SciELO - Scientific Electronic Library Online

 
vol.35 número1FELICIDAD Y SALUD: UNA APROXIMACIÓN AL BIENESTAR EN EL RÍO DE LA PLATA índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Estudios de economía

versión On-line ISSN 0718-5286

Estudios de Economía v.35 n.1 Santiago jun. 2008

http://dx.doi.org/10.4067/S0718-52862008000100005 

 

Estudios de Economía. Vol. 35 - N° 1, Junio 2008. Págs. 79-110                                 

NOTA TÉCNICA

 

DISTRIBUCIÓN ESPACIAL DE LA POBREZA EN CHILE

SPATIAL DISTRIBUTION OF POVERTY IN CHILE

 

Claudio A. Agostini*, Philip H. Brown**, Diana Paola Góngora***

*Ilades-Universidad Alberto Hurtado, Santiago, Chile. Email:agostini@uahurtado.cl
**Colby College, Waterville, Maine, Estados Unidos. Email:phbrown@colby.edu
***Ilades-Georgetown. Email: dpaolagongora@gmail.com


Resumen

Chile ha sido particularmente exitoso en la reducción de la pobreza durante los últimos 20 años, disminuyendo el porcentaje de la población bajo la línea de pobreza de un 38,6% en 1990 a un 13,7% en 2006. Con tasas de pobreza más bajas el esfuerzo de focalización necesario para el diseño de políticas públicas que permitan reducir aún más o erradicar la pobreza es mucho mayor y se requiere información más desagregada a nivel geográfico. Los mapas de pobreza pueden cumplir este rol, ya que entregan una descripción detallada de la distribución espacial de la pobreza, lo cual permite en forma adicional estudiar las relaciones entre la pobreza urbana y rural, y algunas variables socioeconómicas o comportamientos sociales. Sin embargo, estos estudios se ven limitados por la falta de datos suficientemente detallados y desagregados respecto a la pobreza a nivel local. De manera específica, los datos disponibles en las encuestas de ingreso no son representativos a niveles geográficos muy desagregados y los censos no tienen información sobre ingresos. En los últimos años ha habido avances importantes en el desarrollo de metodologías que permitan combinar datos de encuestas y de censos para obtener estimadores de pobreza robustos a niveles geográficos más desagregados. En este trabajo se utiliza este tipo de metodologías para producir estimadores consistentes de pobreza, tanto rural como urbana, a nivel comunal para Chile. Esto abre la posibilidad de investigar en el futuro los determinantes de la pobreza en el país y el rol que juega la pobreza local, ya que los resultados obtenidos muestran la existencia de un grado importante de variación en la pobreza entre comunas y entre la pobreza comunal urbana y rural.

Palabras clave: Pobreza local, mapas de pobreza, Chile.

Abstract

Chile's recent success in reducing poverty has been remarkable, with poverty rates falling by approximately two-thirds over the last 20 years. However, further gains against poverty may be inhibited by the increasing difficulty associated with targeting fewer poor people and better, more localized information may thus be required. Moreover, public policy that seeks to understand the relationship between poverty, socioeconomic status and urban or rural residence depends on survey data that may not be representative at low levels of aggregation; although censuses are representative by definition, they generally lack detailed income data. Recent mapping techniques combining census and survey data afford detailed descriptions of the spatial distribution of poverty. Indeed, such techniques enable the calculation of robust and statistically precise estimates of poverty at low levels of aggregation, allowing a more nuanced picture of poverty to emerge. In this paper we use such methodologies to produce consistent estimates of both rural and urban poverty at the county level in Chile. The results demonstrate considerable heterogeneity in local poverty, suggesting that future antipoverty policies must be targeted at the local level. Moreover, the estimates we provide may be used to further analyze the causes and consequences of localized poverty.

Key words: Local poverty, poverty maps, Chile.

JEL: 132, 018.


 

I. Introducción

Chile ha sido un país exitoso en la reducción de la pobreza durante los últimos 17 años. La tasa de pobreza, medida a nivel nacional, pasó de un 38,6% en 1990 a un 13,7% en el 2006 y la tasa de indigencia de un 13% a un 3,2% en el mismo período. Es así como la pobreza y la indigencia han disminuido 24,9 y 9,8 puntos porcentuales respectivamente durante este período.

Consecuentemente, tal como se muestra en la Figura 1, tanto la pobreza rural como la urbana en Chile han disminuido en forma sistemática. Desde 1990 hasta el año 2003 la pobreza rural fue en promedio 3,7 puntos porcentuales mayor que la pobreza urbana, mientras que a finales del año 2006, el porcentaje de población en situación de pobreza era mayor en las zonas urbanas (13,92%) que en las zonas rurales (12,26%).


