esperados de la regresión, además de obtener el grado de significancia esperado para la realización de la evaluación.
En el Cuadro 2, se repite la regresión final a nivel Nacional y sus réplicas para cada región. Llama la atención que, en la Región Occidente del país, la variable destacada como Etnia no resulta ser estadísticamente significativa, al igual ocurre en la Región Península donde los Años de Estudio tampoco resultan ser explicativos para la variable dependiente. Por otro lado, se mantienen los signos esperados en cada una de las regiones. De los hogares dedicados a actividades rurales, en la zona del Golfo se tiene el número más bajo de observaciones, mientras que la Región Sur, presenta mayor cantidad de encuestados.
Cuadro 2 Resultados de MCO a nivel Nacional y por Región
| Variables | Nacional | Región Norte |
Región Golfo |
Región Sur |
Región Centro |
Región Occidente |
Región Península |
|---|---|---|---|---|---|---|---|
| Etnia | -31179.85* (2713.076 [-11.49] |
-51050.8* (13558.01) [-3.77] |
-13155.96* (4703.32) [-2.8] |
-9392.45* (2125.68) [-4.42] |
-10924.29* (4082.77) [-2.68] |
-34034.97* (8221.08) [-4.14] |
|
| Años de Estudio | 4312.814* (313.871) [13.74] |
9606.083* (1701.71) [5.64] |
3678.55* (522.27) [7.04] |
1374.04* (247.89) [5.54] |
3313.008* (504.11) [6.57] |
8243.918* (1161.96) [7.09] |
|
| Horas Trabajadas | 969.483* (62.417) [15.53] |
1819.77* (297.05) [6.13] |
768.53* (113.89) [6.75] |
224.58* (53.69) [4.18] |
952.5555* (97.45) [9.78] |
1539.585* (222.58) [6.92] |
703.8533* (114.23) [6.16] |
| Constante | -37022.86* (15055.64) [-2.46] |
9845.95* (2868.96) [3.43] |
-14458.87* (5257.25) [-2.75] |
-24026.98* (9981.46) [-2.41] |
31319.19* (8334.57) [3.76] |
||
| R2 | 0.0884 | 0.0455 | 0.2249 | 0.0273 | 0.0751 | 0.0739 | 0.0437 |
| Observaciones | 9347 | 1836 | 801 | 2437 | 1858 | 1200 | 1145 |
| ( ) Error Estándar, [ ] Estadístico t. | |||||||
Fuente: realización propia en Stata 16, con datos de ENIGH-INEGI, 2020.
Si bien la suma de las observaciones no corresponde al nacional, esto se debe a que los 70 restantes pertenecen a la Región Noroeste.
Con respecto al modelo logit (Cuadro 3), todas las variables independientes resultan ser estadísticamente significativas a nivel nacional, pero en el caso de Procaptar, el cual el que se esperaba que tuviera signo positivo, resulta ser lo contrario. A partir de esto, se revisa para cada una de las regiones, características muy peculiares. Por ejemplo, en la Región Norte, sólo la Edad y los Servicios Médicos resultan determinantes para los hogares dedicados a actividades rurales para solicitar al menos un apoyo de los programas del Bienestar.
Cuadro 3 Resultados de Regresión Logit a Nivel Nacional y por Región
| Variables | Nacional | Región Norte |
Región Golfo |
Región Sur |
Región Centro |
Región Occidente |
Región Península |
|---|---|---|---|---|---|---|---|
| Edad | 0.0162* (0.0015) [10.82] |
0.0156* (0.0035) [4.51] |
0.0165* (0.0027) [6.11] |
0.0274* (0.0041) [6.78] |
0.0257** (0.0048) [5.39] |
0.0268* (0.0045) [6.09] |
|
| Etnia | 0.1682*** (0.0458) [3.67] |
0.2311*** (0.0899) [2.57] |
|||||
| Procaptar | -0.3193*** (0.1571656) [-2.03] |
-0.5173*** (0.2263) [-2.29] |
|||||
| Servicios Médicos | -0.2323*** (0.0632) [-3.68] |
-0.5959*** (0.1276) [-4.67] |
0.6227*** (0.1983) [3.14] |
-0.3408*** (0.1791) [-1.9] |
-0.6732*** (0.1736) [-3.88] |
||
| Número de Cuartos | ´0.0308* (0.0153) [-2.03] |
-0.0697** (0.0306) [-2.29] |
0.0793** (0.0396) [2.01] |
0.0847** (0.0445) [1.91] |
|||
| Constante | -1.466*** (0.1106) [-13.26] |
-1.1443*** (0.2026) [-5.65] |
-1.0089*** (0.0874) [-11.56] |
-0.9637*** (0.1874) [-5.14] |
-3.1865*** (0.3064) [-10.4] |
-3.0194*** (0.3568) [-8.46] |
-1.759*** (0.2351) [-7.49] |
| Pseudo-R2 | 0.0121 | 0.015 | 0.0099 | 0.016 | 0.0272 | 0.0263 | 0.0304 |
| Observaciones | 9347 | 1836 | 801 | 2437 | 1858 | 1200 | 1145 |
| ( ) Error Estándar, [ ] Estadístico t. * Nivel de Significancia del 0.01, ** Nivel de Significancia del 0.05, *** Nivel de Significancia del 0.10. | |||||||
Fuente: realización propia en Stata 16 con datos de ENIGH-INEGI, 2020.
