Fernando González Vigil (editor) Economía aplicada Ensayos de investigación económica 201919 D O CU M EN TO D E IN V ES TI GA CI Ó N Sergio Argüelles Catare Víctor Andrés Carranza Meneses Sebastián Dueñas Roldán Gonzalo Fernández Salgado Alonso Guerrero Castañeda Ariana Gutiérrez Beltrán María Pía López Lazo Edicson Luna Román Carlos Monteagudo Guzmán Ariel Rubén Pajuelo Muñoz Gonzalo Torres Miró Quesada Renato Juan Trujillo Galindo Lucía Valdivieso Mendoza Gonzalo Alejandro Vidalón Véliz Con la colaboración de: Karina Angeles Mendoza 19 Fernando González Vigil (editor) Sergio Argüelles Catare Víctor Andrés Carranza Meneses Sebastián Dueñas Roldán Gonzalo Fernández Salgado Alonso Guerrero Castañeda Ariana Gutiérrez Beltrán María Pía López Lazo Edicson Luna Román Carlos Monteagudo Guzmán Ariel Rubén Pajuelo Muñoz Gonzalo Torres Miró Quesada Renato Juan Trujillo Galindo Lucía Valdivieso Mendoza Gonzalo Alejandro Vidalón Véliz Con la colaboración de: Karina Angeles Mendoza D O CU M EN TO D E IN V ES TI GA CI Ó N Economía aplicada Ensayos de investigación económica 2019 © Fernando González Vigil, editor, 2022 De esta edición: © Universidad del Pacífico Jr. Gral. Luis Sánchez Cerro 2141 Lima 15072, Perú Economía aplicada. Ensayos de investigación económica 2019 Fernando González Vigil (editor) Con la colaboración de Karina Angeles Mendoza 1.ª edición: febrero de 2022 Diseño de la carátula: Ícono Comunicadores ISBN ebook: 978-9972-57-487-0 Hecho el Depósito Legal en la Biblioteca Nacional del Perú: 2022-01725 doi: Disponible en fondoeditorial.up.edu.pe BUP Economía aplicada: ensayos de investigación económica 2019 / Fernando González Vigil, editor ; con la colaboración de Karina Angeles Mendoza. -- 1a edición. -- Lima: Universidad del Pacífico, 2022. 274 p. – (Documento de investigación ; 19) 1. Estudios económicos--Perú 2. Economía aplicada--Perú 3. Economía--Investigación I. González Vigil, Fernando, editor. II. Universidad del Pacífico (Lima) 330.07 (SCDD) La Universidad del Pacífico no se solidariza necesariamente con el contenido de los trabajos que publica. Prohibida la reproducción total o parcial de este texto por cualquier medio sin permiso de la Universidad del Pacífico. Derechos reservados conforme a ley. http://dx.doi.org/10.21678/978-9972-57-487-0 Índice Presentación 7 1. Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016. 15 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo 2. Servicio de transporte público: ¿genera impacto en la productividad laboral de los ciudadanos de Lima Metropolitana y el Callao entre 2016 y 2018? 49 Ariana Gutiérrez Beltrán y María Pía López Lazo 3. ¿Con un pan bajo el brazo? El efecto del número de hijos sobre la nutrición infantil temprana en el Perú. 87 Alonso Guerrero Castañeda y Lucía Valdivieso Mendoza 4. Elección de carrera, mismatch horizontal y salarios: evidencia para el Perú. 113 Edicson Luna Román y Gonzalo Torres Miró Quesada 5. Impacto de los flujos de capitales y el crecimiento de los países con mayor tenencia de bonos en la curva de rendimiento de los bonos soberanos del Perú de 2006 a 2018. 159 Sebastián Dueñas Roldán y Carlos Monteagudo Guzmán 6. El efecto del sentimiento de mercado de los Estados Unidos sobre los retornos de los mercados bursátiles globales. 193 Sergio Argüelles Catare y Gonzalo Fernández Salgado 7. Efectos de la implementación del mecanismo de licitación de afiliados en la dinámica de traspasos del Sistema Privado de Pensiones peruano en el período 2012-2018. 239 Víctor Andrés Carranza Meneses y Ariel Rubén Pajuelo Muñoz 7 Presentación Este volumen de la serie Ensayos de Economía Aplicada contiene las versio- nes resumidas y editadas de algunos de los mejores Trabajos de Investigación Económica (TIE) elaborados por alumnos y concluidos en el año 2019. Específicamente, contiene las mencionadas versiones de siete TIE que, ade- más de haber sido aprobados ese año cumpliendo los dos requisitos para ser publicados por el Fondo Editorial de la Universidad del Pacífico (ser calificados con una nota final de mínimo 17 sobre 20 y con ambos miembros del jurado recomendando la publicación), pudieron ser convertidos por sus respectivos autores en una versión ensayo (estilo journal paper) dentro de los límites de extensión y plazo de entrega fijados para la preparación de este volumen. La Universidad del Pacífico (UP) solo otorga el grado de Bachiller en Economía al estudiante de esta carrera que haya completado el respectivo plan de estudios realizando de manera satisfactoria un TIE en el que aplica los conocimientos teóricos y metodológicos adquiridos al análisis riguroso de un tema económico específico. Por ello, los alumnos emprenden esta labor durante los dos últimos semestres académicos de la carrera. La calidad del TIE es supervisada por profesores (a tiempo completo o parcial) e investiga- dores de la UP, quienes participan activamente como asesores y/o jurados. Algunos de ellos también realizan aportes adicionales, brindando talleres sobre métodos de investigación académica y sobre redacción, que, junto con otros talleres a cargo de especialistas de la UP en recursos bibliotecarios y para presentaciones orales, refuerzan las habilidades de los alumnos sobre estándares de fondo y forma para la elaboración de un TIE, así como para presentar y sustentar sus avances al respecto. Y todo este proceso es organizado y conducido por un equipo de coordinación, conformado por un profesor de la UP (cuya función arbitral de coordinador le impide desempeñarse como asesor o jurado) y su asistente. 8 Presentación La tabla a continuación lista los siete excelentes TIE del año 2019 aquí publicados en forma de ensayos. Esta tabla identifica la fecha a partir de la cual cada trabajo forma parte del acervo de obras especializadas en el tema correspondiente, al mostrar que cuatro fueron concluidos y aprobados en junio de 2019 y tres en noviembre del mismo año. Además, la tabla identifica a los autores respectivos, ordenándolos alfabéticamente según el ciclo académico de 2019 en que completaron con honores la elaboración de su TIE; y también indica el nombre del profesor que asesoró su trabajo y que, en tal condición, comparte el crédito por su calidad. Los editores de este volumen felicitamos a todos los autores y asesores mencionados en la tabla. Autores Título Asesor Aprobados en junio de 2019 (ciclo académico 2019-I) Argüelles Catare, Sergio y Fernández Salgado, Gonzalo El efecto del sentimiento de mercado de los Estados Unidos sobre los retornos de los mercados bursátiles globales. Rolando Luna Victoria Carranza Meneses, Víctor Andrés y Pajuelo Muñoz, Ariel Rubén Efectos de la implementación del mecanismo de licitación de afiliados en la dinámica de traspasos del Sistema Privado de Pensiones peruano en el período 2012- 2018. Elio Sánchez Guerrero Castañeda, Alonso y Valdivieso Mendoza, Lucía ¿Con un pan bajo el brazo? El efecto del número de hijos sobre la nutrición infantil temprana en el Perú. Juan Francisco Castro Luna Román, Edicson y Torres Miró Quesada, Gonzalo Elección de carrera, mismatch horizontal y salarios: evidencia para el Perú. Oswaldo Molina Aprobados en noviembre de 2019 (ciclo académico 2019-II) Dueñas Roldán, Sebastián y Monteagudo Guzmán, Carlos Impacto de los flujos de capitales y el crecimiento de los países con mayor tenencia de bonos en la curva de rendimiento de los bonos soberanos del Perú de 2006 a 2018. Juan Pablo Noziglia Gutiérrez Beltrán, Ariana y López Lazo, María Pía Servicio de transporte público: ¿genera impacto en la productividad laboral de los ciudadanos de Lima Metropolitana y el Callao entre 2016 y 2018? José Luis Bonifaz Trujillo Galindo, Renato Juan y Vidalón, Véliz, Gonzalo Alejandro Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Carlos Casas A los mencionados propósitos identificatorios cumplidos mediante esa tabla, se suma el propósito, reflejado en el índice de este volumen, de ordenar 9 Fernando González Vigil esos trabajos por afinidades temáticas. En tal sentido, las primeras cuatro investigaciones en dicho índice están abocadas al análisis de efectos sobre el desarrollo del capital humano o su situación laboral, generados por la provi- sión de servicios públicos o por decisiones a nivel de individuos u hogares; y las tres investigaciones que completan el índice versan sobre temas financie- ros. Ese orden temático es adoptado para lo que sigue de esta presentación, porque esclarece la comprensión de los respectivos aportes académicos y sus implicaciones de políticas públicas. Así, la investigación de Trujillo y Vidalón (asesorada por el profesor Casas) analiza, a la luz de estudios empíricos sobre formación de capital humano y en vista del proceso de electrificación rural en Perú, no solo el efecto directo de la cobertura eléctrica rural (definida como el promedio de colegios en un distrito rural peruano que tienen acceso a electricidad, ponderado por el número total de alumnos) sobre el rendimiento escolar en matemáticas y lenguaje; sino también el efecto indirecto de esta sobre dicho rendimiento por parte de alumnos sin acceso a electricidad, que lo reciben al interactuar y trabajar en equipo con alumnos del distrito que sí tienen acceso a electricidad (peers effect). Con tal fin, dichos autores trabajan con datos del Minedu y de Osinergmin, aplicando un modelo econométrico que incluye, además de la variable dependiente (las notas en matemáticas y lenguaje en el colegio del distrito rural) y la principal variable explicativa (la cobertura eléctrica del dis- trito), una variable instrumental (la distancia topográfica entre el colegio y la central eléctrica de distribución más cercana) y una variable dicotómica según el colegio cuente o no con acceso a electricidad. Trujillo y Vidalón comprue- ban así que es positivo y significativo el efecto tanto directo como indirecto de la (antes definida) cobertura eléctrica rural sobre el rendimiento escolar; que ambos efectos son mayores en la Sierra (donde hay más colegios rurales y centrales eléctricas de distribución en la muestra analizada); y que el peers effect es mayor para los alumnos de colegios rurales sin acceso a electricidad. Todo lo cual aporta evidencia robusta, para el caso peruano, de los impactos benéficos del progreso en materia de electrificación rural sobre la formación de capital humano. Análogamente, la investigación de Gutiérrez y López (asesorada por el profesor Bonifaz) aporta evidencia robusta, para el caso de Lima Metro- politana y el Callao (LMC, para abreviar), de que la calidad del servicio de transporte público condiciona su impacto sobre el desempeño del capital humano expresado en términos de la productividad laboral de los usuarios del servicio. En efecto, dichas autoras comprueban que tal impacto es negativo 10 Presentación cuando el servicio es provisto por vehículos de poca capacidad y calidad que transitan por vías compartidas con otros vehículos, cuyos usuarios sufren un desplazamiento estresante que reduce su productividad laboral; a diferencia del impacto positivo sobre esta hallado para los usuarios del transporte público de mayor calidad porque es masivo y transita por vías segregadas. A estos resulta- dos arriban Gutiérrez y López aplicando, a datos de la Encuesta Lima Cómo Vamos entre los años 2016 y 2018 y de la Enaho, un modelo de estimación pool data con mínimos cuadrados generalizados, donde la distinción entre los mencionados tipos de transporte público (denominados como «tradicional» el primero por su uso mayoritario en LMC, y «no tradicional» el segundo por su uso minoritario) y los asociados tiempos de desplazamiento son las principales variables explicativas, y la variable dependiente es el gasto del hogar del usuario (tomado como proxy del ingreso indicativo de su productividad laboral). Con base en sus resultados, las autoras proponen algunas medidas concretas para ampliar la cobertura del servicio no tradicional, así como para aliviar la congestión vehicular a fin de reducir el tiempo de desplazamiento en ambos tipos de servicio y para los usuarios del tradicional en particular. En