Extracto
La inclusión financiera (IF) para las poblaciones vulnerables, como las mujeres, es fundamental para lograr la igualdad de género, el empoderamiento de las mujeres y, por lo tanto, el crecimiento inclusivo. En este sentido, el uso de servicios financieros digitales es de particular importancia para las mujeres, ya que les permite un acceso más fácil a los productos financieros para las necesidades comerciales y domésticas. Para implementar políticas que reduzcan la exclusión financiera de las mujeres, es necesario medir primero el alcance de la IE en una sociedad. Si bien ha habido varios intentos de medir la FI para la población general, hay literatura limitada sobre la medición de la IF basada en el género. Este documento llena este importante vacío de investigación mediante el desarrollo de un índice de IF basado en el género (GFII) centrado particularmente en los servicios digitales y la evaluación del desempeño de las economías de todo el mundo (considerando 109 economías basadas en la disponibilidad de datos) en términos de una medida de IF basada en el género desarrollada por nosotros. Este índice se ha desarrollado utilizando dos índices separados, un índice de servicios financieros digitales (DFI) y un índice de usos de servicios financieros convencionales (CFI). Una contribución del documento es relacionar el Índice de Desarrollo de Género (IDG) y el Índice de Desigualdad de Género (GII) de las economías, dos medidas bien conocidas de desarrollo inclusivo, con el GFII y el DFI para mujeres (DFIF). Este ejercicio muestra que, si bien existe una correlación positiva entre estos dos conjuntos de indicadores, hay una serie de economías que son altas (o bajas) en el desarrollo de género (o desigualdad), que necesitan mejorar su IF digital. Curiosamente, utilizando la base de datos Global Findex y el modelo de datos de mínimos cuadrados generalizados factibles (FGLS) y variables instrumentales. Mostramos que la salud, la educación, la tasa de participación en la fuerza laboral y el empoderamiento político de las mujeres impactan significativamente la inclusión financiera digital de las mujeres. El documento hace sugerencias de políticas relevantes para mejorar el acceso financiero digital de las mujeres y, por lo tanto, mejorar el empoderamiento de género para un crecimiento más rápido e inclusivo.
Palabras clave: inclusión financiera digital, inclusión financiera basada en género, crecimiento inclusivo, índice de desarrollo de género
JEL Clasificación: G2, G20, P34
1. INTRODUCCIÓN
Los esfuerzos mundiales actuales no han logrado avances adecuados en la inclusión financiera de las mujeres (IF), especialmente la IF digital. Las mujeres tienen menos probabilidades que los hombres de tener cuentas, hacer uso del crédito o acceder a servicios de seguro debido a las barreras para acceder a los servicios de los intermediarios financieros formales (Demirgüç-Kunt et al. 2015, 2018) y la falta de documentos de identificación, teléfonos móviles, habilidades digitales, capacidad financiera y productos financieros apropiados. Por lo tanto, las mujeres son más vulnerables que los hombres y enfrentan numerosos obstáculos para obtener acceso a recursos esenciales como la educación, la atención médica y los activos tangibles (Kabeer 2009). Como resultado, el desarrollo económico no es robusto e inclusivo (Corrado y Corrado 2017; Dabla-Norris et al. 2015). Tal exclusión a su vez reduce su empoderamiento, libertad y poder de decisión en el hogar y en la sociedad (Corrado y Corrado 2017). Por lo tanto, la inclusión financiera universal es importante para lograr el crecimiento económico inclusivo y el bienestar (Johnston y Morduch 2008).
La inclusión financiera es un proceso de varias etapas y sus niveles se pueden definir como tener una cuenta bancaria, uso regular de la cuenta, facilidad para realizar pagos y asequibilidad del acceso a servicios financieros (Demirgüç-Kunt et al. 2015). En la era moderna, los servicios financieros dependen cada vez más de la infraestructura digital, y la digitalización de estos servicios a través de programas informáticos y otras tecnologías, conocidas como «fintech», los ha hecho más accesibles que nunca a una gama mucho más amplia de comunidades y grupos. En el contexto del empoderamiento financiero de las mujeres, el aprovechamiento de la infraestructura digital es de suma importancia. Las mujeres a menudo tienen una movilidad limitada debido a limitaciones sociales y familiares, y los servicios fintech pueden proporcionarles un mayor control sobre sus recursos financieros. Mejorar el acceso al crédito a través de servicios digitales también puede permitir que las mujeres se conviertan en empresarias y económicamente empoderadas para iniciar y administrar negocios, lo que a su vez puede ayudar en su desarrollo y empoderamiento general.
Se ha intentado cuantificar la brecha de género entre hombres y mujeres en varias esferas mediante el uso de ciertos índices, a saber, el Índice de Desarrollo de Género (IDG) (Programa de las Naciones Unidas para el Desarrollo 2018), el Índice de Desigualdad de Género (GII) y la Medida de Empoderamiento de Género (GEM) (Gobierno de la India 2009).1 Estos índices son mediciones bien conocidas y aceptadas de la desigualdad de género. Sin embargo, el vínculo entre estos índices y los índices de inclusión financiera basados en el género no se refleja adecuadamente en la literatura existente. Aunque se puede esperar una relación entre estos dos conjuntos de medidas en promedio, un estudio Inter económico revelará las diferencias en el logro de la inclusión financiera digital para las naciones desarrolladas de manera similar en términos de género. Como en la era moderna los servicios financieros dependen cada vez más de la infraestructura digital, se espera que este ejercicio proporcione sugerencias de políticas para diferentes economías.
De la literatura existente se encuentra que a partir de Sarma (2008), algunos estudios recientes como Fanta y Makina (2019); Van et al. (2021); Nagpal y otros, (2020); y Tram, Lai y Nguyen (2021) han medido la inclusión financiera para varias economías del mundo. Sin embargo, un número limitado de estudios (Asongu y Odhiambo 2018; Morsi 2020; Delechat et al. 2018) han intentado medir la inclusión financiera basada en el género a nivel Inter económico.
La agenda central de investigación del documento es construir un índice de IF basado en el género (GFII) (compuesto por dos componentes, a saber, un índice de uso de servicios financieros (CFI) convencional y un índice de uso de servicios financieros digitales (DFI)), examinar su vínculo con el IDG y el Índice Mundial de Innovación (aunque basado en correlaciones simples, no en un ejercicio de causalidad), y luego identificar los impulsores de la inclusión financiera (es decir, el GFII) centrándose en el aspecto digital. Lo calculamos para diferentes economías para 2011, 2014, 2017 y 2021 utilizando la base de datos Global Findex (ver Demirgüç-Kunt et al. 2018). Nos ayuda a investigar el desempeño de las diferentes economías a lo largo de los años para garantizar la inclusión financiera de las mujeres y observar cómo los servicios digitales han penetrado a lo largo de los años. Para investigar los impulsores del GFII, consideramos varios indicadores importantes sobre las mujeres, como la esperanza de vida al nacer, los años medios de escolaridad, el ingreso per cápita, la proporción de escaños en el parlamento y la tasa de participación en la fuerza laboral para este propósito. Para esta tarea utilizamos técnicas econométricas avanzadas como el modelo de regresión de variables instrumentales. Finalmente, se presentan sugerencias de políticas relevantes para mejorar la inclusión financiera basada en fintech para las mujeres en diferentes economías de todo el mundo.
