Universidad de los Andes
Facultad de Economía Memoria de grado
Efectos persistentes de los experimentos aleatorios sobre desarrollo en Kenia
JUANDIEGOFLÓREZ
Diciembre de 2020
Resumen
En años recientes ha existido un interés creciente en los beneficios de la implementación de experimentos aleatorios controlados (RCTs). Sin embargo, aunque la atención provocada por los RCTs se ha extendido alrededor del mundo, la aplicación de estos ensayos aleatorios se ha focalizado en Asia del Sur y África Oriental. En particular, el occidente de Kenia ha sido objeto de la realización de múltiples RCTs desde antes de la popularización de los experimentos aleatorios. Así, este texto busca identificar si la gran cantidad de investigaciones controladas implementadas en los condados occidentales de Kenia ha impactado el PIB de estas regiones. A partir de las bases de datos de tres instituciones enfocadas en la recolección de información derivada de experimentos aleatorios se obtiene el número de familias involucradas en RCTs por condado. En efecto, estimaciones de MCO sugieren una correlación entre el crecimiento del PIB y el número de hogares envueltos en ensayos aleatorios. Asimismo, se argumenta que los RCTs generan efectos persistentes en la producción a través de aumentos en la inversión y la productividad de los hogares.
1 Introducción
En economía y en particular en el campo de desarrollo económico, la implementación de randomized control trials(RCTs) como herramientas de análisis ha aumentado de manera constante desde inicios de la década de los dos mil y la tendencia de crecimiento se ha acelerado en años recientes. Así, los experimentos aleatorios se han convertido en foco de atención de la comunidad académica, las instituciones multilaterales y las organizaciones no gubernamentales. Sin embargo, existen pocos análisis que indaguen sobre las repercusiones posibles de los experimentos aleatorios sobre desarrollo en las comunidades y regiones examinadas una vez terminada la evaluación de los RCTs.
Dos excepciónes notables se encuentran en Ozier (2016) y Bougen et al. (2018), dado que en estas investigaciones se exploran los impactos permanentes potenciales de los RCTs. En concreto, Bougen et al. (2018) examina para una serie de experimentos aleatorios, cuales intervenciones cumplen un conjunto de requisitos mínimos que harían posible una evaluación de largo plazo. Mas, en esta publicación no se realiza ningún tipo de estimación sobre los efectos de largo plazo de los ensayos que cumplen las condiciones mencionadas. Mientras, en Ozier (2016) se busca ratificar resultados encontrados hace veinte años sobre hijos de personas implicadas en un experimento anterior. Es decir, este estudio propone que un mismo mecanismo se mantiene vigente a través de generaciones.
En contraste, este texto plantea la existencia de efectos diferentes a los propuestos en trabajos sobre RCTs, en poblaciones distintas a las evaluadas. En concreto, se formula que los impactos positivos generados por los experimentos aleatorios se amplifican a través de redes comunitarias y la interacción con otras intervenciones.
Ahora bien, este hecho, sumado a los beneficios intrínsecos de la implementación de ensayos controlados sobre la población evaluada hace plausible argumentar que: la concentración de experimentos aleatorios ha incrementado el crecimiento económico en algunos condados de Kenia.
En este sentido, existen varios mecanismos a través de los que los experimentos aleatorios podrían afectar la producción local. En primer lugar, en Kenia donde el 80 % de la población trabaja en agricultura (Casaburi
& Willlis, 2016), ensayos que busquen incrementar la productividad rural podrían tener efectos extendidos una vez terminados los tratamientos. Pues, dado que es imperativo que solo el grupo de tratados sea expuesto al tratamiento, solo una fracción pequeña de cada aldea se beneficia de esas investigaciones. Sin embargo, una vez terminado un RCT es posible conjeturar que los beneficios mencionados se extienden entre las comunidades. Para ilustrar, experimentos en los que se otorga tecnología nueva a los agricultores (Mo et al., 2016) entregan a algunos pobladores herramientas de producción más avanzadas que luego podrían ser compartidas o alquiladas. Del mismo modo, ensayos en los que se capacita a los granjeros sobre técnicas de producción y buenas prácticas (Wang et al., 2016; Adamtey et al., 2016) dejan tras de sí conjuntos de personas aptas para instruir a otros miembros de una aldea. Es decir, la voz a voz y la solidaridad tienen el potencial de difundir las mejoras en bienestar derivadas de los RCTs.
Además de experimentos que puedan incrementar de algún modo la productividad, como los relacionados con salud, educación y agricultura. Existe otra herramienta dentro del repertorio de los RCTs que es en particular costosa y podría generar cambios duraderos y de largo plazo sobre la producción: los programas de transferencias monetarias. Estos programas son en especial eficaces para impactar el PIB de comunidades enteras, debido a que alcanzan a una gran cantidad personas y cuentan con presupuestos extensos. A modo de ejemplo, GiveDirectly una ONG fundada en 2011 que se enfoca en evaluar el impacto de donar dinero a individuos pobres en África Oriental, República Democrática del Congo y Marruecos, asegura haber entregado más de 150 millones de dólares a más de 150 mil familias alrededor de África. De hecho, esta organización está realizando un RCT de 30 millones de dólares en Kenia, y de acuerdo con Egger et al. (2019) una primera ronda de este experimento distribuyó fondos equivalentes al 17 % del PIB anual en el condado donde se realizó. Además, conforme con Egger et al. (2019) existe un multiplicador fiscal de 2.6 sobre el dinero distribuido en estas intervenciones. Del mismo modo, un programa de transferencias monetarias anterior en Kenia derivó en un aumento de la inversión de los hogares de 61 % (Haushofer, 2019). Con todo, es bastante factible que el conjunto de las transferencias monetarias haya logrado incrementar el PIB de
algunos condados en Kenia.