cambio, la investigación de Guerrero y Valdivieso (asesorada por el profesor Castro) conecta con el tema de capital humano desde otra perspectiva: se enfoca la relación entre el número de hijos infantes en una familia y el nivel nutricional de estos; la cual es una especificación bien acotada de la posible relación entre tasa de natalidad y un problema de duradero impacto perjudicial sobre la calidad del capital humano como es la desnutrición infantil temprana. Con tal fin, esos autores trabajan con datos de salud materno-infantil en el Perú provistos por la Endes para el período 2009-2019, así como con datos de gastos e ingresos del hogar provistos por la Enaho para el mismo período, a los que aplican un modelo econométrico cuya variable dependiente es la calidad nutricional (especificada con tres medidas de nutrición: talla por edad, peso por edad y nivel de hemoglobina), cuya principal variable explicativa es el número de hijos ajustada por la (eventual) ocurrencia de nacimiento múltiples como variable instrumental, y cuyos coeficientes son estimados con MCO y efectos fijos. Esta metodología permite a Guerrero y Valdivieso verificar robus- tamente que el número de hijos tiene un significativo efecto negativo sobre la talla por edad durante todo el período analizado y también sobre las dos otras medidas de nutrición en el subperíodo 2015-2019; y que hay evidencia de un trade-off entre cantidad de hijos y (las tres medidas de) nutrición del hijo mayor en hogares urbanos pero no en los hogares rurales, porque, con- forme crece el número de hijos, el gasto per cápita en alimentos disminuye en 11 Fernando González Vigil hogares urbanos pero no así en los rurales. Por ello, dichos autores concluyen recomendando que futuras investigaciones profundicen en la exploración de la detectada heterogeneidad de efectos y sus factores explicativos. Y la investigación de Luna y Torres (asesorada por el profesor Molina) está inspirada por especialistas en capital humano y ocupación laboral, que relacio- nan la especificidad de las habilidades adquiridas durante una carrera universi- taria con la ocurrencia de penalización de salarios por mismatch horizontal (o MH, para abreviar), entendida como la obtención de menores salarios por parte de egresados experimentando desajustes entre esas habilidades y las requeridas por su ocupación laboral. A la luz de esto, dichos autores estiman, con datos de la Encuesta a Egresados Universitarios y del Censo Nacional Universitario, el efecto del MH sobre el salario y los respectivos efectos diferenciados según grupos de carreras y sectores ocupacionales, mediante regresiones de MCO con efectos fijos y controles que incluyen cuantificaciones de la especificidad de las habilidades adquiridas y requeridas, así como proxies de la calidad del egresado y de su universidad. Por añadidura, también aplican un modelo de probabilidad lineal para estimar el impacto de distintos motivos de elección de carrera sobre la ocurrencia de un MH. Esta estrategia empírica permite a Luna y Torres comprobar que en el mercado laboral peruano existe una sig- nificativa penalización salarial por MH, que esta es mayor para los egresados de carreras que imparten habilidades muy específicas, y que la ocurrencia del MH ocupacional es más probable cuando la carrera fue elegida por motivos distintos a la orientación vocacional. De ahí que los autores concluyen reco- mendando la inclusión, en el sitio web de «Ponte en Carrera» (observatorio de educación y empleo en el Perú), de información sobre la incidencia del MH y la respectiva penalización salarial por combinaciones de carrera-universidad / instituto de educación superior, dada su utilidad para mejorar la elección de qué y dónde estudiar. Como se dijo antes, las tres investigaciones que completan este volumen versan sobre temas financieros. Así, la de Dueñas y Monteagudo (asesorada por el profesor Noziglia) analiza la dinámica de la curva de rendimiento de los bonos soberanos peruanos (CRBSP), en su interacción con las curvas de rendimiento de bonos en los EE. UU. y en México. Dichos autores buscan demostrar que la CRBSP está muy influenciada por factores externos, espe- cialmente por los determinantes de la curva de los EE. UU., debido al peso gravitante del ritmo de crecimiento y de la política monetaria de ese país en los flujos globales de capitales, así como al poco desarrollo del mercado de renta fija peruano. Con tal fin, aplican, a datos de la SBS sobre operaciones de 12 Presentación renta fija de BSP con vencimientos de entre 3 y 240 meses desde noviembre de 2006 hasta noviembre de 2018 (y a datos similares de la Fed para los EE. UU. y del Banco de México), el modelo paramétrico que ostenta el mejor ajuste y cuya dinámica examinan mediante un proceso VAR para estimar la interac- ción, más un VAR ampliado con la inclusión de variables macroeconómicas del Perú. Dueñas y Monteagudo logran así comprobar que: (1) los tramos de largo y mediano plazo de la CRBSP son impactados significativamente por el tramo de largo plazo de la curva de los EE. UU. (y por el de la curva mexicana, aunque en menor medida), en señal de que las expectativas de inflación en esos países influyen tanto en las expectativas de inflación como en la dinámica de la tasa de interés real en el Perú; (2) los tramos de largo y corto plazo de la CRBSP también son impactados por el tramo de corto plazo de la curva de los EE. UU., debido al fuerte impacto de la política monetaria estadounidense sobre los flujos de capitales y asociados movimientos en tasas de interés; (3) la inclusión de variables macroeconómicas refuerza los resultados verificadores de la hipótesis, en especial el enunciado en (1) respecto a la curva de los EE. UU. en particular. Estos hallazgos permiten a sus autores concluir señalando su importancia para reducir el impacto de los factores externos, con decisio- nes de inversión y consumo mejor informadas y desarrollando el mercado de renta fija en nuestro país. Por su parte, la investigación de Argüelles y Fernández (asesorada por el profesor Luna Victoria) evalúa los efectos de transmisión, sobre los retornos en mercados bursátiles alrededor del mundo, que tiene el sentimiento o per- cepción de los inversionistas respecto al mercado de los EE. UU., resultante de variables tanto fundamentales como de otras formativas de esa percepción. Con tal fin, dichos autores se valen de datos mensuales (desde julio de 2001 hasta diciembre de 2018) sobre los mercados bursátiles en 23 países entre desarrollados y emergentes (obtenidos de Bloomberg, Morningstar y la Fed), para construir un índice de sentimiento de mercado muy utilizado por los especialistas, que complementan con controles por efectos locales e interna- cionales e incluyen en una modelación empírica inspirada por el capital asset price model y procesada mediante VAR con funciones impulso-respuesta. De este modo, Argüelles y Fernández comprueban que el sentimiento respecto al mercado de los EE. UU. explica de manera significativa el exceso de retornos en otros 18 mercados bursátiles de la muestra; y que, si bien este impacto es heterogéneo, hay 14 pares de países cuyas bolsas muestran dinámicas similares durante los primeros cuatro meses posteriores a un shock en dicho sentimiento. Por añadidura, los autores redondean la utilidad práctica de sus hallazgos para 13 Fernando González Vigil inversionistas peruanos atraídos por fondos mutuos del extranjero, al mostrar que la efectividad de un criterio de inversión basado en el conocimiento de los mercados bursátiles con dinámicas similares de retornos según niveles del índice de sentimiento, sería mayor que la efectividad del criterio usual (buy & hold). Mientras tanto, Carranza y Pajuelo evalúan (contando con la asesoría del profesor Elio Sánchez) el efecto del mecanismo de licitación de nuevos afiliados al SPP peruano en la sensibilidad de los afiliados a cambios en las comisiones cobradas por las AFP. Los mencionados autores plantean que de tal sensibilidad depende la medida que en la reducción de esas comisiones puede ser incentivada por dicho mecanismo, conformante de la reforma del SPP legislada el año 2012 y por el cual la licitación de nuevos afiliados es adjudicada por dos años a la AFP ofertante de la menor comisión mixta (por saldo y por flujo). Los autores realizan su evaluación con datos de la SBS, distinguiendo dos períodos: anterior a las licitaciones (febrero de 2008 – mayo de 2013) y durante estas (junio de 2013 – septiembre de 2018); y aplicando un modelo de panel, en el que la variable dependiente son los traspasos por entrada y las variables explicativas son la comisión, la rentabilidad y las proporciones de gasto en ventas y en publicidad; todas estas variables referidas a la AFP ganadora de cada licitación en términos relativos, respecto al total o promedio del SPP. Carranza y Pajuelo comprueban así que, durante el segundo período, bajó la sensibilidad de los afiliados a variaciones en las comisiones y aumentó el impacto en los traspasos de un incremento del gasto en ventas y publicidad. Ante ello, dichos autores consideran que el mecanismo de las licitaciones debe ser rediseñado a fin de estimular la competencia por precio (comisiones) entre las AFP. Y en tal sentido recomiendan, teniendo en cuenta que a partir de 2023 solo regirá la comisión por saldo, que sea mayor la duración de cada licitación (cinco años) y que la cartera licitada incluya no solo a nuevos ingresantes sino también a ya cotizantes al SPP, para que los ingresos por los saldos de estos últimos permitan que las AFP oferten comisiones menores. En suma, las investigaciones aquí publicadas son excelentes muestras de creatividad, tanto en el enfoque preciso con que abordan problemas rele- vantes para la economía peruana, como en su análisis riguroso basado en la correcta aplicación de conocimientos teóricos y metodológicos idóneos para poder identificar soluciones prácticas. Sus autores y asesores son, por tanto, ejemplos destacados del economista de calidad que la UP forma y/o alberga en su plana docente. No cabe culminar esta presentación sin resaltar y agradecer el aporte de quienes hicieron posible el éxito de Investigación Económica (IE) 2019. 14 Presentación Este reconocimiento se extiende a todos los alumnos de esa asignatura, a los profesores que actuaron como asesores y/o jurados, y a especialistas de otras entidades que aportaron información y experiencia. También a los docentes y profesionales de la UP que brindaron a los alumnos talleres metodológicos o de orientación sobre estándares y recursos para el desarrollo de una investigación académica, como fue el caso de los siguientes colegas (en orden alfabético según apellido): Hugo Alatrista, José Luis Bonifaz, Juan Francisco Castro, Úrsula Carrión, Carlos Casas, Cesare Del Mastro, Francisco Galarza, Rosario Gómez, Bryan Gutiérrez, Joanna Kamiche, Omar Manky, Oswaldo Molina, Miguel Núñez Del Prado, Carlos Parodi, Roberto Urrunaga, Diego Winkelried y Gustavo Yamada (representado por Daniel Velásquez); así como de Eva Flores (coordinadora del Área de la Biblioteca de Apoyo a la Investigación) y Magaly Rubina (directora de Formación Extraacadémica). Asimismo, al decano de la Facultad de Economía y Finanzas y al jefe del Departamento Académico de Economía en el año 2019, por su supervisión comprometida con el correcto desarrollo de IE y su carácter de requisito indispensable para la obtención del grado de Bachiller en Economía; así como al Fondo Editorial de la UP, por acoger esta publicación y realizarla prolijamente bajo la esmerada conducción de su presidenta ejecutiva, María Elena Romero. Finalmente, un agradecimiento muy especial merece Karina Angeles Mendoza, asistenta de IE 2019, por su invalorable labor durante dicho año y su apoyo para la edición de este volumen. Fernando González Vigil Coordinador de Investigación Económica 2019 15 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 20161 Gonzalo Alejandro Vidalón Véliz Renato Juan Trujillo Galindo Introducción Algunos efectos de los procesos de electrificación rural han sido analizados por los especialistas, cuyos estudios plantean la relevancia de esos procesos en razón de su impacto sobre la eficiencia de la asignación de recursos de hogares e individuos y sus condiciones laborales (Akpandjar & Kitchens, 2017; Ber- nard, 2012; Khandker, Barnes, & Samad, 2013). En el Perú, se ha estudiado su importancia en la mejora del bienestar en el ámbito rural (Aguirre, 2017; Arraiz & Calero, 2015; Urrunaga et al., 2013). Pero no se ha profundizado el análisis de su efecto en el rendimiento escolar, que mide aproximativamente el capital humano. La expansión de la electrificación en el Perú ha representado un tema de prioridad para los hacedores de política (Vásquez et al., 2016). Desde inicios de la década de 1990, el Gobierno implementó un programa de pri- vatizaciones como parte de un paquete de reformas estructurales (Dammert, Gallardo, & García, 2005; Organismo Supervisor de la Inversión en Energía y Minería [Osinergmin], 2016). Posteriormente, en 2007, fue aprobada la Ley General de Electrificación Rural (Ley N.