Pobreza e inclusión financiera
en el municipio de Montería, Colombia
Anaya Narváez,
Alfredo R.*
Buelvas Parra, John
Arturo**
Romero Álvarez,
Yaneth***
Resumen
La importancia de la inclusión financiera radica, en que se trata de un
asunto relacionado con la posibilidad del disfrute efectivo de los derechos de
las personas, a llevar una vida digna y tener mejor calidad de vida. En este
sentido, el
objetivo principal de este
trabajo es probar la incidencia de la
pobreza monetaria en la inclusión financiera de los hogares del
municipio de Montería, departamento de Córdoba-Colombia, a través de un modelo
econométrico probabilístico o de respuesta cualitativa denominado Probit, utilizando además otras
variables socioeconómicas que ayuden a explicar el fenómeno de la inclusión
financiera. Para lograrlo se tomó información primaria mediante encuestas a 556
hogares monterianos sobre las variables involucradas en el análisis y, mediante
el programa Eviews 7.1 se
procesó la información para obtener la estimación del modelo econométrico. Los
resultados confirman que este fenómeno se puede estudiar adecuadamente a través
de un análisis de regresión binomial y demuestra que existe una relación
inversa entre pobreza monetaria e inclusión financiera. Se concluye, que los factores
que incrementan las probabilidades de inclusión de los hogares son los mayores
niveles de educación del jefe del hogar y la ubicación de este último en el área
urbana del municipio.
Palabras clave: Inclusión;
pobreza; variables socioeconómicas; Probit; Montería-Colombia.
Poverty and financial inclusion in the municipality of Monteria, Colombia
Abstract
The importance of financial inclusion lies in the fact that it is an
issue related to the possibility of the effective enjoyment of people's rights,
to lead a dignified life and to have a better quality of life. In this sense,
the main objective of this work is to prove the incidence of monetary poverty
in the financial inclusion of households in the municipality of Monteria,
department of Córdoba-Colombia, through a probabilistic econometric model or
qualitative response called Probit, also using other socio-economic variables
that help explain the phenomenon of financial inclusion. To achieve this,
primary information was taken through surveys of 556 monterian households on
the variables involved in the analysis and, through the Eviews 7.1 program, the
information was processed to obtain the estimate of the econometric model. The
results confirm that this phenomenon can be adequately studied through a
binomial regression analysis and demonstrates that there is an inverse
relationship between monetary poverty and financial inclusion. It is concluded
that the factors that increase the probability of inclusion of households are
the higher levels of education of the head of the household and the location of
the latter in the urban area of the municipality.
Keywords: Inclusion; poverty; socioeconomic variables; Probit; Monteria-Colombia.
Introducción
Existe literatura
científica que permite concluir que la inclusión financiera de los hogares está
relacionada de manera inversa con la pobreza monetaria. Igualmente, algunos de
estos estudios indican una relación que va de la pobreza a la inclusión financiera,
en tanto que otros muestran causalidad en sentido contrario. Así por ejemplo,
unos autores han demostrado como inciden de manera directa los ingresos sobre
la inclusión financiera, representada por la posesión de algún producto
financiero por parte de los miembros del hogar, es decir, la inserción es
explicada por los ingresos de los hogares (Rodríguez-Raga
y Riaño, 2016). En
cambio, otros muestran como la inclusión financiera determina el bienestar de los
hogares y ayuda a mejorar las condiciones de vida de sus miembros (Cull, Tilman y Holle, 2014).
Ello revela la importancia de la inclusión
financiera, pues se trata de un asunto relacionado con la posibilidad del
disfrute efectivo de los derechos de las personas a llevar una vida digna y tener
buena calidad de vida (Nogueira, 2009). Se considera entonces un tema que por
su impacto sobre las personas, difícilmente es superado en importancia por
otros.
En este trabajo, a diferencia de otros sobre el
tema, se busca demostrar el impacto de la pobreza monetaria (basada en el ingreso
per cápita de los hogares) sobre la inclusión financiera en el municipio de
Montería-Departamento de Córdoba en Colombia, utilizando un modelo econométrico
probabilístico denominado Probit, con base en información estadística
recabada directamente a través de encuestas aplicadas en hogares monterianos.
Con el fin de
posibilitar el estudio del fenómeno de la inclusión financiera en el municipio
de Montería, los autores aplicaron 560 encuestas del
tipo calidad de vida que realiza el Departamento Administrativo Nacional de
Estadística (DANE) en Colombia, en el mes de diciembre del año 2015, en sendos
hogares del municipio en cuestión. De estas, 4 encuestas fueron descartadas por
contener errores y solo se utilizó la información contenida en las 556
restantes. Con base en el análisis de la información recabada, como se
mostrará más adelante, se concluyó que la población del municipio de Montería
tiene bajos niveles de inclusión financiera, así como también que es
esencialmente pobre.
Resulta
necesario entonces, conocer no solo los indicadores y porcentajes de inclusión
financiera y pobreza en el municipio de Montería, sino que además se requiere,
por una parte, determinar la relación entre pobreza e inclusión financiera y
por otra, la búsqueda de sus factores determinantes, para establecer
las características que hacen que un hogar aumente o disminuya su probabilidad
de estar incluido financieramente, con el fin de que
se facilite una propuesta de políticas públicas encaminadas a solucionar esta
problemática, reafirmando lo indicado antes acerca de la importancia del
aumento de la inclusión financiera, por cuanto ello provoca incrementos en el bienestar
de personas y hogares (Cull, et al., 2014).
1. Inclusión
financiera y pobreza
Este apartado muestra
como la inclusión financiera está relacionada con el desarrollo y bienestar de
los habitantes de los países donde se han implementado políticas inclusivas y
que de alguna manera vinculan directa e indirectamente a personas y
específicamente aquellos hogares considerados monetariamente pobres, es decir, identificados
como tal por sus bajos niveles de ingresos per cápita.