Por último, una manera polémica y teórica mediante la que los ensayos controlados tienen el potencial de incrementar el crecimiento económico es la interacción entre diferentes evaluaciones. Aunque no existe evidencia de que algunos RCTs hayan realizado intervenciones sobre poblaciones involucradas en experi- mentos previos, si se diera el caso existiría un efecto agregado sobre la productividad. A saber, si un granjero obtiene conocimientos acerca de un sistema de riego que incrementa su cosecha mediante un RCT y luego su familia es elegida para participar en un programa de transferencias monetarias, es factible que el campesino en cuestión utilice parte del dinero que recibe para conseguir más sistemas de riego ahora que conoce la efectividad del procedimiento. Un razonamiento similar sería valido para el caso de una interacción entre estudios que promuevan la educación financiera, los microcréditos o la tecnificación de la agricultura. De esta manera, se sugiere que el impacto conjunto de los ensayos controlados plantea un nuevo camino a través del que la focalización de los RCTs incrementaría el PIB de algunas regiones.
2 Contexto
Al inicio de la década de los dos mil, el número de experimentos aleatorios realizados en temas de desarrollo empezó a pasar por un crecimiento bastante fuerte que hasta el momento no se ha detenido. La popularidad de estos ensayos nace de la necesidad de académicos y tomadores de decisiones de expresarse en términos de causalidad. Pues, de acuerdo con los entusiastas de la aleatorización, los RCTs ofrecen lo que se ha denominado como un estándar de oro (Banerjee et al., 2016) a la hora de evaluar políticas públicas y en general distintos tipos de tratamientos que tendrían el potencial de cambiar las condiciones de algunas poblaciones.
De esta forma, según Banerjee et al. (2016) en BREAD, una de las conferencias más importantes en desarrollo económico, el porcentaje de investigaciones presentadas relacionadas con experimentos aleatorios pasó de ser 8 % en 2005 a 63 % del total de estudios expuestos en 2010.
La notoriedad y aceptación de los ensayos aleatorios ha sido tal que a principios de los años 2000 se crearon dos organizaciones no gubernamentales que tienen como objetivo reducir la pobreza alrededor del mundo, se trata de Innovations for Poverty Action (IPA) y Abdul Latif Jameel Poverty Action Lab (J-PAL).
Ambas organizaciones además de un propósito en común coinciden en utilizar los experimentos aleatorios para evaluar la eficacia de sus programas. En realidad, ambas organizaciones han sido pioneras en el desarrollo y la evolución de los RCTs. A la vez, en 2010 se creó el programa Development Innovation Ventures (DIV) una iniciativa financiada por la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) que provee recursos a investigaciones novedosas, en su mayoría RCTs, que contribuyan al desarrollo de países pobres. Conforme con USAID, este programa costea intervenciones que superan el millón de dólares y ha alcanzado a más de 55 millones de personas alrededor del mundo. También, vale destacar que DIV es un contribuyente destacado de GiveDirectly, la organización de transferencias monetarias. Más adelante, el éxito y la aprobación de estas entidades y sus iniciativas se vio reflejado en 2019, año en que Ester Duflo y Abhijit Banerjee fundadores de IPA y Michael Kremer fundador de DIV recibieron el premio de economía entregado por la academia sueca de ciencias.
En particular, a Michael Kremer se le atribuye haber liderado el camino de los experimentos aleatorios en economía (Banerjee et al., 2016) entre sus contribuciones se incluyen evaluaciones sobre los instrumentos escolares en la educación (Glewwe et al., 2000; Glewwe et al., 2007), los desparasitantes en la atención escolar (Miguel & Kremer, 2004) y los retornos de los fertilizantes (Duflo et al., 2008). En realidad, un aspecto desconocido que los ensayos mencionados tienen en común es su implementación en Kenia. De esta manera, Kremer impulsó una tendencia que no parece tener un origen claro, la focalización de los RCTs en África del este, en particular en Kenia y Uganda.
En efecto, según Cameron et al. (2016) en África Oriental se desarrollaron el 19 % de las evaluaciones de impacto realizadas a nivel mundial desde 1990 a 2012. Solo Asía del sur que cuenta con 21 % de las investigaciones supera a África del este. No obstante, dentro de África Oriental es claro que Uganda y, en
especial, Kenia han acaparado gran parte de los experimentos ejecutados. Por ejemplo, J-PAL ha realizado 74 experimentos en Kenia, mientras que en países como Filipinas, Perú, Bangladesh y Sudáfrica solo se han llevado a cabo cerca de una veintena de ejercicios. Asimismo, Kenia es el país donde el DIV ha financiado más RCTs, ni siquiera India que cuenta con una población treinta veces mayor ha obtenido tanta financiación.