La evolución de las tasas de pobreza muestra, en principio, que tanto el crecimiento económico como los esfuerzos de las políticas sociales en Chile tuvieron mayor impacto en la reducción de la pobreza urbana entre 1990 y 1996, período en que la brecha entre pobreza urbana y rural se acrecienta. Sin embargo, a partir de 1998 la brecha comienza a cerrarse y en el año 2006, por primera vez desde que existen mediciones confiables, la pobreza rural es menor que la urbana.

No obstante, los indicadores de pobreza agregados a nivel nacional, o incluso regional, no muestran las verdaderas diferencias de la distribución espacial de la pobreza en Chile. Esto constituye, sin duda, una limitación importante, ya que las decisiones de políticas públicas orientadas a la reducción de la pobreza requieren de información aún más desagregada que permita focalizar los recursos directamente hacia las zonas que tienen tasas de pobreza mayores. Esta focalización es aún más relevante con tasas de pobreza como las actuales, en torno al 13%, que con tasas mayores como las existentes a principios de los 90.

Adicionalmente, es importante distinguir la pobreza rural de la urbana, ya que existe una marcada diferencia entre ambas (Wratten (1995), Sevanatha (2002) y Braun (2007)). Los habitantes en cada una de estas zonas se caracterizan por tener preferencias y necesidades diferentes. De acuerdo a Wratten (1995), mientras que el combustible, el agua, los materiales de construcción o los alimentos tienen un costo diferente en las zonas urbanas, los liabitantes de muchas zonas rurales los pueden conseguir en su propio entorno o a otro costo. Sevanatha (2002) encuentra características distintivas de la pobreza urbana: un mayor valor de la tierra, generando marginalización espacial de los más pobres en las partes periféricas de las ciudades; acceso limitado e insuficiente a la red de infraestructura de las ciudades; deterioro del entorno medioambiental; y mayor riesgo de problemas de salubridad. Es así como los indicadores de pobreza, niveles de consumo, niveles de ingreso, acceso a la salud y la educación están influenciados por factores geográficos y agroclimáticos que deben ser estudiados en mayor detalle y considerados en la implementation de políticas públicas para reducir la pobreza.

Seguir avanzando en la disminución de la pobreza en Chile requiere, por lo tanto, considerar las dimensiones geográficas de la pobreza. Para ello es necesario, por un lado, obtener información más desagregada a nivel geográfico respecto a la pobreza existente. Por otro lado, en forma complementaria, se requiere identificar las diferencias entre la pobreza rural y urbana.

Los mapas de pobreza constituyen instrumentos que permiten considerar explícitamente la dimensión geográfica de la pobreza en las políticas sociales de los países.1 De hecho, se utilizan para orientar la distribución de los recursos hacia la pobreza específica (Baker y Grosch (1994)). Adicionalmente, estos mapas entregan información lo suficientemente desagregada para capturar la heterogeneidad existente (Demombynes et al. (2002)). Los mapas de pobreza constituyen así una herramienta fundamental que entrega información no sólo de la distribución espacial de la pobreza, sino que además permiten analizar la dimensión de la misma, sus determinantes, identificar zonas de concentración (urbano o rural) y diseñar políticas sociales para zonas específicas.

En Chile, así como en la mayoría de los países en desarrollo, la información recolectada por los censos no contiene información detallada de ingresos y gastos y las encuestas que poseen esta información no tienen un número suficiente de hogares que permita construir mapas de pobreza muy desagregados a nivel geográfico. Por esta razón, los indicadores de pobreza para áreas específicas no están disponibles y los niveles de pobreza han sido estudiados solamente a nivel nacional y regional (Contreras (1996), Contreras y Ruiz-Tagle (1997), Feres (2000), Contreras (2001), Pizzolito (2005a)).

Este problema ha motivado la investigación sobre metodologías que permitan combinar datos censales con datos de encuestas de hogares. La idea fue explorada inicialmente por Hentschel, Lanjouw, Lanjouw y Poggi (1999), quienes modelaron el comportamiento del consumo en Ecuador a partir de una encuesta de hogares usando un conjunto de variables explicativas que también estaban disponibles en el censo. Posteriormente, usando los parámetros estimados de la primera etapa estiman tasas de pobreza geográficamente desagregadas.

