El presente Informe de Avance de la Consultoría “Estudio Construcción de un Simulador de la Economía Regional con Medición de la Situación Laboral de las Comunas de Atacama”, corresponde al desarrollo de la “Metodología para la Construcción de Información Económica y Laboral Adecuada para la Toma de Decisiones Públicas y Privadas para la Región de Atacama”, solicitada a GESTRA Consultores Ltda. (GESTRA) por la Corporación para la Competitividad e Innovación de la Región de Atacama (CCIRA) en el marco del Convenio de Transferencia entre el Gobierno Regional de Atacama y la Corporación para la Competitividad e Innovación de la Región de Atacama para, de manera concreta y efectiva, mejorar las condiciones de competitividad e innovación de diversos actores de la región, tanto en instancias públicas como privadas, que generen interacción en el desarrollo de actividades en función del progreso de la Región de Atacama.

ÍNDICE

Introducción 3 Organización del Presente Informe 7

Metodología de la Medición de la Situación Laboral en las Comunas 8 El Problema Principal a Resolver y su Contexto 8 Metodología para Levantar Datos y Construir Información para Conocer el Carácter Estructural de la Situación Laboral en las Comunas

10

El Estado Actual de la Tecnología de Estimación en Áreas Pequeñas 15 Un Análisis de Experiencias de Aplicación de SAE en Programas de Gobierno

20

Métodos de Aplicación SAE en este Estudio 25 Levantamiento de Información Primaria 26 Fuentes de Información Administrativa 27 Metodología de la Muestra 30 Periodicidad de la Encuesta 30 Diseño de Control de Calidad del Levantamiento de Datos y la Supervisión

31

Metodología de la Simulación de la Economía de la Región de Atacama 36 Análisis Exploratorio de Datos 39 Modelamiento del Simulador 40

Preparación de Datos Sobre la Fuerza de Trabajo en la Región de Atacama 44 Preparación de los Datos de la Estructura de Ingresos para el Modelo de Simulación

44

Preparación de los Datos de Mano de Obra Extranjera 45 Análisis de la Dinámica Productiva Regional a Través de la Matriz de Insumo Producto Regional

45

Método de Desarrollo de la MIPR 48 Método de Cálculo de la Inversión en Minería Proyectada y Ejecutada 50 Modelo de Imputaciones para el Simulador 53 Modelo de Proyecciones para el Simulador 56 Métodos para Determinar los Impactos de Catástrofes 58

Métodos para el Desarrollo de la Plataforma Electrónica del Simulador 61 Transferencia Tecnológica al Equipo CCIRA y Generación de Competencias: Simulador de la Economía de la Región de Atacama

65

Posibles Fuentes de Información 67 Gestión del Proyecto: Equipo y Cronograma 70 Referencias 72

INTRODUCCIÓN

El presente Informe de Avance de la Consultoría “Estudio Construcción de un Simulador de la Economía Regional con Medición de la Situación Laboral de las Comunas de Atacama”, corresponde al desarrollo de la “Metodología para la Construcción de Información Económica y Laboral Adecuada para la Toma de Decisiones Públicas y Privadas para la Región de Atacama”.

Para comprender de forma apropiada el estudio que se informa, es preciso explicitar el vínculo estrecho de la capacidad de anticipar la evolución de la economía regional, a partir de la información disponible, con el impacto que se observa en las dinámicas de empleo al nivel regional y subregional. Lo primero, corresponde a suplir una brecha en la información regional que permita dar cuenta del encadenamiento de las actividades productivas, organizadas sectorialmente de acuerdo al sistema de estadísticas internacionales y las normas del Banco Central, de modo de comprender aquellos aspectos en los que la actividad regional evidencia mayores niveles de estabilidad (composición sectorial del producto; niveles de especialización productiva regional comparada a la distribución de la actividad económica del país; tendencias observadas al crecimiento y especialización o decrecimiento de importancia de sectores productivos, entre otros) y dilucidar aquellas dinámicas que potenciarán el cambio futuro en la actividad productiva regional, tales como: tendencias de la inversión; comportamiento de precios relevantes; dinámicas de crecimiento económico de las principales economías del mundo, entre otras.

El objetivo es proporcionar información que permita a los decisores públicos y privados adoptar decisiones que incidan en aprovechar oportunidades que se abren, enfrentar debilidades que comprometen el futuro económico regional y, atenuar el impacto de situaciones previsibles fuera de control de los actores regionales.

En el ámbito público, el impacto mayor sobre la situación que afecta a las personas se verifica al nivel de la situación ocupacional. En ello, son relevantes aspectos como ocupación, desocupación y tamaño de la fuerza de trabajo, así como las condiciones laborales con relación a quienes podrían hacer parte de la misma. Al igual que en el ámbito económico, en la situación es posible diferenciar aspectos de mayor estabilidad en la fuerza de trabajo, coincidente con la distribución de actividad económica, pero con algunas diferencias asociadas a la intensidad de demanda de mano de obra por tipo de actividad. En ello, al menos en el corto plazo, las personas aprovechan oportunidades que la dinámica económica abre, por lo que existe una relación entre la dinámica económica prevista y la situación del empleo. En el mediano y largo plazo, la situación transforma la disponibilidad de mano de obra en un factor que facilita la locación de inversiones, con lo que la situación cambia, constituyendo a la fuerza de trabajo en un aspecto para la atracción de inversiones.

La capacidad de anticipar tendencias en el desarrollo económico regional es un factor que contribuye a la adopción de decisiones, frente a lo cual se levantan dos preguntas a las que el presente estudio contribuye. Cuáles es la estructura y dinámica económica regional (agregada a ese

nivel) y cuál es la estructura y dinámica de empleo a nivel regional y subregional. Para esto último, es preciso comprender la forma en que la producción estadística nacional genera los datos, los que se desarrollan a partir de modelos muestrales cuya representatividad alcanza al nivel regional, y por características del mismo muestreo, a las ciudades sobre 40.000 personas. Por ello, contar con capacidad de comprender y anticipar la evolución de la situación de empleo subregional, obliga a innovar en la forma en que se producen los datos y en la que aquellos se integran para dar origen a información. Dicha información, como se ha mencionado, se relaciona con procesos decisionales; esto obliga a comprender las dinámicas decisionales en el ámbito económico productivo y laboral.

La descentralización en Chile, como situara el Presidente Aylwin en su mensaje al dar inicio al proceso de descentralización nacional, representa entrar “a tierra ignota”, en la medida que la teoría y experiencia resultaba insuficiente al momento de dar inicio a un esfuerzo democrático de descentralización. Vista desde la perspectiva de las técnicas de gobierno, la descentralización no constituye un fin sino un medio, orientado a mejorar la capacidad de decidir y llevar a cabo las decisiones estatales y garantizar procesos de decisión que comprometan la voluntad pública, asegurando niveles de participación apropiados a cada tipo de decisión. Ello obliga a considerar que local no es sinónimo de territorio. Toda unidad de la división política del Estado constituye una unidad territorial de distinto orden de magnitud, al ser el territorio una de las dos dimensiones estructurantes de la realidad, lo que también compromete a la actividad política.

Es así, como un determinado espacio, por ejemplo el barrio en que vivimos es, simultáneamente comunal, provincial, regional y nacional si seguimos la división política del Estado. A cada una de estas unidades se corresponde un nivel de gobierno llamado a adoptar y gestionar decisiones. De allí que la pregunta central a la organización política del Estado sea: qué decisiones deben ser adoptadas a qué nivel, donde la pregunta exige considerar en su respuesta la combinación de capacidades de gobierno y gobernabilidad de cada instancia. Dicho en otros términos, la responsabilidad de decidir y gestionar acciones con autonomía se corresponde idealmente con aquellos problemas cuyo impacto es de alto valor para la unidad que adopta la decisión y para lo cual cuenta con capacidades técnicas y políticas para adoptar decisiones apropiadas y relevantes (capacidad de gobierno) y con atribuciones y recursos para hacerlo (gobernabilidad).

Al mirar el proceso incompleto de descentralización en Chile, en particular en el ámbito económico, se observa una alta centralización en los ámbitos regulatorios y aspectos activos de política económica como: dimensiones fiscales y tributarias; manejos de inflación y política monetaria, y; ausencia de políticas industriales. Ello sitúa el rol de gobiernos regionales en algunos aspectos asociados a la innovación y desarrollo, políticas de apoyo a la competitividad y fomento productivo con recursos distribuidos desde el nivel central y distintos niveles de apertura en aspectos de diseño, lo que habla más bien de niveles de desconcentración que de descentralización en éste ámbito.

Una situación parecida se observa en los ámbitos de políticas de empleo, donde las aspectos regulatorios son de decisión nacional y los aspectos de formación de capital humano y algunas políticas activas de empleo dependen parcialmente de decisión regional, si bien con niveles bajos de apertura en el diseño programático para incorporar especificidad regional. Esto, que pudiera

conllevar una queja marcada a las entidades nacionales por un inadecuado manejo de los procesos de centralización y descentralización, con desconfianza de las capacidades regionales, obliga también a situar las debilidades del nivel regional y subregional al nivel de capacidades de gobierno para fundar propuestas de descentralización en los ámbitos económicos y laborales, fundadas en un análisis apropiado de las diferencias interregionales y subregionales que obligan a diferenciar políticas, programas y proyectos para alcanzar niveles de eficiencia, eficacia y efectividad. En ello, el presente estudio apuntará a proveer información confiable de los ámbitos económicos y laborales actuales y proyectados para la región, e instrumentos que permitan la posterior sensibilización de los mismos. Junto a ello, la provisión de mecanismos y propuestas estilizadas de políticas para el desarrollo de proyectos y programas orientados a enfrentar los distintos nudos, presentes y futuros, que entraban el desarrollo económico regional y lo hacen feble al impacto de factores de contexto nacional e internacional.

Una atención particular reviste el análisis del impacto de sorpresas1 sobre el desarrollo económico regional. La combinatoria particular de destrucción de riqueza y aumento de actividad o producto que los desastres conllevan, exige un tratamiento particular, aún incipiente en el análisis económico internacional y ausente en la información económica regional. La alta frecuencia de dichos eventos en el país debiera constituir un imperativo para su incorporación en el desarrollo de iniciativas de sensibilización.