3 Datos
Mediante las bases de datos de J-PAL, IPA y GiveDirectly es posible acceder a información sobre experimen- tos aleatorios realizados en distintos países. De hecho, la mayoría de las intervenciones están registradas de manera conjunta entre las bases de J-PAL e IPA debido a la colaboración profunda que existe entre ambas organizaciones. Para este trabajo, se identificaron todos los ensayos controlados que han tenido lugar en Kenia. Luego, a través de diferentes criterios de selección se clasificaron aquellos estudios en los que era viable extraer el número de hogares evaluados y los condados correspondientes. En este punto, es pertinente mencionar que la muestra a utilizar se obtiene de compilaciones externas y no es construida a base de estudios publicados. Esto porque, es evidente que la fecha de publicación de cada investigación ha de ser posterior a la fecha en la que, en realidad, se ejecutó cada experimento. Por lo tanto, es bastante difícil valerse de minería de texto para componer una base de datos extensiva que abarque todos los RCTs que han sido objeto de estudio.
Figura 1: Elaboración propia.Las fuentes incluyen: povertyactionlab.org, givedirectly.org y socialscienceregistry.org
La figura 1 presenta un diagrama de flujo que explica el algoritmo que se utilizó para compilar la base de datos de hogares involucrados en RCTs por condado. En primer lugar, se recopilaron todos los experimentos disponibles en las tres bases de datos que no tuvieran duplicados. Es decir, en el primer paso se extrajeron todas las investigaciones que no tuvieran un nombre idéntico. A continuación, se eliminaron las observaciones que no especifican lugar de estudio a ningún nivel. Del mismo modo, desapareció la observación que involucraba más individuos, casi cinco millones. Esta investigación evaluaba el efecto de recibir un mensaje de texto en
elecciones nacionales, así que no tenía relación con inversión ni productividad. A partir de aquí, ningún otro estudio se enfocó en resultados electorales, ni supero una muestra de cien mil hogares. Luego, un tercer filtro eliminó aquellas observaciones que se denominaban métodos cuasiexperimentales i.e. no RCTs. Asimismo, se desecharon investigaciones que examinaban un mismo experimento. Luego, se eliminaron experimentos que se llevaron a cabo en todo el país, principalmente a través de compañías de telecomunicación. Además, se excluyeron investigaciones que solo reportan haber sido realizadas en la provincia de Kenia Occidental, una figura política suprimida en 2011 que abarcaba varios condados. Después, se descartan experimentos ejecutados fuera del periodo comprendido entre 2013 y 2017. Por último, se eliminan experimentos dedicados a temas de higiene, como lavado de manos y financiación de baños públicos.
En total, luego de los seis filtros mencionados se tiene que es posible extraer los condados y el número de hogares relacionados con 30 RCTs, circa 45 % de la muestra en términos de hogares, posterior a la eliminación de la observación de mensajes de texto. En cuanto a la cantidad de hogares que alcanzan la etapa final del algoritmo, es destacable que el 35 % de los experimentos contienen cerca de la mitad del total de hogares evaluados. Este hecho, es del todo comprensible si se considera que con el paso del tiempo iniciativas como DIV han incrementado la cantidad de financiación disponible para investigaciones relacionadas con experimentos aleatorios, por lo que el tamaño muestral de los ensayos más recientes debería ser bastante mayor al de estudios anteriores. De igual manera, las especificaciones correspondientes a RCTs actuales son bastante más asequibles en la actualidad. Esto ocurre en buena medida debido a la instauración en 2012 de AEA RCT Registry, un proyecto impulsado por la American Economic Association que invita a investigadores, que han llevado a cabo experimentos aleatorios o están próximos a realizar uno, a inscribir sus pruebas en un formato público que expone de manera detallada los pormenores de cada ensayo controlado.
Ahora bien, para calcular el número de hogares, se utilizó la cantidad total de hogares evaluados, es decir se consideran tanto grupos tratados como grupos de control. Esto debido a que, muchos estudios dividen la muestra total en más de dos grupos, por lo que para identificar solo los hogares tratados se requeriría de una identificación más minuciosa y, posiblemente, no computarizada. Asimismo, en siete investigaciones se aproximó escuelas evaluadas a familias. Sin embargo, las observaciones de escuelas no alcanzaron el último filtro del algoritmo, por lo que esta información solo es usada para ilustrar en cambio en el número de hogares de la ilustración 1. Con respecto a los condados, los experimentos que reportaban distritos (subdivisiones de los condados) se consideraron parte del condado al que pertenecía el distrito. También, en RCTs que se llevaron a cabo en varios condados se dividió el número de hogares totales por una fracción igual para cada condado. De esta manera, si un experimento se realizó en dos condados distintos, a cada condado se le asignó la mitad del total de hogares evaluados. Cabe resaltar que, esto ocurrió en 8 investigaciones que sobrepasaron el filtro final del algoritmo, los demás ensayos se realizaron en un único condado.
Para terminar, con la base de datos procedente del último criterio de selección se conforma un radio de hogares involucrados en RCTs al dividir el total de hogares que participan en experimentos sobre la cantidad de hogares de cada condado. En detalle, el número de habitantes por condado y año se estima a partir de una interpolación lineal que toma como valores ancla los censos poblacionales de 2009 y 2019, así como dos proyecciones acerca del tamaño de la población que realizó la Oficina Nacional de Estadística de Kenia en 2015 y 2017. Mientras, el tamaño medio de las familias en cada condado se extrae del censo poblacional de 2019. Entonces, con la cantidad de habitantes por año y condado, y el número de individuos que en promedio configuran un hogar, se elabora el total de hogares para cada año y condado. Además, es conveniente enfatizar que el cálculo de la serie de habitantes por condado se usa también para construir otras dos variables que son relativas al tamaño de la población.