La metodología fue significativamente mejorada por Elbers, Lanjouw y Lanjouw (2003), quienes consideran las características de los errores en la primera etapa de la estimación para obtener estimadores más precisos de pobreza a niveles más desagregados y ha sido aplicada en Albania, Azerbaijan, Brasil, Bulgaria, Camboya, Ecuador, China, Guatemala, Indonesia, Kenya, Madagascar, México, Marruecos, África del Sur, Tanzania y Uganda.

El objetivo de este estudio es estimar mapas de pobreza para Chile a nivel comunal, por zona rural y urbana, con la finalidad de aportar un instrumento valioso en la toma de decisiones y diseño de políticas sociales orientadas a contrarrestar la pobreza y distribuir los recursos hacia zonas geográficas con necesidades específicas.

El trabajo continúa de la siguiente forma. La sección 2 resume brevemente la metodología utilizada para combinar datos de encuestas de hogares con datos censales y generar indicadores de pobreza desagregados. La sección 3 describe los datos utilizados para generar mapas de pobreza comunal para Chile. La sección 4 explica la aplicación de la metodología para Chile. La sección 5 presenta los resultados obtenidos y, finalmente, en la sección 6 se concluye y se proponen algunas ideas para futuras investigaciones.

2. Metodología

En el apéndice 1 se presenta una descripción resumida de la metodología.

Sin embargo, es importante entender conceptualmente en qué consiste. La metodología general para construir mapas de pobreza geográficamente desagregados consiste en usar los datos de las encuestas de hogares para imputar los datos faltantes de ingreso o consumo en el censo y, posteriormente, con las medidas imputadas de consumo o ingreso per capita del hogar estimar los indicadores de pobreza a niveles más desagregados que los que permiten las encuestas de hogares. Para esto, se realiza un procedimiento en dos etapas. En la primera etapa se estima un modelo de ingreso por hogar usando los datos de las encuestas, pero restringiendo las variables explicativas a las que están contenidas en las dos bases de datos (encuestas de hogares y censo). En la segunda etapa se estima el nivel esperado de los indicadores de pobreza dadas las características observables de la población en el censo.

En términos estadísticos, la metodología consiste en estimar la distribución conjunta de la variable de interés (ingreso o consumo) y un vector de variables que covarían con ella. Restringiendo el set de variables explicativas a las que también están presentes en el censo, la distribución conjunta estimada puede ser usada para generar la distribución de la variable de interés para cualquier subconjunto de la población en el censo, condicional a las características observadas de ese subconjunto de la población. De esta forma es posible obtener la distribución condicional, la estimación punto y el error estándar de los indicadores de pobreza que sabemos dependen de la variable de interés.

Es importante hacer énfasis en que un supuesto fundamental de esta metodología es que los modelos estimados usando datos de encuestas son aplicables a las observaciones del censo. Este supuesto es bastante razonable si el año del censo y la encuesta coinciden o son bastante cercanos, como ocurre en el caso de este trabajo en que se utiliza la encuesta Casen del año 2003 y el Censo del año 2002.

3. Datos

Los datos utilizados para generar los mapas de pobreza a nivel comunal para Chile se obtuvieron de la Encuesta Nacional de Caracterización Socioeconómica (CASEN) del año 2003 y del Censo de Población y Vivienda del año 2002.

La encuesta Casen es realizada por el Ministerio de Planificación (MTDEPLAN) y, posteriormente, los datos obtenidos son ajustados por la Comisión Económica para América Latina y el Caribe (CEPAL) usando el sistema de cuentas nacionales como referencia. Estos ajustes consideran los problemas de datos en zonas de la muestra donde no hay datos de ingreso y la sub o sobrerrepresentación de algunas categorías de ingreso en la muestra.2

La encuesta Casen utiliza un método de muestreo aleatorio de etapas múltiples con estratificación. En la primera etapa, el país se divide entre áreas rurales y urbanas en cada una de las trece regiones y las unidades de muestreo primario son seleccionadas con probabilidades proporcionales a la población. En la segunda etapa, dada la estratificación, se seleccionan los hogares de tal forma que todos tengan la misma probabilidad de ser elegidos en la muestra.3

La encuesta Casen del año 2003 se realizó en el mes de noviembre y encuesto 68.153 hogares en los cuales vivían 257.077 personas. Los hogares encuestados pertenecen a 315 comunas de las 342 que existen en Chile, con un rango de hogares encuestados entre 49 y 330 por comuna. Los datos incluyen características demográficas de los miembros del hogar, ingresos de distintas fuentes incluyendo transferencias del Estado, características de la vivienda, propiedad de algunos bienes durables, acceso a servicios básicos y características de educación y salud.