Con todos estos elementos, se espera que las autoridades de nivel regional y subregional puedan interactuar de modo proactivo en la delimitación de roles, responsabilidades y atribuciones con los otros niveles de gobierno, y con la ciudadanía que espera y demanda solución a problemas permanentemente postergados.

El presente informe es de carácter metodológico. Ello debe diferenciarse de la mera enunciación de una propuesta de método, a saber: Método, del latín met hodos refiere a secuencia de pasos en las que el encadenamiento de los pasos propuestos debe dar una respuesta al problema para el cual se define dicho proceso. Así, un buen método resuelve un problema. Cuando dicho problema se verifica en el ámbito de la información, el método se evalúa en torno a la capacidad de la secuencia de pasos de responder a la pregunta central que justifica el estudio. La metodología (estudio de métodos) supera los límites de la exposición de un método particular para situarse en el análisis de las opciones y la potencia de los métodos existentes, y el análisis de los requerimientos y posibilidades de innovación. Así, el desarrollo del presente informe se corresponde con una revisión del estado del arte en las formas de resolver los problemas planteados y las preguntas que fundan y justifican el estudio, en relación con los dos productos centrales solicitados. La búsqueda de información internacional se justifica dada la existencia de problemas importantes que plantea la proyección de información y la necesidad de reducir las iteraciones para alcanzar un producto de la calidad esperada. Lo mismo el análisis exhaustivo de la forma en que se produce información al nivel nacional, en particular por las fuentes oficiales y la comprensión de las fuentes no oficiales que recogen información, muchas veces de carácter funcional a sus propios propósitos pero que,

1 Eventos con baja probabilidad de ocurrencia y predicción pero con alto impacto distribuido

sometidas a estandarización con los propósitos del estudio, pudieran mejorar las estimaciones consideradas.

De lo dicho se desprende que la información provista no se corresponde con la aplicación del método o los métodos propuestos sino con el análisis de la forma y las razones por las que se ha llegado a dicho diseño. Esperamos que una lectura atenta del presente informe permita comprender la complejidad en juego y los matices que han dado forma a las opciones que se han tomado, y que serán determinantes de la precisión, oportunidad, sustentabilidad y calidad de la información y sistemas generados.

El Objetivo General del estudio es “Caracterizar y cuantificar la población de 15 años y más respecto de su situación en el mercado laboral en las capitales comunales de la región con menos de cuarenta mil habitantes, mejorando las capacidades del actual modelo de simulación de la economía y generando un simulador público de la economía regional”.

El estudio se divide en dos productos globales:

A. Medición de la Situación Laboral de las Comunas de la Región de Atacama

B. Construcción de un Simulador para la Economía Regional

Los objetivos específicos del primer producto global son:

1. Obtener antecedentes sobre la población total económicamente activa e inactiva de 15 años y más, por situación en la fuerza de trabajo ocupada y desocupada en línea con los nuevos conceptos y criterios de medición presentes en la NENE, entregando los resultados en trimestres móviles por un año.

2. Conocer niveles de la tasa de ocupación, desocupación en inactividad de las personas en edad de trabajar (PET) de las capitales comunales con menos de 40 mil habitantes.

3. Analizar los datos obtenidos según género, sector económico, comportamiento de la fuerza laboral potencial activa y escolaridad.

4. Difundir los resultados entre los actores relevantes que indicen en las políticas públicas como Seremías, Consejeros Regionales, Servicios y Municipios junto a actores privados.

Para el segundo producto global, los objetivos específicos son:

1. Realizar diagnóstico de la economía regional y levantamiento de información pertinente para el Simulador.

2. Realizar catastro de datos para mantener actualizado el Simulador de la realidad regional.

3. Disponer de una propuesta de variables pertinentes para el Simulador y que no se encuentran disponibles actualmente.

4. Disponer de un modelo de simulación (incluyendo la selección de variables y su parametrización).

5. Transferir tecnología al equipo de CCIRA.

Organización del Presente Informe

El informe se presenta en dos grandes apartados: el primero corresponde a la metodología para la medición de la situación laboral de las comunas de la región y, el segundo a la metodología de construcción del simulador. La presentación en apartados esperamos facilite la comprensión, sin limitar sinergias que podrían generarse de la interacción de las partes. La investigación en la metodología de medición de los impactos de catástrofes se presenta en el apartado correspondiente al simulador, si bien podría constituir un insumo para ambas partes. Como un aspecto transversal, se presentan al final los diseños correspondientes a las instancias de validación y a la transferencia tecnológica asociada a las innovaciones y productos generados en el curso del estudio. Acompañamos el texto con la presentación de los flujogramas, el cronograma y el equipo de trabajo.

METODOLOGÍA DE LA MEDICIÓN DE LA SITUACIÓN LABORAL EN LAS COMUNAS

El Problema Principal a Resolver y su Contexto

El desarrollo regional depende de manera directa de la actividad económico productiva que la región es capaz de lograr y de la forma en que su población participa de los beneficios de dicho desarrollo. Contar con una institucionalidad que contribuya de modo directo al desarrollo económico productivo regional en una dimensión articulada público-privada, así como a que las personas puedan aprovechar las oportunidades que dicho desarrollo genera será crítico y sus efectos encadenados serán observables en series de mediano y largo plazo. Sin embargo, la posibilidad de una acción efectiva en ambos dominios se encuentra estrechamente relacionada con la calidad de la información con que cuenta, medida en términos de oportunidad, calidad y confiabilidad. Sin embargo, hay dinámicas presentes en el mercado laboral que hacen compleja la construcción de esta información que, de no atenderlas, reduce la eficiencia, eficacia y efectividad de los procesos de toma de decisiones.

Primero, la configuración de una situación económica marcada por procesos de globalización, determina un incremento significativo de la rotación de personas por puestos de trabajo. Cada uno de nosotros pasará en el futuro por más de un puesto laboral, en que resultará crítico el ajuste de los perfiles laborales que hemos desarrollado respecto de lo que demandan quienes ofertan empleo. Asimismo, este proceso se ve impactado por el alto ritmo de desarrollo del conocimiento científico, de la difusión de este conocimiento y del cambio asociado a las influencias que permean una comunidad cada vez más globalizada.

Encadenado a lo anterior, la dinámica competitiva de la economía conlleva importantes niveles de cambios tecnológicos (duros y blandos) que transforman la forma de producir bienes y servicios. El proceso de transformación anotado conduce a la emergencia de nuevos requerimientos para la fuerza de trabajo, lo que simultáneamente lleva a que saberes pierdan significado y sean reemplazados por nuevas demandas. Todos en los próximos años nos veremos enfrentados a renovar nuestro acervo de conocimiento, habilidades y destrezas así como las actitudes que los desempeños esperados demandan.

De otra parte, es evidente que la necesidad de las empresas de encontrar personas que, por sus características, anticipen desempeños apropiados constituye un desafío a la gestión empresarial. Dicha situación se enfrenta con diversas estrategias y con base en la profesionalización de procesos, pero no todos los empleadores tienen la posibilidad de acceder a información oportuna, fidedigna y actualizada de las variables que inciden en el dominio de la gestión de personas, por lo que la búsqueda de personal constituye una de las funciones complejas a las que se enfrentan los empleadores. Ello conlleva importantes pérdidas cuyas consecuencias afectan a las empresas, las personas y la economía regional.

Aún más, la desocupación que ocurre genera importantes consecuencias personales y sociales y afecta al/la trabajador(a) y a su entorno familiar. La desocupación tensiona la red social y, cuando es masiva, deteriora la situación del entorno y la propia dinámica económica local.

Estas son algunas de las dimensiones que una institucionalidad potenciadora del desarrollo requiere atender para maximizar las posibilidades de incidir en el mercado laboral para mejorar las condiciones tanto para los individuos, como para sus familias y el mundo productivo. Al observar la realidad del país es posible constatar que no existen instrumentos de medición que permitan tener información o datos sobre la situación de empleo en las comunas más pequeñas. Más aun, ni siquiera existen evaluaciones o estudios que permitan entender cómo se compone la estructura de empleo regional, por ejemplo, no sabemos en qué comunas se concentra mayormente el desempleo o la inactividad.

Mientras el mercado entrega señales de corto plazo respecto de requerimientos ocupacionales, las instituciones formativas se orientan a atender los requerimientos de los estudiantes, quienes cuentan con información limitada del mercado del trabajo y sus tendencias y de la consistencia de las ofertas formativas con las ocupaciones que esperan alcanzar.

Esta realidad nacional se expresa en las regiones del país. Así, la pérdida de oportunidades de inversión o bien, la presión migratoria constituye un problema, que arriesga segregar a una fracción importante de la población actual de una región a empleos con baja remuneración, mientras económicamente, importantes sectores productivos crecen.

Si bien es cierto, el país cuenta con estadísticas poblacionales y de empleo de acuerdo a estándares internacionales, estas presentan limitaciones. El censo, por ejemplo, llega a toda la población, pero es poco frecuente y debe ser lo suficientemente simple para la auto-realización o la toma en poco tiempo. Las encuestas por muestreo pueden proporcionar profundidad, pero no desgloses detallados para los subgrupos. Preguntar directamente a los encuestados respecto de características en particular, produce información de alta calidad, pero impone costos tanto de la institución encargada de la encuesta y el tiempo del encuestado. La utilización de los datos administrativos no incurre en nueva carga para los encuestados, pero esta se limita a la información relacionada con el propósito administrativo específico que se busca con el registro.

Corregir esta situación requiere considerar que las instituciones públicas y privadas que utilizarían este tipo de información desagregada territorialmente, no han puesto mayores esfuerzos para su levantamiento, no porque no consideren que es necesario, sino por los altos costos que supone realizar esta indagación y principalmente, porque muchas veces existen dificultades para traducir estos datos en información útil y pertinente para la toma de decisiones.