Para el caso de la Región Golfo, sólo la que representa a los Servicios Médicos llegó a ser estadísticamente significativa (pero no con el signo esperado), como determinante para solicitar los apoyos, mientras que en la Región Sur, dicha variable no resultó ser estadísticamente significativa.
En la Región Centro, Edad, Número de Cuartos y Servicios Médicos, resultan significativos al momento de solicitar apoyos para el programa, pero la última de estas tres no resulta serlo junto a Etnia y Procaptar para la Región Occidente. Los servicios de salud y la edad promedio del hogar son determinantes para la Región Península.
A partir de estas regresiones logit se construyen los puntajes de propensión (Propensity Score) que miden la posibilidad de estar (o no estar) inscrito en alguno de los programas del Bienestar, estableciendo la Zona de Soporte Común (Figura 1) que sirve para determinar el vecindario en ambos grupos. Este cálculo también sirve para determinar los impactos de esta política a través de los Efectos de Tratamiento.
Fuente: realización propia con Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 1 Zonas de Soporte Común, Nacional y por Región
En la Figura 1, la línea negra representa el comportamiento de la densidad de los que son beneficiarios de los programas del Bienestar, mientras que la gris describe a los del grupo de control. Como ya se ha mencionado, se desatacan las Zonas de Soporte Común donde se ubica a ambos conjuntos de hogares con las mismas posibilidades de recibir los apoyos.
Previo al cálculo de los impactos, se busca realizar la prueba correspondiente a la presencia de sesgo de selección (autoselección), en la cual, se presume de la existencia de observaciones no requieren el apoyo de los programas y, sin embargo, lo reciben. Ante la presencia de esto, hay que verificar si resulta ser un problema grave o no, es decir, si afecta o no a los resultados de los impactos del programa, para esto se realiza el experimento de James Heckman, que de acuerdo con Alejo y Funes (2021), es el proceso más adecuado para determinar si este es (o no es) un problema para la estimación de los Efectos de Tratamiento.
Al determinar dicho sesgo, se utiliza una esperanza condicional en la cual se confía en que los errores tengan una distribución normal.
donde
Si no es estadísticamente significativa (zona de Hipótesis Nula), implica que el sesgo de selección no es problema para medir los impactos, pero en caso contrario, habría que realizar pruebas posteriores a la evaluación (Alejo y Funes, 2021). En el Cuadro 4 se presentan los resultados de la IMR de acuerdo con el método de Heckman.
Cuadro 4 Resultados de la Razón Inversa de Mills según el Método de Heckman para Sesgo de Selección
| Nacional | Región Norte |
Región Golfo |
Región Sur |
Región Centro |
Región Occidente |
Región Península |
|
|---|---|---|---|---|---|---|---|
| IMR | 4819.37 | 56219.79 | 17004.64 | 2187.1 | -11846.87 | -64068.11 | 55688.01 |
| Error Estándar | 17546.84 | 37676.51 | 12809.86 | 15994.4 | 56810.99 | 61801.19 | 8593.295 |
Fuente: elaboración propia con Stata 16, con datos del ENIGH-INEGI, 2020.
De acuerdo con el Cuadro 4, sólo la Región Península muestra que el sesgo de selección puede ser un problema al momento de realizar la evaluación, por lo que debe de verificarse si este se corrige posteriormente. Los valores estadísticos, tanto Nacional como del resto de las regiones, señalan que no existe conflicto alguno al desestimar dicho sesgo, pues no afecta a los resultados.
Al utilizar el Emparejamiento de Kernel (kmatch en Stata), se debe ser muy cuidadoso en las especificaciones a utilizar, pues construye un Propensity Score en base a las regresiones MCO y Logit que ya se han señalado más arriba, pero también requiere de la búsqueda de los vecinos más cercanos en relación al puntaje de propensión y vecindad de región.
También se requiere de una “calibración” para medir la distancia de acuerdo a cada puntaje de propensión calculado. De igual forma construye la Zona de Soporte Común (mencionada en la Figura 1). Por último, se especifica las entidades federativas y si corresponden a municipios netamente rurales, o los que tienen una población urbana (o semiurbana) con zonas de actividades rurales.
En la Figura 2 se muestran los resultados a nivel nacional, el cual muestra que el Efecto de Tratamiento Promedio en el Tratado (ATT), es decir, los que reciben apoyos de al menos de uno de los programas, reciben $4,581.45 pesos M.N., más en comparación si no tuvieran el apoyo del Bienestar, siendo este el único dato significativo en comparación al Efecto de Tratamiento Promedio (ATE) y el Efecto de Tratamiento Promedio en el grupo de Control (ATC).1
Fuente: realización propia a partir del Kernel Matching en Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 2 Efectos de Tratamiento a Nivel Nacional
De la Figura 3, llama la atención la Región Norte, pues existe un gran diferencial para los inscritos en los programas del Bienestar. Esto puede tener diversas explicaciones, entre ellas la manera en que en esta zona se levantó la ENIGH.