La Figura 2 muestra en color gris las comunas incluidas en la encuesta Casen 2003 y en color negro, las excluidas (18 comunas). En la zona sur del país la encuesta es menos representativa a nivel regional dado que una parte importante de las comunas no fueron incluidas en la muestra.


Es de interés mencionar que, si bien Mideplan considera que la Casen es representativa a nivel regional y también para 301 comunas autorrepresentadas,4 no hay consenso respecto a la validez de la representatividad comunal. Valdés (1999), Contreras et al. (2001), Pizzolito (2005a y 2005b) y Agostini y Brown (2007) consideran que la representatividad de la encuesta es sólo nacional y regional.

Incluso en el caso en que la Casen fuera efectivamente representativa a nivel comunal para las comunas autorrepresentadas, la magnitud del error estándar impide obtener conclusiones relevantes a partir de las tasas de pobreza comunal en la Casen. Por ejemplo, al considerar un intervalo de confianza al 95% la pobreza urbana en la comuna de Pencahue se estima entre 8,5% y 61,8% y en la comuna de San Nicolás entre 23,4% y 72,8%. De igual forma, la pobreza rural en la comuna de Lanco se estima entre 8,8% y 60% y en la comuna de Temuco entre 9,2% y 81,4%. Esto permite destacar otro de los aspectos importantes de la metodología utilizada en este trabajo, que consiste en obtener estimadores de bienestar mucho más precisos a niveles geográficos más desagregados.5

El Censo de Población y Vivienda es realizado por el Instituto Nacional de Estadísticas cada 10 años. El censo utilizado fue realizado el 24 de abril de 2002 y encuesto a 4.112.838 hogares en los cuales viven 15.545.921 personas. Los datos incluyen características demográficas, situación laboral, propiedad de algunos activos, características de la vivienda, acceso a servicios básicos, nivel educacional y migración en los últimos 10 años.

4. Metodología Aplicada para Chile

La primera etapa de la metodología consiste en la estimación de un modelo que relaciona el ingreso per capita de los hogares (Yh) con un conjunto de características observables (Xh). Se utilizan los datos de la encuesta Casen pero se restringen las variables explicativas a variables que también estén disponibles en el Censo.

Al comparar los cuestionarios del Censo y de la Casen es posible construir un conjunto importante de variables explicativas comunes (Cuadro 1, Apéndice 2) relacionadas con características demográficas, educación, ocupación y vivienda. Adicionalmente, basados en estas variables comunes se construyó un conjunto de variables relacionadas con el jefe de hogar, características de la vivienda, existencia de algunos activos en el hogar y características socioeconómicas del mismo.

El modelo estimado es el siguiente:

donde Yh es el ingreso per capita total del hogar y los vectores de variables explicativas son: D un vector de características demográficas que incluye número de miembros del hogar, número de miembros del hogar al cuadrado y fracción de miembros del hogar en edad preescolar; H un vector de características del jefe de hogar que incluye sexo, nivel educacional y etnia a la que pertenece; Vun vector de características de la vivienda que incluye número de dormitorios, material principal de construcción de la casa, tipo de suelo de la vivienda, fuente primaria de agua y sistema de distribución del agua y A un vector de variables dummy la existencia de los siguientes activos en el hogar: lavadora, calefont, teléfono, teléfono celular, televisión por cable o satelital, horno microondas, computador y acceso a Internet. Adicionalmente, se incluyen variables dummy para cada región del país.

Es importante señalar que el objetivo de la estimación de este modelo en la primera etapa no consiste en determinar causalidad, sino que pretende predecir de la mejor manera el ingreso per capita de un hogar basado en características observables. Dado que los predictores observables varían por región, el modelo es estimado para cada una de las trece regiones de Chile. En cada regresión se incluyen dummies comunales para capturar efectos geográficos específicos de cada comuna.

5. Resultados

En los Cuadros 2, 3, 4 y 5 en el Apéndice 3 se muestran los resultados de las regresiones de la primera etapa para las trece regiones de Chile. Aunque obviamente los coeficientes de cada variable explicativa varían entre regiones y entre zona rural y urbana, la capacidad predictiva del modelo es relativamente alta para datos seccionales con un R2 que fluctúa entre 0,24 y 0,53.