La metodología y método que en adelante se exponen, se orienta a contribuir a la corrección de estos fenómenos sobre la base de generar la información pertinente a través de un estudio conducente a medir la situación laboral estructural actual de las comunas con menos de 40 mil

habitantes de la Región de Atacama. GESTRA busca, con este trabajo, innovar sobre el estado actual de la medición de empleo y desempleo en las comunas, aprovechando los últimos acontecimientos en estadística, generando no solo una primera estimación de empleo sino construyendo los fundamentos para incorporar mejoras futuras que resultan de la experiencia con los datos y los otros avances en la disciplina que se anticipan. El presente trabajo está en la frontera de desarrollo de las disciplinas relacionadas.

Metodología para Levantar Datos y Construir Información para Conocer el Carácter Estructural de la Situación Laboral en las Comunas

De acuerdo a la solicitud levantada por la CCIRA, esta parte del estudio tiene como propósito contar con información confiable que permita comprender estructuras de empleo regional, actuales y futuras, en comunas de menor tamaño relativo, consistentes con estándares técnicos definidos por INE.

Lo anterior obedece a la constante necesidad de comprender qué se esconde bajo las cifras agregadas entregadas y así, poder direccionar las políticas públicas para mejorar las condiciones laborales tanto de los individuos y sus familias como para las empresas que requieren contratar trabajadores.

La medición de la situación laboral de las comunas de Atacama comienza con un análisis exhaustivo del estado de arte en medición de estadísticas en zonas pequeñas, incorporando la revisión de la metodología desarrollada por el Ministerio de Desarrollo Social (MINDES), para la determinación de indicadores de pobreza (2011 y 2013) y las aplicaciones internacionales en temas de salud, empleo y medio ambiente, entre otros, en la generación de estadísticas para áreas pequeñas.

En paralelo se incorpora el estudio y análisis de la situación de empleo actual de la región, proveniente de la Nueva Encuesta Nacional de Empleo (NENE) y del Censo 2012. Esto permite tener una mirada de conjunto y agregada de qué es lo que pasa en el territorio. Si bien es cierto el Censo 2012 no es un instrumento oficial (dados los problemas que este presentaba y que fueron ampliamente discutidos en la prensa nacional) será utilizado respecto a los datos efectivamente levantados y sirve para determinar similitudes entre comunas que tenderán a ser más actuales que aquellas levantadas hace más de 10 años en el Censo 2002. Análogamente, el análisis de la NENE nos permite posteriormente comparar los resultados de la estimación comunal para establecer las proporciones de correspondencia de cada comuna sobre el total regional.

El conjunto del análisis de la experiencia nacional e internacional, el análisis de las fuentes de datos auxiliares y de la Nueva Encuesta Nacional de Empleo, permitirá formalizar el modelo a utilizar y en consecuencia se podrán determinar tanto la muestra como las variables que serán sujetas a un cuestionario que complementará, tanto las estadísticas recabadas por el Censo 2012 como aquellas recabadas por la NENE. Lo anterior implica que el cuestionario debe incorporar los aspectos

levantados por CCIRA en las bases técnicas, es decir, debe incorporar los conceptos según como son definidos por INE sin perjuicio de levantar datos que complementen aquellos conceptos.

Paralelo al desarrollo del cuestionario, será necesario diseñar el sistema de control de calidad de las encuestas y el método de supervisión para el proceso. Esto deberá ser realizado posterior a la toma de decisión de la periodicidad de la encuesta, que se detalla en el apartado siguiente.

Mediante la realización del pre-test se permite probar el cuestionario encuestando a una muestra más reducida. Esta prueba nos indicará si es necesario modificar o no el vocabulario utilizado, o si se debe incorporar más preguntas que cierren interpretaciones e incluso si es necesario modificar el mecanismo de muestreo. Una vez ajustado nuestro instrumento, será posible desarrollar la encuesta en la periodicidad determinada como pertinente.

El levantamiento de los datos conduce a la construcción de un documento de síntesis que incorpora el desarrollo de indicadores específicos que alimentan la toma de decisiones, y un análisis de acuerdo a variables como: género; grupos etarios; sector económico; nivel de escolaridad y; situación en la fuerza de trabajo, entre otros.

Dadas las características de algunas preguntas de la NENE, se pretende incorporar en el nuevo cuestionario aspectos como la especialización sectorial de la educación recibida por el encuestado. Esto permitirá saber no sólo el sector en el que trabajan sino qué tipo de estudios recibieron más allá de identificar sólo el último nivel cursado o aprobado.

El documento de síntesis será entregado al mes siguiente de cada medición, comprometiendo la entrega de un informe de síntesis por trimestre levantado. Por otro lado, una vez recopilados los datos de los cuatro trimestres, se procederá a la propuesta de políticas públicas para cada nivel territorial subregional con focalización en empleo.

En paralelo a la construcción metodológica previamente señalada, se analizarán fuentes de inversión para establecer el nivel de incidencia que esta podría tener en el empleo regional. Un obstáculo grande a este análisis es de subdividir la inversión en territorios más pequeños. Frente esta dificultad, se propone estimar al nivel regional, para posteriormente idear la forma técnica de derivar en el impacto comunal de la inversión (para ver una descripción más detallada sobre la estimación de inversión, ver los métodos del simulador).

FLUJOGRAMA DE PROYECTO MEDICIÓN DE LA SITUACIÓN LABORAL DE LAS COMUNAS DE ATACAMA

Análisis del Estado de Arte en Medición de Empleo en

Zonas Pequeñas, Nacional e Internacional

Selección de Variables a utilizar del

cuestionario NENEAnálisis del cuestionario y

bases de datos NENE

Desarrollo del Proceso de Encuesta

Desarrollo Cuestionario Compatible con las Fuentes Secundarias

Seleccionadas

Análisis de la Inversión y Producto Anual Respecto de los

Resultados de Empleo Finales del Estudio

Prueba Piloto de Encuesta

Método de Medición de la Situación Laboral de

las Comunas de Atacama

Selección de Variables a Levantar

Cálculo de la Muestra y Zonas de Encuesta

Determinación de Periodicidad con la

Cual se Desarrollará la Medición

Ajustes

Compendio Estadístico con los Resultados (absolutos, porcentuales, indicadores, etc.) por Periodo Propuesto

Reunión de Ajuste Metodológico y Validación de Cronograma de actividades con el Comité Asesor Técnico (CAT)

Cálculo de Materialización de Inversión Anual

Efecto de la Inversión y Producto sobre el Empleo Regional

Análisis de Resultados del Modelo de Simulación de la Economía de la Región de

Atacama

Análisis de Matriz de Insumo Producto Regional

Informe Final del Estudio con el Modelo,

Resultados y Recomendaciones

Recomendaciones de Política Pública

Reuniones Periódicas con el ATE del Estudio y el Equipo CCIRA

Lanzamiento de los Resultados del Estudio

Capacitación de Equipo CCIRA y Actores Relevantes Sobre la Usabilidad de la Información

Análisis de Especialización en Regiones que

Presentaron Catástrofes

Grupos focales para complementar

análisis de resultados

Análisis de Bases de Datos Auxiliares

Gestión de Bases de Datos Auxiliares

Capacitación Equipo CCIRA y Actores Públicos

Regionales Relevantes Actualización Datos

Revisión registro de banco de datos personales del

Registro Civil

Análisis de las Comunas de la Región de Atacama con

base en el Censo 2012

Diseñar Sistema de Control de Calidad y

Método de Supervisión del Proceso de

Encuestas

Análisis Inversión Extranjera Directa

Análisis Inversión Nacional a través del SEA, CBC o

Contraloría General de la República

TABLA ACTIVIDADES PRODUCTO

Actividades Producto Revisar Literatura Nacional e Internacional de Medición en Zonas Pequeñas

Modelo para Medir Situación Laboral de las Comunas de Atacama

Gestionar Bases de Datos Complementarias

Selección de datos y fuentes a utilizar como auxiliares y principales. Selección de variables a levantar y aspectos a precisar

Analizar las variables laborales de encuestas CASEN, NENE y ENE y sus resultados

Analizar las otras fuentes de datos por su capacidad de informar la situación laboral comunal

Analizar Mapas Muestrales Censo y Método Muestral NENE

Definición de la periodicidad, calendarización del levantamiento y diseño muestral

Analizar el Procedimiento de Cálculo de Indicadores de Pobreza Comunales MINDES

Formalización del Modelo de Medición Situación Laboral Comunal

Proceso de Modelar Compatibilización de los datos

Modelación Exploratoria

Ajustes al Modelo

Generar un Manual para Encuestadores desde los manuales existentes

Manual para encuestadores y Manual para la actualización de la situación laboral de las comunas de la Región de Atacama

Desarrollar un Manual de Actualización de la Situación Laboral Comunal

Diseño Comunicacional del Manual de Actualización de la Situación Laboral Comunal

Construir Instrumento para Levantar Información

Levantamiento de la Encuesta Complementaria de Empleo

Revisión y ajuste por otro experto

Determinación de la Muestra Comunal

Testear Instrumento y Muestra (Pre-Test)

Ajustar Instrumento y/o Muestra

Encuestar a la Población Seleccionada

Desarrollar Grupos Focales para completar análisis de situación laboral

Análisis de los problemas centrales que hay que abordar a nivel local y las alternativas de intervención para las distintas escalas Propuesta de políticas públicas para abordar

problemas de empleo a nivel comunal Generar en Gabinete Propuesta de Políticas Públicas Asociadas a la Situación Laboral

TABLA ACTIVIDADES PRODUCTO

Actividades Producto Analizar Literatura Disponible Sobre Efectos de la Inversión en Empleo

Calcular los Efectos de la Inversión en el Empleo

Estudiar los Mecanismos de Traducción de Impacto en el Empleo Local

Modelar Incidencia de la Inversión en el Empleo Regional

Diseñar y desarrollar Capacitación Equipo CCIRA y Actores Públicos Regionales Relevantes sobre Actualización Datos

Transferencia tecnológica Capacitar Equipo de CCIRA y Actores Relevantes sobre la Usabilidad de la Información

Diseño y Gestión del Evento de Lanzamiento de Resultados Seminario lanzamiento de los resultados del

estudio Diseño del informe publicable

Imprimir Informe Publicable

El Estado Actual de la Tecnología de Estimación en Áreas Pequeñas

En respuesta a la necesidad de las políticas públicas de tener información de áreas o dominios pequeños, se hace necesario el desarrollo de una estrategia global para la generación de estimadores de alta calidad en un contexto de áreas pequeñas, que permita entregar este tipo de información y que no requiera presupuestos prohibitivos para su estimación.