Figura 2: Elaboración propia.Las fuentes incluyen: povertyactionlab.org, givedirectly.org y socialscienceregistry.org
La figura 2 muestra el número de RCTs que se han realizado por condado desde que se tiene registro.
Estos datos corresponden a la base de datos que resulta luego de aplicar el tercer criterio del algoritmo descrito en el diagrama de flujo. Está figura, aclara que es en el occidente de Kenia, cerca al Lago Victoria, donde se han realizado la mayoría de los estudios controlados. En especial, los condados más impactados solían hacer parte de las provincias de Nyanza y Kenia Occidental, unidades politicas suprimidas con el cambio constitucional de 2011 que dio lugar a los condados. En realidad, los condados actuales no eran sub-territorios de las antiguas provincias por lo que las fronteras de la mayoría de los condados fueron definidas en 2011.
Debido a esto, es legítimo proponer que condados sin RCTs que hacian parte de Nyanza y Kenia Occidental funcionan como una muestra de control para la implementación de experimentos, desde que estos territorios recien conformados deberían tener caracteristicas bastante similares entre si. En concreto, las ex-provincias de Nyanza y Kenia Occidental comprendian el territorio que hoy ocupan ocho condados, desde Bungoma en el norte hasta Migori en el sur.
4 Estrategia de estimación
A través de una investigación conjunta del Banco Mundial y la Oficina Nacional de Estadística de Kenya (KNBS por sus siglas en ingles), es posible acceder a una serie del PIB por condado en Kenia. En específico, esta serie contiene estimaciones para el PIB per cápita por condado en Kenia entre 2013 y 2017, lo que permite contrastar el crecimiento económico entre condados que percibieron una gran cantidad de RCTs y aquellos que no.
Figura 3: Elaboración propia.Las fuentes incluyen: https://www.knbs.or.ke
La figura 3 muestra la serie de crecimiento económico entre 2013 y 2017 para condados en los que el radio de hogares involucrados en RCTs es superior al promedio, esto dentro de una muestra que solo considera los 19 condados con registro de ensayos controlados. Cabe resaltar, que el radio de hogares dentro de experimentos es bastante pequeño. Pues, el límite que divide la muestra se encuentra en 0.12. Esto significa que para los condados intervenidos por RCTs el número promedio de hogares evaluados con respecto al total de hogares es de 1.2 %. De hecho, la observación más elevada, que corresponde al condado de Siaya en 2017 solo alcanzó una ratio de hogares evaluados de 0.08. A pesar de esto, según los mecanismos descritos, de redes comunitarias e interacción entre experimentos que harían posible una amplificación del efecto que tienen los ensayos controlados sobre el crecimiento económico, solo sería necesaria una proporción exigua de familias involucradas en estudios aleatorios para que se generase una variación positiva en el PIB.
Ahora bien, es evidente que, además del número de Familias involucradas en RCTs, existen otros factores y características de cada condado que tienen el potencial de incrementar el pib per cápita. Por ende, a fin de aislar la relación propuesta entre pib per cápita e implementación de experimentos, se añaden al análisis cuatro variables de control que también están relacionadas con el pib per cápita. Las variables en cuestión son: la adición de estudiantes de primaria y secundaria, el presupuesto anual del gobierno local, la cantidad estimada de lluvias y el cambio en el total de lluvias con respecto al año anterior.
En primer lugar, el Ministerio de Educación de Kenia reporta cada año información desagregada sobre el número de jóvenes inscritos en escuelas primarias y secundarias por condado. Con estos datos se calcula el
total de estudiantes inscritos en educación no terciaria. Es decir, la suma de los de los estudiantes de primaria con los de secundaria. Además, es apropiado enfatizar que esta variable es relevante en la medida en que ofrece una aproximación del nivel de capital humano por condado. Pues, es indispensable incluir alguna medida de capital humano en un análisis de este tipo dado el efecto positivo que tiene el capital humando sobre el pib per cápita. En específico, es conocido que un mayor nivel de capital humano incrementa la productividad (Li & Wang, 2019), el desempeño institucional (Zallé, 2019) y para el caso del continente africano también el acceso a crédito y el desarrollo del sistema financiero (Ibrahim & Sare, 2018 ).En este punto, es pertinente mencionar que en Kenia, a diferencia de otros países, la cantidad relativa de la población con acceso a educación superior no muestra de forma acertada la evolución del capital humano debido a que la proporción de personas que ingresa a la educación terciaria es minúscula. De hecho, en 2014 la tasa bruta de asistencia a la educación superior en Kenia se encontraba en torno al 6 % (Unesco-Uis, s.f.), una cifra que debe ser mucho menor en condados rurales.
Por otra parte, el presupuesto de cada gobierno local es una publicación con frecuencia anual del Council of Governors, una organización de la que hacen parte los gobernadores de todos los condados de Kenia.
La relevancia de esta variable radica en que permite suplir la carencia de información sobre presencia estatal e infraestructura que varié por año y condado. Más aún, el cambio constitucional de 2011 que le otorgó nuevos poderes y mayor autonomía a los gobiernos locales elevó el rol de las regiones en temas de infraestructura debido a que la democratización local en África deriva en infraestructura de calidad (Trotter, 2016). Así, es evidente que condados con una asignación presupuestal relativa al tamaño de la población más elevada tendrían una presencia mayor de infraestructura adecuada. Del mismo modo, gobiernos rurales mejor financiados alcanzan un mayor nivel de desarrollo de infraestructura puesto que un presupuesto más alto permite a las autoridades incrementar la inversión en infraestructura vial y sanitaria (Zhong et al., 2019).