° 28749) que estableció el 1 Este ensayo es una versión resumida y editada del Trabajo de Investigación Económica aprobado en noviembre de 2019. Los autores agradecen al profesor Carlos Casas por su asesoría durante la investigación; a los profesores Roberto Urrunaga y José Luis Bonifaz, por sus valiosos comentarios como jurados del trabajo; al profesor Jorge Montesinos y al economista Rodrigo Chang, por su apoyo en la elaboración del trabajo; así como al Minedu y a Osinergmin, por el acceso a sus bases de datos. 16 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 marco normativo para promover la electrificación en zonas aisladas del país (Osinergmin, 2016). Estas políticas incrementaron no solo la producción de electricidad en un 196% entre 1995 y 2015 (Osinergmin, 2016), sino también la cobertura eléctrica rural, del 30 al 89% entre los años 2007 y 2016, bajo la vigencia de dicha ley (anexo 1). Dado que durante esos mismos años también mejoró el rendimiento escolar en zonas rurales (anexo 2), se justifica el esfuerzo por identificar la relación entre cobertura eléctrica y capital humano2, así como los mecanismos explicativos de esta relación. Por ello, nuestro trabajo busca aportar a la literatura con el estudio del efecto de la cobertura eléctrica, a nivel distrital, sobre el rendimiento escolar promedio en niños3, considerado como un factor que repercute significativamente sobre el capital humano futuro (Beltrán & La Serna, 2009). Nuestra hipótesis es que la cobertura eléctrica en el distrito tiene un efecto positivo y significativo sobre el rendimiento escolar promedio. El coeficiente estimado incluye el impacto del acceso a electricidad de los pares sobre el rendimiento escolar del individuo; un canal de transmisión poco explorado. Este consiste en el efecto del incremento de capital humano de los estudiantes cercanos al individuo sobre su rendimiento escolar, mediante el intercambio de ideas e interacción en trabajos grupales (Han & Li, 2009; Zimmerman, 2003); un efecto spillover4 relevante para el crecimiento de la economía (Lucas, 1988). En la segunda sección, se desarrolla una revisión de literatura. En la tercera, se presenta el marco analítico explicativo de los mecanismos de transmisión y del modelo planteado. En la cuarta sección, se presenta la metodología y, en la quinta, el análisis de los resultados de las especificaciones, incluyendo los de un par de estimaciones de efectos heterogéneos según la posibilidad de acceso a electricidad por región natural, así como las limitaciones de nuestro estudio. Por último, se exponen las conclusiones del trabajo. Revisión de literatura Si bien distintos autores plantean que hay una relación positiva entre el acceso a electricidad y el crecimiento económico (Arraiz & Calero, 2015; Lee, Miguel, & Wolfram, 2017), es probable que la electrificación no cause dicho crecimiento. Stern, Burkes y Bruns (2017) realizan una revisión de la literatura 2 El capital humano se refiere al nivel de educación y conocimientos técnicos de un individuo (Lucas, 1988). 3 Se evalúa el rendimiento escolar de alumnos de segundo grado de primaria. 4 Entiéndase como efecto spillover al efecto indirecto que causa el acceso a electricidad de personas allegadas al individuo sobre el rendimiento escolar de este. 17 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo que busca establecer una relación causal macroeconómica entre el PIB y la electrificación, y concluyen que esos estudios empíricos no tienen suficiente calidad metodológica porque no explican los mecanismos de transmisión5. Por otro lado, sí se han identificado algunos de los mecanismos de trans- misión que explican el efecto positivo de la electrificación en el bienestar de la comunidad rural, medido a través de ingresos, condiciones laborales, entre otros. Al respecto, se ha identificado el efecto del acceso a electricidad sobre la elección de actividades laborales y las condiciones de empleo, mediante el mecanismo consistente en el impacto sobre el uso del tiempo del padre; el cual, a su vez, repercute sobre el rendimiento escolar del niño (Singh et al., 1995). Akpandjar y Kitchens (2017) hallan efectos significativos en la formación de negocios pequeños, disminución del empleo agrícola y el incremento del número de personas asalariadas. Mientras que Dinkelman (2011), con datos de panel, encuentra un incremento significativo del empleo de mujeres de 9 a 9,5 puntos porcentuales en Sudáfrica, utilizando un vector de variables características de las comunidades y efectos fijos distritales para controlar la tendencia de la comunidad a lo largo del tiempo, así como una variable instrumental para controlar por variables omitidas que afecten la asignación de los proyectos de electrificación rural6. También se ha identificado el efecto de la electrificación sobre variables relacionadas con la educación. Bensch, Kluve y Peters (2011) analizan el efecto de la electrificación sobre el tiempo de estudio de los niños, utilizando un modelo de corte transversal para estimar el efecto del acceso a la red eléc- trica en los últimos cuatro años, con el cual obtuvieron resultados positivos y significativos, pero que desaparecen cuando se toman en cuenta los efectos regionales. Asimismo, Khandker et al. (2013) utilizan un panel de datos de 2002 a 2005 para estimar el efecto de la conexión a la red eléctrica sobre la asis- tencia a las escuelas. Encuentran que los efectos son positivos y significativos: la probabilidad de matrícula aumenta en un 11% y los años de educación se incrementan en 0,67 años. Los respectivos efectos marginales son mayores en los primeros años de conexión, pero luego se mitigan alrededor de los nueve años de conexión. En un estudio similar para la India, Khandker et al. (2014) encuentran que la probabilidad de matrícula sube en un 6% para niños y un 5 Las variables económicas claves, según esta literatura, son: ingresos, nivel de educación, asistencia a cole- gios, rendimiento escolar, niveles de salud, empleo, uso del tiempo, entre otras. 6 El instrumento utilizado es el promedio de la gradiente de la tierra de la comunidad. Una mayor gradiente incrementa el costo promedio de conexión a una red eléctrica del hogar, afectando así las áreas priorizadas para la electrificación. La variable endógena es dicotómica y toma el valor de 1 si la comunidad formó parte del programa de electrificación, y 0 de otro modo. 18 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 7,4% para niñas, y que las horas semanales de estudio aumentan en más de una hora en hogares con acceso a electricidad. Para el caso peruano, Dasso, Fernández y Ñopo (2015) analizan los efectos de la electrificación rural en los siguientes resultados a nivel colegio: asistencia, matrícula, gastos en educación y rendimiento escolar. Para ello, utilizan datos de panel entre 2007 y 2012 con una metodología de efectos fijos. Encuentran que dicha electrificación está asociada con un efecto negativo en el rendimiento escolar como primer impacto, el cual se torna positivo conforme aumentan los años de exposición a la red eléctrica7. Por su parte, Aguirre (2017) estudia el impacto indirecto de la electrificación rural sobre la educación a nivel nacional. Encuentra que brindar acceso a electricidad incrementa el tiempo promedio de estudio diario del niño entre 94 y 137 minutos, e indica que se espera un sesgo positivo en el parámetro de interés debido a las variables omitidas que están positivamente correlacionadas con el tiempo de estudio del niño y con la conexión a electricidad. En la misma línea, Arraiz y Calero (2015) encuentran que, para hogares expuestos a electricidad mediante paneles solares, los niños asignan nueve minutos más a realizar tareas de la escuela, además de tener 0,4 años más de educación en promedio8. De lo anterior se desprende que, para el caso peruano, el efecto de la elec- trificación rural sobre el rendimiento escolar solo ha sido abordado mediante un panel de datos con una variable explicativa dicotómica. Por ello, nuestra investigación busca explicar los mecanismos de transmisión de dicho efecto especificando el acceso a electricidad con una variable no dicotómica, como es la cobertura eléctrica distrital. Marco analítico A la luz de la literatura revisada, nuestro marco analítico plantea tres principales mecanismos de transmisión explicativos de la relación causal que investigamos, entre la electrificación rural y el rendimiento escolar. El primer mecanismo opera a través del acceso a electricidad en el hogar, bajo el supuesto de una 7 Dichos autores asumen un rendimiento marginal constante del acceso a electricidad sobre el rendimiento escolar. Y no comprueban econométricamente cuál de los dos efectos mencionados predomina, aunque argumentan que el efecto positivo de los años de exposición a la red eléctrica sobre el rendimiento escolar puede ser mayor que el efecto negativo hallado en la primera especificación. Este coeficiente negativo puede deberse a la construcción de la variable dicotómica de los autores, la cual toma el valor de 1 en los distritos en los que hubo por lo menos un proyecto de electrificación rural en el período de análisis. Es probable que los proyectos se realicen en distritos con situaciones económicas menos favorables, cuyo efecto negativo se atribuye a la cobertura eléctrica porque no ha sido controlado con alguna variable o instrumento. 8 Esta diferencia de 0,4 años de educación es válida para niños matriculados en primaria y que han estado expuestos a la electricidad por un promedio de 2 años y 9 meses. 19 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo relación positiva entre la cobertura eléctrica en el distrito y la probabilidad de que el hogar acceda a electricidad. Si el hogar obtiene este servicio, aumentan las herramientas a su alcance para actividades económicas. Ello permite a los padres reducir sus horas de trabajo y dedicar más tiempo a sus hijos y al ocio (Barrón & Torero, 2014; Van de Walle et al., 2013). Este incremento del tiempo con los hijos impacta positivamente sobre su rendimiento escolar merced a la ayuda de los padres, siempre y cuando sea en un ambiente no violento (Sacker, Schoon, & Bartley, 2002; Singh et al., 1995). Además, el acceso a electricidad mejora la productividad de los padres, quienes así pueden obtener mayores salarios. Este efecto compensa el mayor tiempo de ocio y representa un incremento de ingresos (Khandker et al., 2012). Este incremento permite un mayor gasto en alimentos y bienes del hogar (Khandker et al., 2014). Esta mejor calidad de vida permite al niño estudiar más y mejorar su rendimiento escolar (Lucas, 1988; Singh et al., 1995). Ello es corroborado por los resultados de la estimación con efectos fijos que realizamos con datos de la Enaho entre 2007 y 2016, que resume el anexo 3, y que muestran efectos de la cobertura eléctrica en los ingresos totales y las horas dedicadas a trabajar y el ingreso por hora, que son consistentes con las predicciones teóricas. Se tiene así que un incremento de un 1% en el grado de luminosidad incrementa en un 0,158% el ingreso por hora de los trabajadores y en un 0,128% sus ingresos totales, y reduce en un 0,0140% las horas trabajadas. El segundo mecanismo parte del acceso a electricidad en el hogar del niño, bajo el supuesto dicho anteriormente. Este acceso incrementa la productividad en actividades laborales realizadas por el estudiante, reduciéndole el número de horas trabajadas (Van de Walle et al., 2013)9. También expande sus horas disponibles para estudiar, ya que cuenta con iluminación en las noches. Ambos efectos hacen que el niño cuente con más posibilidades de aumentar su tiempo de estudio y rendimiento escolar (Lucas, 1988); así como con horas extra disponibles para actividades de esparcimiento y descanso (Dasso et al., 2015). Y el tercer mecanismo consiste en el efecto aprendizaje que obtiene el estu- diante al interactuar con sus pares del distrito (peers effect), bajo el supuesto de que una mayor cobertura eléctrica en el distrito incrementa la probabilidad de que más niños de este se beneficien del servicio. La mejora en sus respectivos rendimiento escolares, resultante de los dos mecanismos antes mencionados, 9 Dado que se está analizando el caso de distritos rurales, donde los niños suelen ayudar a sus padres en las faenas del campo y en otras labores del hogar. 