Como se mencionó anteriormente, este estudio considera la medición de la situación actual del empleo, con énfasis en la caracterización estructural del empleo comunal, que permita generar una idea del comportamiento comunal respecto del regional. Ello permite que las mediciones puedan realizarse con menor frecuencia, reduciendo los costos sin comprometer la capacidad de orientar las políticas públicas.

El término área o dominio pequeño refiere a una población para la cual las estadísticas confiables no pueden ser producidas debido a ciertas limitantes de los datos disponibles. Las estimaciones en base a métodos estándar son inadecuadas, debido a que si la muestra de la subpoblación es pequeña, entonces el estimador directo tendrá una alta variabilidad, lo que hace que éste sea muy impreciso. Ejemplos de dominio son un área geográfica, grupo demográfico o un grupo demográfico dentro de una región geográfica, etc.

Los problemas para obtener datos confiables directos para áreas pequeñas pueden deberse a que el diseño muestral apunta a proveer estadísticas confiables para áreas más grandes sin atender adecuadamente a las áreas pequeñas, de bajo interés para el nivel central pero creciente a niveles más desagregados de los procesos de adopción de decisiones. Por otro lado, existen otras limitantes como el presupuesto, tiempo disponible y la necesidad cronológica de la producción de las estadísticas.

La literatura sugiere diversas estrategias de diseño muestral para incorporar factores que influyen en la calidad de los datos en presencia de áreas pequeñas. Si bien estos cambios en los diseños muestrales pueden mejorar el rendimiento de los estimadores directos provenientes de encuestas en

Los datos son la mínima unidad semántica pero por sí solos son irrelevantes para la toma de decisiones. Los datos poseen un valor perenne dado que siempre alguien puede estar interesado en el valor que una variable tomó en un momento específico. Estos pueden provenir

de distintas fuentes, pudiendo ser de carácter objetivo o subjetivo; de tipo cualitativo o cuantitativo.

En cambio, la información es el conjunto de datos procesados y que tienen un significado en la medida que responden a interrogantes relacionadas a la adopción de decisiones (oportunidad, relevancia, propósito y contexto). Es importante atender a la oportunidad, dado que un dato obtenido con rezago puede distorsionar la percepción del comportamiento de una variable y conducir a errores de diseño y gestión.

DATOS VS INFORMACIÓN

Los datos son la mínima unidad semántica pero por sí solos son irrelevantes para la toma de decisiones. Los datos poseen un valor perenne dado que siempre alguien puede estar interesado en el valor que una variable tomó en un momento específico. Estos pueden provenir

de distintas fuentes, pudiendo ser de carácter objetivo o subjetivo; de tipo cualitativo o cuantitativo.

En cambio, la información es el conjunto de datos procesados y que tienen un significado en la medida que responden a interrogantes relacionadas a la adopción de decisiones (oportunidad, relevancia, propósito y contexto). Es importante atender a la oportunidad, dado que un dato obtenido con rezago puede distorsionar la percepción del comportamiento de una variable y conducir a errores de diseño y gestión.

DATOS VS INFORMACIÓN

áreas pequeñas, estas siguen siendo problema debido a que algunos de estos cambios pueden ser muy costosos de implementar.

En la literatura especializada, se encuentran tres tipos de estimadores de un parámetro. Están primero los denominados “directos”, que corresponde a aquellos basados únicamente en los datos de la muestra asociada a un área pequeña determinada, es decir, aquellos provenientes de la NENE. Por otra parte, se encuentran los “indirectos” que están basados en información que no está asociada a la muestra de dicha área pequeña. Dentro de estos últimos, se encuentran aquellos denominados “sintéticos” que combinan de diversas formas datos de encuestas u otras fuentes (Rao 2003), por ejemplo, datos administrativos, estadísticas vitales, etc. Finalmente, se encuentran los estimadores “compuestos”, que corresponden a la combinación de los dos antes descritos.

Para reducir los errores muestrales de datos que provienen de encuestas por muestreo, uno puede combinar esta información con registros administrativos o censales e incluso encuestas anteriores. Sin embargo, cuando preocupan errores que no son de muestreo, por ejemplo, cuando se utilizan los registros administrativos o censales para producir estadísticas de áreas pequeñas, se puede considerar una encuesta relativamente menor con un mayor control de errores de muestreo en conjunto con la encuesta más grande o con los registros administrativos.

Para las estimaciones en zonas pequeñas es clave considerar la selección de método que permita combinar información a partir de las distintas fuentes disponibles. Una de las aplicaciones más conocidas de la técnica de estimación en áreas pequeñas, es la construcción de mapas de pobreza generados para distintas unidades geográficas. Estos mapas son una herramienta útil para la visualización de la información que ayuda no sólo a responsables de las políticas públicas, sino también para el público no experto. Este tipo de mapeo de información puede ser perfectamente replicable para el caso de las estadísticas de desempleo.

Desde 1993, Estados Unidos utiliza el Small Area Income and Poverty Estimates (SAIPE), herramienta informática y estadística gratuita que permite proveer información georreferenciada sobre ingresos y pobreza a nivel de estado, condado y distrito. Este software utiliza como base el modelo desarrollado por Fay-Herriot con algunas modificaciones y es actualmente utilizado para estimar las cifras oficiales de pobreza y para asignar fondos públicos entre localidades. El modelo de base para el sistema es una técnica estadística que permite calcular estimadores asociados a áreas pequeñas, como un promedio ponderado de un estimador sintético y de un estimador directo.

Por otra parte, el Banco Mundial utiliza el método ELL (elaborado por Elbers, Lanjouw y Lanjouw 2003) para el desarrollo de los mapas de pobreza. Este método combina información proveniente de las encuestas de hogares y censos. El objetivo es contar con estimaciones de pobreza en función de una medida de bienestar como el ingreso o el consumo, pero a mayores niveles de desagregación. El método de ELL consiste en estimar modelos de ingreso (consumo) con información proveniente de las encuestas de hogares, considerando como variables explicativas solamente aquellas que se encuentren también en el censo. El resultado son estimaciones sintéticas de las

desagregaciones geográficas, aún en zonas donde no se dispone de datos provenientes de encuestas.

Molina y Rao (2010) proponen un método para generar mapas de pobreza que utiliza datos provenientes de encuestas y datos censales. Este es bastante similar al propuesto en ELL, a excepción de la inclusión de un efecto aleatorio específico para cada área pequeña.

La selección del método a utilizar es una de las preocupaciones centrales y dependerá de las necesidades específicas del país. Por ejemplo, si la mayoría de las áreas pequeñas no tiene muestra o la muestra es muy pequeña, y además no existen errores no muestrales atribuidos a la vigencia de los datos del censo o a la comparabilidad de las variables explicativas entre la encuesta y el censo, ELL podría ser un método adecuado. Sin embargo, en presencia de errores muestrales atribuidos a la obsolescencia de los datos muestrales o a discrepancias evidentes entre variables de censo y la encuesta, el método de Molina-Rao podría ser una opción, siempre y cuando la mayoría de las áreas pequeñas dispongan de algunos datos muestrales.

Para responder a la necesidad de estadísticas de pobreza en áreas pequeñas el año 2011 el Ministerio de Desarrollo Social en conjunto con el Programa de las Naciones Unidas para el Desarrollo (PNUD) en Chile, dio inicio a un proyecto de investigación para el desarrollo de una metodología de estimación para áreas pequeñas a partir de los datos de la Encuesta CASEN 2009 y que sería replicable en versiones posteriores. Este proceso contó con la participación de Partha Lahiri, quien ha trabajado en la implementación de metodología de estimación para áreas pequeñas en diversos países.

El modelo resultante de esta investigación se basa en aquel desarrollado por Fay y Herriot, pero integra a la vez las mejores prácticas disponibles en la literatura reciente. En el contexto chileno y considerando la diversidad de técnicas disponibles, se estipularon los siguientes requisitos a exigir a los estimadores de áreas pequeñas basados en el modelo:

a) El estimador de pobreza basado en un modelo debe maximizar el uso de los datos provenientes de la encuesta;

b) En áreas pequeñas con un tamaño de muestra grande, este estimador de pobreza debiera ser cercano al estimador directo de pobreza proveniente de la encuesta.

c) Cuando se agreguen las estimaciones de pobreza para áreas pequeñas a una zona mayor, el resultado debiera coincidir con la estimación directa asociada a esta área geográfica mayor, ya que esta última estimación se considera insesgada y más confiable.

Las exigencias anteriores, parecen perfecta y razonablemente aplicables al caso del desempleo. Es decir, esperamos que la suma de las estimaciones de empleo y desempleo coincida con el estimador directo de estas variables para la región. Sin embargo, consideramos que dada la baja

representatividad de la mayor parte de las comunas que componen la región, el estimador sintético regional (suma de las estimaciones de áreas pequeñas), deberá por lo menos encontrarse dentro del intervalo de confianza del estimador directo para la región.

El método propuesto por el MINDES utiliza el estado del arte en metodología de estimación empírica bayesiana, la cual ha demostrado mejorar las estimaciones directas en numerosos estudios (e.g. Efron y Morris, 1975; Fay y Herriot, 1979; Bell et al., 2007). La investigación del equipo del Ministerio de Desarrollo Social logra encontrar mejoras similares en el contexto chileno, en términos de reducción del largo de los intervalos de confianza para la mayor parte de las comunas en las muestras de CASEN 2009 y 2011.