Más allá de la variación en magnitud entre regiones y zonas hay algunos resultados sistemáticos que vale la pena destacar. En primer lugar, con la excepción de la Región Metropolitana y la zona urbana de la Décima Región, los hogares con mujeres jefe de hogar tienen ingresos per capita más bajos en comparación con los hogares donde el jefe de hogar es hombre. En segundo lugar, la presencia de niños con discapacidades en el hogar disminuye en forma significativa el ingreso per capita de los hogares. En tercer lugar, la educación del jefe de hogar afecta positivamente el ingreso per capita de los hogares.

A partir de estos coeficientes y la matriz de varianzas y covarianzas estimados en esta primera etapa se utilizó la metodología previamente descrita para estimar en una segunda etapa la tasa de pobreza de cada una de las comunas del país junto a su respectivo error estándar.

A continuación se presentan los mapas de pobreza rural y urbana para todo Chile, generados a partir de las estimaciones. Estos mapas muestran el nivel estimado de pobreza para cada comuna a partir de la siguiente categorización:



5.1 Mapas de pobreza

Zona Norte

Los mapas de la Figura 4 (Zona Norte) muestran la distribución de la pobreza en la Zona Norte de Chile que incluye las Regiones I, II, III y IV. En general, tal como se puede observar en la Figura 4, los mapas muestran que la pobreza en la Zona Norte se encuentra concentrada en las zonas urbanas.


Las comunas con menores tasas de pobreza en zonas rurales son Mejillones, Tocopilla, María Elena y San Pedro de Atacama, todas ubicadas en la II Región, con proporciones de pobreza de 4,46% (error estándar de 0,0356), 6,14% (error estándar de 0,03), 7,48% (error estándar de 0,052) y 8,03% (error estándar de 0,0178) respectivamente. Por otro lado, las comunas con mayores tasas de pobreza en zonas rurales son General Lagos, Camina y Colchane, ubicadas en la I Región, con tasas de pobreza de 35,77% (error estándar de 0,0672), 35,09% (error estándar de 0,0667) y 34,96% (error estándar de 0,0617) respectivamente.

Para las zonas urbanas, las comunas que muestran menores tasas de pobreza son Calama con 15,47% (error estándar de 0,0351) y San Pedro de Atacama con 16,59% (error estándar de 0,0419), ambas en la Segunda Región. Mientras que las tasas de pobreza más altas se encuentran en comunas de la IV Región, específicamente en La Higuera, Monte Patria, Punitaqui y Andacollo que tienen tasas de pobreza de 52,89% (error estándar de 0,0415), 46,46% (error estándar de 0,0271), 41,79% (error estándar de 0,0271) y 40,85% (error estándar de 0,0302) respectivamente.

Zona Central

Los mapas de la Figura 5 (Zona Central) muestran la distribución de la pobreza en la Zona Central de Chile que incluye las Regiones VI, VII, VIII y IX. Tal como se observa en la figura, las zonas rurales de la Región Central de Chile muestran menores tasas de pobreza que las zonas urbanas.


En las zonas rurales las menores tasas de pobreza se encuentran en la VI Región, específicamente en las comunas de Graneros, Machalí y Codegua con tasas de pobreza de 13,9% (error estándar de 0,0274), 14,99% (error estándar de 0,0311) y 15,37% (error estándar de 0,0301) respectivamente. Por otro lado, la tasa de pobreza rural más alta de la Región Central se encuentra en la IX Región, específicamente en Temuco donde la tasa de pobreza corresponde a un 42,74% (error estándar de 0,0537).

Las tasas de pobreza urbana en la Región Central varían desde 21,50% (error estándar de 0,0229) en la comuna de Rancagua hasta 54,02% (error estándar de 0,0297) en la comuna de Curarrehue. En general, en esta zona geográfica del país, la VIII Región tiene las comunas con mayores tasas de pobreza urbana.

Zona Sur-Austral

Los mapas de la Figura 6 muestran la distribución espacial de la pobreza en la Zona Sur-Austral de Chile, que incluye las Regiones X, XI, y XII. Al igual que en la mayoría del país, las zonas rurales de la Región Sur-Austral de Chile muestran menores tasas de pobreza que las zonas urbanas.


Las comunas con menores tasas de pobreza rural son San Gregorio y Primavera con tasas levemente superiores al 2%. Por otro lado, las comunas con tasas de pobreza rural más elevadas en esta zona son San Juan de la Costa y Quinchao con tasas de pobreza de 32,27% (error estándar de 0,091) y 30,43% (error estándar de 0,078) respectivamente.