Por consiguiente, es de esperar que condados con presupuestos elevados hayan aumentado su cobertura, por ejemplo, de acueductos y vías pavimentadas, más que otros condados.
Por último, la estimación de las precipitaciones anuales se realiza con base en imágenes recopiladas por TAMSAT, un proyecto de la Universidad de Reading en colaboración con varias agencias meteorológicas británicas. En concreto, las imágenes tienen una frecuencia diaria y muestran la cantidad de lluvias que caen cada día sobre todo el territorio de Kenia, en milímetros, con una resolución de cuatro kilómetros cuadrados. Esta información se desagrega por condado y se suma. Entonces, las precipitaciones anuales corresponden a la sumatoria de las lluvias diarias desagregadas por condado, desde el primero de enero hasta el 31 de diciembre. En principio, esta variable además de dar cuenta sobre las diferencias agroclimáticas de cada condado también funciona como una aproximación del ingreso agrícola y sus variaciones, dado que la lluvia determina en gran medida la productividad de los cultivos. Esta información es de especial valor en Kenia, puesto que allí el pib agrícola compone de manera indirecta un 40 % del pib total. De igual modo, una proporción bastante alta de la población keniana depende de la actividad agrícola. Pues, el 75 % de los habitantes de Kenia vive en zonas rurales, al tiempo que cerca del 80 % la fuerza laboral total se encuentra empleada en la agricultura (Casaburi & Willlis, 2016).
En específico, investigaciones recientes aseguran que el impacto de las precipitaciones sobre la producti- vidad y el ingreso del sector agrícola ha sido subestimado en la literatura, por lo que, en realidad el efecto de las lluvias sobres las medidas ingreso en zonas rurales es significativo (Torres et al., 2019; Damania et al., 2020). Esto es en particular cierto para zonas rezagadas en infraestructura que no cuentan con sistemas de riego o de almacenamiento de agua. De hecho, sobre este tema, la evidencia empírica indica que las regiones rurales menos desarrolladas entre cada país son también aquellas en las que el crecimiento económico está más relacionado con el nivel de lluvias (Damania et al., 2020).
De manera similar, variaciones de gran magnitud en el volumen anual de precipitaciones, contribuyen a explicar diferencias en la producción relacionadas con cuestiones climáticas y, en algún sentido, azarosas que las demás variables no logran explicar. Asimismo, incrementos positivos en la densidad anual de lluvias repercuten en la productividad agrícola por medio de mejoras en el bienestar de las comunidades rurales que ocurren a través de un acceso más amplio a alimentos (Amare et al., 2018) y una reducción de la
incidencia de enfermedades como la diarrea (Omiat & Shiveli, 2020). Además, cabe resaltar que, según las dos investigaciones mencionadas, disminuciones fuertes de los niveles de lluvias tienen consecuencias negativas sobre las poblaciones mediante los canales mencionados de disponibilidad de alimentos y acaecimiento de complicaciones de salud. De esta manera, se hace necesario añadir al análisis una medida que incorpore cambios en las precipitaciones. En este caso, se utiliza la diferencia en la cantidad de lluvias con respecto al año anterior.
P IB per capitati= α Radio hogares en RCT sti+ φ0Xti+ dt+ di+ ti (1)
Con todo, la ecuación 1 presenta un modelo de efectos fijos para una muestra que varia por condado y por año. En específico, el coeficiente teta, corresponde a un vector de parámetros que incorpora las cuatro variables de control descritas anteriormente. Por su parte, dtrepresenta un efecto fijo de condado, mientras que dida cuenta de un efecto fijo de año. Esta ultima variable es en especial pertinente en la medida en que captura el firme crecimiento económico keniano. De hecho, el PIB keniata se duplicó entre 2006 y 2013 mientras que el crecimiento económico ha promediado 5.5 % anual entre 2010 y 2016 (Kimenyi et al., 2016).