A pesar de los esfuerzos desarrollados por el equipo de investigadores, estos señalan la necesidad de una estrategia integral para la estimación de áreas pequeñas en la cual se deben dedicar esfuerzos, tanto a la etapa de diseño muestral como a la de estimación. De otra parte, recalcan que si bien esto es un avance que mejora los estimadores comunales, estos no carecen de errores muestrales y no muestrales. Si bien los estimadores resultantes son más robustos también están sujetos a cierto nivel de imprecisión.

Es posible aplicar el análisis de áreas pequeñas al desarrollo de estimadores de distinto tipo. Estimadores de áreas pequeñas típicos son pobreza, ingreso e indicadores de empleo, salud y negocios. Hidiroglou (2007) desarrolla un análisis de la teoría y aplicación de la estimación de áreas pequeñas en Canadá. El autor desarrolla estimadores sintéticos y compuestos, presentando un modelo para la estimación directa e indirecta. Sus resultados se enfocan en la división de dos tipos de estimadores, aquellos conocidos como a “nivel de área” y a “nivel de unidad”. Los estimadores se basan en cálculos a nivel de área si los modelos vinculan small area means de la zona de interés con las variables auxiliares de áreas específicas. De otra parte, se basan en los cálculos de nivel de unidad, si los modelos vinculan valores unitarios de interés para variables auxiliares específicas de la unidad. Los estimadores basados en el área se calculan si no hay datos de área a nivel de unidad. También se pueden calcular si están disponibles los datos de área a nivel de unidad resumidos en el nivel de área apropiado.

Dentro de las aplicaciones que identifica el autor se encuentran el uso del modelo de área a la Encuesta Canadiense de Salud Comunitaria, para estimar la proporción de abusadores de alcohol en una localidad. Posteriormente analiza el uso del modelo de unidad para la estimación de ganancias promedio semanales a través de la Encuesta Canadiense de Nómina de Empleo y Horas. Se discute también la utilización del modelo de Fay-Herriot para mejorar la confiabilidad de los estimadores debido a la sub y sobre-cobertura. Finalmente, discute la aplicación de un modelo de selección cruzada y series de tiempo para estimar desempleo en áreas más pequeñas que la provincia.

Cualquier técnica estadística de estimación de parámetros para pequeñas sub-poblaciones es considerada como SAE. Estas se hacen necesarias cuando el tamaño muestral no es suficiente y se hace imposible el uso de otro tipo de estimadores debido al tamaño de los errores asociados a las estimaciones2.

Como se menciona anteriormente, el principio básico que opera detrás de la utilización de estas técnicas es la construcción de parámetros para subpoblaciones con la menor varianza posible respecto de la población en cuestión. Por ejemplo, en el caso de la Región de Atacama, esto correspondería al cálculo de la tasa de desempleo por comuna, esperando que la tasa de desempleo derivada del cálculo de los parámetros a través de SAE esté dentro del intervalo de confianza de la tasa de desempleo regional derivada de la NENE.

Las diferencias entre los métodos tienen que ver con los datos y modelo con el cual se calculan. En el primer caso se pueden utilizar los datos que recoge la NENE (estimador directo); se pueden utilizar fuentes auxiliares (estimador sintético); o se puede mezclar ambos estimadores resultando en un estimador compuesto. Este último estimador permite evitar el sesgo del estimador sintético y la inestabilidad del estimador directo (Ghosh and Rao 1994, Corcuera 2002, Hidiroglou 2007).

En el segundo caso, existen dos modelos, aquellos asociados a área y aquellos que se asocian a la unidad (Ghosh and Rao 1994, Corcuera 2002, Hidiroglou 2007). Los primeros son aquellos donde

la información auxiliar , �⃗� = (𝑥1, … , 𝑥𝑝), que se emplean es del área o subpoblación, dicha

información debe estar para todas las áreas, sean estas muestreadas o no. Es decir, este primer modelo asume que la media en la subpoblación es la variable objeto de interés �̅�𝑖, o una cierta función de ésta, 𝜃𝑖 = 𝑔(�̅�𝑖), está en relación con las variables 𝑥𝑖⃗⃗⃗⃗ a través del modelo lineal con efectos aleatorios.

En el segundo caso, los valores de las unidades poblacionales, 𝑦𝑖𝑔 – referido a la unidad 𝑔 del área

𝑖 – están relacionadas con variables auxiliares 𝑥𝑖𝑔⃗⃗ ⃗⃗ ⃗⃗ a través del modelo lineal con efectos mixtos.

Aquí, se asume que los datos muestrales obedecen al modelo poblacional en que se conocen las

medias de las variables auxiliares para las áreas 𝑋𝑖⃗⃗⃗⃗ . Es decir, en ese modelo, el diseño muestral es

ignorable o en su defecto no existe sesgo de selección, lo que se cumple, en otros casos, cuando todas las unidades de la misma área tienen la misma probabilidad de selección (Azula and Garrido 2004).

En la determinación de los parámetros que aparecen en ambos modelos, existen dos enfoques. El clásico, también llamado frecuentista, se basa en el muestreo repetido, es decir, en la simulación del experimento repetidas veces y la extracción de inferencias de valores de los parámetros.

2 Instituto Vasco de Estadística Eustat “Estimación en Áreas Pequeñas. Una Aplicación a la Encuesta Industrial de la Comunidad Autónoma de Euskadi”

De otra parte, el enfoque bayesiano se basa en un modelo de probabilidad para los datos y unas distribuciones a priori para los parámetros - éstas incorporan información a priori sobre los parámetros. Los parámetros a estimar se consideran variables aleatorias y la inferencia para los mismos se basa en su distribución a posteriori, esto es, condicionada a los datos observados. El enfoque bayesiano condiciona sobre los datos y replica sobre los parámetros.

Dada la subjetividad de la distribución a priori que se utiliza en el enfoque bayesiano, este no había gozado de mucha aceptación en el mundo académico. Sin embargo, hoy en día se ha incorporado a distintas áreas, teorías y a la práctica estadística, más que nada porque tiene la virtud de que los procedimientos que lo soportan consiguen un equilibrio más adecuado entre sesgo y varianza.

Un Análisis de Experiencias de Aplicación de SAE en Programas de Gobierno

El método de Estimación en Áreas Pequeñas (SAE) fue estudiado por primera vez en Canadá en los años setenta. Desde entonces, se han utilizado una serie de archivos auxiliares y encuestas mejoradas con datos administrativos, para producir información en subgrupos de población para áreas tan diversas como salud, educación, empleo y cifras poblacionales.

Hidiroglou (2007), utilizó la Encuesta Comunitaria Canadiense de Salud (CCHS, por sus siglas en inglés) para estimar la proporción de alcohólicos en distintas regiones sanitarias de la provincia de Columbia Británica, Canadá; a través del modelo de área. Esta es una encuesta trasversal de salud que se lleva a cabo desde el año 2001 por el organismo estadístico de Canadá (Statistics Canada). Este instrumento fue diseñado para proveer información representativa a nivel regional, provincial y nacional. Sin embargo, la encuesta fue diseñada con base en un marco muestral múltiple. El primero, es el marco de área diseñado para la Encuesta de Empleo Canadiense (Canadian Labour Force Survey, CLFS) y el segundo, corresponde a un marco muestral diseñado respecto de una lista de números de teléfonos de una región sanitaria.

La Encuesta Canadiense de Empleo, Planilla de Sueldos y Horas (SEPH, por sus siglas en inglés), recolecta y publica mensualmente estimadores de las nóminas de sueldo (planilla de trabajadores), empleo, horas pagadas y sueldos (efectivos), para niveles industriales y geográficos detallados. Desde los años noventa se estima el promedio de ingresos semanales (AWE, por sus siglas en inglés), con regresión generalizada (GREG) con base en

SEPH utilizando una combinación de data administrativa sobre deducciones salariales provista al instituto de estadística de Canadá por el departamento de impuestos del país. Sin embargo, recientemente se han rediseñado los principales dominios de interés así como también se han incorporado mejoras para la utilización de data administrativa. Estos cambios se han verificado para estratos al nivel 3 de la North American Industry Classification System (NAICS3).

En el caso de querer estimar bajo este nivel de clasificación es necesario utilizar estimadores para áreas pequeñas. Sin embargo, dado que la muestra asociada a los dominios será relativamente pequeña, la confiabilidad asociada a los estimadores provenientes de una regresión generalizada podría contener medidas inaceptables de error. Bleuer, Godbout et al. (2007), investigaron si era posible utilizar SAE para estimar el AWE, con estimadores MSE (error cuadrático medio, por sus siglas en inglés) razonables para grupos industriales de acuerdo a la NAICS4, concluyendo que el estimador por regresión generalizada presenta menor sesgo relativo medio que las estimaciones con pseudo-EBLUP3 a nivel de unidad (Prasad and Rao 1999) y pseudo-EBLUP a nivel de área (You and Rao 2002).

La encuesta de empleo en Canadá (Labour Force Survey, LFS) se desarrolla de forma bastante similar a nuestro país. La encuesta posee una muestra de aproximadamente 53.000 hogares basado en un diseño multi-etápico, reduciendo el sesgo por agotamiento del encuestado cambiando cada mes, una sexta parte de la muestra. Mensualmente se entregan tasas de desempleo provenientes de LFS. Las estadísticas producidas a nivel comunal son altamente utilizadas, sin embargo no todas las áreas censales (otros centros urbanos) tienen información respecto de estimadores de empleo dado que no presentan muestras suficientemente grandes para la producción de estimadores directos. Para estimar empleo en este tipo de áreas pequeñas You, Rao et al. (2003), utilizaron un modelo de corte transversal y series de tiempo para estimar desempleo: su metodología prestaba robustez tanto a través de las series de tiempo como de las áreas pequeñas. Sus resultados son que en áreas más grandes, y por ende, con mayor cantidad de muestra, los estimadores directos y aquellos calculados con un bayes jerárquico (HB)4 se encuentran bastante cercanos; mientras que en el caso de áreas más pequeñas, estos difieren sustancialmente en algunas regiones.