Las tasas de pobreza en las zonas urbanas fluctúan entre 15,94% en la comuna de Cabo de Hornos y 47,46% (error estándar de 0,026) en la comuna de San Juan de la Costa (error estándar de 0,072).

Región Metropolitana y V Región

Los mapas de la Figura 7 muestran la distribución geográfica de la pobreza en las Regiones V y Metropolitana de Chile. La comuna La Florida tiene un 4,8% (error estándar de 0,039) de su población rural en situación de pobreza, la más baja de la Región Metropolitana. La comuna que tiene, por otro lado, la mayor tasa de pobreza rural en la región es Quilicura con un 22,8% (error estándar de 0,053). En la V Región las comunas de Villa Alemana e Isla de Pascua muestran tasas de pobreza rural relativamente bajas, en torno a un 8%, y las comunas de Catemu y Putaendo son las que presentan las tasas de pobreza rural más altas de la región, con alrededor de un 19%.


Las comunas con menores tasas de pobreza urbana en la Región Metropolitana son Vitacura, Providencia y Las Condes con tasas de pobreza inferiores al 4%. Por el contrario, las comunas con tasas de pobreza urbana más elevadas son La Pintana, María Pinto, Lampa y Alhué con tasas de pobreza urbanas superiores al 33%.

En la V Región la tasa de pobreza urbana más baja se encuentra en la comuna de Viña del Mar con una tasa de pobreza del 19,55% (error estándar de 0,021), mientras que la tasa de pobreza urbana más alta se encuentra en la comuna de Hijuelas con una tasa de pobreza del 37,60% (error estándar de 0,037).

Tal como se puede apreciar en los mapas de pobreza anteriores, existe una gran variabilidad geográfica de la pobreza en Chile cuando se la mide a un nivel más desagregado y por zonas rurales y urbanas. En general, puede verse que las zonas rurales muestran tasas de pobreza más bajas que las zonas urbanas y las tasas de pobreza difieren sustancialmente dependiendo de la región geográfica que se esté analizando.

Las Figuras 8 y 9 muestran, respectivamente, la distribución de las tasas de pobreza rural y urbana para todos las comunas de Chile, ordenadas de menor a mayor tasa de pobreza, junto con su respectivo intervalo de confianza a un 95% de confianza. En forma adicional, se incluye en los gráficos una línea horizontal representando la tasa de pobreza nacional respectiva (rural y urbana) de acuerdo a la Casen.



Estas figuras muestran que existe una variación importante en las tasas de pobreza a nivel comunal, es decir, existe una distribución espacial que no es posible observar al considerar sólo las tasas de pobreza nacional y regional en Chile. Esto puede tener particular importancia para la focalización del gasto social que tiene por objetivo disminuir la pobreza y que se canaliza a través de las municipalidades, es decir, a nivel comunal.

Dada la existencia de una distribución geográfica de pobreza a nivel comunal, es importante poder caracterizar esta distribución que se esconde detrás de los datos agregados a nivel regional o nacional. La mejor forma de hacerlo es simplemente estimando la distribución. La Figura 10 muestra un histograma de las tasas de pobreza comunal, tanto urbana como rural, junto a una estimación de Kernel, usando el estimador de Epanechnikov para ambas distribuciones.



 

Los resultados de la estimación de Kernel muestran que la pobreza rural en Chile se distribuye en forma muy distinta que la pobreza urbana, lo cual se ve ratificado por el test de Kolmogorov-Smirnov que rechaza la igualdad de las distribuciones con un 99% de confianza. Esto ratifica la importancia de estimar en forma separada las tasas de pobreza urbana y rural para cada comuna. En particular, la distribución de la pobreza comunal urbana es mucho más simétrica que la rural, donde existe una fracción importante de comunas con tasas de pobreza mayores que la media.

6. Conclusiones

El principal objetivo de este trabajo ha sido el de generar estimadores locales de desigualdad para Chile. Específicamente, se utiliza la metodología propuesta por Elbers et al .(2003) para estimar tasas de pobreza, tanto urbana como rural, para cada una de las comunas de Chile.

Los resultados muestran un grado importante de variación geográfica en las tasas de pobreza, la cual puede ser utilizada para focalizar o evaluar políticas públicas que tengan por objetivo reducir aún más los niveles de pobreza en Chile. Esto tiene relevancia, ya que con tasas de pobreza más bajas es más difícil focalizar el gasto social y la pobreza que persiste es la más dura de erradicar.