5 Resultados
Tabla1:ResultadosparatodosloscondadosdeKenia Variabledependiente:PIBpercápita (1)(2)(3)(4)(5) RadioHogares26,571.14036,565.22031,736.43042,377.750∗ 41,581.740 (28,123.630)(27,111.360)(24,831.500)(24,950.950)(27,425.040) Estudiantespormilhabitantes-41.273-35.093-40.921-43.051∗ (26.409)(24.114)(25.603)(25.531) Presupuestopormilhabitantes217.775175.751213.814251.737 (202.007)(204.380)(199.765)(191.562) Precipitacionestotales4.6135.2992.9925.984 (4.335)(4.371)(2.663)(4.380) Diferenciaenprecipitaciones-2.278-2.3050.553-2.673 (2.314)(2.372)(1.422)(2.332) Nota:∗p<0.1;∗∗p<0.05;∗∗∗p<0.01
Tabla2:ResultadosparaeloccidentedeKenia Variabledependiente:PIBpercápita (1)(2)(3)(4)(5) Ratio42,536.370∗∗∗ 41,677.930∗∗∗ 49,177.340∗∗∗ 42,319.460∗∗∗ 41,559.010∗∗∗ (14,318.830)(13,391.550)(9,510.508)(13,121.740)(13,150.890) Estudiantespormilhabitantes-79.861-80.003-82.582-79.499 (48.278)(54.826)(53.606)(51.480) Presupuestopormilhabitantes139.963103.18363.86419.465 (275.367)(332.243)(349.343)(332.111) Precipitacionestotales-3.327-3.297-1.393-3.266 (2.028)(2.139)(1.948)(2.299) Diferenciaenprecipitaciones2.091∗ 1.7820.1561.768 (1.155)(1.406)(1.226)(1.382) Nota:∗p<0.1;∗∗p<0.05;∗∗∗p<0.01
El cuadro 1 muestra la magnitud y la significancia de los coeficientes especificados en la ecuación 1 para una muestra que considera todos los condados de Kenia. Aquí, el signo del coeficiente concuerda con la teoría y los mecanismos propuestos. Sin embargo, en vista de que solo en 19 condados se cuenta con registro de aplicación de RCTs, mientras que, en Kenia, en general, ha existido un crecimiento económico robusto, no es de extrañar que el estimador beta asociado al radio de hogares que participan en experimentos no sea significativo. Del mismo modo, la magnitud de los coeficientes fluctúa bastante ante la ausencia de diferentes variables de control.
En comparación, el cuadro 2 expone resultados más reveladores. En específico, este cuadro presenta la estimación concebida en la ecuación 1. Sin embargo, en esta ocasión se utiliza una muestra restringida a los condados que hicieron parte de los territorios de las antiguas provincias de Nyanza y Kenia Occidental.
Bajo esta delimitación, el estimador beta del modelo que incluye todas las variables, resulta casi idéntico a el coeficiente reportado en la tabla 1. Asimismo, el tamaño de los estimadores correspondientes al radio de hogares aparenta ser resiliente a la exclusión de controles.
No obstante, el resultado más notable proviene de la significancia de los coeficientes. Esto porque, para las provincias de Nyanza y Kenia Occidental, el estimador del radio de hogares es significativo, sin importar la ausencia de variables de control. En realidad, se tiene significancia a un nivel de 1 % para todos los coeficientes asociados al radio de hogares. Esto sígnica, que en efecto existe una correlación entre el número de hogares involucrados en experimentos aleatorios y el pib per cápita por condado en la región occidental de Kenia. De esta manera, los coeficientes estimados implican que un incremento de una desviación estándar en el coeficiente de radio de hogares, esto es, un aumento de 0.016 en el radio de hogares dentro de RCTs, predice un crecimiento de 670 chelines kenianos adicionales en el pib per cápita por año. En contexto, la línea de pobreza alimentaria en 2016 se encontraba en 1 954 chelines mensuales por hogar para zonas rurales.
Por lo tanto, 670 chelines corresponden al 4 % de los ingresos anuales que necesita un hogar para superar la pobreza alimentaria. Del mismo modo, si un condado, como Migori, en el que no se han implementado RCTs alcanzara una proporción de hogares vinculados a experimentos aleatorios del 5 %, como sucede en el condado contiguo de Siaya, su pib per cápita se incrementaría en 2 077 chelines, alrededor de una décima parte del ingreso por hogar definido en la línea de pobreza rural.
6 Consideraciones finales
Si bien los resultados de la ecuación 1 parecen confirmar la validez de la hipotesis propuesta para el caso del occidente de Kenia, a través de la significancia y el signo de los coeficientes, es claro que el efecto estimado es demasiado pequeño como para proponer discusiones vinculantes sobre el impacto que generan los experimentos aleatorios sobre el crecimiento económico. En realidad, se necesitaría que el radio de hogares aumentara a cerca del 40 % del total de hogares para producir una variación de una desviación estándar en el pib per cápita, un aumento del todo inverosímil si se considera que solo el condado de Siaya sobrepasó una tasa de hogares involucrados en RCTs del 8 %.
Empero, una mirada más detallada revela que un radio de hogares de 0.4 es en verdad plausible. Pues, aunque la muestra final conserva cerca del 45 % de las familias evaluadas por J-PAL, IPA y GiveDirectly, es probable que el número de hogares este subestimado en esta muestra. En primer lugar, existió en algunos casos información contradictoria sobre la cantidad de familias incluidas en RCTs entre diferentes organizaciones.
A modo de ejemplo, el programa de transferencias monetarias más extenso que ha habido tiene según J-PAL (s.f.), la organización encargada de evaluar el impacto del ensayo, 98 000 participantes, mientras que GiveDirectly (s.f.), la institución que ejecuta el experimento asegura que han sido 20 000 las personas beneficiadas. Esto ocurre al tiempo que ,en AEA RCT Registry, se encuentran registrados dos RCTs con un total de 16 400 integrantes que corresponden en conjunto al experimento de ingreso universal más grande hasta la fecha. Cabe mencionar, que en la muestra utilizada siempre se usó información de AEA RCT Registry cuando esta estaba disponible.