En Agosto del presente año se llevó a cabo la primera ISI Satelite Meeting on Small Area Estimation (SAE 2015) en Latinoamérica, organizada por la Pontificia Universidad Católica de Chile. En dicha reunión se presentaron los últimos avances logrados en la investigación para la producción de estimaciones en áreas pequeñas en diversos ámbitos. Las ponencias abarcaron aspectos técnicos matemáticos de la aplicación de los distintos modelos. Sin embargo, también se mostraron aplicaciones en distintos programas de gobierno relacionados con salud, empleo y población.

3 Los estimadores EBLUP, son aquellos estimadores calculados a través del método Empirical Best Linear Unbiased Prediction. Este se utiliza para combinar múltiples fuentes de datos para estimar un parámetro en particular. 4 Hierarchical Bayes, se refiere a las estimaciones que se desarrollan con base en distribuciones posteriores.

El primero de los casos mencionados fue el de Nueva Zelanda, donde el instituto de estadísticas del país genera información sobre caracterización de la población utilizando este método de estimación. Christine Baycroft, presentó los avances realizados en materia de la estimación de indicadores asociados a la población de acuerdo a subgrupos de población (geográfica o étnica).

La investigación llevada a cabo por este instituto, determina la necesidad de generar bancos de datos integrados y propone avances en la materia integrando tanto estadísticas provenientes del censo como registros administrativos y otras encuestas más pequeñas. El propósito de su investigación es ser lo más eficiente y eficaz posible en la realización del censo y el “programa de integración encuestas de hogares”; y combinar las fuentes administrativas y encuestas utilizando técnicas estadísticas que compensan las debilidades de cada fuente a través de los puntos fuertes de la otra (Bycroft 2011).

Posteriormente se presentó la comparación entre métodos de SAE para los municipios de Mina Gerais, Brasil. Este caso fue presentado por Débora Souza, representante del Instituto Brasileiro de

Geografía y Estadística (IBGE). El IBGE tiene a disposición del público una plataforma con acceso a todos los datos relacionados con los estados y municipios del país.

Es posible observar en la página web del IBGE, la posibilidad de ingresar a mapas interactivos de los Estados del País, para adicionalmente poder ingresar a cada ciudad y encontrar los datos disponibles y descargables. Estos datos van desde censo poblacional, pasando por estadísticas de representación política hasta estadísticas de extracción vegetal y silvicultura.

Posteriormente presentaron dos investigadores de Estados Unidos. Alan Dorfman, representante del National Center for Health Statistics (NCHS-CDC) y Carol Crawford representante de la National Agricultural Statistics Service (NASS). Ambas presentaciones se centraron básicamente en la aplicación de las técnicas de SAE en la construcción de estimadores que permitan la toma de decisiones. Alan comenzó con la cita:

"Un taller de este tipo, centrado en una técnica específica, puede impulsar el desarrollo, pero también puede ser peligrosa. El peligro es que, al escuchar a mucha gente hablar mucho sobre [Small Area Estimation], lleguemos a estar demasiado cómodos con la técnica. Se familiarizan la idea y la jerga, y termina siendo fácil aceptar que ‘dado que todas estas personas están estudiando esta materia, entonces debe estar bien’. Sin embargo, debemos permanecer escépticos y no permitir que la familiaridad calme nuestro escepticismo saludable" ̶ R. Royall (1979), en Schaible (1.996)

La mayor parte de los investigadores que asistieron a la conferencia concuerdan en que la mayor limitante de los métodos de estimación de áreas pequeñas es que ha presentado dificultades en ser validados para un problema en particular. Por lo que muchos de ellos consideran en que la necesidad de estadísticas para pequeños dominios debe ser reconocida en etapas tempranas en la planificación de encuestas a gran escala. Ello permitiría incluir características especiales en el diseño muestral que podrían mejorar la producción confiable de datos de áreas pequeñas utilizando estimadores de diseño y modelo.

Considerando los datos disponibles y mientras se avanza en mejorar los diseños muestrales para que consideren aspectos necesarios respecto a dominios pequeños, Alan Dorfman presentó su investigación sobre “Validación de Intervalos de Confianza para SAE”. Su aproximación al método propuesto requirió de una pequeña encuesta auxiliar que complementa la encuesta principal y se basa en resultados que relacionan a) la tasa a la que los intervalos de confianza de una encuesta incluyen estimaciones puntuales de otra encuesta independiente con b) el ratio de error cuadrático medio de las estimaciones puntuales de las dos encuestas (Dorfman 2011).

Crawford, mencionó en la conferencia que mecanismos estadísticos que estiran los datos para llevarlos a calzar exactamente con el valor total de la población (Benchmarking5), son mecanismos que parecen ser contra-intuitivos y aumentan considerablemente la complejidad.

Finalmente, se presentó la aplicación chilena. Isabel Millán, Jefa de la División Observatorio Social del Ministerio de Desarrollo Social (MINDES) habló sobre los avances desarrollados en el marco de la Encuesta de Caracterización Socio Económica (CASEN). En este sentido, se presentaron los avances generales respecto de la medición de la pobreza como: la actualización de la línea de la pobreza de acuerdo a la canasta básica de alimentos y servicios basada en la Encuesta de Presupuesto Familiar (EPF) 2011-2012; escalas de equivalencia respecto del tamaño de los hogares; se dejó de ajustar los resultados al sistema de cuentas nacionales para evitar sesgos; y la ampliación del alquiler imputado.

5 Benchmarking sirve para dos objetivos. Primero, se fuerza a las estimaciones comunales de pobreza a ser “consistentes” con la correspondiente tasa de pobreza estimada en forma directa. Segundo, la estimación de los factores de ajuste permiten evaluar la calidad del modelo para cada región - si el modelo es bueno, los factores de ajuste en cada región estarán en torno a 1.

El año 2011, el MINDES presentó los resultados de la aplicación de un modelo sintético de determinación de pobreza en las comunas del país basado en los datos entregados por la CASEN (Observatorio Social 2011). El estudio arroja que las comunas con mayor tasa de pobreza comunal el año 2011 fueron: Ercilla, Los Álamos, Puerto Saavedra y Lonquimay. En el caso regional, la comuna de Vallenar es aquella con mayor tasa de pobreza, sin embargo, la comuna de Huasco es aquella que presenta mayor aumento respecto de la medición anterior 7,1% (2009) (Observatorio Social 2011).

Dentro de la presentación de Isabel Millán se presentaron los avances en el procedimiento de cálculo de la tasa de pobreza a nivel comunal mediante SAE que se había desarrollado el año 2011 (utilizando como base los datos de la encuesta CASEN 2009 y 2011), y la presentación preliminar del modelo sintético optimizado (2013). A continuación se entrega una tabla comparativa de las variables comunales utilizada como auxiliares para la determinación de las tasas de pobreza comunales en ambas metodologías.

Modelo Sintético, CASEN 2009 y 2011 Modelo Sintético, CASEN 2013*

Variable Comunal Fuente Variable Comunal Fuente Promedio salario de los trabajadores dependientes

Base de datos de la administradora de fondos de cesantía

Porcentaje de trabajadores dependientes afiliados a seguro cesantía que ganan menos del salario mínimo

Base de datos de la administradora de fondos de cesantía

Promedio de los estimadores directos de tasas de ingreso (histórico)

CASEN 2000, 2003, 2006

Porcentaje de la población afiliada a los grupos más vulnerables del sistema público de salud (A y B)

Fondo Nacional de Salud

Porcentaje de asistencia al colegio/escuela del total de inscritos

MINDES, con base en datos MINEDUC

Porcentaje de población afiliada al sistema de salud privado

Superintendencia de Salud

Tasa de analfabetismo (población 10+ años)

Censo poblacional 2002

Tasa de analfabetismo (población 10+ años)

Censo poblacional 2002

Porcentaje de la población áreas rurales

Censo poblacional 2002

Porcentaje de población indígena Censo poblacional 2002

*Modelo preliminar, aun no se cuenta con el documento oficial.

Fuente: Presentación Isabel Millán, First Latin American ISI Satellite Meeting on Small Area Estimation 2015

Se puede observar cómo han cambiado las variables que se toman como auxiliares y además se observa la utilización de variables que provienen del Censo 2002, datos que tienen 12 años de antigüedad. Aun no se han calculado los indicadores de pobreza comunales, sin embargo, será necesario utilizar este nuevo modelo con los datos de las CASEN 2009 y 2011, para comparar las variaciones que se producen.

La Universidad de Manchester, pone a disposición del público general un servicio de datos de Inglaterra para ser utilizado con fines académicos. La página UK Data Service, presenta un set de datos de la Encuesta de Salud del país para enseñar cómo aplicar el método de SAE. En esta aplicación web se pueden encontrar los sets de datos, la documentación e incluso los do files6.

Dentro de las aplicaciones de los modelos SAE para empleo se encuentran el caso del EUSTAT, mencionado en el apartado anterior, el caso Canadiense y el caso Alemán. Este último está siendo desarrollado hace poco por Frauke Kreuter, directora del IAB Statistical Methods Goup (instituto de investigación sobre empleo) y profesora de la Universidad de Mainnheim. Desde su llegada al IAB, se han expandido las investigaciones para incorporar tanto datos de las encuestas como datos administrativos así como también nuevas fuentes de datos emergentes. Durante la conferencia sobre SAE, Frauke señaló que el IAB se encuentra trabajando en conjunto con la Universidad de Meryland para el estudio, por ejemplo, del comportamiento de las bolsas de trabajo (trabajadores, vacantes laborales y empresas). Sus apreciaciones de por qué SAE no es ampliamente utilizado son: que no existen estimadores de área sobre los cuales se puedan comparar los resultados; las encuestas están diseñadas sin considerar los aspectos que podrían ser necesarios para la estimación en zonas pequeñas y; finalmente, que existe un escepticismo en torno a la utilización de modelos con efectos aleatorios.

Métodos de Aplicación SAE en este Estudio

Las estimaciones entregadas por métodos como SAE podrían ser utilizadas para informar y visualizar factores de riesgo, detección de puntos de acceso o dar luz en el sentido en el cual se distribuye espacialmente una variable observada. Aun no es una técnica altamente utilizada fuera de los países mencionados, por insuficiente propagación de las competencias necesarias para su aplicación y por encontrarse el protocolo de aplicación de la teoría en pleno proceso de deliberación entre los expertos. Sin embargo, es una muy buena posibilidad de aproximación a lo que está ocurriendo en dominios y áreas pequeñas y que hasta el momento se erige como la mejor opción costo efectiva. GESTRA busca aprovechar la oportunidad que los avances presentan en combinación con la aplicación de una encuesta complementaria para levantar datos auxiliares.

En el primer paso para aplicar SAE al empleo, será necesario tener en cuenta las características de la encuesta de empleo del INE, que debería ser la encuesta base de las estimaciones. Asimismo, se deben tener en cuenta otras encuestas/registros administrativos que podrían complementar la información en zonas pequeñas, como la encuesta CASEN, censos poblaciones o registros como aquellos relacionados: pensiones; seguro de cesantía; vitales o de accidentabilidad laboral. Es necesario considerar la periodicidad con la que se toman estas encuestas o los registros administrativos, el diseño muestral de cada encuesta, cuál es el menor nivel geográfico de desagregación que presentan y qué unidades de análisis utilizan.

6 Archivos que contienen los comandos estadísticos para STATA, programa de procesamiento estadístico.

La comparabilidad entre sí no implica que los mecanismos de determinación de muestra sean iguales o que las categorías sean estrictamente iguales, sino que para la estimación en áreas pequeñas a través de modelos sintéticos o incluso indirectos, se requiere de una comparabilidad básica que permita complementar la encuesta principal, para entregar robustez al estimador. Existen distintos métodos desarrollados por demógrafos y estadísticos para ajustar, interpolar y reconciliar datos de distintas fuentes para construir estimadores subnacionales (e.g.(Rees, Norman et al. 2004, Wilson and Bell 2004, Smith and Morrison 2005, Boden and Rees 2010, Smith, Raymer et al. 2010, Raymer, de Beer et al. 2011)). Sin embargo, muchos tienen limitaciones como no estar basados en modelos explícitos para la variación aleatoria en los procesos demográficos o en la medición de estos procesos naturales. En general, se utilizan juicios de expertos para reconciliar datos inconsistentes o para ajustar valores que son demográficamente improbables. Esto resulta bastante útil, aunque muchas veces trabajoso y difícil de replicar.

Dado que este trabajo en particular es un estudio para identificar estructura en el comportamiento de la población en edad de trabajar, es posible recurrir a los juicios de expertos para informar el proceso de ajuste de las fuentes auxiliares, aun cuando esto no impide la utilización de herramientas del marco estadístico bayesiano.

Lo anterior significa entonces, que dentro del proceso de Medición de la Situación Laboral de las Comunas de Atacama, se deberá identificar las estadísticas secundarias con las cuales se trabajará, las estadísticas comunales administrativas y las que administra el sector privado, que servirán para complementar datos y posteriormente identificar las variables que deberán ser levantadas a través de encuestas en terreno.

Levantamiento de Información Primaria

Estas encuestas en terreno, deberán producir datos compatibles con las estadísticas que entregan las fuentes secundarias para que puedan servir como complemento. Esto implica que tanto el cuestionario como la selección de la muestra de cada una de las zonas deberán ser cuidadosamente desarrollados para mantener la compatibilidad de los instrumentos. Es preciso recordar que lo anterior no implica que la muestra o el cuestionario sean iguales a los de las fuentes secundarias.

El levantamiento de una encuesta tiene dos objetivos: de una parte, servirá para caracterizar la población de cada comuna de acuerdo a los estándares que tiene el INE. Adicionalmente, servirá para complementar los propios datos que vienen desde la NENE.

Existen aspectos que no se recogen en la NENE o por lo menos, no se recogen en la profundidad necesaria para poder informar a las políticas públicas. Por ejemplo, se consulta sobre el último nivel educacional cursado o aprobado y se pregunta por el sector en el cual se desempeña laboralmente. Sin embargo, al no especificar el sector o especialidad en la cual se formó la persona, no se puede saber si es que es compatible su especialización con su actividad laboral o si aquella persona que se encuentra desocupada en el sector minero, tiene formación en otro sector que permitiría

habilitarla para ocupar un puesto de trabajo en otro sector e incluso, permitiría saber si los programas formativos están habilitando a las personas para trabajar en lo que estudiaron, de lo contrario habría que reestructurarlos.

Fuentes de Información Administrativa

Para lo anterior, se hace necesario llevar a cabo un análisis de los instrumentos disponibles de levantamiento de datos sobre empleo o registros administrativos a niveles subregionales.

En el marco de la iniciativa de modernización del Estado y digitalización del gobierno de Chile7, se cuenta con el portal www.datos.gob.cl, que tiene por objetivo que las personas tengan acceso a la información pública que maneja el gobierno, para que la puedan utilizar en sus propias investigaciones e intereses. En el caso del Registro Civil, se cuenta con un Registro de Bases de Datos Personales, de libre acceso digital y que concentra el registro de todas aquellas bases de datos personales que, según la ley, lleven las autoridades, órganos del Estado y organismos, descritos y regulados por la Constitución Política de la República, y los comprendidos en el inciso segundo del artículo 1° de la Ley N° 18.575 Orgánica Constitucional de Bases Generales de la Administración del Estado, conforme al artículo 22 de la Ley N° 19.628 sobre Protección de la Vida Privada. El acceso a la información transparente no sólo beneficia la rendición de cuentas del Estado sino que permite que diferentes actores, puedan realizar investigaciones a través del cruce de estos datos generando información valiosa para la toma de decisiones que el actor público no había visualizado.

El análisis de los instrumentos sirve para determinar qué variables se deben levantar para complementar los datos necesarios para estimar los parámetros para áreas pequeñas y para complementar las estimaciones sintéticas de las tasas de desempleo comunales. Para esto, será necesario contar con el apoyo tanto de la Corporación como de las autoridades locales y regionales, para expeditar el proceso de acceso a las bases de datos. Algunas de las cuales pueden ser provenientes del SII, la ACHS, Superintendencia de Salud, entre otros. Es necesario reiterar, que cuando nos referimos a las comunas de la región, nos referimos a aquellas con menos de 40.000 habitantes, dado que las tasas de desempleo determinadas de forma directa de la NENE para las ciudades más grandes, es suficientemente representativa. Esto implica que se excluyen del levantamiento de la información primaria a las comunas de Copiapó y Vallenar, por presentar una muestra suficiente para calcular la tasa de empleo de forma directa.

Para visualizar el sentido del levantamiento de una encuesta de empleo a nivel comunal junto con SAE, así como el rol de las fuentes administrativas, a continuación se presenta un diagrama del método que se seguirá para realizar la medición de la situación laboral de las comunas de la región. El diagrama se desarrolla con base al método de desmontaje epistemológico, compuesto por una serie de pasos que plantean preguntas parciales cuyas respuestas son condición necesaria para dar

7 http://www.modernizacion.gob.cl/

el siguiente paso. Sin embargo, para continuar a la pregunta siguiente, se debe cuestionar si la pregunta planteada es pertinente y en consecuencia, si se justifica dar el siguiente paso.

Cada pregunta sintetiza una mirada respecto de la realidad desde la cual esta adquiere sentido, es por ello que se desarrollan supuestos que permiten medir la consistencia de la pregunta. De la misma forma, el hecho de las preguntas sean pertinentes no significa que se tendrá una respuesta a ellas o que esta sea adecuada. La calidad de las respuestas dependerá directamente de la potencia de los instrumentos o de las herramientas a través de las cuales el método propone resolver las preguntas parciales.

Estos instrumentos pueden ser una combinación parcial de herramientas capaces de responder una pregunta parcial. En este caso, la encuesta comunal sobre empleo responde la pregunta sobre caracterización de empleo comunal, pero para generar el producto será necesario combinarlo con SAE, y posteriormente será necesario analizar los productos de ambas herramientas para obtener el producto siguiente, que es la comprensión de la situación laboral de las comunas de la Región de Atacama.

Pasos que componen el Método para la Medición de la Situación Laboral de las Comunas de Atacama

Metodología de la Muestra

La metodología muestral a seguir en el levantamiento de datos primarios será análoga a la desarrollada por INE. Se requiere tener presente que el INE utiliza un mecanismo de muestreo particular que no obedece a la división política del estado sino tiene relación con el número de habitantes de las zonas denominadas como “Áreas Urbanas (AU)” y de aspectos sencillos como las densidades de población que se alejan de las zonas concéntricas urbanas, correspondientes al “Resto de las Áreas Urbanas (RAU)”. El diagrama a continuación muestra que la delimitación de las AU y el RAU responden al Marco Muestral Maestro (MMM) del año 2008, mientras que en el caso de la zona Rural (R) el muestreo se basa en el Censo 2002. Esto provoca una complicación técnica para el levantamiento de los datos, dado que es posible que con el desarrollo demográfico natural actualmente se superpongan algunas RAU con Rural.

Actualmente contamos con los mapas censales de la Región de Atacama, pero estamos a la espera de la respuesta respecto de los mapas muestrales de la NENE. La comparación de ambos mapas permitirá evaluar la superposición de zonas, para dimensionar bien cuál es el impacto de los diferenciales entre los marco muestrales. Por otro lado, es importante mencionar que la NENE presenta exclusiones de muestra. Dentro de estas exclusiones se encuentran: las 22 áreas geográficas que han sido catalogadas por INE como áreas de difícil acceso (ADA), las manzanas y secciones incluidas en otras muestras seleccionadas por el INE para el periodo de recolección de datos de CASEN 2011 y las manzanas con menos de 8 viviendas.