Fuente: realización propia a partir del Kernel Matching en Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 3 Efectos de Tratamiento en las Regiones Norte y Golfo
En el caso contrario la Región Golfo, los ingresos del grupo de tratamiento son de $29,084.50 pesos en promedio, en comparación si no recibieran el apoyo. El grupo de control, si estuviera inscrito a algunos de los programas del Bienestar tendrían $29,441.40 pesos más.
Con respecto a la Región Sur, los hogares con beneficios del Bienestar tienen cerca de 49 mil pesos más en comparación si no lo recibieran, mientras que los no beneficiarios tendrían un poco más de 41 mil pesos si obtuvieran apoyos de dicha política (Figura 4). En la Región Centro, los resultados de los diferentes Efectos de Tratamiento Promedio no son estadísticamente significativos, es decir, pareciera que no existe una evidencia de que los apoyos del Bienestar marcan una diferencia estadística entre los que reciben y los que no tienen dicho apoyo.
Fuente: realización propia a partir del Kernel Matching en Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 4 Efectos de Tratamiento en las Regiones Sur y Centro
Con respecto a los impactos en la Región Occidente se encuentra cierta similitud con el Norte, sin embargo, aquí la información no es estadísticamente significativa, por lo que, al igual que en la zona centro no hay evidencia estadística sobre una diferencia entre recibir apoyos o no hacerlo (Figura 5).
Fuente: Realización propia a partir del Kernel Matching en Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 5 Efectos de Tratamiento en las Regiones Occidente y Península de Yucatán
En el caso de la Península de Yucatán, se muestran que los hogares rurales inscritos a Bienestar muestran en promedio, ingresos por $17,421 más en comparación a si no lo tuvieran, mientras que el grupo de control estaría por encima de los 15 mil pesos si recibieran los apoyos.
Correspondiente a la zona de la Península de Yucatán, el cual, debe verificarse si se ha corregido la condición del sesgo de selección posterior al tratamiento.
En el proceso de estimación de los Impactos, calculados por el proceso de Emparejamiento de Kernel, se puede verificar si efectivamente, el llamado sesgo de selección de esta política ha quedado corregido, incluyendo el caso de la Región Península. En la Figura 6, se muestra la prueba gráfica que verifica la existencia de dicho ajuste.
Fuente: realización propia a partir del Kernel Matching en Stata 16, con datos del ENIGH-INEGI, 2020.
Figura 6 Corrección de Sesgo de Selección a nivel Nacional y por Región
En la post-estimación de la Región Península, al igual que en las demás zonas y a nivel nacional, los procesos de emparejamiento son válidos y no muestran que el sesgo de selección provoque problemas para el proceso de la estimación de los impactos a través de los Efectos de Tratamiento.
El proceso de Kernel Matching, al generar ponderaciones inversamente proporcionales a la distancia entre los grupos de tratamiento y de control en la Zona de Soporte Común, reduce los sesgos de selección existentes, por lo cual se corrige como tal dicha situación.
Reflexiones finales
Realizar una evaluación de impacto a cualquier programa social, implica analizar su funcionamiento, no sólo a nivel nacional, sino también por cada región en la que se conforma cada nación. La finalidad de esto, en términos de recomendación, es la de su continuidad o, en todo caso, su revisión para mejorarlo, basándose en los aspectos económicos, tanto cuantificables como cualitativos.
En los resultados se verifican ciertas diferencias en el comportamiento de los impactos. Por un lado, en las zonas del Golfo de México, Península de Yucatán y Sur, se muestran beneficios muy por encima de lo establecido a nivel nacional, en la Región Norte parece mostrar todo lo contrario, aunque es importante verificar el proceso de levantamiento de la ENIGH o si existe alguna otra situación por la que estas estimaciones se comportan de esa manera.
Al contrario, en los Estados del Centro y Occidente, llama la atención sobre la no significancia de los resultados, por lo que es un indicativo sobre cierta indiferencia entre tener o no tener apoyos de los programas del Bienestar.
También debe considerarse que, al momento de realizarse la ENIGH del año 2020, se mantienen los procesos metodológicos similares a periodos anteriores, por lo que es necesario seguir manteniendo este tipo de estudios para verificar si hay cambios en la encuesta.
Los resultados aquí mostrados, no son del todo definitivos para calificar del todo el buen o mal ejercicio de los Programas del Bienestar. Al contrario, hay que mantener la continuidad en la realización de evaluaciones de impacto de estas políticas, no sólo a los ingresos, sino también a otros rubros que conllevan estas políticas, implican ver lo que funciona y en dónde para continuar la misma línea, o qué es lo pertinente a mejorar.
