Replica Determinantes del Uso de Efectivo en América Latina.
2023-10-10
Introdución
La inclusión financiera es un tema de gran importancia en América Latina, y el Global Findex es una herramienta valiosa para entender cómo los adultos en la región acceden a las cuentas, realizan pagos, ahorran, piden préstamos y manejan el riesgo. En este sentido, el estudio original sobre los determinantes del uso de efectivo en América Latina, publicado en la Revista Politécnica en mayo-julio de 2023, proporcionó información detallada sobre los factores que influyen en el uso del efectivo en la región. En este documento, se realizará una réplica del estudio original utilizando los datos del Global Findex del año 2021. Se analizarán los factores que influyen en el uso del efectivo en la región y se compararán con los resultados obtenidos en el estudio anterior. Se espera que los resultados de esta réplica sean de gran interés para entender la evolución de los medios de pago en América Latina y cómo las políticas públicas pueden fomentar la inclusión financiera en la región. En particular, se prestará atención a la relación entre el uso del efectivo y la educación, el género, el nivel de ingresos y el empleo formal. Este documento busca contribuir al debate sobre la inclusión financiera en América Latina y cómo los medios de pago pueden evolucionar en la región.
Revisión de Literatura
Los autores proporcionaron una revisión de literatura que analiza el uso del efectivo y los factores que influyen en su demanda en diversos contextos y países. A través de esta revisión, se destacan varios puntos clave que arrojan luz sobre la compleja dinámica del efectivo en las transacciones financieras y su relación con otros métodos de pago.
Según Baumol (1952), el costo asociado con el retiro de efectivo y su tenencia juega un papel crucial en la decisión de las personas de mantener efectivo. Cuando este costo es bajo, se tiende a retener más efectivo. Además, el costo de uso del efectivo en comparación con otros instrumentos de pago también influye en su popularidad (Whitesell, 1989).
La preferencia por la liquidez, como señaló Keynes (1970), está estrechamente vinculada a la incertidumbre y la falta de confianza en el sistema financiero. Cuando la confianza disminuye, las personas tienen una mayor preferencia por mantener efectivo.
Baumol (1952) y Tobin (1956) sostienen que la demanda de dinero surge de la necesidad de facilitar las transacciones diarias de los consumidores, lo que subraya la importancia del efectivo como medio de intercambio.
Sin embargo, a pesar de su papel histórico en las transacciones, el uso del efectivo ha disminuido significativamente en muchas partes del mundo, como se observa en Estados Unidos, donde ahora se limita en gran medida a las transacciones minoristas en puntos de venta (Humphrey, 2003).
Briglevics y Schuh (2014) analizaron la demanda de efectivo en un contexto postcrisis, destacando que la elasticidad de la demanda de efectivo puede variar según si los consumidores utilizan tarjetas de crédito para comodidad o para pedir prestado.
El Banco de Pagos Internacionales (BIS) (2018) resalta que la demanda de efectivo varía significativamente a nivel mundial y que las tasas de interés y la percepción del efectivo como almacenamiento de valor pueden influir en esta demanda.
Amromin y Chakravorti (2007) examinaron cómo el aumento en el uso de tarjetas de débito puede afectar la demanda de efectivo, observando que el uso de tarjetas de débito puede reducir la demanda de billetes y monedas de baja denominación.
En Estados Unidos, la población no bancarizada presenta barreras significativas para acceder a cuentas bancarias, como lo señala la Encuesta de Consumidores y Servicios Financieros Móviles (2012), y tiende a tener menores ingresos y una serie de características demográficas distintivas (Gross et al., 2012).
La Eurozona presenta un patrón de uso de efectivo diferente, con un mayor uso de efectivo en transacciones de bajo valor en comparación con tarjetas de débito o crédito (Banco Central Europeo, 2017).
Finalmente, Kombe, Yabu, Mwita y Mbiha (2020) señalan un aumento en el uso de transacciones por teléfono móvil en Tanzania, aunque la demanda de efectivo se ha mantenido constante.
