Programas de transferencias condicionadas en la región. Mecanismos de focalización desde una perspectiva comparada entre Uruguay y Costa Rica

Abstract

El trabajo tiene como objetivo contextualizar y analizar los mecanismos de focalización que utilizan los Programas de Transferencias Condicionadas (PTC) en América Latina para seleccionar sus beneficiarios/as. Desde una perspectiva comparada se realiza una caracterización y evaluación de los desempeños de la focalización en dos casos de PTC de la región: el programa Asignaciones Familiares del Plan de Equidad (AFAM-PE) de Uruguay y el programa Avancemos de Costa Rica. A partir de evidencia reciente sobre la ventaja comparativa en términos de reducción de errores de exclusión e inclusión que demuestran los modelos con base en Inteligencia Artificial (IA) y Aprendizaje Estadístico (AE) para el caso de Costa Rica, se presentan resultados asociados y se problematiza acerca de las implicancias prácticas y éticas que tiene su utilización en la toma de decisiones con alto impacto social, como es el caso de los criterios de elegibilidad de los PTC. Se realizan ensayos para el caso de AFAM-PE, a partir del procesamiento de la Encuesta Continua de Hogares (ECH) de 2018, y se comparan rendimientos de los modelos basados en AE (Random Forest y Stochastic Gradient Boosting) con respecto al método econométrico (Probit) que sirven construir el Índice de Carencias Críticas (ICC) del Ministerio de Desarrollo Social (Mides) y definir la eligibilidad. Así también, se analiza y compara la importancia de las variables incluidas y se exploran modelos alternativos considerando otras variables predictoras posibles. Entre los resultados presentados se halla que los modelos de AE ensayados para el caso de AFAM-PE, al igual que lo indicaba la evidencia para el caso de Costa Rica, presentan ventajas significativas en cuanto a reducción de errores de exclusión e inclusión entre los menores de edad, logrando mayores niveles de exactitud en la clasificación de la población objetivo. En el caso del Random Forest, el cual presenta mejor rendimiento, se logra una reducción de 11,3 % de los errores con respecto al modelo Probit utilizado para la construcción del ICC.

The work aims to contextualize and analyze the targeting mechanisms, used by Conditional Cash Transfer (CCT) programs, in Latin America with the purpose of selecting their beneficiaries. From a comparative perspective, a characterization and evaluation of the performance of the targeting is carried out in two cases of PTC in the region: the Family Allowances program of the Equity Plan (AFAM-PE) of Uruguay and the Avancemos program in Costa Rica. Based on recent evidence on the comparative advantage, in terms of reduction of exclusion and inclusion errors, provided by the models based on Artificial Intelligence (AI) and Statistical Learning (SL) for the case of Costa Rica, associated results are presented and problematized in relation to the practical and ethical implications of its use in decision-making with high social impact, as is the case with the eligibility criteria of the PTC programs. Tests are conducted for the case of AFAM-PE, based on the processing of the Continuous Household Survey (ECH) of 2018, and performances of the models based on SL (Random Forest and Stochastic Gradient Boosting) are compared with respect to the econometric method (Probit) that serve to build the Critical Deficiency Index (ICC) of the Uruguayan Ministry of Social Development (Mides) and define eligibility. Likewise, the importance of the included variables is analyzed, compared and alternative models are explored considering other possible predictor variables. Among the results presented it is found that the models of SL tested for the case of AFAM-PE, as indicated by the evidence for the case of Costa Rica, have significant advantages in terms of reducing exclusion and inclusion errors among underage popula- tions, achieving higher levels of accuracy in the classification of the target population. In the case of the Random Forest, which has better performance, an 11.3 % reduction in errors is achieved with respect to the Probit model used for the construction of the ICC.