1.1. La inclusión financiera
De acuerdo con el Banco de la República de Colombia (2014), la
inclusión financiera es un fenómeno que consiste en la incorporación de los servicios
financieros a las actividades económicas diarias, de todos los miembros de cualquier
comunidad. Lo anterior implica que individuos, empresas, hogares, puedan tener
acceso a cuentas bancarias, créditos, ahorros, seguros, sistemas de pagos y pensiones,
así como educación financiera, entre otros, es decir, poder disponer de
productos con entidades financieras formales. Por lo cual, se considera un tema
de gran relevancia por cuanto diferentes estudios, como los de Clarke, Xu y Zou, 2003; así como Beck, Demirguc-Kunt y Levine, 2007, sugieren que altos niveles
de inclusión financiera tienen efectos positivos sobre la pobreza, aunque
existen opiniones contrarias que insisten en que esa causalidad no resulta tan
definitiva (Demirguc-Kunt, Honohan y Beck, 2008).
Según el Banco Mundial (2016), aproximadamente 2.000
millones de personas adultas en el mundo, no tienen una cuenta bancaria básica
y el 59% de ellos manifiesta que la falta de dinero es lo que les impide
acceder a ese servicio. De lo anterior se puede deducir que estos servicios
financieros no son alcanzables para personas de bajos ingresos.
Maldonado,
Moreno, Giraldo y Barrera (2011) afirman que: “Gran parte de
los hogares en condición de pobreza generan sus ingresos a partir de
actividades económicas informales, inestables o que pueden ser afectadas por
factores impredecibles o no controlables” (p.45),
lo que conlleva a que los hogares deben vivir con flujos de ingreso que no son
regulares y, por tanto, la inclusión financiera a través de sus productos les
pueden ayudar a mejorar sus flujos de consumo, con la disposición de manera
permanente y no ocasional de los recursos provenientes de sus ingresos; mejorando
adicionalmente la calidad de vida de las personas y el bienestar del hogar. Igualmente,
el precitado autor indica que “el acceso a servicios financieros, particularmente
el crédito y los seguros, también permite a los pobres realizar las inversiones
para sus emprendimientos productivos” (Maldonado, et al., 2011, p.46), promoviendo
los negocios que pueden generar mayores ingresos y bienestar a los hogares.
Dada la importancia
de la inclusión financiera, Colombia ha trabajado en los últimos 11 años de forma
decidida en la masificación de los servicios financieros. Por ello en el año 2006
adoptó la política de inclusión financiera, Banca de las Oportunidades, y a
partir de ella se creó el Programa de Inversión “Banca de las Oportunidades”,
con el objetivo de generar las condiciones necesarias para promover el acceso
al crédito y los demás servicios financieros de la población de menores ingresos,
las mipymes y emprendedores (Ministerio de
Hacienda y Crédito Público - Colombia, 2016).
En 2016, el Gobierno
nacional de Colombia realizó un balance de los logros alcanzados en los últimos
diez años en inclusión financiera y redefinió los principales retos para los
próximos años. Dentro de los avances logrados se destaca que Colombia alcanzó
el 100% de cobertura o presencia de algún tipo de punto de acceso al sistema
financiero en todo el país a comienzos de 2015, como consecuencia de la
implementación de las corresponsalías bancarias en sitios donde no había
presencia de las entidades financieras formales (Banca
de las Oportunidades, 2016). Estas corresponsalías bancarias, son el
resultado de la autorización que dio el gobierno colombiano a las entidades
financieras formales, para que pudieran celebrar contratos con terceros no
financieros tales como establecimientos de comercio, supermercados, droguerías,
entre otros, para prestar servicios financieros en los lugares y zonas donde no
tenían presencia.
Paralelamente puso en
marcha una serie de programas sociales dirigidos a las familias, a los jóvenes,
a los adultos mayores, víctimas del conflicto armado, entre otros, que tienen
por objeto el subsidio monetario directo a las familias beneficiarias cuando
cumplen las condiciones legales. Incluso, tal como lo señalan Salamanca y Egea
(2018), el gobierno colombiano, “ha desarrollado significativas normativas que
atraviesan la implementación de programas” (p.40), dirigidos a esta población
vulnerable. Así, uno de los requisitos que se incluyó dentro de estos programas,
es que las familias beneficiarias de subsidios estatales hicieran previamente
la apertura de cuentas de ahorro en entidades financieras formales, para
realizarles las transferencias monetarias.
Estas acciones han
tenido un impacto directo en la inclusión financiera, según el cual más de 8
millones de personas accedieron al sistema financiero en el periodo 2007-2015,
con lo cual el porcentaje de población adulta con al menos un producto financiero
pasó del 55% al 76,3% en el año 2014 (Banca de las
Oportunidades, 2016).
En lo relativo al uso
de las tecnologías de la información y las comunicaciones, los países de
América Latina se encuentran muy rezagados frente a los países que ocupan los
10 primeros lugares del ranking, en el cual Colombia ocupa el puesto 68
a nivel global y se ubica en el sexto lugar de América Latina y el Caribe en el
año 2016 (Banca de las Oportunidades, 2016).
En lo atinente a
discriminación por dominio, los servicios financieros se ven más limitados en
el área rural colombiana. El estudio realizado por Cano, Esguerra, García, Rueda
y Velasco (2014) lo corroboran, pues
llegan a la conclusión de que los campesinos son grandes clientes para el sistema,
sin embargo, no les llega una oferta adecuada, suficiente, ni oportuna. La
razón está en que hay diferencias entre las dinámicas rurales y las urbanas,
por ejemplo, que en el campo los ingresos provienen en gran parte de las
cosechas y no de un salario mensual fijo, como en las ciudades. De esta manera,
un crédito, por ejemplo, no se puede cobrar de la misma forma.
En el caso del
departamento de Córdoba, que tiene una población proyectada por el DANE (2017) para
junio de 2016 de 1.735.657 personas, de las cuales 1.108.100 son adultos; las
cuentas de ahorro solo llegan al 49,8% de ellos, en tanto que solo el 4,9%
tiene acceso a cualquier tipo de crédito a manera de ejemplo. Finalmente, de acuerdo
con los resultados de las encuestas aplicadas por los autores en diciembre de
2015, la inclusión financiera del municipio de Montería, medida por el número
de créditos otorgados a cualquier persona de los hogares era del 34,4%. En el
área urbana el guarismo (41,4%), es cuatro veces superior al del área rural (10,3%),
lo que coloca de manifiesto el bajo nivel de inclusión de los campesinos
monterianos.