20 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 implica un mayor nivel de capital humano promedio del aula, que impacta positivamente sobre el rendimiento escolar de un alumno, aunque no cuente con electricidad en su hogar, mediante el intercambio de ideas y trabajos grupales (Boud, Cohen, & Sampson, 1999). Cabe resaltar que, según la lite- ratura revisada, este efecto suele ser endógeno, ya que depende de la elección del estudiante de su grupo cercano y del nivel de capital humano inicial del niño (Han & Li, 2009; Zimmerman, 2003). Esos tres mecanismos de transmisión sugieren una relación positiva entre la cobertura eléctrica en el distrito y el rendimiento escolar promedio, en línea con la hipótesis planteada. Por ello, nuestro marco analítico formaliza dicha relación y sus mecanismos con base en el modelo teórico de Lucas (1988), el cual explica los determinantes de la evolución del capital humano (h) mediante la siguiente ecuación de movimiento: h ̇ = ∅h(1 – μ) … (1) Donde ∅ representa la eficiencia de cada hora de estudio y μ es la fracción del tiempo disponible (no dedicado al ocio) que utiliza el individuo para trabajar. La literatura revisada sugiere las relaciones entre estas variables y la cobertura eléctrica (e). Por un lado, el acceso a electricidad permite una mayor eficiencia en el estudio gracias al uso de artefactos electrónicos; aunque este efecto tiene rendimientos decrecientes (Khandker et al., 2013). Y para medir la eficiencia de cada hora de estudio hay que distinguir entre la que ocurre en el centro educativo y la que ocurre en el hogar. La primera depende positivamente de la infraestructura física (inf ), de la ratio profesor-alumno (R) y del nivel de capital humano de los compañeros (ha) (Lucas, 1988); mientras que la segunda depende positivamente del acceso a otros servicios como agua, saneamiento y salud (S). ∅ = ∅(e, ha(e), inf, R, S) … (2) Por otro lado, el tiempo de estudio depende positivamente de la cobertura de electricidad, ya que esta aumenta las horas disponibles para estudiar. Asi- mismo, a partir de la teoría explicativa del primer mecanismo de transmisión, se plantea la existencia de una relación entre el ingreso del hogar (ing) y el tiempo de estudio, mediante la reducción de las horas de trabajo del niño y de su probabilidad de deserción escolar (Khandker et al., 2012). u = u(e, ing) … (3) 21 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo De esta forma, el hogar promedio maximiza una función de utilidad conjunta que depende del consumo de bienes y el ocio, sujeto a la evolución del capital humano del niño. En el óptimo, el capital humano del niño en sus primeros años depende de las siguientes variables: h = h(e, inf, R, S, ing) … (4) A la luz de la teoría económica revisada, se espera que la variable de interés (e) tenga un efecto positivo sobre el capital humano; y se sabe que las otras variables impactan positivamente en el nivel de capital humano, por lo que son incluidas en la especificación. Metodología Nuestra estrategia empírica buscar identificar con precisión la relación entre las variaciones intertemporales de la cobertura eléctrica y del rendimiento escolar en zonas rurales (anexos 1 y 2). Y, según el modelo teórico expuesto en la sección anterior, el ingreso del hogar es un determinante del capital humano. Pero, como en el Perú no existen mediciones del ingreso a nivel de hogar, la omisión de esta variable generaría un problema de endogeneidad, ya que esta presenta relación tanto con la variable dependiente como con la variable independiente de interés (Greene, 2012). Por ello, nuestra metodología se basa en la propuesta por Dinkelman (2011) y Khandker et al. (2012), que utiliza una regresión con efectos fijos temporales y una variable instrumental para mitigar el problema de endogeneidad. Esa metodología opera el modelo en dos etapas: primero, se estima la cobertura eléctrica (variable endógena) respecto al instrumento; y en la segunda etapa se utilizan los valores predichos en la primera etapa como un regresor. Nuestro instrumento, basado en Aguirre (2017), es la distancia topográfica entre el colegio y la central eléctrica de distribución más cercana a este10. Según la teoría, el instrumento escogido debe cumplir con dos condiciones, exoge- neidad y relevancia, para mitigar satisfactoriamente el mencionado problema (Greene, 2012). La condición de exogeneidad consiste en la existencia de una correlación nula entre el instrumento planteado y el error de la regresión en la segunda etapa. Para que ello se cumpla, es necesario asumir que los hogares de altos y bajos ingresos están ubicados a la misma distancia topográfica de las centrales eléctricas de distribución, supuesto que resulta adecuado en vista 10 La distancia topográfica que calculamos toma en cuenta las vías disponibles en la zona rural para poder acceder del colegio a la central eléctrica de distribución más cercana. 22 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 de las variables consideradas para ubicar una central eléctrica de distribución (Osinergmin, 2016). En efecto, el Plan Nacional de Electrificación Rural contempla que uno de los criterios para la priorización de proyectos sea el índice de pobreza distrital del año 2007, pero este tiene un peso del 25% en la decisión. Los otros criterios tomados en cuenta por el Estado son: (i) dis- posición de centrales de generación eléctrica, (ii) minimización de costos de redistribución de la electricidad a centros poblados y colegios, y (iii) viabilidad geográfica de instalar una central eléctrica (Ministerio de Energía y Minas [MEM], 2015). Así, la distancia es determinada principalmente por factores geográficos, no por ingresos distritales. La condición de relevancia consiste en la existencia de una correlación no nula entre el instrumento empleado y la variable independiente de interés (Greene, 2012). Para verificarla, dado que la provisión de electricidad a través de centrales eléctricas de distribución es la más utilizada para proyectos de electrificación rural (Osinergmin, 2016), conviene asumir que los colegios más cercanos a una central eléctrica tienen una probabilidad más alta de acceder a electricidad debido a los menores costos que conlleva su provisión. No obstante, es necesario evaluar la importancia de otras alternativas de acceso a electricidad en zona rurales del país. Respecto a la alternativa de provisión mediante paneles fotovoltaicos, la relación de proyectos de electrificación rural registra 17 proyec- tos de paneles fotovoltaicos ejecutados entre 2007 y 2016 (anexo 4), los cuales benefician a 14.960 personas (anexo 5), que representan aproximadamente el 0,2% de la población rural (según cifras del Censo Nacional 2017) y, por ello, no va a distorsionar la relación positiva esperada. Y la alternativa de provisión con generación directamente distribuida tampoco representa un alto porcentaje de la electricidad utilizada en la zona rural del país (anexo 6). Una vez verificadas las condiciones de validez del instrumento, seguida- mente explicamos las dos especificaciones para estimar el efecto de la cobertura eléctrica en el rendimiento escolar. Estas consideran que i = 1, 2, …, N, j = 1, 2, …, M y t = 1, 2, …, T representan a los colegios, distritos y años, respectivamente. La primera especificación consiste en calcular el efecto de la cobertura eléctrica en el rendimiento escolar mediante el estimador 2SLS (dos etapas). Para ello, construimos un panel de datos desde 2007 hasta 2016 considerando a los colegios como individuos. Las dos etapas de esta estimación son: ln (Ejt) = γln (Zi) + uijt �ln (Yijt) = αt + βln(Ejt) + θXijt + εijt 23 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Donde Yijt representa la nota promedio en el colegio i ubicado en el distrito j en el año t. Ejt representa la cobertura eléctrica del distrito j en el año t. αt representa efectos fijos temporales. Zi representa la distancia topográfica entre el colegio i y la central eléctrica de distribución más cercana. Las variables Xijt representan variables de control a nivel colegio y nivel distrital. Y el coeficiente de interés es β, el cual representa la elasticidad entre la cobertura eléctrica y el rendimiento escolar11; es decir, el efecto total de la cobertura eléctrica en el rendimiento escolar promedio del colegio. La segunda especificación agrega, en la segunda etapa, una variable dico- tómica Dijt que toma el valor de 1 si es que el colegio i cuenta con electricidad, y 0 de otro modo. El objetivo de esta especificación es poder estimar el peers effect, de la siguiente manera: ln (Ejt) = γln (Zi) + uijt �ln (Yijt) = αt + βln(Ejt) + λDijt + θXijt + εijt A través de la inclusión de la variable dicotómica es posible obtener un coeficiente del efecto del acceso a electricidad del individuo sobre su rendi- miento (λ), el cual recoge la magnitud de los dos primeros mecanismos de transmisión. De esta forma, se aísla el efecto de los pares no relacionado con el acceso al servicio del individuo, medido por el coeficiente de la variable de cobertura eléctrica (β) (Duflo, Dupas, & Kremer, 2011). Esa metodología supone que, si un colegio tiene electricidad, entonces el alumno tendrá electricidad en su hogar; mientras que, si un colegio no tiene electricidad, el alumno no contará con este servicio. La validez de este supuesto yace en que la priorización de colegios en proyectos de conexión a la red eléctrica de las comu- nidades aledañas (Osinergmin, 2016) implica la inexistencia del caso en que una institución educativa no cuente con electricidad y la comunidad aledaña sí. Pero la situación inversa sí es posible, en cuyo caso dicho supuesto estaría sobrevalorando la cantidad de hogares con electricidad, y la variable Dijt tomaría el valor de 1 para algunos hogares sin electricidad. Este error de medición generaría un sesgo negativo en el parámetro de los peers effects, pues algunas variaciones del rendimiento escolar serian atribuidas al (inexistente) acceso a electricidad en el hogar en vez de al efecto de los pares (Greene, 2012). En este caso, entonces, si el coeficiente hallado es positivo y significativo, se puede concluir que existe el peers effect. 11 Más precisamente, dicha elasticidad mide el impacto de una variación en un 1% de la cobertura eléctrica en términos de una variación en β% del rendimiento escolar de los alumnos de segundo de primaria. 24 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Análisis de resultados Fuentes de información La tabla 1 muestra las variables relevantes para las estimaciones econométri- cas y las respectivas fuentes de información. Para el cálculo del instrumento, obtuvimos la georreferencia de los colegios a partir del mapa de escuelas en la página web del Minedu; y la georreferencia de las centrales eléctricas de distri- bución fue obtenida del mapa disponible en la página web de Osinergmin. A partir de ambas bases de datos, calculamos la distancia topográfica entre cada colegio y la central eléctrica de distribución más cercana (véase el anexo 7). Tabla 1 Fuentes de información Variables de interés y controles Fuente de información Notas promedio de Matemáticas y Lenguaje Evaluación Censal de Estudiantes (ECE) – Minedu * Porcentaje de estudiantes que cuentan con acceso a electricidad * Características del colegio (infraestructura, gestión, planilla docente, títulos de profesores) Censo Escolar – Minedu Luminosidad Imágenes satelitales de la NASA * Camiones de basura operativos * Camiones cisterna operativos * Presencia de un sistema de desagüe en la provincia Registro Nacional de Municipalidades Georreferencia de los colegios Mapa de Escuelas – Minedu Georreferencia de las centrales eléctricas de distribución Osinergmin Elaboración propia. Estadísticos descriptivos La cobertura eléctrica se define como el promedio de colegios con acceso a electricidad ponderado por el número total de alumnos. La variable de acceso a electricidad se encuentra en el Censo Escolar a nivel colegio, del cual tomamos los valores de 2010 a 201612. 12 Para los años 2007 y 2008, la variable no contaba con observaciones, mientras que para el año 2009 todos los colegios aparecían con conexión eléctrica; lo que hubiera distorsionado el análisis de este trabajo. 25 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo El promedio de las notas es 494 y 483 puntos para los exámenes de mate- máticas y lenguaje, respectivamente (anexo 8). Según la escala de calificación de la Evaluación Censal de Estudiantes (ECE), una nota menor de 458 en lenguaje o de 512 en matemáticas implica que los estudiantes no lograron los aprendizajes para estar en la categoría «En proceso». Los alumnos que obtu- vieron una calificación mayor de 583 en lenguaje o de 638 en matemáticas se encuentran en el nivel «Satisfactorio», que es el nivel de calificación más alto de la ECE. Este nivel solo fue logrado en el 8,22 y 7,68% de los colegios en la base de datos durante los años analizados, en matemáticas y lenguaje respectivamente, como se observa en el anexo 9 (Ministerio de Educación [Minedu], 2015). También contamos con las variables que reflejan la categoría del colegio según su planta docente: (1) la variable «polidocente completo» toma el valor de 1 si es que el colegio cuenta con seis o más docentes (suele suceder que cada profesor es encargado de una única sección); y (2) la variable «polido- cente multigrado» toma el valor de 1 si los profesores están encargados de dos secciones o más. Los colegios unidocentes, es decir, donde un profesor enseña todos los cursos, toman el valor de 0 en las dos variables anteriores13. Por último, respecto a la distribución de los colegios en la base de datos por departamento y zona rural14, se observa que la mayor proporción (14,99%) de colegios en zonas rurales se da en Cajamarca, y la menor (0,17%) en Tacna (anexo 10). Estimaciones finales Primera etapa de la estimación por variable instrumental En la primera etapa, se estima el efecto del logaritmo de la distancia topográfica con respecto a la cobertura eléctrica y a la luminosidad. Esta etapa permite obtener el valor predicho de la cobertura eléctrica, utilizado como regresor principal en la segunda etapa. De la mencionada estimación, encontramos que el logaritmo de la distancia topográfica tiene un efecto negativo y significativo al 1% sobre la cobertura eléctrica y el grado de luminosidad, como muestra la tabla 2. 13 Se considera la categoría base. 14 La base de información cuenta con la información de los colegios a lo largo de varios años. Si un colegio aparece en la base durante más de un año, se contabiliza una única vez. 26 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Tabla 2 Primera etapa de la estimación 2SLS (1) Ln(Cobertura Eléctrica) (2) Ln(Luminosidad) Ln(Distancia) Constante -0,0999*** (0,000) 0,0909*** (0,000) -0,719*** (0,000) 0,732*** (0,000) Observaciones 65.224 71.140 Notas. p-values entre paréntesis. * p < 0,10, ** p < 0,05, *** p < 0,01. Primera especificación: estimación del efecto total La primera especificación consiste en la regresión de la variable cobertura eléctrica, reemplazada por el valor predicho en la primera etapa, con respecto a la variable dependiente representada por las notas de matemáticas y lenguaje en la ECE. Aquí se incluyen tres grupos de controles: (i) infraestructura del colegio, (ii) características de la planta docente y gestión del colegio, y (iii) características de prestación de servicios a nivel distrital. Para el caso de las regresiones (5) y (6) en las tablas 3 a 5, se incluyeron efectos fijos temporales. A partir de la medición de cobertura eléctrica resultante de la primera etapa, se estima el impacto de la cobertura eléctrica sobre las notas de matemá- ticas y lenguaje con tres regresiones distintas. En las regresiones (1) y (2) por mínimos cuadrados generalizados (MCG), el efecto de la cobertura eléctrica en el rendimiento escolar es positivo y significativo al 1%. Estos estimadores, comparados con los obtenidos de la estimación 2SLS en (3) y (4), muestran que el sesgo presentado es negativo15. No obstante, los coeficientes son positivos y significativos en todas las regresiones. De las regresiones finales en (5) y (6) se obtienen dos resultados principales: una variación en un 1% de la cobertura eléctrica incrementa en un 0,14 y un 0,153% el rendimiento escolar promedio en los exámenes de matemáticas y lenguaje, respectivamente (tabla 3). La tabla 3 también presenta las estimaciones utilizando la medición del grado de luminosidad. En las regresiones por MCG, un incremento del 1% en el grado de luminosidad del distrito incrementa en un 0,012 y un 0,014% el rendimiento escolar en matemáticas y lenguaje, respectivamente. Estos 15 El estimador MCG es inconsistente debido a que no utiliza la regresión de la primera etapa que incluye el instrumento. Por otro lado, la estimación 2SLS utiliza como regresor los valores predichos de la cobertura eléctrica y es una estimación en dos etapas. 27 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo estimados, comparados con los obtenidos de la estimación 2SLS, muestran que el sesgo presentado es negativo. De las regresiones finales en (5) y (6) se concluye que una variación en un 1% del grado de luminosidad incrementa en un 0,02% tanto el rendimiento escolar promedio en matemáticas como en lenguaje. Tabla 3 Estimación 2SLS del efecto total (1) (2) (3) (4) (5) (6) Matemáticas Lenguaje Matemáticas Lenguaje Matemáticas Lenguaje Ln(Cobertura eléctrica) 0,0347*** 0,0365*** 0,127*** 0,134*** 0,14*** 0,153*** Ln(Luminosidad) 0,0119*** 0,0141*** 0,0184*** 0,0181*** 0,0195*** 0,0202*** Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. Segunda especificación: estimación de peers effect La segunda especificación añade una variable dicotómica a la especificación anterior, que representa el acceso a electricidad de los alumnos del colegio. De esta forma, se busca separar el efecto total hallado con la primera especificación en: (1) el efecto directo del acceso a electricidad y (2) el impacto indirecto del incremento de la cobertura eléctrica del distrito sobre el rendimiento escolar (peers effect). Esta desagregación del efecto total es medida a partir de los coeficientes de las variables cobertura eléctrica y acceso a electricidad, respectivamente (tabla 4). Ambos efectos fueron estimados inicialmente con la primera medición de cobertura eléctrica. En las estimaciones por MCG (columnas (1) y (2)), una variación en un 1% de la cobertura eléctrica incrementa en un 0,026 y un 0,027% el rendimiento escolar en matemáticas y lenguaje, respectivamente; mientras que en las estimaciones por 2SLS (columnas (5) y (6)) el incremento sería en un 0,123 y un 0,132%. El esperado sesgo negativo se observa al com- parar los estimadores MCG con los obtenidos mediante la estimación 2SLS. Y luego fueron estimados utilizando la aproximación de la cobertura eléctrica mediante el grado de luminosidad en el distrito. Las mencionadas columnas de la tabla 4 muestran que, en las estimaciones por MCG, una variación en un 1% del grado de luminosidad incrementa en un 0,009 y un 0,008% el rendimiento escolar en matemáticas y lenguaje, respectivamente; mientras que en las estimaciones por 2SLS el incremento sería de un 0,017% 28 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 y un 0,018%. A partir de ambas especificaciones de la cobertura eléctrica, se concluye que: en la primera especificación, el efecto total de la cobertura eléctrica sobre el rendimiento escolar promedio es positivo y significativo al 1%; y, en la segunda especificación, son positivos y significativos tanto el efecto directo como el indirecto del incremento del acceso a electricidad sobre el rendimiento escolar promedio en exámenes de matemáticas y de lenguaje. Cabe resaltar que, en la primera especificación, el efecto indirecto es mayor que el directo; mientras que, en la segunda, ocurre lo contrario (tabla 4). Tabla 4 Estimación 2SLS del efecto parcial16 (1) (2) (3) (4) (5) (6) Matemáticas Lenguaje Matemáticas Lenguaje Matemáticas Lenguaje Ln(Cobertura eléctrica) 0,0266*** 0,0265*** 0,0107*** 0,0109*** 0,0123*** 0,132 Acceso a electricidad 0,0208*** 0,0256*** 0,0337*** 0,0381*** 0,0247*** 0,0265 Ln(Luminosidad) 0,00901*** 0,00839*** 0,0148*** 0,0154*** 0,0169*** 0,0175 Acceso a electricidad 0,024*** 0,0307*** 0,0349*** 0,0387*** 0,0344*** 0,0344 Controles Sí Sí Sí Sí Sí Sí Dummies temporales No No No No Sí Sí Estimación MCG MCG 2SLS 2SLS 2SLS 2SLS Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. Estimación de peers effects heterogéneos Para poder estimar el efecto indirecto diferenciado por colegios que tienen acceso a electricidad y colegios sin este acceso, se plantea la siguiente espe- cificación: � �ln (Yijt) = αt + βln(Ejt) + λDijt + δln(Ejt)Dijt + θXijt + εijt La interacción se realiza entre el acceso a la electricidad (Dijt) y el valor de la cobertura eléctrica predicho en la estimación de la primera etapa ( �ln(Ejt)). El coeficiente β refleja el efecto indirecto del acceso a electricidad de los pares en el distrito para colegios sin acceso a electricidad (Dijt = 0); y β + δ representa el mismo efecto para los colegios que sí cuentan con acceso a electricidad 16 Cabe precisar que los estimadores obtenidos para cobertura eléctrica y luminosidad no son comparables, debido a desfases en el tiempo de registro de estas variables en la base de datos. 29 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo (Dijt = 1). Por tanto, el coeficiente de δ se interpreta como el efecto indirecto marginal de los colegios con acceso a electricidad respecto a los colegios sin acceso a electricidad. En la tabla 5 se observa que el peers effect para los alumnos de colegios sin acceso a electricidad es significativo y positivo, según el coeficiente asociado a la variable de cobertura eléctrica en las cuatro regresiones. Así, un incremento en un 1% del acceso a electricidad de los pares incrementa en un 0,190 y un 0,166% el rendimiento escolar de los alumnos de colegios sin acceso a elec- tricidad en los cursos de matemáticas y lenguaje respectivamente. Además, el coeficiente asociado a la interacción resulta negativo y significa- tivo al 1% en las cuatro regresiones. Esto indica que el peers effect para colegios sin acceso a electricidad es mayor que para colegios con acceso a electricidad. Sin embargo, una limitación de la estimación utilizando la cobertura eléctrica es el coeficiente negativo o no significativo asociado al acceso a electricidad; el cual se esperaría que fuera significativo y positivo. Para el caso de la luminosidad, la tabla 5 muestra un importante peers effect para alumnos de colegios sin acceso a electricidad, a quienes un incre- mento de un 1% en el grado de luminosidad del distrito les incrementa en un 0,0259 y un 0,0230% su rendimiento en matemáticas y lenguaje. Pero, para alumnos en colegios con acceso a electricidad, el efecto se reduce a un 0,0102% (0,0259-0,0157) y un 0,0122% (0,023-0,0108), respectivamente. Tabla 5 Estimación 2SLS de los peers effects incluyendo una interacción (1) (2) (3) (4) (5) (6) Matemáticas Lenguaje Matemáticas Lenguaje Matemáticas Lenguaje Ln(Cobertura eléctrica) 0,0217** 0,0212** 0,190** 0,166** 0,219** 0,205** Acceso a electricidad 0,027** 0,0323** -0,0143 0,00493 -0,0303** -0,0156* Interacción 0,0136** 0,0147** -0,0118* -0,0815** -0,135** -0,103** Ln(Luminosidad) 0,0143** 0,0125** 0,0259** 0,023** 0,03** 0,0269** Acceso a electricidad 0,0119** 0,0213** 0,0105* 0,022** 0,00584 0,0137** Interacción -0,00802** -0,00627** -0,0157** -0,0108** -0,018** -0,013** Controles Sí Sí Sí Sí Sí Sí Dummies temporales No No No No Sí Sí Estimación MCG MCG 2SLS 2SLS 2SLS 2SLS Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. 30 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Efectos heterogéneos por regiones Por último, con el objetivo de evaluar la existencia de un efecto geográfica- mente diferenciado de la cobertura eléctrica, se separó la muestra de acuerdo con la región natural: Costa, Sierra y Selva. Esta subdivisión se sustenta en: (1) las diferencias marcadas en la geografía de cada región natural, que pueden afectar la provisión de electricidad a través de centrales de distribución, y (2) la concentración de colegios de la base de datos en la región Sierra y su poca representatividad en la Selva. La geografía cumple un papel fundamental en la ubicación de las centra- les de distribución eléctrica, por lo cual tiene un impacto sobre la distancia topográfica promedio entre el colegio y la central de distribución eléctrica más cercana. Así, la agreste geografía de la Sierra influye en que la mencionada distancia en esta región (29,09 kilómetros) sea más larga que en la Costa (20,56 kilómetros), pese a que en la Sierra hay más centrales de distribución eléctrica que en la Costa (véase el anexo 7). Y la Selva representa el caso en que dicha distancia es significativamente mayor (46,79 kilómetros) y está asociada a un número reducido de centrales de distribución eléctrica. De modo que la geo- grafía y situación de la región exigen ajustes en nuestro instrumento empírico. Para ello, debe tenerse en cuenta el número de observaciones (colegios) presentes en cada región natural. Así, mientras que la región Costa solo representa el 9,98% de la muestra y en la región Selva está el 33,16% de las observaciones; la Sierra, al albergar el 56,87% de los colegios censados en el período 2007-2016 (anexo 10), aparece como la región natural más represen- tativa para nuestro estudio, cuyas características posiblemente influyen más en el comportamiento de las variables transmisoras del efecto promedio de la electrificación sobre el rendimiento escolar en la muestra de colegios evaluados. En la tabla 6 están los resultados, por región, de la primera etapa de la estimación con base en la primera especificación planteada en la metodología. Para la Costa, el coeficiente relacionado con la cobertura eléctrica es positivo (aunque no significativo), a diferencia del hallado para toda la muestra (tabla 2) y de lo predicho por la literatura revisada. Pero el coeficiente relacionado con el grado de luminosidad sí concuerda con lo antes encontrado e interpretado, ya que es negativo y significativo. Los coeficientes hallados para las regiones Sierra y Selva sí muestran los mismos predichos por la literatura. Así, un incremento del 1% en la distancia promedio produce una reducción del 0,0124% en la cobertura eléctrica de un distrito promedio de la Sierra, y produce una reducción mayor (0,125%) en la cobertura eléctrica de un distrito promedio de la Selva. Este patrón perdura en 31 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo la estimación mediante el grado de luminosidad, ya que el coeficiente de interés relacionado con la distancia entre la central y los colegios de la Selva (0,887) es mayor, en valor absoluto, que el coeficiente hallado en la Sierra (-0,437). Tabla 6 Primera etapa de la estimación 2SLS para cada región natural (1) (2) Ln(Cobertura Eléctrica) Ln(Luminosidad) Ln(Distancia) Costa 0,00196 -0,459*** Sierra -0,0124** -0,437*** Selva -0,125*** -0,887*** Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. A partir de ello, se realizó la segunda etapa de la estimación por región, cuyos resultados muestra la tabla 7. En la Sierra, un incremento del 1% en la cobertura eléctrica aumenta significativamente el rendimiento promedio en matemáticas (0,354%) y lenguaje (0,502%); pero no es significativo el coeficiente relacionado con el efecto de un aumento en el grado de lumi- nosidad sobre el rendimiento en matemáticas. En la Selva, todos los coefi- cientes de interés son positivos y significativos al 1%, para el rendimiento tanto en matemáticas como en lenguaje. Y se observa que el efecto total de la electrificación es mayor en la Sierra que en la Selva para la medición por cobertura eléctrica. Mientras tanto, los resultados para la Costa contradicen lo encontrado en la primera etapa. Así, cuando se utiliza el grado de luminosidad como proxy, se obtienen coeficientes positivos y significativos al 5% o más; lo cual concuerda con el marco analítico. Y de la aproximación mediante cobertura eléctrica se obtienen coeficientes con signos negativos y significativos al 1%, tanto en la regresión sin dummies temporales como en la regresión que sí las incluye, lo cual no va acorde con lo esperado. Estos resultados se deberían a que las proyecciones de ambas variables, por haber sido construidas a partir del signo del coeficiente hallado en la primera etapa, distorsionaron el regresor y, por ende, el coeficiente de la segunda etapa. 32 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Tabla 7 Estimación 2SLS del efecto total para cada región natural (1) (2) (3) (4) (5) (6) Matemáticas Lenguaje Matemáticas Lenguaje Matemáticas Lenguaje Ln(Cobertura eléctrica) Costa 0,0249** 0,052*** -6,393*** -6,092*** -5,841*** -5,533*** Sierra 0,014*** 0,0257*** 0,318** 0,487*** 0,354*** 0,502*** Selva 0,0391*** 0,0373*** 0,126*** 0,128*** 0,149*** 0,166*** Ln(Luminosidad) Costa 0,00651*** 0,0114*** 0,0168** 0,0178*** 0,0178** 0,0203*** Sierra 0,00456*** 0,00778*** 0,00613* 0,0108*** 0,00421*** 0,00848*** Selva 0,0208*** 0,022*** 0,0222*** 0,0204*** 0,247*** 0,0245*** Controles Sí Sí Sí Sí Sí Sí Dummies temporales No No No No Sí Sí Estimación MCG MCG 2SLS 2SLS 2SLS 2SLS Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. También realizamos las estimaciones para cada región de la segunda especificación planteada en la metodología, a fin de hallar heterogeneidades regionales del efecto directo (acceso a electricidad) e indirecto (peers effect) de la electrificación sobre el rendimiento escolar. Tal como se observa en la tabla 8, los coeficientes hallados para las regiones Sierra y Selva son congruentes con el marco analítico. En la Sierra, el efecto directo del acceso a electricidad muestra coeficientes positivos y significativos al 1%; y los coeficientes del efecto de los pares –mediante sus dos mediciones– sobre el rendimiento escolar son positivos y significativos al 1% en lenguaje y al menos al 10% en matemáticas. En la Selva, también son positivos los coeficientes del efecto directo y del indirecto, en ambos casos significativos al 1%. Y se observa que los efectos directos e indirectos (en sus dos mediciones) son mayores en la Sierra que en la Selva. Sin embargo, tal como sucedió con la primera especificación, con la segunda también se obtienen resultados contraintuitivos para la región Costa, donde tienen signos negativos los coeficientes relacionados con el efecto indirecto de la electrificación sobre el rendimiento escolar. En términos de magnitud, el efecto indirecto de un aumento del grado de luminosidad sobre el rendimiento escolar en la Costa, tanto en matemáticas como en lenguaje, es mayor que los encontrados para las otras dos regiones. 33 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Tabla 8 Estimación 2SLS del efecto parcial para cada región natural (1) (2) (3) (4) (5) (6) Matemáticas Lenguaje Matemáticas Lenguaje Matemáticas Lenguaje Ln(Cobertura eléctrica) Costa 0,00988 0,0333*** -5,479*** -4,983*** -4,972** -4,485*** Sierra 0,00564* 0,0156*** 0,286** 0,432*** 0,341** 0,474*** Selva 0,0324*** 0,0292*** 0,107*** 0,105*** 0,131*** 0,145*** Acceso a electricidad Costa 0,0291*** 0,036*** 0,0308*** 0,0457*** 0,0141* 0,0274*** Sierra 0,0164*** 0,0198*** 0,0182*** 0,0262*** 0,00834*** 0,0133*** Selva 0,026*** 0,0316*** 0,0422*** 0,0458*** 0,0345*** 0,036*** Ln(Luminosidad) Costa 0,00352 0,00727*** 0,0238*** 0,022*** 0,0262*** 0,0234*** Sierra 0,00295*** 0,00217*** 0,00746* 0,012*** 0,00712* 0,0113*** Selva 0,017*** 0,0169*** 0,0146*** 0,015*** 0,0173*** 0,0184*** Acceso a electricidad Costa 0,0146* 0,0263*** 0,0339*** 0,0476*** 0,0347*** 0,0453*** Sierra 0,0103*** 0,0205*** 0,02*** 0,0275*** 0,0161*** 0,0209*** Selva 0,0331*** 0,0381*** 0,0426*** 0,045*** 0,0439*** 0,0421*** Controles Sí Sí Sí Sí Sí Sí Dummies temporales No No No No Sí Sí Estimación MCG MCG 2SLS 2SLS 2SLS 2SLS Notas. * p < 0,10, ** p < 0,05, *** p < 0,01. Limitaciones Esta investigación aporta una estimación preliminar del efecto de la cobertura eléctrica sobre el rendimiento escolar. Pero su diseño adolece de tres limita- ciones relacionadas con las fuentes utilizadas. En primer lugar, el principal problema es la nula disponibilidad de datos acerca del acceso a electricidad a nivel del alumno. Por esta razón, hemos utilizado los colegios como unidades de análisis. Este hecho limita el estudio del efecto de interés, ya que se estima un coeficiente del efecto promedio por colegio asumiendo un estudiante representativo de cada colegio para relacionar la estimación y los mecanismos de transmisión expuestos. En segundo lugar, las bases de datos disponibles en el país no contienen información de la cobertura eléctrica a nivel distrital. Por ello, para este trabajo hemos tenido que formular un coeficiente de cobertura eléctrica representativo por distrito a partir de dos fuentes indirectas y bajo supuestos oportunamente 34 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 explicados, que distorsionan en parte el coeficiente utilizado. No obstante, hemos demostrado que el efecto calculado en este trabajo y el efecto real tienen el mismo signo. En tercer lugar, el instrumento planteado en este trabajo requiere que el sector eléctrico sea en su mayoría dependiente de las centrales eléctricas de distribución. Dada la relevancia del Sistema Eléctrico Interconectado Nacional en la provisión de este servicio en la zona rural durante nuestro período de análisis (2007-2016), hemos utilizado coherentemente las centrales eléctricas de distribución para el cálculo de nuestro instrumento. Pero este instrumento perdería validez si el sector eléctrico peruano evoluciona hacia la generación eléctrica mediante energías renovables o cogeneración (véase el anexo 6). En dicho caso, nuestro trabajo no se podría repetir tal cual para futuros períodos de análisis. Conclusiones Los resultados comprueban que la cobertura eléctrica, medida como el por- centaje de alumnos con acceso a electricidad en el distrito, tiene un efecto positivo y significativo sobre el rendimiento escolar en todas nuestras especi- ficaciones empíricas, lo cual va acorde con la teoría económica y la revisión de literatura efectuada. Asimismo, el uso del grado de luminosidad como aproximación de cobertura eléctrica también muestra indicios de un efecto positivo y significativo en todas las regresiones realizadas. Además, de la estimación del efecto indirecto de la cobertura eléctrica controlando por acceso a electricidad obtuvimos coeficientes positivos y sig- nificativos en todas las regresiones realizadas. Ello nos permite concluir que sí existe un efecto positivo y significativo del incremento del acceso a electricidad de los pares sobre el rendimiento escolar del estudiante promedio del distrito. Este resultado corrobora la literatura revisada sobre peers effects en educación, explicativos del positivo impacto indirecto que el incremento del rendimiento escolar de los pares tiene sobre el rendimiento escolar de otros estudiantes en el mismo colegio. Adicionalmente, la estimación de la interacción entre la cobertura eléctrica y el acceso a electricidad nos permite concluir que el efecto indirecto (peers effect) es mayor para los alumnos de colegios sin acceso a electricidad, debido a que el signo negativo y significativo del coeficiente de esa interacción indica que dicho efecto indirecto se reduce para los colegios con acceso a electricidad. Y hemos completado nuestro trabajo con un análisis por región natural, dividiendo los colegios evaluados según la región natural en que están ubicados. De este encontramos que el efecto directo e indirecto de la cobertura eléctrica 35 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo sobre el rendimiento escolar es generalmente mayor en la región Sierra que en las otras regiones naturales (Costa y Selva). No obstante, los coeficientes hallados para los colegios de la Costa no son consistentes con la teoría, ni en la primera ni en la segunda etapa de nuestra estimación. Referencias Aguirre, J. (2017). The impact of rural electrification on education: A case study from Peru. The Lahore Journal of Economics, 22(1), 91-108. ISSN 1811-5438. Akpandjar, G., & Kitchens, C. (2017). From darkness to light: The effect of electrification in Ghana, 2000-2010. Economic Development and Cultural Change, 66(1), 31-54. https://doi.org/10.1086/693707 Arraiz, I., & Calero, C. (2015). From candles to light: The impact of rural electrification. IDB Working Paper n.