Adicionalmente, al obtener estimadores consistentes y robustos de pobreza para todas las comunas del país, es posible comenzar a investigar tanto el origen como los determinantes de la pobreza local en Chile y los efectos que tienen las políticas públicas sobre ella. En particular, es posible investigar las diferencias entre la pobreza urbana y rural, para las cuales sólo existen estimaciones nacionales a partir de la Casen.

Como investigación futura, creemos firmemente que sería relevante repetir el ejercicio realizado en este trabajo pero utilizando el Censo de 1992 y la Casen 1992. Ello haría posible comparar dos distribuciones de pobreza, tanto urbana como rural, en un lapso de 10 afios y así realizar tests de dominancia estocastica entre distribuciones que permitan describir de mejor forma lo que ha ocurrido con la pobreza comunal en ese período de tiempo.

Finalmente, es importante señalar que el contar con indicadores de pobreza rural y urbana para cada una de las comunas de Chile permite estudiar empíricamente los efectos de la pobreza local en una gran gama de indicadores de salud, educación y delincuencia que son relevantes para el diseño y evaluación de distintas políticas públicas del país. Poner a disposición de la comunidad académica datos que permitan realizar dichas investigaciones creemos que es la mayor contribución de este trabajo.

 

Notas

1Los mapas de pobreza son descripciones espaciales de la distribución de la pobreza en un país.

2Si bien los ajustes realizados por la CEPAL pueden generar algún grado de sesgo en los datos, Contreras y Larrañaga (1999) presentan evidencia que demuestra que dicho sesgo no se presenta. Por otro lado, los datos sin ajustar no se encuentran disponibles al público.

3Para mayores detalles metodológicos ver Pizzolito (2005b). Adicionalmente, el marco metodológico se encuentra disponible en la página web: http://www.mideplan.cl/casen/pdf/Metodologia_%202003.pdf.

4Sin embargo, dicha representatividad sería para todas las comunas sin que exista representatividad para las zonas rurales y urbanas dentro de las comunas.

5 Los intervalos de confianza obtenidos en este trabajo para las mismas comunas son los siguientes: Pencahue (34,2%, 57%), San Nicolás (40,3%, 56,6%), Lanco (10,3%,40,6%) y Temuco (21,2%, 44,7%).

6Para los dos componentes del error, hogar y cluster, se utiliza una distribución normal. Adicionalmente, se realizaron estimaciones con una distribución t y una distribución no paramétrica. Sin embargo, al comparar las tasas de pobreza nacional y regionales estimadas con las de la Casen, la predicción más precisa se obtuvo con una distribución normal multivariada.

7Utilizando el teorema del Límite Central, se asume que la distribución del vector ß converge a una distribución normal multivariada.

8El estándar en la literatura es utilizar 100 simulaciones. Sin embargo, en este trabajo se utilizaron 250 ya que un mayor número de simulaciones no cambió los resultados hasta 4 decimales.

 

6. Referencias

Agostini, C. y P. H. Brown (2007). "Desigualdad Geográfica en Chile", Revista de Análisis Económico, Vol. 22, N° 1, pp. 3-33.        [ Links ]

Baker, J.L., and M.E. Grosch (1994). "Poverty Reduction through Geographical Targeting: How Well Does It Work?", World Development 22 (7): 983-95.        [ Links ]

Braun, J. (2007). "Rural-Urban Linkages for Growth, Employment, and Poverty Reduction", International Food Policy Research Institute. Ethiopian Economic Association, Fifth International Conference on the Ethiopian Economy, June.        [ Links ]

Contreras, D. (2001). "Economic Growth and Poverty Reduction by Region: Chile 1990-96", Development Policy Review 19 (3).        [ Links ]

Contreras, D. (1996). "Pobreza y Desigualdad en Chile: 1987-1992. Discurso, Metodología y Evidencia Empírica", Estudios Públicos 64, Spring.        [ Links ]

Contreras, D. y O. Larrañaga (1999). "Activos y Recursos de la Población Pobre en Chile", El Trimestre Económico 66 (263).        [ Links ]

Contreras, D., O. Larrañaga, J. Litchfield y A. Valdés (2001). "Poverty and Income Distribution in Chile 1987-1998: New Evidence", Cuadernos de Economía 114.        [ Links ]

Contreras, D. y J. Ruiz-Tagle (1997). Çómo Medir la Distribución del Ingreso en Chile", Estudios Públicos 65.        [ Links ]

Demombynes, G., C. Elbers, J. Lanjouw, R Lanjouw, J. Mistiaen y B. Ozler (2002). "Producing an Improved Geographic Profile of Poverty", World Institute for Development Economics Research, Discussion Paper N° 2002-39.        [ Links ]