De manera similar, limitar la muestra a experimentos enfocados en desarrollo económico implica excluir del análisis intervenciones realizadas en Kenia por investigadores, de disciplinas distintas a la economía, interesados en temas energéticos (Leijon et al., 2020), agrícolas (Otieno et al., 2019), alimenticios (Lagerkvist
& Okello., 2016), o tecnológicos (Tuure et al., 2020). Incluso, empresas privadas han testeado el efecto de sus productos y programas en Kenia (Rockers et al., 2019). En cualquier caso, dada la ya mencionada dificultad de usar minería de texto para acceder a la fecha real en que se han realizado los experimentos, es claro que, así como sucede en este trabajo, otros análisis que requieran datos precisos sobre la implementación de RCTs, deberán hacer frente a limitaciones con respecto al tamaño y la calidad de la muestra, que bien podrían impedir obtener resultados concluyentes.
De esta forma se hace evidente la relevancia y pertinencia de iniciativas como RCT Registry que recolectan y hacen pública información sobre las evaluaciones que se llevan a cabo, por lo menos, en economía. Pues, proyectos de este tipo permiten el acceso a información, que, por lo general, no se podría obtener de otra manera. Por lo tanto, es válido recomendar la institución de iniciativas de registro similares para disciplinas ajenas a la economía, al igual que el fortalecimiento del RCT Registry, por ejemplo, mediante la captura de coordenadas GPS de cada residencia evaluada, tal como ocurre en Banerjee et al. (2011), a fin de contar con información exacta sobre el lugar y la fecha en que se realiza cada intervención. En concreto, la captura generalizada de coordenadas haría posible el uso de econometría espacial, lo que a su vez permitiría valoraciones más específicas acerca del impacto de largo plazo de los experimentos aleatorios sobre distintas poblaciones. Asimismo, la disponibilidad de cifras puntuales sería beneficiosa en la misma medida para comunidades impactadas e investigadores que de seguro no desearían ver perjudicadas sus intervenciones rigurosas por algún tipo de contaminación procedente de la ejecución de estudios similares.
Todas las bases de datos y scripts usados en este trabajo se encuentran disponibles en:
https://juandiegof.github.io/Datos-Kenia/
Referencias Bibliográficas
Adamtey, N., Musyoka, M. W., Zundel, C., Cobo, J. G., Karanja, E., Fiaboe, K. K., Foster, D. (2016).
Productivity, profitability and partial nutrient balance in maize-based conventional and organic farming systems in Kenya. Agriculture, Ecosystems Environment, 235, 61–79. doi: 10.1016/j.agee.2016.10.001
Amare, M., Jensen, N. D., Shiferaw, B., Denno Cissé, J. (2018). Rainfall shocks and agricultural producti- vity: Implication for rural household consumption. Agricultural Systems, 166, 79-89. doi:https://doi.org /10.1016/j.agsy.2018.07.014
Banerjee, A., Duflo, E., Kremer, M. (2016). The Influence of Randomized Controlled Trials on Development Economics Research and on Development Policy, Recuperado en mayo 12, 2020, de https://scholar.harvard.edu /files/kremer/files/the-influence-of-rcts-on-developmental-economics-research-and-development-policy.pdf
Banerjee, A., Chandrasekhar, A. G., Duflo, E., Jackson, M. O. (2013). The Diffusion of Microfinance.
Science, 341(6144). doi:DOI: 10.1126/science.1236498
Bouguen, A., Huang, Y., Kremer, M., Miguel, E. (2018). Using RCTs to Estimate Long-Run Impacts in Development Economics. doi:10.3386/w25356
Cameron, D., Anjini, M., Brown, A. (2016). The growth of impact evaluation for international development:
How much have we learned? Journal of Development Effectiveness, 8(1), 1-21. doi:https://doi.org/10.1080 /19439342.2015.1034156
Casaburi, L., Willis, J. (2016). Agricultural Microinsurance for Sugar Cane Farmers in Kenya. Recuperado en mayo 13, 2020, de https://www.povertyactionlab.org/evaluation/agricultural-microinsurance-sugar- cane-farmers-kenya
Damania, R., Desbureaux, S., Zaveri, E. (2020). Does rainfall matter for economic growth? Evidence from global sub-national data (1990–2014). Journal of Environmental Economics and Management, 102.
doi:https://doi.org/10.1016/j.jeem.2020.102335
Dell, M. (2010). The Persistent Effects of Peru’s Mining Mita. SSRN Electronic Journal. https://doi.org/10.2139 /ssrn.1596425
Dizon-Ross, R., Dupas, P., Robinson, J. (2017). Governance and the effectiveness of public health subsidies:
Evidence from Ghana, Kenya and Uganda. Journal of Public Economics, 156, 150–169. https://doi.org/10.10 16/j.jpubeco.2017.09.005
Duflo, E., Kremer, M., Robinson, J. (2008). How High Are Rates of Return to Fertilizer? Evidence from Field Experiments in Kenya.American Economic Review, 98(2), 482-488. doi:10.1257/aer.98.2.482
Egger, D., Haushofer, J., Miguel, E., Niehaus, P., Walker, M. (2019). General equilibrium effects of cash transfers: Experimental ... Recuperado en mayo 12, 2020, de https://www.givedirectly.org/wp- content/uploads/2019 /11/General-Equilibrium-Effects-of-Cash-Transfers.pdf
GiveDirectly. (s.f.). Basic Income Kenya Study. Recuperado diciembre 11, 2020, de https://www.givedirectly.or g/ubi-study/
Glewwe, P., Kremer, M., Moulin, S., Zitzewitz, E. (2000). Retrospective vs. Prospective Analyses of School Inputs: The Case of Flip Charts in Kenya. doi:10.3386/w8018
Glewwe, P., Kremer, M., Moulin, S. (2007). Many Children Left Behind? Textbooks and Test Scores in Kenya. doi:10.3386/w13300
Haushofer, J., Shapiro, J. (2013, November 15). Household Response to Income Changes: Evidence from an Unconditional Cash Transfer Program in Kenya. Recuperado en mayo 12, 2020, de https://www.poverty- action.org/sites/default/files/publications/HaushoferShapiroUCT2013.pdf
Ibrahim, M., Sare, Y. (2018). Determinants of financial development in Africa: How robust is the interactive ef- fect of trade openness and human capital? Economic Analysis and Policy, 60, 18-26. doi:https://doi.org/10 .1016/j.eap.2018.09.002
J-PAL. (n.d.). Unconditional Cash Transfers and Civic Engagement in Kenya. Recuperado diciembre 11, 2020, de https://www.povertyactionlab.org/evaluation/unconditional-cash-transfers-and-civic-engagement-kenya
Lagerkvist, C. L., Okello, J. (2016). Using the integrative model of behavioral prediction and censored quanti- le regression to explain consumers’ revealed preferences for food safety: Evidence from a field experiment in Kenya. Food Quality and Preference, 49, 75-86. doi:https://doi.org/10.1016/j.foodqual.2015.11.012
Leijon, J., Salar, D., Engström, J., Leijon, M., Boström, C. (2020). Variable renewable energy sources for powering reverse osmosis desalination, with a case study of wave powered desalination for Kilifi, Kenya.