º IDB-WP-599. Inter-American Development Bank. https:// publications.iadb.org/es/publicacion/12225/candles-light-impact-rural-electrifi cation Barrón, M., & Torero, M. (2014). Electrification and time allocation: Experimental evidence from Northern El Salvador. MPRA Paper 63782. https://mpra.ub.uni-muenchen. de/63782/1/MPRA_paper_63782.pdf Beltrán, A., & La Serna, C. (2009). ¿Cuán relevante es la educación escolar en el desem- peño universitario? Documento de Trabajo 85. Universidad del Pacífico – Centro de Investigación. https://repositorio.up.edu.pe/handle/11354/418 Bensch, G., Kluve, J., & Peters, J. (2011). Impacts of rural electrification in Rwanda. Journal of Development Effectiveness, 3(4), 567-588. https://doi.org/10.1080/194 39342.2011.621025 Bernard, T. (2012). Impact analysis of rural electrification projects in Sub-Saharan Africa. World Bank Research Observer, 27(1), 33-51. https://doi.org/10.1093/wbro/lkq008 Boud, D., Cohen, R., & Sampson, J. (1999). Peers learning and assessment. Assessment and evaluation. Higher Education, 24(4), 413-426. https://doi. org/10.1080/0260293990240405 Dammert, A., Gallardo, J., & García, R. (2005). Reformas estructurales en el sector eléctrico peruano. Documento de Trabajo n.º 5. Organismo Supervisor de la Inversión en Energia. http://www.osinerg.gob.pe/investigacion Dammert, A., Molinelli, F., & Carbajal, M. (2011). Fundamentos técnicos y económicos del sector eléctrico peruano. Organismo Supervisor de la Inversión en Energía y Minería. https://www.osinergmin.gob.pe/.../centro_documental/.../Libro_Funda mentos_Tecnicos_Economicos_Sector_Electrico_Peruano.pdf Dasso, R., Fernandez, F., & Ñopo, H. (2015). The effects of electrification on employment in rural Peru. IZA Journal of Labor and Development, 4(6). https://doi.org/10.1186/ s40175-015-0028-4 36 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Dinkelman, T. (2011). The effects of rural electrification on employment: New evidence from South Africa. American Economic Review, 101(7), 3078-3108. https://doi. org/10.1257/aer.101.7.3078 Duflo, E., Dupas, P., & Kremer, M. (2011). Peers effects, teacher incentives, and the impact of tracking: evidence from a randomized evaluation in Kenya. American Economic Review, 101(5), 1739-1774. https://doi.org/10.1257/aer.101.5.1739 Gallardo, J., García, R., & Pérez-Reyes, R. (2005). Determinantes de la inversión en el sector eléctrico peruano. Documento de Trabajo n.º 3. Organismo Supervisor de la Inversión en Energía – Oficina de Estudios Económicos. https://www.osinergmin. gob.pe/.../centro_documental/.../Documento_de_Trabajo_03.pdf Greene, W. (2012). Econometric analysis (7.ª ed.). Pearson. ISBN-13 9780131395381. https://www.pearson.com/us/higher-education/product/Greene-Econometric- Analysis-7th-Edition Han, L., & Li, T. (2009). The gender difference of peers influence in higher education. Economics of Education Review, 28(1), 129-134. https://doi.org/10.1016/j.econe- durev.2007.12.002 Khandker, S. R., Barnes, D. F., & Samad, H. A. (2012). The welfare impacts of rural electrification in Bangladesh. The Energy Journal, 33(1), 187-206. https://www. jstor.org/stable/41323350 Khandker, S. R., Barnes, D. F., & Samad, H. A. (2013). Welfare impacts of rural electri- fication: A panel data analysis from Vietnam. Economic Development and Cultural Change, 61(3), 659-692. https://doi.org/10.1086/669262 Khandker, S. R., Samad, H. A., Ali, R., & Barnes, D. F. (2014). Who benefits most from rural electrification? Evidence in India. The Energy Journal, 35(2), 75-96. https:// doi.org/10.5547/01956574.35.2.4 Lee, K., Miguel, E., & Wolfram, C. D. (2017). Electrification and economic development: A microeconomic perspective. EEG State-of-Knowledge Paper, n.º 1:2. Energy and Economic Growth-Applied Research Program. https://escholarship.org/uc/ item/6bd7t9ng Lucas, R. (1988). On the mechanics of economic development. Journal of Monetary Eco- nomics, 22(1), 3-4. doi: 10.1016/0304-3932(88)90168-7 MEM (Ministerio de Energía y Minas). (2015). Plan Nacional de Electrificación Rural 2016-2025. Ministerio de Energía y Minas. http://dger.minem.gob.pe/Proyectos_ pner2016.aspx MEM (Ministerio de Energía y Minas). (31 de julio de 2018a). Resolución Ministerial N.° 292-2018 MEM/DM que autoriza publicación de Proyecto de Decreto Supremo que aprueba el Reglamento de la Generación Distribuida. https://elperuano.pe/ normaslegales/autorizan-publicacion-de-proyecto-de-decreto-supremo-que-apr- resolucion-ministerial-no-292-2018-memdm-1675717-1/ MEM (Ministerio de Energía y Minas). (1 de agosto de 2018b). Proyecto de Decreto Supremo que aprueba el Reglamento de la Generación Distribuida. https://autosolar.pe/pdf/ Reglamento-peru-agosto-2018.pdf 37 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Minedu (Ministerio de Educación). (2015). Resultados de la Evaluación Censal de Estudian- tes. Ministerio de Educación. http://umc.minedu.gob.pe/evaluaciones-censales/ Osinergmin (Organismo Supervisor de la Inversión en Energía y Minería). (2016). La indus- tria de la electricidad en el Perú. Organismo Supervisor de la Inversión en Energía y Minería. https://www.osinergmin.gob.pe/.../centro_documental/Institucional/.../ Libros/Osinergmin-Industria-Electricidad-Peru-25anios.pdf Osinergmin (Organismo Supervisor de la Inversión en Energía y Minería). (2018). Generación distribuida: marco normativo comparado para Perú, Chile, Colombia y México. Reporte de Análisis Económico Sectorial-Electricidad, año 6, n.° 11. Orga- nismo Supervisor de la Inversión en Energía y Minería. https://www.osinergmin. gob.pe/.../centro_documental/Institucional/.../RAES-Electricidad-diciembre- 2018-GPAE-OS.pdf Sacker, A., Schoon, I., & Bartley, M. (2002). Social inequality in educational achievement and psychosocial adjustment throughout childhood: Magnitude and mechanisms. Social Science and Medicine, 55(5), 863-880. https://doi.org/10.1016/S0277- 9536(01)00228-3 Singh, K., Bickley, P., Trivette, P., & Keith, T. (1995). The effects of four components of parental involvement on eighth-grade student achievement: Structural analysis of NELS-88 data. School Psicology Review, 24(2), 299-317. https://doi.org/10.1080 /02796015.1995.12085769 Stern, D., Burkes, P., & Bruns, S. (2017). The impact of electricity on economic development: A macroeconomics perspective. Energy and economic growth. EEG State-of-Knowledge Paper, n.º 1:1. Energy and Economic Growth-Applied Research Program. https:// escholarship.org/uc/item/7jb0015q Urrunaga, R., Bonifaz, J. L., Aguirre, J., Aragón, G., & Jara, Ó. (2013). Beneficios sociales de la electrificación rural. Documento de Trabajo 91. Universidad del Pacífico – Centro de Investigación. http://hdl.handle.net/11354/1961 Van de Walle, D., Ravallion, M., Mendiratta, V., & Koolwal, G. (2013). Long-term impacts of household electrification in rural India. World Bank Policy Research Working Paper N.º 6527. https://doi.org/10.1596/1813-9450-6527 Vásquez, A., Tamayo, J., Vilches, C., & Chávez, E. (2016). La regulación del sector de energía. Documento de Trabajo N.º 40. Organismo Supervisor de la Inversión en Energía y Minería – Gerencia de Políticas y Análisis Económico. https://www.osinergmin. gob.pe/.../centro_documental/.../Documento-Trabajo-40.pdf Zimmerman, D. J. (2003). Peers effects in academic outcomes: Evidence from a natu- ral experiment. Review of Economics and Statistics, 85(1), 9-23. https://doi. org/10.1162/003465303762687677 38 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexos Anexo 1: Evolución de la cobertura eléctrica rural en el Perú, 1993- 2018 19 93 19 94 19 95 19 96 19 97 19 98 19 99 20 00 20 01 20 02 20 03 20 04 20 05 20 06 20 07 20 08 20 09 20 10 20 11 20 12 20 13 20 14 20 15 20 16 20 17 20 18 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 8%10% 15%17% 20%22%22%23%24%25%26%27%28%29% 30% 38% 45% 55% 59% 63% 70% 75% 78% 89% 93% 95% Nota. * Las cifras de la cobertura para los años 2017 y 2018 son proyecciones hechas por el Plan Nacional de Electrificación Rural (PNER). Fuente: elaboración propia con datos de Osinergmin. 39 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Anexo 2: Evolución del rendimiento escolar en comprensión lectora y matemática en el ámbito rural, 2007-2016 580 560 540 520 500 480 460 440 420 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 Rendimiento en comprensión lectora Rendimiento en matemática Fuente: elaboración propia con datos de la Evaluación Censal de Estudiantes (Minedu). 40 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexo 3: Evidencia empírica sobre el primer mecanismo de transmisión (1) (2) (3) (4) (5) (6) Ln(Ingreso por hora) Ln(Ingreso por hora) Ln(Ingreso) Ln(Ingreso) Ln(Horas) trabajadas) Ln(Horas) trabajadas) Ln(Cobertura eléctrica) 0,0241 -0,0182 0,0147** Ln(Luminosidad) (0,419) 0,158*** (0,489) 0,128*** (0,039) -0,0140*** Constante 2,812*** (0,000) 2,740*** 6,201*** (0,000) 6,116*** 3,439*** (0,000) 3,428*** (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) Observaciones 6.015 5.069 6.015 5.069 6.219 5.284 Estimación Efectos fijos Notas. p-values entre paréntesis: * p < 0,10, ** p < 0,05, *** p < 0,01. 