Elbers, Chris, J.O. Lanjouw and Peter Lanjouw. (2003). "Micro-Level Estimation of Poverty and Inequality", Econometrica, Vol. 71, N° 1.        [ Links ]

Feres, J.C. (2000). "La Pobreza en Chile en el año 2000", Serie Estudios Estadísticos y Prospectivos N° 14, CEPAL.        [ Links ]

Hentschel, J., J. Lanjouw, P Lanjouw y J. Poggi (1999). Combining Survey Data with Census Data to Construct Spatially Disaggregated Poverty Maps: A Case Study of Ecuador, World Economic Bank Review, Vol. 14, N° 1.        [ Links ]

Pizzolito, G. (2005a). "Monitoring Socio-Economic Conditions in Argentina, Chile, Paraguay, and Uruguay: Chile", CEDLAS-World Bank Report, December.        [ Links ]

Pizzolito, G. (2005b). "Poverty and Inequality in Chile: Methodological Issues and a Literature Review", Documento de Trabajo N° 20, CEDLAS.        [ Links ]

Sevanatha Urban Resource Centre (2002). Poverty Profile City of Colombo. Urban Poverty Reduction through Community Empowerment, Colombo, Sri Lanka, Colombo, Urban Poverty Reduction Project.        [ Links ]

Valdés, A. (1999). "Pobreza y Distribución del Ingreso en una Economía de Alto Crecimiento: Chile, 1987-1995", Estudios Públicos 75.        [ Links ]

Wratten, E. (1995). "Conceptualizing Urban Poverty", Environment and Urbanization, Vol. 7, número I, abril.        [ Links ]

 

Apéndice 1

METODOLOGÍA

En este apéndice se presenta una breve descripción de la metodología utilizada. Un mayor detalle se encuentra en Agostini y Brown (2007), que utilizan la misma metodología para estimar desigualdad comunal en Chile.

En la primera etapa se estima un modelo que relaciona el ingreso per cápita del hogar h (Yh), asociado a un cluster geográfico c, con un conjunto de características observables (Xh):

El vector de errores u se asume que tiene una distribución con media cero y matriz varianza-covarianza Σ: ƒ(0, Σ). Para permitir algún grado de correlación dentro de cada cluster se utiliza la siguiente especificación:

donde η, el componente de cluster, y el error idiosincrático eson independientes entre sí y no están correlacionados con las variables observables Xhc.

Este modelo se estima con los datos de las encuestas de hogares y como resultado de la estimación se obtiene un conjunto de parámetros estimados del modelo: el vector ß, la matriz varianza-covarianza asociada a este vector y los parámetros que describen la distribución de los errores.

En la segunda etapa se combinan los parámetros estimados en la primera etapa con las características observables de cada individuo u hogar en el censo para generar valores predichos del logaritmo del ingreso y los errores relevantes. Para estos efectos se utiliza un método de bootstrap que simula los valores del ingreso de cada hogar o de cada individuo. Los valores simulados se basan en la predicción de los ingresos y los términos de error η y ε:

donde, para cada hogar, los dos componentes del término de error son obtenidos de la distribución empírica descrita por los parámetros en la primera etapa.6 De igual forma, los coeficientes se obtienen de la distribución descrita por los estimadores de ß en la primera etapa y la matriz varianza-covarianza asociada a ellos.7

Por último, para generar los indicadores de pobreza, se utiliza el set completo de valores simulados de para calcular el valor esperado de dichos indicadores por zona geográfica. El procedimiento se repite n veces, obteniendo un nuevo set de coeficientes ß y errores para cada simulación.8 Para cada subgrupo geográfico se calcula la media y la desviación estándar del indicador de pobreza sobre el total de simulaciones, que constituyen las estimaciones punto del indicador y los errores estándar de estos estimadores respectivamente.

Es así como en este trabajo se utilizan simulaciones de Montecarlo para calcular el valor esperado de la tasa de pobreza de cada comuna (P) condicional en la regresión de la primera etapa, la varianza generada por el componente indiosincrático del ingreso per capita de los hogares y el vector de gradientes. Cada simulación obtiene 250 vectores de términos de error de la distribución estimada en la primera etapa, con cada uno de estos vectores se calcula un valor para P ( en la ecuación siguiente) y luego el valor esperado simulado para P ( en la ecuación siguiente) es la media para las 250 réplicas:

De la misma manera, la varianza de P es estimada usando: