El presente documento describe el diseño metodológico de un ejercicio de evaluación orientado a analizar el impacto del envío de correos electrónicos a contribuyentes que no abonaron la cuota de marzo de la Tasa de Alumbrado, Barrido y Limpieza (ABL). A través de un diseño experimental aleatorizado, se busca estimar si el envío de estos mensajes incrementa la probabilidad de pago y comparar la efectividad relativa de distintos tipos de comunicación.
El ejercicio permitirá generar evidencia empírica para orientar futuras estrategias de contacto con contribuyentes, contribuyendo a mejorar la eficiencia de las políticas de recaudación municipal.
El objetivo del presente ejercicio es evaluar si el envío de correos electrónicos a contribuyentes que no abonaron la cuota de marzo de la Tasa de ABL genera un incremento en el nivel de pago.
Asimismo, se busca comparar la efectividad de distintos tipos de mensajes según el perfil del contribuyente y analizar si la estrategia contribuye a incrementar la adhesión a la boleta digital.
Los resultados permitirán estimar el impacto causal de la intervención y orientar el diseño de futuras estrategias de comunicación con contribuyentes.
La población objetivo está compuesta por contribuyentes que al momento del corte de datos no hayan abonado la cuota de marzo de la Tasa de ABL al primer vencimiento (18/03).
La población será segmentada en dos universos:
a. Contribuyentes adheridos a boleta digital
b. Contribuyentes no adheridos a boleta digital
Esta segmentación permite evaluar si la efectividad de los mensajes difiere según el grado de digitalización del contribuyente.
Tamaño de cada universo (corte 18/03):
| Universo | Descripción | N |
|---|---|---|
| a | Adheridos a boleta digital | 11.757 |
| b | No adheridos a boleta digital | 12.317 |
| Total | 24.074 |
Se implementará un experimento aleatorizado controlado.
Dentro de cada universo (a y b) se asignarán aleatoriamente los contribuyentes a tres grupos experimentales.
| Grupo | Tratamiento |
|---|---|
| Control | No recibe ningún correo electrónico |
| Mail formal / disuasivo | Correo con tono institucional que enfatiza vencimiento, intereses y regularización |
| Mail conductual (nudges) | Correo con recordatorio simple y referencias a normas sociales (por ejemplo: “la mayoría de los contribuyentes ya cumplió”) |
Esto genera seis grupos en total:
| Universo | Control | Mail formal | Mail nudges |
|---|---|---|---|
| Adheridos | 1.a | 2.a | 3.a |
| No adheridos | 1.b | 2.b | 3.b |
La asignación aleatoria garantiza que las diferencias observadas en los niveles de pago puedan atribuirse al tipo de mensaje recibido.
La variable principal de evaluación será:
Pago de la cuota de marzo de la Tasa de ABL después del envío del correo electrónico.
Se trata de una variable dicotómica:
La medición se realizará utilizando registros administrativos de pago, por lo que no depende de respuestas declarativas.
Se definió que los resultados deben poder estimarse con:
El tamaño de muestra necesario para estimar una proporción con ese nivel de precisión se calcula mediante:
\[ n = \frac{z^2 p(1-p)}{e^2} \]
donde:
Esto produce un tamaño muestral preliminar de:
\[ n \approx 1068 \]
Dado que se dispone del tamaño real de cada universo (población finita), se aplica la corrección por población finita:
\[ n_{adj} = \frac{n}{1 + \frac{n-1}{N}} \]
Con \(N_a = 11.757\) (adheridos) y \(N_b = 12.317\) (no adheridos), se obtiene:
\[ n_{adj} \approx 979 \]
\[ n_{adj} \approx 983 \]
En términos operativos se recomienda trabajar con aproximadamente 1.000 contribuyentes observables por universo.