Para construir el GFII utilizamos el enfoque de análisis de componentes principales (PCA) en el que las ponderaciones son estimaciones endógenas a través de supuestos de modelos específicos (Elsherif 2019; Sha’ban, Girardone y Sarkisyan 2020; Tranvía, Lai y Nguyen 2021). Esto es mejor que el otro enfoque, donde los pesos asignados a cada dimensión se seleccionan de manera ad hoc (por ejemplo, Sethi y Sethy 2019; Huang y Zhang 2020). Por lo tanto, el uso del método PCA proporciona resultados más robustos.
Antes de construir los índices, primero observamos los niveles de uso de servicios financieros por parte de las mujeres utilizando la base de datos Global Findex 2017 (Demirgüç-Kunt et al. 2018). Nuestro análisis mostró que la participación femenina en el sistema financiero varía con el nivel de ingresos de un país. Por ejemplo, el 92% de las mujeres realizaron o recibieron pagos digitales en economías de altos ingresos, mientras que solo fue alrededor del 27% en economías de bajos ingresos (Figura 1) en 2021. Sin embargo, vale la pena señalar un fenómeno entre las economías de ingresos medianos bajos y bajos. En ambas categorías, el porcentaje de mujeres que tienen una cuenta bancaria en un banco formal es menor que el porcentaje de mujeres que utilizan plataformas digitales para transacciones financieras. Esto muestra que en las economías de bajos ingresos, los canales digitales de transacciones financieras tienen una importancia relativamente mayor que los modos convencionales. Esto puede deberse a la falta de una infraestructura adecuada de ladrillos y mortero o a un mayor nivel de restricciones sociales que enfrentan las mujeres. Sin embargo, entre las naciones de bajos ingresos también hay variaciones significativas. Por ejemplo, entre estas economías, el porcentaje de mujeres que habían ahorrado en una institución financiera era de alrededor del 11% en Malí, mientras que era tan bajo como el 0,13% en Afganistán en el mismo período. Por lo tanto, dadas las variadas experiencias de las economías, medir el índice de inclusión financiera basado en el género en todas las naciones es un ejercicio que vale la pena.
También es vital saber si las economías están mejorando o no su posición en términos de adopción de tecnologías para el acceso financiero, junto con su proceso general de desarrollo.
Nuestro trabajo se puede aplicar para determinar la GFII a nivel de país, así como la inclusión financiera digital de la población femenina, el DFIF, para comprender las posiciones de un país en diferentes años. Las diferentes economías pueden centrarse en los determinantes importantes considerados en este estudio para mejorar su rango con respecto al GFII y, en particular, al DFIF. Finalmente, nuestro estudio podría usarse para derivar políticas para empoderar a las mujeres a través de la inclusión financiera a través de plataformas digitales para el desarrollo inclusivo.
La estructura del documento es la siguiente. La siguiente sección proporciona una visión general de la literatura sobre inclusión financiera y la construcción de índices para medirla. Examinamos los estudios que han analizado las disparidades en el acceso financiero entre hombres y mujeres. Se encuentra que la mayoría de los estudios no utilizan ni construyen ninguna medida integral (índice). Cerramos esta brecha de investigación en la Sección 3 mediante la creación de índices apropiados utilizando datos del Banco Mundial. La Sección 4 utiliza el índice de inclusión financiera basada en el género para construir un modelo econométrico para evaluar el impacto de los factores a nivel de país en la inclusión financiera de las mujeres, centrándose en preguntas tales como si un menor desarrollo nacional de género conduce a una menor inclusión financiera y, de ser así, ¿qué componentes son influyentes? Los resultados de este ejercicio se examinan en la sección 5, y las observaciones finales se presentan en la sección 6.
2. REVISIÓN DE LA LITERATURA
Se considera ampliamente que la inclusión financiera es un determinante significativo del desarrollo económico y la sostenibilidad de un país (Ambarkhane, Singh y Venkataramani 2020; Makina y Walle 2019; Otiwu et al. 2018; Ahamed y Mallick 2019; Saha y Dutta 2021; Tchamyou2020), así como una herramienta importante para el alivio de la pobreza y la mejora de los niveles de vida (Singh y Kodan 2011; Van de Werff, Hogarth y Peach2013; Ayyagari y Beck 2015; Iyer 2015; Okoye et al. 2017). Al analizar el estado de la inclusión financiera, varios estudios han encontrado que las mujeres están ampliamente excluidas del sistema financiero, debido a una variedad de factores, como la educación, los ingresos y la situación laboral limitados (Demirgüç-Kunt, Kane y Laeven 2014), y una falta general de empoderamiento (Efobi, Tanaken y Asongu 2018; Stewart y Sanman 2014). Sin embargo, la rápida digitalización de los servicios financieros en la era moderna ha sido vista por muchos académicos como una herramienta importante para reducir las disparidades entre hombres y mujeres en la inclusión financiera (Amidžić, Massara y Mialou 2014; Gammage et al. 2017; Banco Mundial 2020; Chen et al. 2021). Se han adoptado varios enfoques para estudiar esta brecha entre los géneros en la inclusión financiera. Por ejemplo, Fanta (2016) utiliza estadísticas descriptivas y un modelo de regresión logística binaria para capturar el efecto del género en el acceso al ahorro, el crédito, la educación y los niveles de ingresos. Por otro lado, Botric y Broz (2017) utilizaron la descomposición de Fairlie para identificar y descomponer la brecha de género en la inclusión financiera en Europa central y sudoriental utilizando datos del Banco Mundial. Sin embargo, estos académicos solo analizan los componentes individuales de la inclusión financiera, como tener una cuenta bancaria de ahorros o acceso al crédito, y no proporcionan ninguna medida agregada de las disparidades entre hombres y mujeres en esta área. Una medida agregada, como un índice de inclusión financiera basado en el género, ayudaría a comprender mejor las raíces del problema y permitiría una mejor formulación de políticas. Por lo tanto, es interesante construir un índice de inclusión financiera basado en el género.
Para ello, estudiamos los esfuerzos realizados para construir índices de inclusión financiera. En el cuadro A1 del apéndice se resumen las diferentes formas en que se han construido los índices de inclusión financiera.
Podemos ver dos enfoques comunes para construir un índice en la Tabla 1 del Apéndice. El primero encuentra las distancias promedio (como las distancias euclidianas) de los componentes incluidos para medir FI a partir de un valor ideal utilizando la fórmula de distancia. El segundo utiliza el análisis de componentes principales (PCA) para identificar los contribuyentes importantes a un indicador subyacente de inclusión financiera. Los primeros entran en la categoría de métodos, donde se utilizan diferentes componentes de la inclusión financiera como componentes y se calcula un promedio ponderado o una distancia euclidiana de un ideal de referencia (Gupte, Venkataramani y Gupta 2012; Kaur y Abrol 2018; Prastowo y Putriani 2019; Sarma 2016; Sethi y Sethy 2019; Huang y Zhang 2020). El índice final es sensible a la selección de ponderaciones. Si bien muchos estudios han hecho uso de métodos que implican la selección de pesos por parte del investigador (s), los esfuerzos recientes se han dirigido hacia el uso de enfoques como PCA donde los pesos son datos determinados (Mialou et al. 2017; Cámara y Tuesta 2017; Parque y Mercado 2018b; Yorulmaz 2018; Ahamed y Mallick 2019; Anarfo et al. 2019; Elsherif 2019; Sha’ban, Girardone y Sarkisyan 2020; Tranvía, Lai y Nguyen 2021). Teniendo en cuenta las ventajas de PCA, utilizamos este método para construir nuestro índice. En la siguiente sección, detallamos la metodología utilizada para construir el GFII.
3. MEDICIÓN DE GFII Y DFIF
3.1 Fuentes de datos y modelos de investigación
3.1.1 Datos
Utilizamos la Base de Datos Global Findex 2021 para medir el índice general de inclusión financiera de las mujeres para los años 2011, 2014, 2017 y 2021. Con base en los datos disponibles para hombres y mujeres, consideramos nueve indicadores para medir el GFII. Diferentes indicadores están disponibles en diferentes años, y el último año incluye más indicadores que años anteriores. Además, sobre la base de la disponibilidad de datos para diferentes economías para diferentes años, calculamos el GFII para 109 economías, ya que solo estas tienen datos consistentes para diferentes años.
3.1.2 Enfoque hacia la construcción de GFII y DFIF
En la literatura, se observa que el índice FI a menudo se construye utilizando los indicadores de infraestructura financiera, como el número de sucursales bancarias. Sin embargo, cuando consideramos la inclusión financiera de poblaciones vulnerables como las mujeres, tener infraestructura no implica necesariamente que las mujeres accedan a servicios financieros a través de la infraestructura actual. Teniendo en cuenta este importante aspecto, hemos considerado solo aquellos indicadores para construir índices que revelan el uso real de los servicios financieros.
Por lo tanto, hemos construido dos índices: el acceso digital y el acceso basado en métodos convencionales a través de, por ejemplo, sucursales físicas de bancos. Estos dos índices, a saber, el DFI y el CFI, son de hecho índices basados en el uso. Combinamos estos índices para llegar al índice FI general (FII). Estos índices se construyen para hombres y mujeres por separado como en el caso del índice de desarrollo de género del PNUD, y luego, en base a estos, llegamos al GFII. La Figura 2 presenta un diagrama de flujo metodológico de esto.
Los indicadores utilizados para calcular estos dos subíndices se presentan en la Tabla 1.
Es importante tener en cuenta que calculamos el FII para hombres y mujeres por separado considerando los indicadores para hombres y mujeres como se muestra en la Tabla 1, y llegando a los índices DFI y CFI por género.
3.2 Metodología PCA
El FII se calcula estimando un PCA de dos etapas:
• La primera etapa de PCA: Estimación de los dos subíndices, el DFI y el CFI, y los parámetros (α y β) en el sistema de Ecuaciones (2) y (3). Los estimamos utilizando los componentes principales como funciones lineales de las variables independientes. Estos dos subíndices se calculan para hombres y mujeres por separado.
• La segunda etapa de PCA: Al considerar el mismo procedimiento que en la primera etapa, estimamos los pesos de los dos subíndices y los combinamos. Llegamos al índice FII para hombres y mujeres por separado.
Para presentar el procedimiento de cálculo del GFII, ahora presentamos las notaciones FIIMi y FIIFi que representan el FII general para hombres y mujeres, respectivamente, para economía.
3.3 Índice FII estimado para mujeres
La Tabla 2 presenta las estadísticas descriptivas de los indicadores utilizados para medir el FII para el año 20212 Para asegurar que la escala en la que se miden los indicadores sea consistente, normalizamos los indicadores para cada índice antes de aplicar el factoring PCA utilizando la siguiente fórmula:
3.3.1 Resultados de la primera etapa de la ACP
Antes de realizar el análisis de ACP, evaluamos y aseguramos la validez de los datos. La validez se refiere a la cercanía de los valores medidos. Medimos la validez utilizando el índice de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett. Utilizamos STATA versión 14 (Stata Corp, College Station, TX, US) para realizar la prueba KMO y la prueba de esfericidad de Bartlett y, en ambos casos, encontramos que la ACP es apropiada para el análisis. Las estadísticas pertinentes figuran en el cuadro A2 del apéndice.
Para encontrar los pesos para estimar las ecuaciones (2) y (3), estimamos los valores propios mostrados en la Tabla 3 utilizando la técnica PCA. Sobre la base de Kaiser (1960), consideramos valores propios mayores que 1 para el análisis de componentes principales. La Tabla 3 muestra los valores propios de los componentes principales para ambos subíndices para hombres y mujeres por separado para 2021. Excepto por el primer componente principal (comp1 de ambos subíndices), ninguno tiene un valor propio mayor que 1. Por lo tanto, los primeros componentes se consideran para el análisis. Las ponderaciones obtenidas del análisis PCA se asignan al primer componente principal de cada subíndice. Las estimaciones son consistentes para los años 2011, 2014 y 2017 (véanse el cuadro A3 del apéndice, el cuadro A4 del apéndice y el cuadro A5 del apéndice).
La Tabla 4 muestra los pesos obtenidos de la información en los componentes principales y los valores propios correspondientes. Para el subíndice DFI, X1 (posee una tarjeta de crédito) y X2 (posee una tarjeta de débito) tienen pesos más altos que otros indicadores para hombres y mujeres. Por otro lado, para el subíndice CFI, X7 (ahorrado en una institución financiera) tiene pesos más altos que X6 (cuenta de institución financiera) y X8 (prestado de una institución financiera formal), aunque la diferencia es muy pequeña. Del mismo modo, presentamos los resultados para 2011, 2014 y 2017 en el Apéndice Cuadro A6, el Apéndice Cuadro A7 y el Apéndice Cuadro A8).
3.3.2 Resultados de la segunda etapa de la ACP
En la segunda etapa, llevando a cabo el mismo procedimiento que en la primera etapa, aplicamos el método PCA a los dos subíndices (DFI y CFI) para calcular sus ponderaciones en el FII global. En el cuadro 3 se muestran los resultados de las estimaciones de los componentes principales para el FII. Los resultados muestran que solo el primer componente tiene un valor propio mayor que 1 para hombres y mujeres. Por lo tanto, solo se considera el primer componente para el análisis. Los resultados de KMO en el cuadro A2 del apéndice muestran que el análisis de PCA es relativamente adecuado. De manera similar al método de la primera etapa, también se calcularon los pesos para ambas dimensiones, que se presentan en la Tabla 4. Al considerar los valores de las ponderaciones, encontramos que dos subíndices son igualmente importantes para explicar el nivel de inclusión financiera. Del mismo modo, estimamos el FII general para hombres y mujeres por separado para 2011, 2014, 2017 y 2021 para diferentes economías del mundo. Finalmente, siguiendo el procedimiento de estimación explicado en la Ecuación 4, calculamos el GFII.
3.4 Clasificación de las economías basada en diferentes índices
Al considerar el DFIF, observamos que Canadá; Hong Kong, China; los Estados Unidos; Israel; Nueva Zelanda; la República de Corea; Austria; Japón; el Reino Unido; y Finlandia asumen las diez primeras posiciones. Por otro lado, Afganistán, Pakistán, Irak, Sierra Leona, Guinea, Líbano, Tanzania, Benin, Burkina Faso y Zimbabwe ocupan las diez últimas posiciones. También encontramos que economías como Tailandia, Sri Lanka, India, Sudáfrica y Malasia se clasifican mejor en el CFI, pero más abajo en el DFI para las mujeres.
En el cuadro A9 del apéndice se presenta la clasificación de las economías según los valores estimados del GFII para las mujeres. El rango 1 indica que la economía es la mejor en términos de inclusión financiera para las mujeres y, posteriormente, los rangos más altos indican un menor nivel de inclusión financiera para las mujeres. La tabla muestra que, en 2021, las diez principales economías con la mayor inclusión financiera para las mujeres (según el índice GFII) en la muestra son Canadá; Hong Kong, China; los Estados Unidos; Australia; Nueva Zelanda; Israel; el Reino Unido; Alemania; Irlanda; y Japón. Es importante señalar que todas estas son economías de altos ingresos. Las diez economías con las inclusiones financieras más bajas para las mujeres en la muestra son Ecuador, Afganistán, Pakistán, Irak, Líbano, Guinea, Tanzania, Sierra Leona, Gabón y Benin. Curiosamente, entre las economías que pertenecen al grupo de ingresos altos o medios-altos, pero que aún tienen un GFII relativamente más bajo, se encuentran Ecuador, Irak, los Emiratos Árabes Unidos, Grecia y Arabia Saudita.
El cálculo posterior de la correlación de rango de Spearman para comprender la asociación a lo largo de los años revela que el coeficiente entre la clasificación de las economías en 2011 y 2014 es de 0.9427, que es estadísticamente significativo a un nivel del 1%. La correlación de rango entre 2014 y 2017 es 0.9446, que también es estadísticamente significativa en el nivel del 1%. La correlación de rango entre 2017 y 2021 es 0.9436 en el nivel de significación del 1%. Esto indica que las clasificaciones de las economías no varían mucho a lo largo de los años.
Para comprender los cambios en la clasificación en diferentes años con respecto al uso de la tecnología financiera, calculamos las diferencias en la clasificación de las economías de 2011 a 2021. Las diferencias positivas indican que la economía ha mejorado en términos de una mayor inclusión financiera para las mujeres de 2017 a 2021, mientras que las diferencias negativas indican un empeoramiento de las condiciones. Entre las 39 economías de altos ingresos, Italia; Uruguay; Chile; Hong Kong, China; Japón; Israel; España; Alemania; Estados Unidos y Polonia tienen las mayores diferencias positivas entre las clasificaciones. Por otro lado, Arabia Saudita, Suecia, Eslovenia, Países Bajos, Croacia, Emiratos Árabes Unidos, Lituania, Dinamarca, Bélgica y Malta muestran las mayores diferencias negativas. Entre las ocho economías de bajo ingreso, Malí, Uganda y Togo muestran las mayores diferencias positivas, mientras que Malawi, Sierra Leona, Burkina Faso y Afganistán confirman las mayores diferencias negativas. Entre las 31 economías de ingreso mediano bajo, Tayikistán, India, Senegal y Ucrania muestran la mayor mejora, mientras que Zimbabwe, Tanzania, Zambia y Filipinas experimentan la mejora más baja. Entre las 31 economías de ingreso mediano alto, Bosnia y Herzegovina, Kazajstán, Venezuela, Moldova, la Federación de Rusia, la República Popular China (RPC) y Bulgaria muestran la mejor mejora. Costa Rica, Ecuador, Kosovo, Mauricio y la República Dominicana experimentaron la menor mejora en la inclusión financiera femenina.
Finalmente, entre 109 economías, Bosnia y Herzegovina, Italia, Kazajstán, Venezuela, Malí, Tayikistán, Uruguay e India muestran la mayor mejora. En contraste, Costa Rica, Ecuador, Zimbabwe, Tanzania, Arabia Saudita y Malawi muestran la mejora más baja en la inclusión financiera para las mujeres. Por otro lado, Australia, Canadá, Portugal, Brasil y Malasia no muestran ningún cambio de clasificación de 2014 a 2021.
La construcción del DFIF y el GFII y la clasificación de las economías proporcionan información útil sobre la privación de género en términos de acceso financiero. Es interesante examinar si la falta de desarrollo de género en términos de educación, ingresos o capacidad para participar en programas sociopolíticos contribuye a dicha exclusión. Nos llevó a examinar cómo se relaciona nuestra GFII con el índice de desarrollo de género (IDG) y el índice de desigualdad de género (GII) ya establecidos de las respectivas economías.
3.5 Análisis regional del DFIF y el GFII de 2017 a 2021
Después de la clasificación por países, evaluamos el patrón de cambio regional del DFIF y GFII de 2017 a 2021. Un promedio simple se calcula utilizando los índices respectivos de las economías de una región para llegar al índice específico de la región correspondiente (Tabla 5).
La Tabla 5 muestra que las regiones más desarrolladas, incluidas Europa, América del Norte y Oceanía, obtuvieron buenos resultados en el DFIF y GFII. Por otro lado, África, América Central y América del Sur tuvieron el peor desempeño en ambos índices. Curiosamente, Asia tuvo un mejor desempeño que estas regiones, incluido Oriente Medio. Algunas regiones mejoraron sus puntajes entre 2017 y 2021 (a saber, África, Asia y América del Sur) en el DFIF durante el GFII. Por otro lado, América Central y Oriente Medio retrocedieron (en la clasificación) durante el mismo período y, por lo tanto, necesitan una atención especial por parte de los responsables de la formulación de políticas.
Mirando en particular a la región asiática, está claro que Asia oriental (incluidos Japón, la República Popular China y la República de Corea) tiene el mejor desempeño, mientras que Asia occidental (incluidos Afganistán, Irán e Irak, entre otros) es la peor según los datos de 2021 en la Tabla 6. En términos del índice general (GFII), se observaron mejoras en Asia oriental y Asia meridional, mientras que a las otras regiones les fue peor en 2021 que en 2017. Sin embargo, los índices digitales muestran mejoras en muchas de las subregiones de Asia.
3.6 Relación entre DFIF y GFII
Después de observar diferentes tendencias entre el DFIF y el GFII a lo largo de los años, es interesante examinar si existe alguna correlación entre el DFIF y el GFII. Como el DFIF se utiliza para construir el GFII, puede no ser apropiado calcular un coeficiente de correlación habitual entre estas dos medidas. Puede ser más adecuado calcular la correlación de rango entre economías para diferentes años sobre la base de estos dos índices. Nuestro cálculo revela que la correlación de rango entre dos índices es tan alta como 0.95 (o 0.98 o 0.99 o 0.99) para 2011 (o 2014 o 2017 o 2021). Estos coeficientes de correlación de rango a lo largo de los años también han sido estadísticamente significativos en el nivel del 1%. Esto indica que, si el rango de una economía basada en el DFIF es más alto, la misma economía también ocupa un lugar destacado en términos del GFII. Esto lleva a la conclusión de que el índice financiero digital basado en el género es importante para mejorar la inclusión financiera general de las mujeres.
Además, la Figura 3 demuestra que los componentes del DFIF están en aumento. La propiedad de tarjetas de crédito por parte de las mujeres, por ejemplo, aumentó del 17,5% en 2011 al 20,9% en 2021. Durante el mismo período, el número de mujeres que «hicieron o recibieron un pago digital» aumentó en aproximadamente un 17%. También se estima un aumento del 25% en la proporción de mujeres que «pidieron prestado dinero de una institución financiera formal o a través de una cuenta de dinero móvil» para 2021. La propiedad femenina de cuentas de dinero móvil aumentó del 2,6% en 2014 al 11% en 2021. La tendencia al alza muestra que la inclusión financiera femenina digital está aumentando gradualmente, y esto tiene un gran impacto en la inclusión financiera de las mujeres en general.
3.7 ¿Cómo se relacionan los índices DFIF y GFII con el IDG y el II?
La figura 4 muestra la asociación entre el Índice de Desigualdad de Género (IDG, las cifras más altas implican una mayor desigualdad) y el Índice GFII estimado. Una relación negativa entre los dos índices revela una mayor desigualdad de género asociada con una mayor exclusión financiera para las mujeres. El coeficiente de correlación entre estos indicadores es de –0,85 y es estadísticamente significativo (a un nivel del 1%). Sin embargo, desde la perspectiva de las economías en desarrollo, la República Popular China y la Federación de Rusia presentan una posición mucho mejor que Brasil y la India. Por lo tanto, la correlación parece variar entre y dentro de los diferentes grupos de economías separadas por ingresos. Por otro lado, una mayor desigualdad de género también se correlaciona con una mayor exclusión del índice de inclusión financiera digital.
Por otro lado, como era de esperar, se revela una relación positiva entre el IDG y el GFII estimado en la Figura 5. Esto implica que un mayor logro en las dimensiones básicas del desarrollo humano para las mujeres promueve una mayor inclusión financiera para ellas. El gráfico muestra que el GFII y el DFIF casi coinciden. Si comparamos gráficos similares para el año 2017 (gráficos que no se muestran debido a limitaciones de espacio), se puede observar otra característica interesante: a saber, las diferencias entre las dos curvas basadas en el GFII y el DFIF se han reducido en 2021 en comparación con 2017 (tanto en comparación con el IDG como con el Índice Mundial de Innovación). Esto establece cuantitativamente que, con el tiempo, el uso de los servicios financieros digitales domina para las economías de todo el mundo. El coeficiente de correlación entre estos dos indicadores es de 0,53, que es estadísticamente significativo a un nivel del 1%. Los resultados muestran que los componentes del Índice Mundial de Innovación (que comprenden la salud reproductiva, la participación política y en el mercado laboral y un mayor nivel de educación) tienen relaciones más compatibles que los componentes del IDG (que comprenden la longevidad de la vida, la educación básica y el ingreso per cápita) con la inclusión financiera de las mujeres. Podemos ver en la Figura 5 que niveles similares de valores del IDG entre las economías están asociados con niveles significativamente diferentes de inclusión financiera para las mujeres. Esto indica que el empoderamiento de las mujeres en términos de participación política y en el mercado laboral y niveles de educación más altos marcan una diferencia significativa en el logro de la inclusión financiera de las mujeres. Por otro lado, un IDG más alto indica una mayor inclusión en el DFIF.
Como siguiente paso, pasamos a un análisis más desagregado para ver si todos los componentes del desarrollo de género desempeñan un papel importante en la mejora de la FI. En segundo lugar, nos preguntamos si la infraestructura es una variable importante para determinar el GFII. Para investigar esto, empleamos un modelo de regresión de datos de panel para comprender el impacto de los diferentes factores de desarrollo a nivel de país en la inclusión financiera de las mujeres.
4. DETERMINANTES DE GFII
4.1 Especificación del modelo econométrico
Nuestro modelo econométrico para investigar los determinantes del GFII (así como el DFIF) toma la siguiente representación
4.2 Resultados empíricos
Las estadísticas resumidas para cada variable utilizada en las estimaciones de datos de panel se presentan en el cuadro A10 del apéndice. La dispersión alrededor de la media es mayor para el GFII, el DFIF y el ingreso nacional bruto per cápita para las mujeres. Esto implica una distribución menos simétrica para estas variables. Sin embargo, como el coeficiente de variación es más bajo para la esperanza de vida femenina al nacer, muestra una distribución más simétrica que otras variables.
La Tabla A11 del Apéndice presenta coeficientes de correlación simples para la variable de regresión. Los resultados muestran que el coeficiente de correlación entre la media de años de escolaridad femenina y la esperanza de vida femenina al nacer es alto (es decir, 0,77). Del mismo modo, el coeficiente de correlación entre la tasa total de fecundidad y la esperanza de vida al nacer para las mujeres es muy alto (es decir, -0,89). Young (2017) indicó que si el valor absoluto del coeficiente de correlación de Pearson es menor que 0.8, es menos probable que exista colinealidad. Por lo tanto, estimamos los factores de inflación de varianza (VIF) para variables independientes y los presentamos en el Cuadro A10 del Apéndice. Como los valores VIF de una regresión OLS agrupada están por debajo de 10, confirmamos que nuestros resultados de regresión están libres de multicolinealidad. Sin embargo, los coeficientes de correlación entre el DFIF y variables independientes como el promedio de año de escolaridad de las mujeres (es decir, 0,73) y el ingreso nacional bruto per cápita de las mujeres (es decir, 0,87) son altos. Por lo tanto, existe la posibilidad de que nuestros modelos de regresión sufran de endogeneidad debido a variables que no se consideran y que pueden incluirse dentro de los residuos, y que están correlacionadas con la variable dependiente y una variable independiente. Para resolver este problema, estimamos el análisis de regresión de mínimos cuadrados de dos etapas (2SLS) del panel.
En el cuadro 7 se presentan los resultados estimados. Como se mencionó anteriormente, la muestra del panel comprende 109 economías seleccionadas sobre la base de la disponibilidad de datos. El período cubierto para el análisis es 2011-2021. Los valores de significación de la prueba F y la prueba del multiplicador de Lagrange (LM) de Breusch-Pagan para la especificación del modelo indican que debemos elegir un modelo de efectos fijos (FE) o un modelo de efectos aleatorios (RE) para el análisis sobre un modelo de regresión agrupado. Las pruebas de Hausman se realizan para elegir entre los modelos FE y RE. Dado el valor chi-cuadrado estadísticamente significativo para el modelo de regresión, se elige el modelo FE para nuestro análisis. La prueba de Wald para heteroscedasticidad (chi-cuadrado) indica la presencia de heteroscedasticidad. El método de mínimos cuadrados generalizados factibles (FGLS) se emplea para la estimación para corregirlo. Considera automáticamente el efecto fijado por país, pero no incorpora el efecto temporal. El estimador FGLS es más eficiente que los mínimos cuadrados ordinarios en presencia de heterocedasticidad y correlaciones seriales y transversales (Bai, Choi y Liao 2021).
Ejecutamos el comando STATA «testparm» después de estimar un modelo de efectos fijos con maniquíes de tiempo para probar un efecto fijo en el tiempo. Los valores F estadísticamente insignificantes del efecto fijado en el tiempo rechazan el nulo de que los coeficientes para todos los años son conjuntamente iguales a cero y, por lo tanto, no se necesitan efectos fijados en el tiempo en este caso. Los valores de chi cuadrado de Wald en el modelo de regresión indican que, en general, el modelo de regresión exhibe una relación estadísticamente significativa entre variables dependientes e independientes.
Sin embargo, como comentamos anteriormente, nuestro modelo de regresión puede haber sufrido un problema de endogeneidad debido a una mayor correlación entre las variables explicativas y el término de error. Por lo tanto, utilizamos un enfoque de variable instrumental (IV) en un modelo de regresión 2-SLS. Como la prueba de heterocedasticidad IV, la estadística de prueba general de Pagan-Hall, es estadísticamente significativa al nivel del 1%, usamos la opción robusta con el comando ivreg2 STATA para obtener errores estándar robustos. Según los valores estimados del coeficiente de correlación, la media de años de escolaridad femenina y la renta per cápita femenina pueden ser variables endógenas cuando consideramos el DFIF como variable dependiente. Sin embargo, este no es el caso del GFII, donde los coeficientes de correlación para estas variables son pequeños y la endogeneidad no es un problema; por lo tanto, no estamos usando una regresión IV para el GFII. Por lo tanto, para la regresión basada en DFIF utilizamos el modelo IV-2SLS. El modelo de regresión IV-2SLS considera el producto interno bruto total per cápita como un instrumento para el ingreso per cápita femenino. Con la limitada disponibilidad de datos, podríamos considerar solo un instrumento para el ingreso per cápita femenino. Por otra parte, la media de años de escolaridad de las mujeres se instrumenta en función del nivel de enseñanza secundaria femenina.
Los resultados estimados se presentan en la Tabla 7. El valor chi2 estadísticamente significativo de la prueba de endogeneidad indica que el ingreso nacional femenino per cápita y el promedio de años de escolaridad femenino son variables endógenas. El estadístico LM estadísticamente significativo de la prueba de Kleibergen-Paap indica que nuestro modelo no está subidentificado. Las estadísticas de KleibergenPaap y Cragg-Donald son mayores que los valores críticos de Stock y Yogo 10%. Por lo tanto, también rechazamos la debilidad de los instrumentos. Como estamos utilizando un solo instrumento, no se realiza una prueba de sobre identificación. Sin embargo, como tenemos dos variables endógenas, consideramos dos modelos de regresión separados considerando una de ellas en cada modelo. Discutimos a continuación nuestros resultados de regresión.
4.3 Discusiones
Nuestros resultados de regresión muestran que el ingreso nacional bruto per cápita para las mujeres tiene un impacto positivo tanto en el GFII como en el DFIF en los modelos de regresión 1 y 2, respectivamente, revelando que la condición económica importa. En segundo lugar, el promedio de años de escolaridad de las mujeres y el ingreso nacional bruto per cápita tienen impactos estadísticamente significativos en la inclusión financiera general de las mujeres, es decir, el GFII y el índice de IF digital (DFIF). La importancia de la educación para la inclusión financiera también ha sido reiterada por otros estudios (ver Demirgüç-Kunt, Kane y Laeven 2014), que observaron que a menudo se encuentra que las mujeres están excluidas del sistema financiero debido a la falta de educación. Sin embargo, curiosamente, se revela que, si bien es necesario mejorar estas variables básicas de desarrollo para garantizar la IE, otros aspectos del desarrollo de género también contribuyen significativamente a la IF de las mujeres. Estos incluyen la proporción de escaños en el parlamento para mujeres y la tasa de participación femenina en la fuerza laboral. No hace falta decir que la participación en la fuerza laboral y las instituciones estatales empodera a una mujer, y esta falta de empoderamiento se ha señalado como un factor impulsor de varios efectos negativos sobre las mujeres en la literatura, incluida la inclusión financiera (Stewart y Samman 2014). Otro estudio sobre Bangladesh (Pitt, Khandker y Cartwright 2006) encontró que las mujeres empoderadas en términos de tomar decisiones de fertilidad tienen un mayor acceso al crédito (un componente importante de la inclusión financiera).
Como los movimientos de las mujeres a menudo están restringidos y las mujeres dedican una cantidad considerable de tiempo a las actividades domésticas, la disponibilidad de infraestructura financiera próxima marca la diferencia. Se puede observar que el número de sucursales de bancos comerciales por cada 100.000 adultos (sólo para el DFIF) y el número de cajeros automáticos por cada 100.000 adultos tienen un efecto positivo y estadísticamente significativo en las inclusiones financieras femeninas. En un estudio agregado (considerando tanto hombres como mujeres), se encontró que la densidad de cajeros automáticos y sucursales bancarias estaba estrechamente relacionada con un índice de inclusión financiera desde el lado de la demanda (Delechat et al. 2018). En un estudio específico por país, también se encontró que la distancia a las sucursales bancarias mejora la inclusión financiera de las mujeres en Perú, y este efecto fue más pronunciado que para la inclusión financiera de los hombres (Bermeo 2019). Sin embargo, en el presente estudio, cuando nos centramos en las mujeres, el número de cajeros automáticos tiene un impacto más positivo que las sucursales bancarias. Este hallazgo sugiere que las mujeres se están moviendo más hacia los servicios digitales. Además, en lo que respecta al indicador DFIF, la variable sucursal bancaria no es estadísticamente significativa, lo que implica que los servicios digitales como los proporcionados a través de cajeros automáticos son los más importantes. Este hallazgo es importante para las mujeres, especialmente aquellas que viven en áreas rurales y remotas, ya que la infraestructura física ya no importa en el uso de los servicios financieros. Se ha observado que la digitalización también ayuda con la inclusión financiera en otros estudios (Amidžić, Massara y Mialou 2014; Gammage et al. 2017; Banco Mundial 2020; Chen et al. 2021). Yeyouomo, Asongu y Agyemang-Mintah (2023) toman más variables relacionadas con fintech, incluida la disponibilidad de electricidad, para mostrar cómo reduce la brecha de género en la inclusión financiera. Pero este estudio se realiza solo para la región africana.
Curiosamente, el porcentaje de urbanización tiene un efecto negativo en el GFII. Una razón para esto podría ser que los pobres y los desfavorecidos desarrollan una aversión a la banca en las regiones urbanas (Bertrand, Mullainathan y Shafir 2006). Por ejemplo, una de nuestras encuestas de campo anteriores en la India que examinó la exclusión financiera urbana observó que los pobres y sin educación, principalmente las mujeres que trabajan por cuenta propia que tienen cuentas bancarias, desarrollan una aversión a la banca. Sienten que pueden no ser valorados como clientes debido a las transacciones más pequeñas requeridas por ellos (Rajeev y Vani 2017). Más importante aún, a menudo se ven abrumados por clientes relativamente acomodados y sofisticados, que representan una gran proporción de los depósitos en un banco urbano.
Otros indicadores que revelan el bienestar de las mujeres, como la esperanza de vida al nacer, aunque no sean significativos para el GFII, son positivamente significativos para el índice digital en regresión 3. Además, las economías que tienen mujeres con tasas de fertilidad más altas también indican su mayor nivel de compromiso con las responsabilidades del hogar, lo que las hace más dependientes de los servicios digitales (el coeficiente es positivamente significativo para el DFIF). Otro estudio Inter económico corroboró el hallazgo de que la esperanza de vida aumentó la inclusión financiera, posiblemente a través de una mayor conciencia y una mayor demanda de productos de seguros para el acceso a una mejor atención médica y una vida más larga (Datta y Singh 2019). Mientras que, en este estudio, el índice general no se vio afectado por esta variable, el índice digital sí lo fue, posiblemente indicando el movimiento hacia productos de seguros digitales.
Concentrándose aún más en los servicios financieros digitales, nuestros resultados indican que el promedio de años de escolaridad femenino tiene un efecto positivo y estadísticamente significativo (en el nivel del 1%) en el DFIF y el GFII. El coeficiente de 0,11 en el modelo de regresión 3 indica que un aumento del 10% en el promedio de años de escolaridad de las mujeres aumenta la inclusión financiera de las mujeres (medida por el GFII) en un 1,1%. Además, con la penetración de la tecnología digital, parece que las mujeres que están en la fuerza laboral también pueden usar los servicios financieros. Estas son tendencias prometedoras para el soporte de los servicios fintech. Los resultados son consistentes con los resultados estimados obtenidos de los modelos FGLS.
5. CONCLUSIONES E IMPLICACIONES POLÍTICAS
Este documento mide la inclusión financiera de las mujeres a nivel Inter económico para 2011, 2014, 2017 y 2021 utilizando la base de datos Global Findex del Banco Mundial. Para este fin, se ha construido una medida de IF basada en el género (GFII) basada en el índice de uso de servicios financieros digitales (DFI) y el índice de uso de servicios financieros convencional (CFI) empleando el análisis de componentes principales. Se identificaron ocho indicadores para incorporar, a saber, la propiedad de tarjetas de crédito, la propiedad de tarjetas de débito, poseer una cuenta de dinero móvil, pedir prestado dinero de una institución financiera formal o usar una cuenta de dinero móvil, realizar o recibir un pago digital, poseer una cuenta de institución financiera, ahorrar en una institución financiera y pedir prestado a una institución financiera formal. Para verificar la solidez de nuestro índice calculado, estimamos la correlación entre el GFII y las medidas existentes de desarrollo o privación de género, a saber, el IDG y el Índice Mundial de Innovación, y se encontró que los índices construidos estaban adecuadamente correlacionados. Nuestro análisis revela además los nombres de las economías que están progresando y las economías que están retrocediendo en términos de inclusión financiera. Finalmente, los determinantes del GFII se han identificado utilizando un modelo de datos de panel estático.
Los valores estimados del GFII muestran que las economías desarrolladas como Canadá; Hong Kong China; los Estados Unidos; Australia; Nueva Zelanda; Israel; el Reino Unido; y Alemania ocupa un lugar destacado en términos de inclusión de mujeres en el sistema financiero en 2021. Por otro lado, las economías en desarrollo como Ecuador, Afganistán, Pakistán, Irak, Líbano, Guinea y Tanzania ocupan un lugar muy bajo. Entre las economías de altos ingresos, Italia; Uruguay; Chile; Hong Kong, China; y Japón muestran un mayor progreso en la inclusión financiera de las mujeres. En contraste, Arabia Saudita, Suecia, Eslovenia, los Países Bajos, Croacia y los Emiratos Árabes Unidos muestran un progreso lento de 2011 a 2021. Durante el mismo período, Bosnia y Herzegovina, Italia, Kazajstán, Venezuela, Malí, Tayikistán, Uruguay e India muestran la mejora más notable entre todas las economías incluidas en el análisis. Costa Rica, Ecuador, Zimbabwe, Tanzania y Arabia Saudita muestran el logro más bajo en una comparación similar.
Se observó una fuerte correlación negativa entre el GFII y el Índice Mundial de Innovación (–0,85), lo que muestra que una mayor desigualdad de género se asocia con una menor inclusión financiera para las mujeres. Del mismo modo, la asociación positiva observada entre el GFII y el IDG indica que una mayor realización en las dimensiones básicas del desarrollo humano para las mujeres muestra una asociación con una mayor inclusión financiera para las mujeres.
Significativamente, los resultados muestran que los componentes del Índice Mundial de Innovación tienen relaciones más compatibles que los componentes del IDG con la inclusión financiera de las mujeres. Observamos que niveles similares de valores de IDG de las economías están asociados con niveles significativamente diferentes de inclusión financiera para las mujeres. Esto indica que el empoderamiento de las mujeres en términos de participación política y en el mercado laboral y niveles de educación más altos marcan una diferencia significativa en el logro de la inclusión financiera de las mujeres.
Entre las economías que están mejor situadas en términos de desigualdad de género (Índice Mundial de Innovación <= 0,1), se observa una variación considerable en términos de logros en la esfera digital de la inclusión financiera. Mientras que Canadá (DFIF = 4.22), Japón (DFIF = 3.22) y Nueva Zelanda (DFIF = 3.21) tuvieron niveles muy altos de inclusión financiera digital entre las mujeres, otros como Portugal (DFIF = 1.12), Croacia (DFIF = 1.07) y los Emiratos Árabes Unidos (DFIF = 0.55) todavía tienen mucho terreno por recorrer para mejorar el alcance de los servicios financieros digitales. Aunque estas economías han avanzado en la eliminación de la desigualdad para las mujeres en ciertas áreas, está claro que deben centrarse también en empoderar a las mujeres a través de la inclusión financiera digital. Por otro lado, las economías que tienen altos niveles de desigualdad de género (IDG > = 0,5) tienen niveles igualmente bajos de inclusión financiera digital para las mujeres. Por lo general, el índice de inclusión financiera digital para estas economías oscila entre –1 y –2. Sin embargo, también se pueden observar variaciones significativas en la IF digital para las mujeres entre las economías de rendimiento promedio. Por ejemplo, Tailandia y Ecuador tienen valores GII similares (0,333 y 0,362), pero el DFIF de Tailandia es de 0,32, mientras que Ecuador está muy por detrás con un DFIF de –2,27. Tal vez al mejorar la condición de las mujeres en el camino del desarrollo, los responsables de la formulación de políticas en diferentes economías prestan niveles marcadamente diferentes de atención al papel de los servicios financieros digitales, a pesar de que esta es una herramienta poderosa para empoderar a las mujeres y mejorar su participación y condiciones económicas. Existe la posibilidad de que las economías en etapas similares de desarrollo aprendan unas de otras a este respecto.
Por último, los modelos de datos de mínimos cuadrados generalizados factibles estimados (FGLS) y IV-2SLS indican que la esperanza de vida femenina al nacer, el promedio de años de escolaridad de las mujeres, el ingreso nacional bruto per cápita de las mujeres, la proporción de escaños en el parlamento para las mujeres, la tasa de participación femenina en la fuerza laboral, el número de sucursales de bancos comerciales por cada 100.000 adultos, y el número de cajeros automáticos por cada 100.000 adultos son factores importantes para mejorar la inclusión financiera femenina.
En lo que respecta a las políticas, sugerimos que las economías de ingresos bajos y medianos bajos deben tomar medidas prioritarias para que su sistema financiero sea más inclusivo para las mujeres. Se deben poner en marcha programas para mejorar la educación financiera de las mujeres para el uso de Internet, tarjetas de crédito, teléfonos móviles para pagos digitales y acceso basado en Internet a las instituciones financieras. Datos recientes muestran que el 48% de las mujeres usan Internet a nivel mundial, en comparación con el 58% de los hombres. Este escenario es marcadamente diferente para las economías desarrolladas en comparación con las economías en desarrollo.
Curiosamente, las economías que pertenecen al grupo de ingresos altos o medianos altos, pero que aún tienen un GFII relativamente más bajo, incluyen Arabia Saudita, los Emiratos Árabes Unidos, Lituania, Dinamarca, Costa Rica, Ecuador, Kosovo, Mauricio y la República Dominicana. Dado que el Índice Mundial de Innovación está estrechamente relacionado con la inclusión financiera de las mujeres, es necesario señalar el mayor nivel de educación y participación política y laboral de las mujeres en estas economías.
Nuestro estudio sugiere que India es una de las economías que avanza hacia un mayor nivel de inclusión financiera para las mujeres. El Pradhan Mantri Jan Dhan Yojana es un programa masivo de inclusión financiera en la India que fue introducido por el gobierno el 15 de agosto de 2014. Bajo este esquema, se abrieron 15 millones de cuentas bancarias el día de la inauguración. Un programa tan dedicado es, sin duda, responsable del éxito de la India para garantizar una mayor inclusión financiera para las mujeres. Puede ser una lección para otras economías en desarrollo como Zimbabwe, Tanzania, Zambia y Filipinas que no están progresando bien, para garantizar una mejor inclusión financiera para las mujeres. Nuestro estudio identifica las economías que necesitan atención a este respecto destacando su posición pasada y actual en términos del GFII. También encontramos que economías como Tailandia, Sri Lanka, India, Sudáfrica y Malasia se clasifican mejor en el CFI, pero más bajas en el DFI para las mujeres. Dadas las restricciones de movilidad que enfrentan las mujeres, estas economías pueden prestar atención a la inclusión financiera digital de las mujeres, que está a la par con su desempeño en la inclusión convencional basada en el modo.
Hoy en día, el mundo se está moviendo hacia el dominio de las tecnologías digitales en los servicios financieros. En particular, después de la pandemia de COVID-19, un gran aumento en los pagos digitales estimuló la inclusión financiera. Se evidencia que el uso de factores financieros convencionales ahora es suprimido por el uso de factores financieros digitales. Por ejemplo, el uso de una «cuenta de institución financiera femenina» aumentó en aproximadamente un 5% de 2017 a 2021. Al mismo tiempo, el indicador «pidió prestado dinero de una institución financiera formal o utilizó una cuenta de dinero móvil para mujeres» aumentó en aproximadamente un 25% en comparación con el 29% para los hombres durante el mismo período. Esta expansión abrió nuevas oportunidades económicas, redujo la disparidad de género en la propiedad de cuentas y fortaleció la resiliencia de los hogares para manejar mejor las crisis financieras. Por lo tanto, para impulsar la inclusión financiera de las mujeres, se deben realizar mayores esfuerzos para mejorar el acceso a los servicios financieros digitales, la educación digital, etc.
Finalmente, nuestro análisis sugiere que, para mejorar la inclusión financiera de las mujeres, es esencial un enfoque holístico de desarrollo de género que incluya un mayor nivel educativo, ingreso per cápita, participación en la fuerza laboral y participación política. Una mejor infraestructura financiera en términos de un mayor número de sucursales bancarias y, lo que es más importante, una mejor disponibilidad de cajeros automáticos ayuda aún más a las mujeres a acceder a los servicios financieros.
Publicado originalmente: https://www.adb.org/sites/default/files/publication/891516/adbi-wp1397.pdf