Mukhopadhyay (2016) introduce un modelo teórico que considera la comodidad de las transacciones sin efectivo y la tentación de evadir impuestos como factores influyentes en las decisiones de pago de consumidores y vendedores.
Por último, Alfonso, Tombini y Zampolli (2020) subrayan los problemas de acceso a los pagos en efectivo y sin efectivo en América Latina y el Caribe, donde el efectivo sigue siendo ampliamente utilizado en comparación con otras economías avanzadas.
Esta revisión de literatura proporciona una visión completa de los factores que impactan en el uso del efectivo en distintas partes del mundo y en diferentes contextos económicos y culturales. Las citas presentadas respaldan los argumentos clave sobre la demanda y el uso del efectivo y sus determinantes en la actualidad.
Descripción de los Datos y la Encuesta
La información utilizada para este análisis proviene de las encuestas de la base de datos del Global Findex del año 2021, última disponible.Se analizaron 16 países de América Latina en este estudio. Además, para contextualizar el entorno, se utilizaron datos de la CEPAL.
Según los datos de la CEPAL, en el año 2021 la población de América Latina fue de 656.098,1 millones de habitantes, de los cuales 323.223,5 millones son hombres y 332.874,6 millones son mujeres.
Tabla de frecuencia de la variable dependiente
| Valor | Numero | Porcentaje |
|---|---|---|
| Uso de efectivo (Y= 0) | 6 634 | 40,15 |
| No uso de efectivo (Y= 1) | 9 885 | 59,84 |
| Total | 16 519 | 100,00 |
Marco metodológico
Se busca replicar el análisis del documento “Determinantes del Uso de Efectivo en América Latina” utilizando datos del Global Findex del año 2021. Para comprender los factores que influyen en el uso de efectivo en la región, se empleará una metodología de regresión de elección binaria, ya que las preguntas del cuestionario son cerradas y de respuesta única. Esto nos permitirá evaluar de manera efectiva cómo distintos factores inciden en la probabilidad de uso de efectivo en América Latina durante el año 2021.
Especificación del modelo
Los modelos de probabilidad exploran la relación entre una variable binaria y otras de naturaleza continua y/o binaria. Estas técnicas de clasificación permiten observar si prevalecen diferencias significativas entre grupos de individuos con respecto a un conjunto de características medidas sobre los mismos. De existir estas diferencias, es posible clasificar o asignar de forma sistemática nuevos individuos de origen desconocido a grupos previamente reconocidos o definidos.
La variable dependiente, 𝑌, representa la ocurrencia de un evento o la elección entre dos alternativas. En el cuestionario del Global Findex de 2021, la primera pregunta consulta al encuestado si tiene actualmente una cuenta en un banco o en otro tipo de institución financiera formal, pudiendo responder sí o no. Un individuo que no dispone de cuenta bancaria por distintas razones está limitado al uso de dinero en efectivo para sus transacciones, por lo que, para nuestro análisis, la variable dependiente identifica la utilización de efectivo (𝑌 = 1) o no (𝑌 = 0).
En nuestro modelo, asumimos que una serie de factores, como: la edad, el sexo, la educación, el nivel de ingresos y la ocupación, representados en el vector 𝑥, explica la utilización de efectivo, de tal manera que la probabilidad de éxito en el modelo se evalúa en la función 𝑃𝑟𝑜𝑏(𝑌 = 1|𝑥) = 𝐹(𝑥, 𝛽), y la probabilidad de fracaso 𝑃𝑟𝑜𝑏(𝑌 = 0|𝑥) = 1 − 𝐹(𝑥, 𝛽).
La serie de parámetros 𝛽 refleja el impacto de los cambios de 𝑥 en la probabilidad. El problema es utilizar un modelo adecuado para la parte derecha de la ecuación anterior. Siguiendo a Greene (2003), una posibilidad es utilizar la regresión lineal 𝐹(𝑥, 𝛽) = 𝑥 ′𝛽. Dado que 𝐸[𝑦|𝑥] = 𝐹(𝑥, 𝛽), se puede construir el modelo de regresión:
𝑦 = 𝐸[𝑦|𝑥] + (𝑦 − 𝐸[𝑦|𝑥]) = 𝑥′𝛽 + 𝜀
Este modelo de probabilidad lineal simple de 𝑌 sobre 𝑥 tiene algunos inconvenientes. La perturbación aleatoria 𝜀 es heteroscedástica en la medida en que depende de 𝛽. Dado que 𝑥 ′𝛽 + 𝜀 tiene que pertenecer al intervalo [0 ,1], 𝜀 sería igual a −𝑥 ′𝛽 o 1 − 𝑥 ′𝛽, con probabilidades 1 − 𝐹 y 𝐹, respectivamente. Entonces, se puede demostrar que:
𝑉𝑎𝑟[𝜀|𝑥] = 𝑥 ′𝛽(1 − 𝑥 ′𝛽)
Sobre esta base, no se puede construir un modelo 𝑥 ′𝛽 porque las probabilidades estimadas podrían tomar valores fuera del intervalo [0 ,1] y las varianzas podrían ser negativas. Además, la perturbación aleatoria puede no seguir una distribución normal y el coeficiente de determinación 𝑅 2 estaría subestimado. Nuestra necesidad es un modelo que produzca predicciones consistentes con la teoría de la primera ecuación. Para un regresor dado, esperaríamos que:
El modelo Probit cumple el requerimiento anterior, dado que utiliza una función de distribución acumulada normal estándar Φ(. ) que asume valores entre 0 y 1:
Aplicado al análisis, el modelo se especifica como:
𝑃𝑟𝑜𝑏(𝑌 = 1|𝑥) = Φ(𝑥 ′𝛽) = 𝛽0 + 𝛽1𝐺 + 𝛽2𝐸𝑑𝑎𝑑 + 𝛽3𝐸𝑑𝑢𝑐 + 𝛽4 𝐼 + 𝛽5𝑂 + 𝜀
donde, 𝑌 corresponde al uso de efectivo. Se asigna el valor de 1 cuando el encuestado responde que no posee cuenta bancaria. El vector 𝑥 está dado por las siguientes variables independientes, comunes para evaluar la variable dependiente:
female corresponde a la variable binaria que identifica el sexo del encuestado (𝑌 = 1 si 𝑥𝑖 = 𝑚𝑢𝑗𝑒𝑟).
age es una variable continua que presenta la edad del encuestado, en años. Se incluyó esta variable al cuadrado en caso de que exista una relación no lineal.
educ es una variable binaria que identifica si el encuestado posee el nivel de educación especificado (𝑌 = 1 si 𝑥𝑖 = 𝑝𝑜𝑠𝑒𝑒𝑑𝑢𝑐𝑎𝑐𝑖ó𝑛) o no. La categoría de referencia que se excluye del modelo corresponde a educación primaria o sin educación.
inc_q es una variable binaria que refiere si el encuestado posee el nivel de ingresos determinado (𝑌 = 1 si 𝑥𝑖 = 𝑝𝑒𝑟𝑡𝑒𝑛𝑒𝑐𝑒𝑙 𝑎𝑙 𝑞𝑢𝑖𝑛𝑡𝑖𝑙 𝑗 𝑑𝑒 𝑖𝑛𝑔𝑟𝑒𝑠𝑜𝑠) o no. El quintil de mayores ingresos es la variable dummy omitida.
emp_in es una variable binaria que registra si el encuestado está trabajando actualmente (𝑌 = 1 si 𝑥𝑖 = 𝑒𝑚𝑝𝑙𝑒𝑜 𝑓𝑜𝑟𝑚𝑎𝑙) o no.
Finalmente, el modelo de probabilidad es una regresión:
𝐸[𝑦|𝑥] = 0[1 − 𝐹(𝑥 ′𝛽)] + 1[𝐹(𝑥 ′𝛽)] = 𝐹(𝑥 ′𝛽) = Φ(𝑥 ′𝛽)
de la cual, de manera habitual, mediante la primera derivada se pueden calcular los efectos marginales en la variable dependiente:
La dirección del efecto de un cambio en 𝑥 depende únicamente del signo del coeficiente 𝛽. Valores positivos de 𝛽 implican que un crecimiento de 𝑥 aumentará la probabilidad de respuesta, valores negativos implican lo contrario. Sin embargo, dado que se trata de un modelo de selección binaria, el factor 𝑥 puede incluir variables dicotómicas y la interpretación del valor de los coeficientes resulta complicado. En virtud de que los coeficientes estimados desde un modelo binario no pueden ser interpretados como el efecto marginal en la variable dependiente, los efectos marginales apropiados para una variable independiente binaria 𝑑 serían:
𝐸𝑓𝑒𝑐𝑡𝑜 𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙 = 𝑃𝑟𝑜𝑏[𝑌 = 1|𝑥̅(𝑑), 𝑑 = 1]
− 𝑃𝑟𝑜𝑏[𝑌 = 1|𝑥̅(𝑑), 𝑑 = 0]
donde 𝑥̅(𝑑) corresponde a las medias de todas las otras variables del modelo. El calcular la derivada respecto a la variable binaria como si fuera continua provee una aproximación bastante certera. Con esta especificación del modelo, podemos calcular los regresores 𝛽 utilizando el método de máxima verosimilitud o de densidad conjunta de los residuos del modelo estimado.
Construcción de escenarios
A partir de la metodología probit especificada, se construyen modelos de análisis de escenarios, sensibilidad y simulación para analizar cada variable explicativa y cuantificar e interpretar cómo una variación afecta la probabilidad de uso de efectivo estimada. Específicamente, se simularon cuatro escenarios como función de la edad para analizar cómo la probabilidad de uso de efectivo estimada varía con cada una de las categorías de i) género, ii) empleo, iii) educación e iv) ingreso, asignando el valor promedio a las demás variables explicativas que no intervienen directamente.
Resultados
En esta parte del informe, se exhiben los hallazgos relativos a los factores que influyen en la utilización de efectivo en América Latina. La información contenida en la revela los valores de los coeficientes calculados a partir del modelo de regresión binaria para el empleo de efectivo en la región latinoamericana. Es evidente que se establece una correlación de relevancia significativa a excepción “educ 4”.
age: Un aumento de una unidad en la variable “age” se asocia con un aumento de 0.0016 en la probabilidad acumulativa de tener una cuenta.
female: Ser de género femenino en lugar de masculino se asocia con un aumento de 0.0320 en la probabilidad acumulativa de usar efectivo.
educ2: Tener “escuela secundaria completa” en lugar de “escuela primaria completa o menos” se asocia con un aumento de 0.1251 en la probabilidad acumulativa de usar efectivo.
educ3: Tener “educación terciaria completa o más” en lugar de “escuela primaria completa o menos” se asocia con un aumento significativo de 0.2872 en la probabilidad acumulativa de usar efectivo.
educ4: No proporcionar información sobre el nivel educativo se asocia con una disminución de 0.0933 en la probabilidad acumulativa de usar efectivo.
educ5: Estar en una categoría no especificada se asocia con una disminución de 0.1175 en la probabilidad acumulativausar efectivo.
inc_q2, inc_q3, inc_q4, inc_q5: Cada uno de estos incrementos en el nivel de ingresos se asocia con aumentos en la probabilidad acumulativa de usar efectivo.
emp_in: Estar empleado en lugar de no estar empleado se asocia con una disminución significativa de 0.1019 en la probabilidad acumulativa de usar efectivo.
BOL, COL, CRI, DOM, ECU, GTM, HND, MEX, NIC, PAN, PER, PRY, SLV: Cada uno de estos Países se asocian con cambios en la probabilidad acumulativa de tener una cuenta. Por ejemplo, COLOMBIA (economycodeCOL) se asocia con una disminución de 0.1205 en la probabilidad acumulativa de tener una cuenta.
economycodeBRA, economycodeVEN: Estos códigos de economía se asocian con aumentos en la probabilidad acumulativa de tener una cuenta. Por ejemplo, “economycodeBRA” se asocia con un aumento de 0.1027 en la probabilidad acumulativa de tener una cuenta.
library(readr)
micro_world_139countries <- read_csv("micro_world_139countries.csv")
View(micro_world_139countries)
names(micro_world_139countries)
library(dplyr)
nueva_tabla <- micro_world_139countries %>%
filter(regionwb == "Latin America & Caribbean (excluding high income)") %>%
select("account", "age", "female", "educ", "inc_q", "emp_in", "regionwb", "economycode")
head(nueva_tabla)
View(nueva_tabla)
m1=glm(account~age+I(age^2)+female+as.factor(educ)+ as.factor(inc_q)+emp_in+ economycode , family=binomial(link = "probit"), data=nueva_tabla)
summary(m1)| Factor | Efecto marginal |
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
data_for_prediction <- nueva_tabla
#
data_for_prediction$predicted_prob <- predict(m1, type = "response", newdata = data_for_prediction)
ggplot(data_for_prediction, aes(x = predicted_prob)) +
geom_histogram(binwidth = 0.02, fill = "blue", color = "black") +
facet_wrap(~ emp_in, ncol = 2) +
labs(
title = "Distribución de Probabilidades Estimadas por Categoría de Empleo",
x = "Probabilidad Estimada",
y = "Frecuencia"
) +
theme_minimal()El modelo Probit, al igual que la regresión lineal múltiple, puede ser evaluado en sí mismo, independientemente de la clasificación inicial de los individuos, al aplicar su ecuación a ellos. Su objetivo es explicar un patrón que pueda identificar a un grupo según las variables de su perfil y cuantificar la influencia de cada una en la clasificación. Además, busca predecir a qué grupo podría pertenecer un nuevo individuo basándose en su perfil de variables. La interpretación de los resultados de un modelo Probit es más intuitiva, ya que se trata de valores de probabilidad.
data_colombia <- nueva_tabla %>%
filter(economycode == "COL")
#
data_colombia$predicted_prob <- predict(m1, type = "response", newdata = data_colombia)
#
ggplot(data_colombia, aes(x = predicted_prob)) +
geom_histogram(binwidth = 0.02, fill = "blue", color = "black") +
labs(
title = "Distribución de Probabilidades Estimadas para Colombia",
x = "Probabilidad Estimada",
y = "Frecuencia"
) +
theme_minimal()
Conclusión
En la población de América Latina, se observó un cambio notable en las preferencias de uso de efectivo con el transcurso del tiempo, especialmente al comparar los datos de las encuestas realizadas en los años 2017 y 2021.
En la encuesta previa a 2021, se identificó que el 51,85% de las personas que no disponían de una cuenta bancaria optaban por el uso de efectivo como su principal medio de transacción. Y el 48,15% si disponía de una cuenta bancaria. Sin embargo, en el año 2021, se evidenció un descenso en esta cifra, con solo un 40,15% de la población utilizando efectivo, mientras que un 59,84% disponían de una cuenta bancaria.
A pesar de esta transformación general en las preferencias de pago, algunas tendencias se mantuvieron constantes. Por ejemplo, se observó que la pertenencia al género femenino en lugar del masculino seguía correlacionándose con un incremento del 3,2% en la probabilidad de utilizar efectivo, tanto en la encuesta de 2021 como en la de 2017, lo que indica una persistente preferencia por el efectivo entre las mujeres.
Por otro lado, estar empleado en lugar de estar desempleado continuó asociándose con una disminución significativa en el uso de efectivo, reduciendo la probabilidad de utilizarlo en un 10,19%. Este patrón se mantuvo constante en ambas encuestas, con una disminución del 11,7% en el período de 2017 a 2021.
En conjunto, estos datos sugieren que ha habido una disminución en el uso de efectivo en América Latina durante el período de 2017 a 2021. Los cambios en las preferencias de pago y las diferencias asociadas al género y al estado laboral reflejan una transformación en la dinámica financiera de la región.
Referencia
Delgado, O., & Barrera, J. (2023). Determinants of Cash Use in Latin America. Revista Politecnica, 51(2), 73–86. https://doi.org/10.33333/rp.vol51n2.07