41 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Anexo 4: Número de proyectos de electrificación rural relacionados con paneles fotovoltaicos en ejecución en el Perú, 2007-2016 1 2 3 3 0 4 2 1 0 1 0 1 2 3 4 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 Fuente: elaboración propia con datos del MEM. Anexo 5: Número de beneficiarios por proyectos de electrificación rural relacionados con paneles fotovoltaicos en el Perú, 2007-2016 60 5.256 1.835 1.350 0 3.849 1.355 775 0 480 0 1.000 2.000 3.000 4.000 5.000 6.000 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 Fuente: elaboración propia con datos del MEM. 42 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexo 6: Descripción de la provisión de electricidad entre los años 2007 y 2016 La provisión del recurso se produce mediante tres fases: generación, trans- misión y distribución. En primer lugar, la etapa de generación consiste en la conversión de un tipo de energía a energía eléctrica. Entre los tipos más conocidos, se encuentran la hidráulica (energía cinética y fuerza gravitatoria del agua) y la térmica, mediante la quema de combustibles como el diésel, carbón y gas. Existen formas no convencionales de producir electricidad, como la generación nuclear, eólica, solar (paneles fotovoltaicos) o geotérmica. Cabe resaltar que esas formas de generación se producen en una central eléctrica, desde la cual se transmite a hogares y empresas mediante líneas de transmisión (Gallardo, García, & Pérez-Reyes, 2005). No obstante, existe una forma de generación llamada cogeneración o generación distribuida, la cual consiste en la conversión de la energía, prin- cipalmente térmica, generada por procesos productivos industriales o domés- ticos, en energía eléctrica. La ventaja de este tipo de generación es la conexión directa entre la generación y las redes de distribución, lo cual reduce el uso de redes de transmisión, los costos respectivos y el congestionamiento en dichas redes (Osinergmin, 2018). Durante el período de análisis, este proceso no fue regulado por los organismos competentes, por lo que no es posible tener cifras de su importancia en el mercado. Pero el Minem contempla la elaboración de un marco normativo para desarrollar esta práctica (MEM, 2018a, 2018b). En segundo lugar, la etapa de transmisión consiste en el uso de redes para transportar la electricidad desde los centros de producción hacia los centros de distribución. Este proceso es complejo, ya que el sistema de transmisión se compone de líneas de alta o muy alta tensión, subestaciones de transfor- mación, centros de control, instalaciones de compensación reactiva y otras instalaciones asociadas. Asimismo, esta etapa cuenta con cuatro subetapas, las cuales transforman la electricidad de alta tensión a una de mediana o baja tensión, disponible para el consumo industrial o de los hogares (Dammert, Molinelli, & Carbajal, 2011). Por último, la etapa de distribución consiste en el transporte del suministro de energía eléctrica desde el sistema de transmisión hacia uno de los usuarios finales del servicio. Dicho transporte parte de una central de distribución y la electricidad es transportada mediante un sistema de redes. Este debe ser construido de tal forma que sea lo más eficiente y seguro para los individuos cercanos al sistema de redes (Dammert et al., 2011). 43 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Anexo 7: Mapa de colegios y centrales eléctricas de distribución, Perú Nota. * Colegios (azul) y centrales eléctricas de distribución (amarillo). Fuentes: elaboración propia con datos de Osinergmin y del Minedu. 44 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexo 8: Mapeo de distribución de notas y cobertura Mapa de distribución en cuartiles de las notas de matemáticas para 2007 (izquierda) y 2016 (derecha) 45 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Mapa de distribución en cuartiles de las notas de lenguaje para 2007 (izquierda) y 2016 (derecha) Fuente: Evaluación Censal de Estudiantes (Minedu). 46 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexo 9: Distribución de notas en matemáticas y lenguaje, 2007 y 2016 Po rc en ta je 0 0 150 300 450 2007 600 Distribución de notas de matemáticas de la ECE 750 900 1 2 3 4 5 6 7 8 9 10 0 150 300 450 2016 600 750 900 Las líneas rojas representan notas de 512 y 638 que dividen los logros académicos en: en inicio, en proceso y satisfactorio. 47 Gonzalo Alejandro Vidalón Véliz y Renato Juan Trujillo Galindo Po rc en ta je 0 0 150 300 450 2007 600 Distribución de notas de lenguaje de la ECE 750 900 1 2 3 4 5 6 7 8 9 10 11 12 0 150 300 450 2016 600 750 900 Las líneas rojas representan notas de 458 y 583 que dividen los logros académicos en: en inicio, en proceso y satisfactorio. Fuente: elaboración propia con datos de la Evaluación Censal de Estudiantes (Minedu). 48 Efecto de la cobertura eléctrica sobre el rendimiento escolar en distritos rurales del Perú entre los años 2007 y 2016 Anexo 10: Colegios por departamento y en zona rural Departamento Número de colegios Porcentaje en zona rural Amazonas 744 3,87 Áncash 1.062 5,53 Apurímac 589 3,07 Arequipa 196 1,02 Ayacucho 731 3,81 Cajamarca 2.879 14,99 Cusco 1.229 6,40 Huancavelica 771 4,01 Huánuco 1.367 7,12 Ica 130 0,68 Junín 1.196 6,23 La Libertad 1.152 6,00 Lambayeque 459 2,39 Lima 417 2,17 Loreto 1.729 9,00 Madre de Dios 86 0,45 Moquegua 39 0,20 Pasco 408 2,12 Piura 1.352 7,04 Puno 1.172 6,10 San Martín 981 5,11 Tacna 32 0,17 Tumbes 50 0,26 Ucayali 437 2,28 Total 19.208 100,00 Fuente: elaboración propia con datos del Censo Escolar (Minedu). 49 Servicio de transporte público: ¿genera impacto en la productividad laboral de los ciudadanos de Lima Metropolitana y el Callao entre 2016 y 2018?17 Ariana Gutiérrez Beltrán María Pía López Lazo Introducción En Lima es evidente el problema de una alta congestión vehicular, explicado en parte porque el parque automotor limeño, que es el más grande del Perú (Posada, 2018)18, representa el 66% del total de vehículos de transporte particular (autos) en el país. Así, el 25% de la población limeña se demora más de dos horas al día en trasladarse de su domicilio al trabajo y pasa más de 60 horas mensuales en su auto (Banco de Desarrollo de América Latina [CAF], 2017, p. 10). Por tanto, la necesidad de reducir la congestión vehicular en Lima es indiscutible. Para ello, se requiere una reforma en el transporte público que tenga como objetivo mejorar la conectividad urbana y reducir el tráfico al brindar un transporte público eficiente como alternativa de movilidad. La disponibilidad de un buen servicio de transporte público es fundamental en una economía, dado que una persona carente de medios de transporte adecuados ve restringido su acceso a mejores oportunidades laborales y educativas, y a otras actividades importantes para su productividad y la de su país (Boarnet, 2007). 17 Este ensayo es una versión resumida y editada del Trabajo de Investigación Económica que, con el mismo título, fue aprobado en noviembre de 2019. Las autoras agradecen a su asesor, el profesor Jorge Luis Boni- faz, por el gran apoyo brindado en conocimientos y dedicación de tiempo durante la realización de la inves- tigación; así como al Observatorio Lima Cómo Vamos por la información proporcionada de las encuestas Percepción Sobre Calidad de Vida en Lima y Callao. 18 Según la Cámara de Comercio de Lima, en 2016, el parque automotor de Lima y el Callao alcanzó 1.752.919 vehículos (Posada, 2018). 50 Servicio de transporte público: ¿genera impacto en la productividad laboral de los ciudadanos de Lima Metropolitana y el Callao entre 2016 y 2018? El servicio de transporte público en Lima está dividido en dos categorías: el transporte tradicional, con vehículos para una limitada cantidad de pasajeros (combis, coasters y buses); y el transporte no tradicional, con sistemas de alta capacidad (Metropolitano, Metro de Lima y corredores segregados). El trans- porte tradicional es el más empleado en Lima Metropolitana, por un 58,3% del total de usuarios, pese a ser menos eficiente que el transporte no tradicional, cuya participación es de solo un 7,6% (Encuesta Lima Cómo Vamos, 2018). Esta encuesta señala que el 35,1% de las personas que se movilizaron por trabajo o estudios en Lima manifestó que su viaje le tomó más tiempo que el año anterior, lo cual sugiere un aumento en la congestión vehicular. Harriet, Poky y Emmanuel (2013, p. 232) demostraron que en Ghana la congestión vehicular genera un impacto negativo en la productividad laboral, ya que los trabajadores pierden en promedio 52,8 minutos al día (9,4% del tiempo trabajado) y llegan tarde al trabajo. Asimismo, Scott (2014) concluyó que un mayor tiempo de desplazamiento en transporte público lleva a una reducción en el ingreso. Se infiere así que el uso de transporte público no tradicional, al disminuir la congestión vehicular, incrementará la productividad laboral de los trabajadores limeños, reflejada en un aumento de sus ingresos laborales. En línea con lo anterior, el principal objetivo de nuestra investigación es demostrar que el servicio de transporte público afecta la productividad laboral, medida como los ingresos laborales. Un segundo objetivo es identificar el nivel de este impacto, en caso exista, y en cuánto depende del tipo de transporte público (tradicional o no tradicional) utilizado por los individuos. Por ello, la hipótesis por validar es la siguiente: el uso del servicio de transporte público no tradicional afecta positivamente a la productividad laboral, medida como los ingresos laborales de los ciudadanos de Lima Metropolitana; mientras que el servicio de transporte público tradicional la afecta negativamente. La importancia de esta investigación radica en brindar evidencia empírica sobre el deficiente sistema de transporte limeño, considerado el segundo mayor problema de la ciudad luego de la inseguridad ciudadana. Así, el 29,9% de los ciudadanos se siente insatisfecho con el transporte público, lo que ubica a Lima como la tercera ciudad latinoamericana con mayor insatisfacción al respecto (CAF, 2017). Y, hasta donde se tiene conocimiento, para Lima Metropolitana no se ha realizado un análisis que divida el transporte público en sus dos categorías (tradicional y no tradicional) y calcule el efecto que genera cada uno en la productividad laboral de sus usuarios. En las siguientes secciones, resumiremos los aportes de la literatura especializada consultada sobre transporte, productividad e ingresos. Luego, 51 Ariana Gutiérrez Beltrán y María Pía López Lazo mostraremos la evidencia empírica que motiva la hipótesis por validar. A con- tinuación, plantearemos el modelo utilizado para validar la hipótesis. Y, por último, presentaremos y analizaremos los resultados hallados, las conclusiones y las recomendaciones de política para el transporte público. Revisión de literatura Esta sección resume el conocimiento existente acerca del impacto del transporte público sobre la productividad laboral. Se revisa brevemente la literatura teórica y empírica que demuestra el impacto directo del tiempo de desplazamiento del individuo sobre su nivel de utilidad y productividad y, por ende, la necesidad de minimizar ese tiempo. Con tal fin, elegir el medio de transporte adecuado es fundamental para disminuir los tiempos no productivos, aumentar el tiempo dedicado al trabajo o al ocio, maximizar la utilidad y mejorar la productividad del individuo. Trabajo, ocio y transporte En los modelos microeconómicos, el individuo busca maximizar una función de utilidad en la que su utilidad está positivamente relacionada con el con- sumo y el ocio, y negativamente relacionada con el tiempo dedicado a trabajar (Dodgson, 1998). Tal función de utilidad está sujeta a dos restricciones: una presupuestaria, fijada por sus ingresos provistos por un salario determinado en un mercado laboral donde la empresa contrata trabajadores hasta el punto en que el valor del producto marginal del trabajador es igual al salario19; y otra de tiempo, que depende de la distribución entre horas de trabajo, ocio y transporte. Así, cada hora adicional que un individuo destina al trabajo o a transpor- tarse es una hora menos para el ocio (Bonifaz, 2012). Small (1982) parte del modelo de Johnson20 (1966) presentando una función de utilidad del consu- midor que depende del tiempo dedicado al trabajo y al ocio y al transporte, del consumo, y de un elemento «scheduling» tanto en la función de utilidad como en las restricciones. Define «scheduling» como la hora de salida hacia el centro laboral, la hora de llegada a este y el tiempo gastado en una zona congestionada. Y plantea las siguientes ecuaciones: 19 En un mercado con empresas competitivas que maximizan beneficios. 20 El enfoque de Johnson señala que el costo de oportunidad de un bien se encuentra dividido entre su precio monetario y el tiempo de ocio sacrificado para su consumo, entendido como el tiempo de despla- zamiento para consumir. 52 Servicio de transporte público: ¿genera impacto en la productividad laboral de los ciudadanos de Lima Metropolitana y el Callao entre 2016 y 2018? 𝑀𝑎𝑥 𝑢 = 𝑈(𝑥 , 𝑙, ℎ, 𝑠) 𝑥 + 𝑐(𝑠) = 𝑦 + 𝑤. ℎ 𝑙 + ℎ + 𝑡(𝑠) = 𝑇 (𝑠, ℎ, 𝑤) = 0 𝑥 : bien de consumo. 𝑙: tiempo dedicado al ocio. ℎ: número de horas trabajadas. 𝑠: sch