Dentro de cada universo los casos se distribuirán aleatoriamente entre los tres grupos experimentales según la siguiente proporción:
| Grupo | Proporción |
|---|---|
| Control | 20% |
| Mail formal | 40% |
| Mail nudges | 40% |
Este esquema permite mantener un grupo de referencia robusto sin sacrificar potencia estadística en la comparación entre los dos tipos de mensajes.
No todos los correos enviados serán necesariamente entregados.
Para compensar esta situación se inflará el tamaño de muestra considerando una tasa conservadora de entrega efectiva entre 65% y 75%.
El tamaño de envío se calcula como:
\[ n_{envio} = \frac{n_{requerido}}{tasa\ de\ entrega} \]
Por ejemplo, si se requieren 1.000 contribuyentes observables y se espera una tasa de entrega del 70%:
\[ n_{envio} = \frac{1000}{0.70} \approx 1429 \]
Con una tasa de entrega conservadora entre 65% y 75%, el rango recomendado por universo es:
En consecuencia, se recomienda seleccionar aproximadamente 1.330–1.540 contribuyentes en cada universo (adheridos y no adheridos).
Esto implica un tamaño total del experimento de aproximadamente 2.660–3.080 contribuyentes, que luego serán asignados aleatoriamente a los tres grupos experimentales dentro de cada universo.
La base final de análisis deberá contener una observación por contribuyente, incluyendo las siguientes variables idealmente:
| variable | descripción |
|---|---|
| id_contribuyente | identificador único |
| universo | adherido / no adherido |
| grupo | control / formal / nudges |
| mail_enviado | indicador de envío |
| mail_entregado | indicador de entrega (si disponible) |
| pago | 1 = pagó después del mail |
| fecha_pago | fecha del pago |
La evaluación se basará en la comparación de las tasas de pago entre los distintos grupos experimentales.
Para cada grupo se calcula:
\[ \hat{p} = \frac{\text{cantidad de pagos}}{\text{total del grupo}} \]
Esto permite estimar la proporción de contribuyentes que pagaron en cada grupo experimental.
El efecto causal del envío de correos se estima mediante la diferencia de proporciones respecto al grupo de control.
Para el mensaje formal:
\[ ATE_{formal} = p_{formal} - p_{control} \]
Para el mensaje conductual:
\[ ATE_{nudges} = p_{nudges} - p_{control} \]
donde \(ATE\) representa el Average Treatment Effect.
El resultado se interpreta como el incremento en la tasa de pago atribuible al tratamiento.
Para evaluar la precisión de las estimaciones se calcularán intervalos de confianza del 95% para la diferencia de proporciones.
El error estándar se calcula como:
\[ SE = \sqrt{\frac{p_1(1-p_1)}{n_1} + \frac{p_0(1-p_0)}{n_0}} \]
El intervalo de confianza es:
\[ IC_{95} = (p_1 - p_0) \pm 1.96 \times SE \]
Si el intervalo no incluye el valor cero, se concluye que el efecto es estadísticamente significativo.
Adicionalmente, los efectos podrán estimarse mediante modelos de regresión.
Un modelo lineal simple es:
\[ pago_i = \alpha + \beta_1 formal_i + \beta_2 nudges_i + \epsilon_i \]
donde:
Los coeficientes \(\beta_1\) y \(\beta_2\) representan el efecto causal estimado de cada intervención.
El análisis se realizará:
Esto permitirá identificar heterogeneidad en los efectos de la intervención.
El análisis principal seguirá el enfoque Intention to Treat (ITT).
Esto implica que los contribuyentes se analizan según el grupo al que fueron asignados originalmente, independientemente de si el correo fue abierto o leído.
Este enfoque evita sesgos derivados del comportamiento posterior de los contribuyentes.
Además de las tasas de pago, se calcularán indicadores de impacto operativo.
\[ Pagos\ adicionales = (p_{tratamiento} - p_{control}) \times N_{tratamiento} \]
Este indicador permite estimar cuántos pagos adicionales se generaron gracias a la intervención.
También se estimará el monto total de recaudación adicional atribuible al envío de correos electrónicos.