Desalination, 494. doi:https://doi.org/10.1016/j.desal.2020.114669
Li, T., Wang, Y. (2018). Growth channels of human capital: A Chinese panel data study. China Economic Review, 51, 309-322. doi:https://doi.org/10.1016/j.chieco.2016.11.002
Kimenyi, M. Mwega, F., Ndung’u, N. (2016) African Lions: Kenya country case study - Brookings. Broo- kings. https://www.brookings.edu/research/african-lions-kenya-country-case-study/.
Miguel, E., Kremer, M. (2004). Worms: Identifying Impacts on Education and Health in the Presence of Treatment Externalities. Econometrica, 72(1), 159-217.
Mo, F., Wang, J.-Y., Xiong, Y.-C., Nguluu, S. N., Li, F.-M. (2016). Ridge-furrow mulching system in semiarid Kenya: A promising solution to improve soil water availability and maize productivity. European Journal of Agronomy, 80, 124–136. doi: 10.1016/j.eja.2016.07.005
Omiat, G., Shively, G. (2020). Rainfall and child weight in Uganda. Economics Human Biology, 38.
doi:https://doi.org/10.1016/j.ehb.2020.100877
Ozier, O. (2016). Exploiting Externalities to Estimate the Long-Term Effects of Early Childhood Deworming.
Policy Research Working Papers. https://doi.org/10.1596/1813-9450-7052
Otieno, M., Steffan-Dewenter, I., Potts, S., Kinuthia, W., Garratt, M. (2020). Enhancing legume crop pollina- tion and natural pest regulation for improved food security in changing African landscapes. Global Food Security, 26. doi:https://doi.org/10.1016/j.gfs.2020.100394
Rockers, P. C., Laing, R. O., Ashigbie, P. G., Onyango, M. A., Mukiira, C. K., amp; Wirtz, V. J. (2019).
Effect of Novartis Access on availability and price of non-communicable disease medicines in Kenya:
A cluster-randomised controlled trial. The Lancet Global Health, 7(4), 492-502. doi:10.1016/s2214- 109x(18)30563-1
Torres, M., Howitt, R., Rodruigues, L. (2019). Analyzing rainfall effects on agricultural income: Why timing matters. EconomiA, 20(1), 1-14. doi:https://doi.org/10.1016/j.econ.2019.03.006
Trotter, P. A. (2016). Rural electrification, electrification inequality and democratic institutions in sub-Saharan Africa. Energy for Sustainable Development, 34, 111-129. doi:https://doi.org/10.1016/j.esd.2016.07.008
Tuure, J., Korpela, A., Hautala, M., Pellikka, P., Petäjä, T., Kulmala, M., Alakukku, L. (2020). Com- paring plastic foils for dew collection: Preparatory laboratory-scale method and field experiment in Kenya.Biosystems Engineering, 196, 145-158. doi:https://doi.org/10.1016/j.biosystemseng.2020.05.016
UNESCO UIS Statistics. (s.f.). UIS Database. Recuperado Diciembre11, 2020, de http://data.uis.unesco.org/
Index.aspx
для Даны
Wang, J.-Y., Mo, F., Nguluu, S. N., Zhou, H., Ren, H.-X., Zhang, J., . . . Li, F.-M. (2016). Exploring micro-field water-harvesting farming system in dryland wheat ( Triticum aestivum L.): An innovative management for semiarid Kenya. Field Crops Research, 196, 207–218. doi: 10.1016/j.fcr.2016.07.001
Zallé, O. (2018). Natural resources and economic growth in Africa: The role of institutional quality and human capital. Resources Policy, 62, 616-624. doi:https://doi.org/10.1016/j.resourpol.2018.11.009
Zhong, T., Liua, F., Huang, X., Zhang, X. (2019). Blessing or curse? Impact of land finance on rural public in- frastructure development. Land Use Policy, 85, 130-141. doi:https://doi.org/10.1016/j.landusepol.2019.03.036