1.2.
La pobreza
Lo primero que se debe tener en cuenta es que
la pobreza es un fenómeno complejo, heterogéneo y multidimensional que tiene
muchas definiciones basadas en diferentes teorías sobre la sociedad. Si se
parte de lo más básico, la pobreza, de acuerdo con Klisberg (2010), es un
adjetivo calificativo que denota a la persona que no cuenta con lo necesario
para vivir. No obstante, la pobreza se relaciona directamente con limitaciones
para tener acceso o carecer de recursos, para poder satisfacer las necesidades
básicas como la alimentación, la educación, la salud, vivienda digna, acceso a
agua potable, que inciden en el bienestar de las personas (Phelan, 2011).
Particularmente la falta de educación, promueve altas tasas de fecundidad
agravando el problema de pobreza (Anaya, Buelvas y Valencia, 2015). Asimismo, “el estar privado en salud genera imposibilidad
de estar bien educado o ganarse la vida” (Muñetón, Pineda y Keep, 2019, p.117).
Por ello, independientemente de la disciplina que examine
el problema de la pobreza, los diferentes conceptos y categorías de ese
fenómeno se pueden encuadrar, de acuerdo con Alvarado
(2016), en alguno de los siguientes cuatro grupos según el enfoque que
se tome como referencia, así: 1. Economicista: Biologicista de subsistencia que
incorpora la nociones de marginalidad y cultura de la pobreza; 2. Tecnicista: Economicista
surgida del consenso de Washington y acogida por la CEPAL; 3. La concepción
humanista del desarrollo y la pobreza que contempla su multidimensionalidad; y
4. Exclusión social como concepto que amplía el espectro del fenómeno.
Así, según Pallmall (2015) una de las razones
por la que cada día existe mayor pobreza en el planeta, es la explosión
demográfica que está viviendo la humanidad, pues en el año 1950 el mundo albergaba
2.500 millones de personas, y seis décadas más tarde cuenta con casi el triple
de habitantes. Sin embargo, es preciso aclarar que la pobreza ha venido siendo
objeto de reducción a nivel mundial, puesto que según el Banco Mundial (2016), en
los últimos 25 años más de mil millones de personas han salido de la pobreza extrema
en el mundo. Por otro lado, al considerar
que existe una relación entre pobreza y desigualdad, así como el papel que la
disminución de esta juega en la reducción de aquella, aún sin ampliar la
capacidad productiva de la sociedad, Uribe
(2005) sostiene que, en el
mundo, la pobreza es más el resultado de la inequidad que de la escasez.
Para Spicker, Alvarez y Gordon (2009): “La pobreza
no es un fenómeno nuevo en América del Sur y Centroamérica, ni tampoco es nueva
su reflexión en nuestro pensamiento social” (p.33). Pero indica que a
diferencia de Europa y de los países más poderosos, el tratamiento y la
solución han sido diferentes y a favor de los últimos; de ahí la persistencia
de este fenómeno con sus indeseables consecuencias como la marginalidad, la
segregación y la exclusión social.
Particularmente Colombia está
afectada severamente por la pobreza, puesto que el 28% de los hogares para el
año 2016 están clasificados en pobreza monetaria, cifra que resulta mayor en el
área rural con un 38,6% para ese mismo año. Igualmente, en Colombia la pobreza
multidimensional propuesta inicialmente por Alkire y Foster (2011), se ubica en el 17,8% en el año 2016, indicando las falencias de servicios públicos
básicos esenciales de los hogares colombianos (DANE,
2017).
Córdoba, departamento cuya capital es el
municipio de Montería, presenta el 46,4% de pobreza monetaria en el año 2015,
lo que lo ubica dentro de los 10 primeros departamentos con más altas cifras de
pobreza en Colombia (DANE, 2017). Además, considerando que el promedio nacional
en pobreza monetaria es del 27,8% para el año 2015, se puede observar que la
pobreza en el departamento de Córdoba es 1,7 veces superior al promedio de
Colombia.
De acuerdo con los resultados de las encuestas
aplicadas por los autores, la cifra de pobreza monetaria general del municipio
de Montería es del 34,2%, lo que sugiere una situación menos grave que la del
departamento de Córdoba, sin embargo, se resalta la enorme brecha que existe entre
el campo y la ciudad, puesto que la pobreza en el área rural (70,6%) triplica la
urbana (23,5%).
1.3. Estudios realizados
Sobre la inclusión
financiera y su relación con la pobreza se han realizado varios estudios
empíricos. Dos de ellos que se referencian seguidamente, estiman el impacto de
los ingresos monetarios-pobreza sobre la inclusión financiera, en tanto que los
dos últimos que se reseñan posteriormente en esta misma sección, revelan
causalidad en sentido contrario.
Así, en el trabajo elaborado por Rodriguez-Raga y Riaño (2016), los autores se valen de cuatro modelos Probit, donde
la variable dependiente de cada uno de ellos, era uno de tres productos
financieros distintos o al menos uno de ellos, y las variables independientes, incluían
información socioeconómica de los hogares y del jefe de hogar, dentro de las
cuales utilizaron los ingresos totales de los hogares, concluyeron que el nivel
de ingreso del hogar, tiene un impacto positivo sobre la inclusión financiera de
los hogares.
Las variables explicativas utilizadas, que definen las características del
hogar y de su jefe, fueron ocho y afectan en mayor o menor medida a cada una de
las cuatro variables dependientes consideradas. Tres de ellas: Contar con
servicios públicos en el hogar y ser hombre, tienen un impacto mayor sobre la
posibilidad de ahorrar que sobre los créditos o seguros; mientras que si el
hogar es urbano, favorece la probabilidad de contar con un seguro. Otras dos
variables -edad y número de personas por cuarto-, son más relevantes sobre el
uso de créditos por parte del hogar. Para las tres variables restantes, se
concluye, que ser beneficiario de un programa y las personas que se han
desplazado de ciudad desde su nacimiento, aumentan la probabilidad principalmente
para ahorro e inclusión, en tanto que si la vivienda es propensa a sufrir
riesgos, produce un impacto positivo en la posibilidad de contratar un seguro.
Similarmente, la investigación realizada por
Anaya y Romero (2018) muestra que el fenómeno de la inclusión financiera en la ciudad
de Sincelejo, Colombia, se puede explicar apropiadamente a través de un modelo Probit
y se confirma que las variables explicativas más relevantes de dicho fenómeno,
son la pobreza y los niveles educativos de los jefes de hogar, medidos en años
de escolaridad. Por eso, mayores valores de la primera de ellas, inciden en la disminución
de probabilidades de estar incluido financieramente, en tanto que la segunda, impacta
en sentido directo tal posibilidad. En este caso, también las características del
hogar afectan la inclusión financiera.
La siguiente es una de las investigaciones que difiere
de los dos trabajos reseñados anteriormente, por cuanto demuestra relación de causalidad
en sentido contrario. Es la realizada por Cull, et al. (2014), la cual concluye que la inclusión financiera mejora las
condiciones de vida de los hogares, reduce los costos de transacción, impulsa
la actividad económica y mejora la prestación de otros beneficios sociales, así
como de soluciones privadas novedosas; lo que convierte a la inclusión financiera
en una herramienta expedita en la disminución de la pobreza.
Por su parte Roa (2013), sostiene que la inclusión
financiera en América Latina y el Caribe en términos de acceso, uso y calidad,
es baja comparada con los países
desarrollados y con algunas economías emergentes en relación con el uso
y la calidad. Asevera que los niveles de acceso son equiparables al resto de
economías emergentes, con un crecimiento sostenido del número de puntos para
realizar transacciones, en especial de cajeros automáticos, pero hay un
importante retraso en los niveles de acceso comparado con las economías más
desarrolladas.
2.
Metodología
Desde el
punto de vista econométrico la inclusión financiera de un hogar, es una variable
cualitativa o categórica que puede tomar un número limitado de valores para
diferentes grados de ésta, y en tal caso se utilizaría un modelo econométrico
de respuesta múltiple, bajo el enfoque de variables latentes (Gujarati y Porter, 2010). En el caso que ocupa
el presente trabajo, para la variable dependiente solo se considerarán dos
opciones: Incluido financieramente, en cuyo caso la variable toma el valor 1 y
no estarlo, en el cual la variable toma el valor cero, es decir, se considera cualitativa
dicótoma. El indicador de inclusión financiera, como
se dijo al principio, es que el jefe del hogar haya tenido algún crédito en
entidades financieras formales.
2.1. El modelo Probit
Como se
dijo antes, en el desarrollo del presente trabajo se considerará el modelo Probit,
el cual utiliza una Función de Distribución Acumulativa (FDA) normal, por lo
que también se conoce con el nombre de modelo normit, y se puede
expresar:
Yi
= 
+ 
(1)
Donde “s”
es una variable “muda” de integración con media cero y varianza uno.
Este modelo
se fundamenta en la teoría de la utilidad o de la perspectiva de selección
racional con base en el comportamiento, según el modelo desarrollado por
McFadden (1973). Así, se parte del hecho
de que el valor de la variable explicada depende de un índice de conveniencia
no observable “Ii” (conocida como variable latente),
determinada por una o varias variables explicativas “Xki” (Gujarati y Porter, 2010). Así:
Ii = 
(2)
Se supone
además que existe un umbral de índice o nivel crítico, denominado “Ii*”
tal que si Ii > Ii* ocurrirá el suceso. Tanto Ii
como Ii* no son observables. Con el supuesto de normalidad, la
probabilidad de que Ii* ≤ Ii se calcula a partir de la
Función de Distribución Acumulativa normal estándar (Φ), así:
Pi =
P(Yi = 1|Xi) = P(Ii* ≤ Ii) = P(Zi≤
) = Φ() (3)
Y por tanto, Pi = P(Yi = 1|Xi)
= 
(4)
Por lo
cual, para obtener información sobre I, lo mismo que sobre 
se toma la inversa de la
ecuación (3), quedando:
Ii
= 
(Pi) =
Donde es la inversa de
Una vez
estimado el modelo (3), si se toma la derivada parcial se obtiene
∂Φ/∂Xk
= φ(
)
(5)
Donde φ() es la Función de Densidad de Probabilidad (FDP) de la normal
estandarizada evaluada en . Por tanto, esta evaluación dependerá de los valores particulares
que tomen las variables “Xk” (Cabrer, Sancho y
Serrano, 2001). Así, la ecuación (5) representa el efecto del cambio de una
unidad de “Xk” sobre la probabilidad de que Y=1, en este caso de que
ocurra el evento inclusión financiera.
Para la
estimación de los parámetros del modelo Probit, dado que los datos disponibles
están nivel micro, Gujarati y Porter (2010)
recomiendan utilizar el método de Máxima Verosimilitud (MV) ante la
imposibilidad de aplicar el de Mínimos Cuadrados Ordinarios (MCO). Para
contrastar la hipótesis nula de que un conjunto de parámetros es igual a cero,
se pueden emplear varios procedimientos que incluyen entre otros el estadístico
de Wald y el Contraste de Razón de Verosimilitud (Likelihood Ratio (LR) test),
que se distribuye asintóticamente como una Chi cuadrada. En cuanto a las
medidas de bondad de ajuste, se utiliza el porcentaje de predicciones correctas,
el Pseudo R2 (de McFadden) y los criterios de información de Akaike,
Schwarz y Hannan-Quinn (Gujarati y Porter, 2010).
2.2. Datos
Como se manifestó
anteriormente, en diciembre del año 2015 se aplicaron 560 encuestas del tipo
calidad de vida que realiza el DANE en Colombia, en sendos hogares del municipio
de Montería, dentro de las cuales, 4 fueron descartadas por contener errores; las
556 restantes se tabularon y se constituyen en el soporte estadístico del
presente trabajo. Cada encuesta contenía un total de 67 preguntas relacionadas
con variables socioeconómicas y del jefe del hogar. También se consultó por los
productos financieros del jefe del hogar, así como también por los ingresos
laborales y no laborales de cada hogar, para obtener los ingresos totales y per
cápita en cada uno de ellos y poder clasificarlo como pobre (monetariamente), si
el valor per cápita mensual es inferior a los $199.415
determinados por el DANE y como no pobre en caso contrario.
Con esta
información acopiada y tabulada, se estimó un modelo Probit, en el que
la variable dependiente (Crédito) toma el valor uno (1), si el hogar es
clasificado como incluido financieramente y cero (0) en caso contrario. La estimación
del modelo se hizo corrigiendo los posibles problemas de heteroscedasticidad (útil
para datos de corte transversal), utilizando la opción de Huber/White que ofrece
el programa Eviews 7.1, por lo cual los estimadores resultan robustos (White,
1980).
Para
examinar los efectos marginales de las regresoras sobre la variable dependiente,
se utilizaron los valores medios de cada variable, por cuanto realizar esta
tarea con todos los valores posibles de las variables independientes sería un
número infinito de cálculos. Para ello, se extrajeron mediante Eviews7.1 los
estadísticos descriptivos de las variables explicativas, con sus valores promedios.
3.
Resultados y discusión
3.1. Estimación y resultados del modelo
empírico
La
variable dependiente es: Y=Crédito (si tiene acceso al crédito en entidad
financiera formal), que es la variable explicada, la cual toma el valor 1 si se
trata de un hogar con inclusión financiera, a través del crédito por parte de
entidad financiera formal y 0 en caso contrario. Las variables explicativas que
se incorporan, se muestran en la Tabla 1 y corresponden a algunas
características de los hogares (socioeconómicas) y del jefe del hogar. Así las
cosas, se tiene que: Variable explicada: CRÉDITO
y Variables explicativas: EDAD, DOMI, BENF, SEXO, POBRE, ES1, ES2, ES3, ES4.
Tabla 1
Nombres y descripción
de variables utilizadas
|
Nombre |
Tipo
de variable/descripción |
|
CRÉDITO: |
Dicótoma. El Jefe del hogar ha usado
crédito con entidad financiera formal [Si=1, No=0] |
|
EDAD: |
Discreta. Edad del Jefe del hogar
[años cumplidos] |
|
DOMI: |
Dicótoma. Área de ubicación del hogar
[Urbana=1, Rural=0] |
|
BENF: |
Dicótoma. Hogar sujeto de subsidio
del gobierno [Si=1, No=0] |
|
SEXO: |
Dicótoma. Sexo del Jefe del hogar
[Masculino=1, Femenino=0] |
|
POBRE: |
Dicótoma. Hogar se clasifica como
pobre [Si=1, No=0] |
|
ES1: |
Dicótoma. Nivel de estudio del Jefe
del hogar [Primaria completa=1, En caso contrario=0] |
|
ES2: |
Dicótoma. Nivel de estudio del Jefe
del hogar [Secundaria completa=1, En caso contrario=0] |
|
ES3: |
Dicótoma. Nivel de estudio del Jefe
del hogar [Técnico o normalista completo=1, En caso contrario=0] |
|
ES4: |
Dicótoma. Nivel de estudio del Jefe
del hogar [Profesional completo=1, En caso contrario=0] |
Fuente: Elaboración propia, 2019
Por tanto,
el modelo que se estimará viene dado por la ecuación (6):
Ii = (Pi) = β0 + β1DOMI +
β2BENF + β3SEXO + β4EDAD+ β5EDAD2
+ β6POBRE + β7ES1 + β8ES2 + β9ES3 +
β10ES4 + εi (6)
Al realizar la
regresión se obtuvieron los resultados que muestra la Tabla 2, que revela la no
significancia estadística de varias regresoras con niveles de confianza por
debajo del 80% (Prob > 0,20), por lo que se hizo necesario reconsiderar las
variables explicativas del modelo y ejecutar una segunda regresión omitiendo algunas
variables de esta regresión inicial, es decir, en este caso se ha utilizado la
regresión por pasos.
Tabla 2
Resultados de
regresión inicial
|
Dependent
Variable: CRÉDITO |
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
z-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-0.933604+ |
0.626264 |
-1.490751 |
0.1360 |
|
DOMI |
0.276645* |
0.192156 |
1.439685 |
0.1500 |
|
BENF |
-0.218505* |
0.148743 |
-1.469008 |
0.1418 |
|
SEXO |
-0.223481** |
0.124091 |
-1.800944 |
0.0717 |
|
EDAD |
0.017755+ |
0.025114 |
0.706972 |
0.4796 |
|
EDAD2 |
-0.000260+ |
0.000262 |
-0.993652 |
0.3204 |
|
POBRE |
-0.659127*** |
0.174041 |
-3.787187 |
0.0002 |
|
ES1 |
0.192059+ |
0.219536 |
0.874839 |
0.3817 |
|
ES2 |
0.420600** |
0.238706 |
1.762002 |
0.0781 |
|
ES3 |
0.883907*** |
0.271866 |
3.251261 |
0.0011 |
|
ES4 |
0.791111*** |
0.262962 |
3.008457 |
0.0026 |
|
|
|
|
|
|
|
|
|
|
|
|
|
McFadden
R-squared |
0.175236 |
Mean
dependent var |
0.330935 |
|
|
LR
statistic |
123.7065 |
Avg.
log likelihood |
-0.523592 |
|
|
Prob(LR
statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Obs with
Dep=0 |
372 |
Total
obs |
556 |
|
|
Obs
with Dep=1 |
184 |
|
|
|
|
|
|
|
|
|
Nota: ***Sig 1%,
**Sig 10%, *Sig 16%,
+ Sig > 16%
Fuente: Elaboración propia, 2019 con los resultados de Eviews7.1.
Al ejecutar una
segunda regresión omitiendo las variables ES1 y EDAD2, se obtuvieron los
resultados que se muestran en la Tabla 3.
Tabla 3
Resultados de
regresión definitivos
|
Dependent
Variable: CRÉDITO |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std. Error |
z-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
-0.219035 |
0.342929 |
-0.638720 |
0.5230 |
|
|
DOMI |
0.269621* |
0.190044 |
1.418724 |
0.1560 |
|
|
BENF |
-0.223174* |
0.148323 |
-1.504652 |
0.1324 |
|
|
SEXO |
-0.216646** |
0.123462 |
-1.754753 |
0.0793 |
|
|
EDAD |
-0.007947** |
0.004783 |
-1.661654 |
0.0966 |
|
|
POBRE |
-0.677134*** |
0.172852 |
-3.917422 |
0.0001 |
|
|
ES2 |
0.300970** |
0.170388 |
1.766383 |
0.0773 |
|
|
ES3 |
0.744778*** |
0.207831 |
3.583578 |
0.0003 |
|
|
ES4 |
0.651112*** |
0.195595 |
3.328880 |
0.0009 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
McFadden
R-squared |
0.172281 |
Mean
dependent var |
0.330935 |
||
|
LR statistic |
121.6199 |
Avg. log
likelihood |
-0.525469 |
||
|
Prob(LR
statistic) |
0.000010 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Obs
with Dep=0 |
372 |
Total
obs |
556 |
||
|
Obs
with Dep=1 |
184 |
|
|
|
|
|
|
|
|
|
|
|
Nota: ***Sig 1%,
**Sig 10%, *Sig 16%,
+ Sig > 16%
Fuente: Elaboración
propia, 2019 con los resultados de Eviews7.1.
Los
resultados de esta segunda regresión indican que el modelo que se ajusta es
significativo y está bien especificado (ver además Tabla IV), por cuanto:
a. Los coeficientes de las regresoras resultan ser
estadísticamente significativos de manera individual con niveles de confianza
superiores al 84% por tener p-valor (Prob< 0,16). De manera más precisa, tres
(3) de los ocho coeficientes resultaron estadísticamente significativos con 99%
de confianza; otros tres (3) son significativos con el 90% de confianza y dos (2)
de ellos con el 84% de confianza que se considera baja con relación a lo usual
del 90%, pero que se toma como mínimo aceptable por parte de los autores asumiendo
el riesgo que ello implica.
b. Aunque la bondad del ajuste de modelos probabilísticos es de
importancia secundaria según Gujarati y Porter (2010),
la regresión que se analiza presenta un R2 (de McFadden) de poco
más de 0,17 (ver Tabla 3), que se considera bajo pero que no se corresponde con
el verdadero y aceptable poder predictivo del modelo, de conformidad con lo
expuesto en el siguiente numeral d.
c. El estadístico de la razón de verosimilitud (LR) que sigue una
distribución Chi cuadrado, resulta ser estadísticamente significativo por tener
p-valor [Prob< 0,05], con lo cual se concluye que el modelo, globalmente
considerado, es estadísticamente significativo con una confianza de casi el
100% (Prob = 0,00010) y por tanto todos los coeficientes dependientes no pueden
ser simultáneamente iguales a cero.
d. Se confirma la bondad del ajuste con los resultados de Eviews7.1
en relación con los valores de Cuenta R2 (Tabla IV), que registra el
número de predicciones correctas en relación con el número total de
observaciones, que es de 73,38%.
Tabla
4
Prueba
de bondad de ajuste con Cuenta R2
|
Expectation-Prediction Evaluation for Binary
Specification |
||||||
|
Equation:
EQ03EDAD |
|
|
|
|
||
|
Success
cutoff: C = 0.5 |
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
Estimated
Equation |
Constant
Probability |
||||
|
|
Dep=0 |
Dep=1 |
Total |
Dep=0 |
Dep=1 |
Total |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
P(Dep=1)<=C |
314 |
90 |
404 |
372 |
184 |
556 |
|
P(Dep=1)>C |
58 |
94 |
152 |
0 |
0 |
0 |
|
Total |
372 |
184 |
556 |
372 |
184 |
556 |
|
Correct |
314 |
94 |
408 |
372 |
0 |
372 |
|
% Correct |
84.41 |
51.09 |
73.38 |
100.00 |
0.00 |
66.91 |
|
% Incorrect |
15.59 |
48.91 |
26.62 |
0.00 |
100.00 |
33.09 |
|
Total Gain* |
-15.59 |
51.09 |
6.47 |
|
|
|
|
Percent Gain** |
NA |
51.09 |
19.57 |
|
|
|
|
|
|
|
|
|
|
|
Nota: *Change
in "% Correct" from default (constant probability) specification
**Percent of incorrect (default) prediction corrected
by equation
Fuente: Elaboración propia, 2019 con los resultados de Eviews7.1
3.2. Discusión
Examinando el signo del coeficiente
de la regresora POBRE y considerando su significancia estadística del 99,9% (Prob
= 0,0001), se concluye que existe la suficiente evidencia empírica que demuestra
que prevalece una relación inversa entre pobreza monetaria e inclusión financiera
en los hogares monterianos. Además, que pertenecer a un hogar clasificado como
pobre, reduce las probabilidades de ser incluido financieramente, a través de
un crédito en entidades financieras formales en un 24,9%, de conformidad con los
cálculos mostrados en la Tabla 4.
Ahora bien, con respecto a la relación
e impacto de las demás regresoras sobre la variable dependiente, se pueden
utilizar los valores medios de las variables independientes del modelo y considerar
los valores de los estimadores del mismo, para cuantificar φ(). El valor resultante es de 0,3437. Con base en este valor, se
calcula el efecto de la variable “edad” sobre la inclusión financiera mediante
∂Φ/∂Xk = φ(). El valor resultante es de -0,0027311 lo que sugiere que, por
cada año adicional de edad del jefe de hogar, la probabilidad de que viva en un
hogar incluido financieramente se reduce en 0,27% cuando su edad es de 46,4
años (edad promedio de los jefes de hogar). Por supuesto, estas probabilidades
son diferentes para cada nivel de edad. Por ejemplo, ceteris paribus, si el jefe tiene 20 años, esa probabilidad es de
casi -0,30%. Se pueden ver más resultados en la Tabla 5.
Tabla V
Efectos marginales según edad (Reducción de probabilidades en %)
|
Edad |
Prob (%) |
|
20 |
0,29959 |
|
30 |
0,29077 |
|
40 |
0,28042 |
|
46,4 |
0,27311 |
|
50 |
0,26875 |
|
60 |
0,25594 |
|
70 |
0,24220 |
|
80 |
0,22776 |
Fuente: Elaboración propia, 2019 con los resultados de Eviews 7.1.
Lo
anterior indica que para los jefes de hogar monterianos, la probabilidad de pertenecer
a un hogar clasificado como incluido financieramente se reduce con la edad del
jefe de hogar, pero tales reducciones son menores en la medida en que se
aumenta la edad de éste hasta los 90 años.
El
cálculo de las variaciones de probabilidades de inclusión financiera provocados
por las demás variables regresoras dicótomas, cuyos resultados se muestran en
la Tabla 6, se realiza con la diferencia de valores de la FDA sobre cada una de
sus categorías, Xk, así:
Φ(
)-Φ(
)
Tabla 6
Efectos
marginales según variables
|
Hallazgos
sobre hogar/jefe de hogar |
Prob (%) |
|
Tener
estudios de secundaria completa [el jefe] aumenta la probabilidad de vivir en
hogar incluido financieramente con relación a tener estudios incompletos de
secundaria o no tener estudios. |
9,6 |
|
Tener
estudios técnicos completos [el jefe] aumenta la probabilidad de vivir en
hogar incluido financieramente con relación a tener estudios incompletos de
secundaria o no tener estudios. |
26,3 |
|
Tener
estudios universitarios completos [el jefe] aumenta la probabilidad de vivir
en hogar incluido financieramente con relación a tener estudios incompletos
de secundaria o no tener estudios. |
22,6 |
|
Si
el hogar está ubicado en el área urbana, la probabilidad de que se trate de
un hogar incluido financieramente aumenta en relación con un hogar rural. |
8,9 |
|
Jefe
de hogar hombre (sexo masculino) reduce la probabilidad de vivir en hogar
incluido financieramente en relación con Jefe de hogar mujer (sexo femenino) |
7,5 |
|
Vivir
en un hogar pobre monetariamente reduce las probabilidades de inclusión
financiera con respecto a un hogar no pobre. |
24,9 |
|
Vivir
en un hogar beneficiario de ayuda estatal reduce las probabilidades de
inclusión financiera con respecto a un hogar no beneficiario de programas del
gobierno. |
7,5 |
Fuente: Elaboración propia, 2019 con los resultados de Eviews 7.1.
Por tanto, uno de los
factores más importantes que inciden de manera directa en la inclusión
financiera en el municipio de Montería es: El nivel educativo, por lo que el
analfabetismo y los bajos niveles de escolaridad de los jefes de los hogares,
atentan contra la posibilidad de inclusión financiera. Por su parte, tienen un
mayor riesgo de estar por fuera del sistema financiero los hogares clasificados
como pobres monetariamente, los ubicados en el área rural, o aquellos beneficiarios
de ayuda estatal y en los que el jefe de hogar es de sexo masculino.
Conclusiones
La
inclusión financiera a diciembre de 2015, medida a través del acceso al crédito
en entidades financieras formales solo llega al 34,4% de los hogares
monterianos. Por dominio se observa que el 41,4% de éstos últimos ubicados en
el área urbana, han tenido acceso al producto financiero, en tanto que solo el
10,3% de los hogares rurales registran ese fenómeno. Ello indica que los
niveles de inclusión en el municipio de Montería son muy bajos y afectan de
manera más severa a los hogares ubicados en el área rural, por lo que resulta
claro que se trata de una problemática seria que precisa propuestas e ideas, que
permitan moderarla y/o eliminarla en el mediano plazo.
El
fenómeno de la inclusión financiera se puede explicar de manera adecuada
utilizando los modelos probabilísticos, tal como el Probit aplicado en
este trabajo. Éste modelo estimado con base en las observaciones derivadas de
las 556 encuestas aplicadas en el municipio de Montería, resultó ser
estadísticamente significativo de manera global con casi el 100% de confianza,
en tanto que los coeficientes de las variables explicativas, resultan significativas
de manera individual con niveles de confianza superiores al 84%.
Los
factores que inciden de manera directa en el fenómeno de la inclusión
financiera, son los años de escolaridad, representados en este caso en títulos
alcanzados a partir del bachillerato. Por su parte, la pobreza monetaria es un
factor explicativo clave, que reduce de manera significativa las probabilidades
de que los jefes de hogar sean considerados como incluidos financieramente. De
ahí la necesidad de que en el campo económico se continúen con los estudios
sobre la pobreza y sus consecuencias, a los cuales deberían dársele prioridad
sobre otros que no necesariamente impactan en el bienestar de la gente. Igualmente,
si el hogar se caracteriza por estar ubicado en el área rural o es sujeto de ayuda
estatal directa, reduce las probabilidades de inclusión financiera. Caso
similar ocurre si el jefe de Hogar es de sexo masculino.
En ese
sentido, las variables socioeconómicas explicativas de este fenómeno, utilizadas
en este trabajo y los hallazgos estadísticos revelados aquí, se asemejan a los
de estudios similares que utilizan como variable independiente los ingresos
totales de los hogares, en lugar de la pobreza monetaria utilizada en este.
Por lo
anterior, es preciso que en Colombia, se amplíe la cobertura educativa sin
detrimento de la calidad, y se garantice la culminación de estudios técnicos o
universitarios de la población joven, con el fin de potenciar la inclusión
financiera, para lo cual debe proveerse los fondos públicos en el sector
educativo.
Igualmente,
con el fin de reducir la pobreza monetaria, que es un factor clave del fenómeno
de la inclusión financiera, el estado debe ejecutar programas sobre salud
sexual y reproductiva, que incluyan información, acceso adecuado a servicios de
salud y métodos de planificación familiar, educación sexual y reproductiva, que
sean efectivos y que tengan resultados verificables; especialmente dentro del
grupo poblacional con menos años de educación, el cual registra altas tasas de
fecundidad debido a la correlación inversa de estas dos variables.
Por
último, es recomendable la ejecución de programas oficiales, de manera más
agresiva, que permitan el uso de la tecnología digital especialmente en áreas
rurales, que faciliten el proceso de la inclusión financiera.
Referencias bibliográficas
Alkire, S., y Foster, J. (2011). Understandings
and Misunderstandings of Multidimensional Poverty Measurements. Oxford Poverty
& Human Development Initiative (OPHI), (43), 1-24. Recuperado
de https://www.ophi.org.uk/wp-content/uploads/ophi-wp43.pdf
Alvarado, N. (2016). Debate internacional sobre pobreza. Revista
de Ciencias Sociales (Ve), XXII(3), 104-121.
Anaya, A. R., Buelvas, J. A., y
Valencia, L. C. (2015). Modelo Probit para la medición de la pobreza en
Montería, Colombia. Opción, 31(78), 42-64.
Anaya, A. R., y Romero, Y. P.
(2018). La inclusion financiera en Sincelejo, Colombia. Un modelo econométrico
Probit. Ecos de Economía; A Latin American Journal of Applied Economics, 22(46), 91-110.
doi: 10.17230/ecos.2018.46.4.
Banca de las
Oportunidades (2016). Reporte Trimestral de Inclusión Financiera. Diciembre,
2016. Recuperado de http://bancadelasoportunidades.gov.co/sites/default/files/2018-02/PDF%20Reporte%20Trimestral-%20diciembre%202016.pdf
Banco de la República de Colombia (2014). Reporte
de Estabilidad Financiera.
Bogotá D.C, Colombia: Banco de la República. Recuperado de https://www.banrep.gov.co/sites/default/files/publicaciones/archivos/ref_sep_2014.pdf
Banco Mundial (2016). Inclusión financiera. Recuperado
de http://www.bancomundial.org/es/topic/financialinclusion/overview
Beck, T., Demirguc-Kunt, A., y
Levine, R. (2007). Finance, inequality, and the poor. Journal of Economic Growth, 12(1), 27-49.
Cabrer, B., Sancho, A., y Serrano, G.
(2001). Microeconometría y decisión. Madrid, España: Ediciones Pirámide.
Cano,
C. G., Esguerra, M. D. P., García, N., Rueda, J. L., y Velasco, A. M. (2014). Inclusión
financiera en Colombia. Recuperado de https://www.banrep.gov.co/sites/default/files/eventos/archivos/sem_357.pdf
Clarke, G., Xu, L. C., y Zou, H-F. (2003). Finance and income Inequality:
Test of alternative theories. Police Research World Bank,
(2984), 1-32. Recuperado de http://documents.worldbank.org/curated/en/892521468762914086/pdf/multi0page.pdf
Cull, R., Ehrbeck, T., y Holle, N. (2014). La inclusión
financiera y el desarrollo: Pruebas recientes de su impacto. Enfoques,
(92), 1-12.
Demirguc-Kunt, A., Honohan, P., y Beck, T. H. L. (2008). Finance
for all? Policies and pitfalls in expanding access. Washington, DC.: World Bank.
Departamento Administrativo Nacional de Estadística - DANE (2017). Pobreza
Monetaria y Multidimensional en Colombia 2017. Recuperado de https://www.dane.gov.co/index.php/estadisticas-por-tema/pobreza-y-condiciones-de-vida/pobreza-y-desigualdad/pobreza-monetaria-y-multidimensional-en-colombia-2017
Gujarati, D. N., y Porter, D. C. (2010). Econometría. México: Mc Graw-Hill
Interamericana.
Klisberg, B. (febrero-marzo de 2010).
Depende: Pobreza. Foreing Policy – The Global Magazine of
New and Ideas. Recuperado de http://www.cafedelasciudades.com.ar/imagenes91/Pobreza%20por%20Bernando%20Kliksberg.pdf
Maldonado, J. H., Moreno, R. D. P., Giraldo, I., y Barrera,
C. A. (2011). Los programas de transferencias
condicionadas: ¿Hacia la inclusión financiera de los pobres en América Latina?
Lima, Perú: Ediciones IEP Instituto
de Estudios Peruanos.
McFadden, D. (1973). Conditional
logit analysis of qualitative choice behaviour. In P. Zarembka (Ed.), Frontiers in econometrics
(pp. 105-142). New York: Wiley Academic Press.
Ministerio de Hacienda y Crédito Público - Colombia (2016). Estrategia Nacional de Inclusion Financiera
en Colombia. Recueprado de https://www.minhacienda.gov.co/webcenter/portal/Minhacienda/system/Search?resourceId=inclusi%C3%B3n+financiera+en+Colombia+2016
Muñetón,
G., Pineda, L., y Keep, J. P. (2019). Medición de la pobreza multidimensional
para la ciudad de Medellín, Colombia. Revista de Ciencias Sociales (Ve), XXV(3),
114-129.
Nogueira, H. (2009). Los derechos económicos, sociales y
culturales como derechos fundamentales efectivos en el constitucionalismo
democrático latinoamericano. Estudios Constitucionales, 7(2), 143-205. doi: 10.4067/S0718-52002009000200007.
Pallmall, A. O (2015). Globalización y gobierno global.
España: Ediciones Alfar S.A.
Phélan,
M. (2011). Revisión de índices e indicadores de desarrollo. Aportes para la
medición del buen vivir (Sumak Kawsay). Obets. Revista de Ciencias Sociales,
6(1), 69-95. doi: 10.14198/OBETS2011.6.1.04.
Roa, M. J. (2013). Inclusión financiera en
América Latina y el Caribe: Acceso, uso y calidad.
Boletín del CEMLA, LIX(2), 121-148. Recuperado de http://www.cemla.org/PDF/boletin/PUB_BOL_LIX03-01.pdf
Rodriguez-Raga, S., y Riaño, F. F.
(2016). Determinantes del acceso a los productos financieros en los hogares
colombianos. Estudios Gerenciales, 32(138), 14-24. doi:
10.1016/j.estger.2015.11.004.
Salamanca, E. L., y Egea, C. (2018). Vulnerabilidad social de la
población desterrada. Más allá del goce efectivo de derechos.
Revista de
Ciencias Sociales (Ve), XXIV(4), 38-56.
Spicker, P., Alvarez, S., y Gordon, D. (2009). Pobreza:
Un glosario internacional.
Buenos Aires,
Argentina: Consejo Latinoamericano de Ciencias Sociales - CLACSO.
Uribe, M. (2005). Pobreza: Escasez o desigualdad. Cultura
y Trabajo, (66), 4-12.
White, H.
(1980). A heteroskedasticity-consistent
covariance matrix estimator and a direct test for heteroskedasticity. Econometrica,
48(4), 817-838. doi:
10.2307/1912934.