Aplicación Econometrica e Interpretación.
-
Upload
carlos-effio -
Category
Documents
-
view
53 -
download
0
Transcript of Aplicación Econometrica e Interpretación.
Una aplicación econométrica en los impactos del uso de dinero móvil entre los hogares de los pequeños productores agrícolas.
Los últimos adelantos de la ciencia en telecomunicaciones han desarrollado un sistema
de transacciones en el mercado financiero móvil utilizando teléfonos móviles basado
en dinero los servicios se han propagado rápidamente en muchos países en desarrollo.
Analizamos micro impactos en niveles utilizando los datos de panel de los pequeños
agricultores en Kenia. Uso de dinero móvil tiene un gran impacto neto positivo sobre el
ingreso de los hogares. Una vía importante a través de las remesas, que contribuyen a
los ingresos no solo directamente sino que también ayudan a reducir las limitaciones
de riesgo y liquidez, por lo tanto promueve la comercialización Agropecuaria.
Utilizaremos un modelo probit porque es de elección discreta y mide los impactos de
una u otra variable en el modelo como la característica que puede influir en la decisión
de usar dinero móvil entre los usuarios.
OBJETIVO
Lo principal de esta sección es analizar los impactos del uso de dinero móvil entre los
hogares de los pequeños productores agrícolas. Como se mencionó, servicios de
dinero móvil se han extendido rápidamente en Kenia durante los últimos años. Sin
embargo, no todos los hogares utilizan dinero móvil, por lo que una primera pregunta
de interés es en cuanto y qué factores influyen en la adopción de esta innovación.
Esto se analiza con un modelo probit:
MM ¿=α +β X ¿+δ T t+ϵ¿
donde la variable dependiente es MMit que toma un valor de uno si el hogar a utilizado
servicios de dinero móvil en el año t y cero en caso contrario. X it es una característica
que puede influir en la decisión de usar dinero móvil; algunas de estas características
pueden variar con el tiempo, mientras que otros son tiempo invariante. T t es una
varable dummy de control, Eit y es un término de error aleatorio con una distribución
normal estándar. Para analizar los impactos que utilizamos un conjunto diferente de
los paneles:
Y ¿=θ+γ MM ¿+φ Z¿+ρ T t+μ¿
Dónde Yit está la variable de resultado continuas de interés (por ejemplo, ingresos, las
remesas recibidas). En estos modelos, MMit se utilizan como tratamiento simulado.
Una estimación positiva y significativa para el coeficiente indicaría que el uso de dinero
móvil aumenta el valor de la variable de resultado, mientras que controlar Z it por otros
factores es un vector de covariables relevantes, que pueden incluir factores tanto
tiempo-variante y tiempo-invariante. Una vez más, incluimos un año al T it control por
hemos fijado. uit es el error aleatorio, que incluye incumplidos efectos individuales que
pueden ser constantes o también tiempo-variante.
La ecuación (2) puede estimarse con un estimador de efectos aleatorios (RE). Sin
embargo, MMit puede potencialmente ser correlacionado con el término de error
debido a la heterogeneidad inobservable entre dinero móvil los usuarios y no usuarios.
a) Variables independientes y dependiente
Para los modelos de impacto, la variable de resultado principal de interés es el ingreso
total del hogar, que se calcula como la suma de todas las ganancias netas de fuentes
en la granja y fuera de la finca. Las remesas son incluidas como fuente de ingresos
agrícolas uno en los cálculos del ingreso total del hogar.
Para estimar el impacto de dinero móvil sobre el uso de insumos agrícolas y salida de
ventas nos concentramos en el cultivo de plátano.
La tabla 1 muestra cómo utilizan el teléfono móvil y dinero móvil desarrollado durante
el período 2009-2010 la encuesta panel. En 2010, el 93% de los hogares de la muestra
de propiedad por lo menos un teléfono móvil, que subió de 86% en 2009. La diferencia
entre las dos encuesta rondas era mucho más fuerte para el uso de servicios de dinero
móvil, que aumentó de 60% en 2009 a 91% en 2010.
Tabla 1. Uso de teléfonos móviles y dinero móvil entre los hogares de la muestra
2009 2 0 1 0
V a ria b le M ea n Std. D e v . M ea n Std. D e v .
Proporción de propietarios de teléfonos móviles 0 .8 6 0 .3 5 0 .9 3 * * * 0 .2 6
Proporción de usuarios de dinero móvil 0 .6 0 0 .4 9 0 .9 1 * * * 0 .2 8
Años poseer un teléfono móvil 3 .7 8 2 .9 2 4 .7 1 * * * 3 .0 2
Años usando dinero móvil 0 .9 4 0 .9 4 1 .8 5 * * * 1 .0 7
*** va lor m e d io e n tre 2 0 0 9 y 2 0 1 0 es s ig n ifica tiva m e n te d i fe re n te a l n iv e l d e l 1 % .
La figura 2 muestra qué actividades concretas para los hogares muestra utilizan
servicios de dinero móvil en 2010. Aproximadamente el 60% de los hogares declaró
que se retire dinero de su cuenta móvil, que puede ser propio ahorro depósitos de
dinero de las remesas, los pagos por los comerciantes, o también del anterior. En
efecto, sobre el 40% de los hogares declaró que usan sus cuentas de dinero móvil
como herramienta de ahorro. Pero las familias no sólo reciben remesas; alrededor del
50% declaró que también enviaron dinero a otros parientes y amigos. Treinta y cinco
por ciento utiliza servicios móviles para transferir dinero a socios de negocios, tales
como distribuidores de entrada o trabajadores de granja, mientras que el 32%
manifestó que transfirieron dinero móvil para agua corriente o electricidad. Más del
40% de los hogares usa dinero móvil para comprar tiempo aire para su teléfono móvil.
Figura 2. Tipos de actividades realizadas con dinero móvil entre los hogares de la
muestra
Per
cen
t of h
ous
eh
old
s
70
60
50
40
30
20
10
0 W ithdraw
m oney
Save money Transfer
money to relatives and
friends
Transfer money to business partners
Pay bills Buy airtime Transfer
money to own bank account
(b) Descripciones estadísticas
La tabla 2 muestra los estadísticos descriptivos de las variables utilizadas en los
modelos econométricos. Para la comparación, distinguimos entre los usuarios y no
usuarios de servicios de dinero móvil. La parte superior de la tabla muestra las
variables de resultado para los modelos de evaluación de impacto. Las columnas de la
muestra colectiva, que cubre ambas rondas de encuesta, revelan que los usuarios
móviles de dinero tenían ingresos significativamente mayores que los no
consumidores. Los usuarios tenían un ingreso promedio anual de unos 283 mil chelines
kenianos (Ksh), que equivale a US$ 3435 por hogar, o unos 735 dólares per cápita. Los
usuarios no tenían un ingreso anual de Ksh 153 mil, equivalente a 1854 US$ por hogar,
o US$ 458 per cápita.
Variable MM users S D users
S D MM users S D users
S D MM users S D
Outcome var ia b les
Household income (000 K sh) 2 83 .3 5 * ** 228 .59 15 2 .98 14 2 .70 25 0 .17 *** 2 43 .14 13 8 .09 116 .30 305 .05 * 21 6 .23
Remittances (000 K sh ) 1 0 .91 48 .92 6 .6 7 21 .71 1 9 .52 ** 74 .00 6 .27 2 2 .05 5 .28 17 .55
Banana profit (000 K sh /a c re ) 11 0 .94 ** 124 .03 85 .65 99 .71 92 .5 1 * 94 .87 76 .05 68 .12 1 22 .99 138 .69
Proportion of banana sa les 0 .69 ** * 0 .38 0 .5 6 0 .27 0 .63** * 0 .25 0 .55 0 .27 0 .74 0 .43
Hired labor (000 K sh /ac re) 6 .36 ** * 12 .31 2 .9 5 13 .31 2 .3 7 5 .47 1 .5 1 4 .28 8 .97 14 .64
Organic fertilizer (000 K sh /ac re) 3 .54 ** * 8 .34 0 .9 4 3 .84 1 .6 3 6 .69 0 .73 4 .01 4 .78 * 9 .06
Mineral fertilizer (000 K sh /ac re) 4 .46 ** * 8 .29 1 .2 3 5 .42 0 .7 9 3 .68 0 .98 5 .85 6 .4 7 ** 9 .51
Pesticides (000 K sh /ac re ) 2 .08 ** * 4 .71 0 .3 3 1 .47 0 .2 8 1 .36 0 .24 1 .49 3 .2 6 ** 5 .66
Explanatory var iab les
Land owned (a c res) 3 .43 2 .96 3 .0 6 3 .09 3 .5 0 2 .86 3 .11 3 .18 3 .39 3 .03
Age of household head (yea rs) 5 8 .14 13 .30 61 .04 14 .45 58 .45 13 .45 59 .45 13 .97 57 .9 4 * ** 13 .22
Education (yea rs ) 8 .99 3 .88 6 .7 8 4 .10 9 .21** * 3 .95 7 .31 3 .93 8 .84 * ** 3 .83
Household size (m em b ers ) 4 .67 2 .07 4 .0 5 2 .07 4 .75 ** 1 .97 4 .29 2 .07 4 .63 * ** 2 .13
Male household head (dum m y) 0 .84 ** 0 .36 0 .77 0 .42 0 .8 5 0 .36 0 .7 9 0 .41 0 .8 4 ** 0 .37
Distance to banana market (k m ) 4 .26 3 .59 4 .2 4 3 .62 4 .2 8 3 .62 4 .2 1 3 .57 4 .24 3 .57
Distance to all-weather road (k m ) 3 .62 3 .79 3 .5 0 3 .84 3 .6 3 3 .74 3 .5 3 3 .92 3 .62 3 .64
High-potential area (dum m y) 0 .55 0 .50 0 .5 6 0 .50 0 .5 4 0 .50 0 .58 0 .50 0 .56 0 .50
Table 2. Descriptive statistics for variables used in econometric m o d e ls Pooled sample 2009 20 10
N on -
N on -
N on -
Notes: MM means mobile money; SD means standard devia t ion . *,**,*** mean value between MM users and non-users in the same period is significantly different at the 10%, 5%, and 1% level, respective ly.
La parte inferior de la tabla 2 muestra los estadísticos descriptivos de las variables
explicativas utilizadas en los modelos econométricos. La mayoría de los valores no es
significativamente diferente entre los usuarios y no usuarios de servicios de dinero
móvil. Sin embargo, se observan algunas diferencias. Los hogares que utilizan dinero
móvil son más propensos a ser cabeza de hombre. Los datos desglosados por la
encuesta dos redondos también demuestra que los hogares más grandes y con mejor
educada jefas de hogar son más propensos a usar dinero móvil.
(c) determinantes del uso de dinero móvil
Resultados de la estimación del modelo probit explicada en la ecuación (1) que varias
variables resultan para ser determinantes del uso de dinero móvil. Mientras que la
edad no juega un papel importante, el nivel educativo del dinero móvil doméstico
afecta a utilizar de una manera positiva. Cada año adicional de escolaridad aumenta la
probabilidad del uso de servicios de dinero móvil en 1,7 puntos porcentuales. Tamaño
de la familia también juega un papel importante; los hogares con más miembros son
más propensos a usar dinero móvil, que es como se esperaba. Además, los resultados
sugieren que riqueza procesada por tamaño de las granjas influye en la decisión
familiar.
Table 3. Determinants of mobile money use (probit e s t im a te s )
V a ria b le Marginal e ffe c ts Std. E rr . Age of household h ea d 0 .0 0 8 0 .0 0 7 Age s q ua re d -6 .8 E -0 5 5 .8 E -0 5 Education of household h ea d 0 .0 1 7 * * * 0 .0 0 4 Male household hea d 0 .0 2 7 0 .0 3 7 Household s iz e 0 .0 1 7 * * 0 .0 0 8 Land o w n e d 0 .0 2 3 * * 0 .0 1 0 Land s q ua re d -0 .0 0 1 * * 4 .5 7 2 E -0 4 Distance to banana m a r ke t 0 .0 0 1 0 .0 0 4 Distance to all-weather roa d 0 .0 0 3 0 .0 0 4 High-potential a rea -0 .0 0 8 0 .0 2 9 Percentage of village households with mobile p h o n e 0 .0 0 8 * * * 0 .0 0 1 2010 d u m m y 0 .3 1 7 * * * 0 .0 2 8 Model sta tistics Pseudo R 2
0 .2 8 3
LR/Wald χ 2 1 3 9 .4 9 * * *
Log like lih o o d -3 9 3 .2 9
**,*** significant at the 5% and 1% level, res p e c tiv e ly .
El porcentaje de hogares que poseer un teléfono móvil a nivel de la aldea tiene un
efecto positivo sobre dinero móvil uso del hogar individual. El año 2010 ficticio
también es altamente significativo, demostrando que – independientemente de otras
variables incluidas en el modelo – el uso de servicios de dinero móvil ha aumentado
rápidamente en Kenia. Como se mencionó anteriormente, en 2010 ya el 91% de los
hogares de la muestra utilizado dinero móvil.
(d) impacto de dinero móvil en uso entrada
En la sección 2, presumimos que dinero móvil servicios pueden aumentar el uso de
insumos agrícolas a través de diversos canales. Ponemos a prueba esta hipótesis para
contratar mano de obra, fertilizantes orgánicos y minerales y pesticidas químicos, que
son utilizados por muchos agricultores de la muestra en su cultivo de plátano. En el
cuadro 6 se muestran los resultados de estimación. Las especificaciones de FE
confirman que dinero móvil tiene un efecto positivo y significativo para todos de estos
insumos, excepto abonos minerales.
Tabla 6. Determinantes de la entrada uso en la producción bananera Hired labor Organic fertilizer Mineral fertilizer P esticid e s
Variable (1 )
F E
(2 ) R E
(3 ) F E
(4 ) R E
(5 ) F E
(6 ) R E
(7 ) F E
(8 ) R E
Mobile money 4 .1 2 2 * *
(1 .9 7 8 )
2010 dummy 5 .7 0 6 * * *
0.810 (1 .2 7 8 )
6 .7 5 1 * * *
2 .5 0 2 * * (1 .2 3 5 )
2 .4 7 1 * * *
1.267* (0 .7 6 0 )
2 .8 6 1 * * *
-1.640 (1.1 4 7 )
6 .11 8 * * *
0.503 (0 .7 3 7 )
5 .4 4 2 * * *
1.212* (0 .6 2 8 )
2 .3 8 8 * * *
0.482 (0 .4 0 3 )
2 .6 1 8 * * * (1 .11 1 )
A ge
(1 .0 0 5 ) -3 .0 E -0 4 (0 .0 4 3 )
(0 .6 9 4 ) (0 .6 2 2 )
-0.024 (0 .0 2 4 )
(0 .6 4 4 ) (0 .5 8 3 )
-0.016 (0.0 2 4 )
(0 .3 5 3 ) (0 .3 1 9 ) -0 .0 2 9 * * (0 .0 1 3 )
E d u ca t ion -0.017 (0 .1 4 7 ) -0.017 (0 .0 8 6 ) -0.051 (0.0 8 5 ) -0.035 (0.0 4 7 ) Male h ead
1.308 (1 .3 9 0 )
0.759 (0 .8 1 3 )
1 .5 9 0 * * (0 .8 0 9 )
1 .0 8 7 * * (0 .4 4 2 )
Household s ize -0.230 (0 .2 5 8 ) -0.063 (0 .1 5 0 ) 0.079 (0 .1 5 0 ) 1.E-04 (0 .0 8 2 )
Land ow n ed
-0. 004 (0.1 7 7 )
0. 188* (0 .1 0 4 ) 0 .5 1 0 * * *
(0 .1 0 3 ) 0. 3 0 5 * * *
(0 .0 5 6 )
Distance to m a rk e t -0.033 (0 .1 4 3 ) -0.112 (0 .0 8 4 ) 0.058 (0 .0 8 3 ) -0.022 (0.0 4 6 )
Distance to road -0.010 (0. 136) 0 .1 6 7 * *
(0 .0 7 9 )
0.105 (0. 079) 0.054 (0. 0 4 3 )
High-potential area 0.467 (1.034) 0.731 (0.604) 1 .4 4 9 * *
(0 .6 0 2 )
0.436 (0 .3 2 9 )
In te rcep t -0 .4 4 2 -1.595 (3 .7 7 1 ) -0 .2 2 3 -0.587 (2 .2 0 6 ) 1 .8 4 6 * * (0 .7 8 1 )
-2.880 (2.1 9 4 ) -0.460 (0.9 9 2 ) -0.276 (1.1 9 8 )
Model s tatis tic s
LR/Wald χ 2 5 9 .9 7 * * * 4 8 .3 4 * * * 1 4 9 .9 9 * * * 1 3 3 .9 1 * * *
F va lu e
Hausman, χ 2
3 1 .2 0 * * *
4 .7 6 *
1 8 .1 8 * * *
1 .6 1
56.23 * * *
5 .5 9 *
4 6 .8 6 * * *
2 .2 9
Notes: Estimates are based on balanced panel regressions with 640 observations and 320 groups. All dependent variables are measured in thousand Ksh per acre. C oe ff icien t estimates can be interpreted as marginal effects; standard errors are shown in p a ren th e se s . *,**,*** significant at the 10%, 5%, and 1% level, re sp ective ly.
INTERPRETACIÓN
La investigación anterior había documentado la rápida difusión de servicios de dinero
móvil basado en los países en desarrollo. Los estudios también sugieren que esto
puede tener efectos positivos especialmente para los pobres en las zonas rurales que
son a menudo poco atendidas por el sistema bancario tradicional. En nuestro trabajo,
hemos contribuido a la literatura mediante el análisis de los impactos del uso de
dinero móvil sobre los ingresos de los hogares agrícolas pequeños, que no se había
hecho anteriormente. Además, hemos examinado las vías posibles repercusiones
analizando la influencia de las remesas recibidas, las transacciones en mercados salida
e insumo agrícola y las ganancias de la granja. El análisis empírico se ha concentrado
en el cultivo de plátano hogares en Kenia, donde los servicios de dinero móvil han
extendido ampliamente en los últimos años. Datos de la encuesta panel fue recogidos
y utilizados para el análisis.
Los resultados muestran que el uso de dinero móvil tiene un impacto neto positivo y
grande en bienestar de los hogares, aumentando el ingreso total en un 40% en
promedio. Una vía importante impacto parece ser a través de las remesas, que se han
incrementado en un 66%. En comparación con los tradicionales mecanismos formales
e informales de transferencia de dinero entre sus familiares y amigos, servicios de
dinero móvil reducen sustancialmente los costos de transacción.