Periodicidad de la Encuesta

El desafío planteado es lograr la información más representativa del comportamiento del empleo durante un año con representación de cuatro trimestres de comunas cuya población se sitúa por debajo de las 40 mil personas. Para ello, se evalúan tres opciones: encuestas por trimestres móviles. Ello requiere de la aplicación de la encuesta por meses consecutivos, lo que obliga a un alto costo (por encima de las posibilidades del presente estudio) sin agregación significativa de valor (bajo costo-efectividad). Una segunda opción corresponde a encuestas por trimestres. Actualmente el INE toma la encuesta de empleo todos los meses, considerando una muestra por trimestre. Cada muestra o trimestre, se divide en tres submuestras que se repiten todos los trimestres con un recambio de los encuestados de 1/6, 1/9 y 1/12 cada trimestre si es AU, RAU o R. Esto quiere decir, que la submuestra 1 (SM1) cambia en 1/6 la muestra urbana (manzanas) para el segundo trimestre (INE 2010). Este caso representaría tomar la encuesta complementaria

AU

RAU

Rural

MMM

2008

CENSO2002

Trimeste 1

SM1 SM2 SM3

AU

RAU

R

Trimeste 2

SM1 SM2 SM3

1/6

1/9

1/12

todos los meses dividiendo la muestra en cada mes, por ejemplo: si la muestra fueran 99, se encuestarían 33 personas mes 1, 33 el mes 2 y 33 el mes 3.

La tercera opción representa la posibilidad de tomar la encuesta complementaria el mes central del trimestre que se quiere representar. Por ejemplo, si la muestra son 99 personas, se encuestarían las 99 personas el mes central (mes 2) del trimestre 1.

El diagrama siguiente explica la diferencia entre trimestre móvil (TM), trimestre (T) y la toma cada 3 meses en el mes central del trimestre.

Encuestas Trimestres Móviles Encuestas Trimestres Encuestas Mes Central del Trimestre

Trim. Meses

Trim. Meses

Meses

1 2 3 4 5 6 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12

TM 1 Trim. 1

TM 2 Trim. 2

TM 3 Trim. 3

TM 4 Trim. 4

Además, se debe considerar un aspecto importante que tiene la NENE, que dice relación con las sub-muestras y el recambio de los encuestados.

Para el caso de las áreas rurales es posible que las submuestras tengan diferencias respecto de la selección de áreas rurales. Por ejemplo, es posible que la SM1 presente representantes de Freirina, pero las SM2 y SM3 no lo tengas y por tanto, ya no sería lo mismo considerar el mes central de cada trimestre, dado que las submuestras no son representativas.

El análisis de los mapas muestrales de la NENE y los datos de la encuesta podrán iluminar la decisión sobre en qué meses será levantada la encuesta y qué submuestras serán utilizadas. Esta decisión será discutida técnicamente con nuestros expertos y con el ATE, para decidir por aquella más costo-efectiva, cuidando las consecuencias estadísticas de una opción u otra.

Diseño de Control de Calidad del Levantamiento de Datos y la Supervisión

El Instituto Nacional de Estadística (INE) de Chile, cuenta con una amplia experiencia en el levantamiento de encuestas. Es por ello, que como primera base se tomarán criterios que ya han sido establecidos por este organismo. Sin embargo, las encuestas desarrolladas por INE son en soporte papel mientras que nosotros planteamos la utilización de tablets.

Esta diferencia en método de levantamiento de la información primaria reduce el nivel de error y el tiempo de digitación considerablemente, con ello también los costos de levantamiento de la encuesta. De otra parte, el mecanismo digital permite la geolocalización de las secciones, el monitoreo de la secuencia de encuestas y la georreferenciación del encuestador.

GESTRA pretende utilizar un software basado en Computer-Assisted Personal Interview (CAPI). Estos softwares son diseñados para conducir encuestas complejas con estructuras dinámicas utilizando tablets. Estos pueden ser customizados a las necesidades de cada proceso de encuesta, permitiendo completar, de forma simple, desde cuestionarios básicos hasta encuestas complejas con paneles multietápicos.

Este tipo de programas permite reducir el número de errores de codificación, los supervisores pueden ver y chequear la información recolectada a medida que el encuestador termina las entrevistas junto con los reportes de errores. Es también posible introducir datos de validación haciendo prácticamente imposible ingresar valores fuera de los rangos entregados.

Por otro lado, este tipo de tecnologías simplifican la consecución de encuestas con estructuras dinámicas, donde el cuestionario podría variar dependiendo de las respuestas del informante. Como se menciona anteriormente, es posible mejorar la gestión de los equipos de encuestadores, dado que se pueden actualizar las muestras y generar asignaciones de trabajo en línea, sin necesitar que los encuestadores regresen al centro de mando para re-distribuir trabajo.

Finalmente, es importante señalar que una tablet puede ser compartida por más de un encuestador, dado para acceder al sistema en línea se debe ingresar el usuario y contraseña, guardando el trabajo individual en cada sesión.

Como los mecanismos de toma de encuestas varían, el control de calidad de los procesos de encuesta se diferencia en ciertos aspectos. Sin embargo, existen funciones generales tanto de supervisión como de diseño y encuesta que deben estar presente genéricamente independiente de la operacionalización posterior.

De acuerdo a la ficha técnica de la NENE, el INE se plantea en general que los controles de calidad consideran: el contar con protocolos de levantamiento de información, digitación y de alimentación del sistema informático, manuales actualizado permanentemente sobre aspectos conceptuales y prácticos, de apoyo a supervisores y encuestadores a nivel nacional y capacitaciones permanentes sobre aspectos conceptuales y prácticos, de apoyo a supervisores y encuestadores a nivel nacional (INE 2010).

Como parte de la construcción del cuestionario se incorpora la redacción de instrucciones generales y conceptos básicos de la encuesta. Al igual que en la NENE, se tiene planificado desarrollar un manual para el encuestador que apoyará el proceso de capacitación de los equipos, una tarjeta de

registro de hogares y en la primera plana del cuestionario se incorporan los aspectos de identificación del hogar, del informante clave y del personal dedicado a la encuesta.

En el Manual del Supervisor de la Encuesta Nacional sobre las Actividades de Niños y Adolescentes del INE, el control de calidad consiste en comprobar que los datos obtenidos en un hogar sean verdaderos. Se debe efectuar en días posteriores al trabajo del encuestador, cuando se trata de secciones urbanas. En secciones rurales se puede realizar en la misma jornada de trabajo, con posterioridad a la visita del encuestador. Sin embargo, dado que las encuestas se digitalizan inmediatamente, será posible en algunos casos revisar las encuestas al finalizar la jornada o en cuanto se regrese a un sitio con cobertura para la descarga de los resultados.

INE (2003), recomienda elegir uno de cada 10 hogares para hacer una re-encuesta; es importante destacar la responsabilidad del Supervisor de la calidad y veracidad de los datos y, por consiguiente, debe verificar toda información que a su juicio deba ser comprobada. Dentro de este proceso de re-encuesta se debe comunicar al informante la razón de esta nueva encuesta, evitando posibles molestias.

Se fijarán protocolos para aquellos casos en los cuales no se encuentren los moradores en la vivienda al momento de concretar la cita, o en aquellos casos donde el encuestador no logre completar la encuesta en una primera visita o bien se observe rechazo.

De otra parte, se espera que el supervisor pueda actuar como observador en el momento de la entrevista al informante. Por lo que esta supervisión debe enmarcarse dentro del habitual desempeño de estas encuestas. Cabe destacar que junto con la definición del mecanismo de monitoreo de la encuesta, se determinará el número de encuestas que el supervisor deberá monitorear por encuestador.

Finalmente, se espera que el supervisor entregue un reporte de calidad de los datos y sobre el proceso de levantamiento de encuestas.

Dentro de las funciones del supervisor se encuentran:

Algunas De las Funciones del Supervisor de la Encuesta

Trabajos en Gabinete Trabajo en Terreno Control y Cobertura

Descargar diariamente un informe a los encuestadores acerca del resultado del trabajo realizado

Verificar que el encuestador efectivamente haya concurrido en forma personal a la vivienda entrevistada

Distribuir las cargas de trabajo diarias o semanales a los encuestadores a su cargo, de acuerdo con la programación del proyecto

Llevar un registro detallado de las encuestas no logradas a objeto de

Observar el comportamiento del encuestador al solicitar y hacer la entrevista

Verificar que las viviendas encuestadas correspondan a

Algunas De las Funciones del Supervisor de la Encuesta

Trabajos en Gabinete Trabajo en Terreno Control y Cobertura

hacerles un seguimiento en las visitas posteriores

las viviendas seleccionadas en la muestra

Revisar las encuestas al final del día para corregir posteriormente errores y omisiones con el conjunto de encuestadores

Confirmar que el encuestador haya visitado todas las viviendas de la sección

Coordinar el transporte del grupo de trabajo, asegurando la oportunidad de los desplazamientos

Velar por el estricto cumplimiento de las fechas de visitas concertadas con los informantes para la realización de la encuesta

Comprobar que se haya determinado quién es el informante idóneo de manera correcta (de acuerdo a los estándares acordados)

Verificar que los encuestadores concurran a todas las viviendas seleccionadas de cada sección

Sostener reuniones periódicas que permitan analizar situaciones y casos especiales, además, de repasar los conceptos que se utilizan en la encuesta, a objeto de mantener permanentemente la uniformidad de criterios que se requiere en la recolección de la información

Supervisión Directa

Considerar aspectos de presentación personal, forma de presentación ante la vivienda seleccionada y el informante, explicación de objetivos de la encuesta, interés por conseguir la encuesta, manejo general del formulario y forma de concluir la encuesta

Fuente: Ajuste de las funciones del Supervisor de Encuesta Nacional sobre las Actividades de Niños y Adolescentes

Las funciones anteriormente descritas son de carácter genérico, precisando su operacionalización en el próximo informe.

En cuanto a la capacitación del personal de campo y de oficina, se prevé un programa que abarca todos los niveles de la unidad ejecutora, con una sección práctica en campo para conocer el desempeño y rendimiento de la estructura operativa que participará del levantamiento. Esto considera desde los supervisores hasta los codificadores o programadores de los equipos. Por su parte se incorporan en la capacitación ejercicios que permitan la correcta comprensión tanto de los conceptos sobre los cuales trabaja la encuesta como de las preguntas que la componen. Una mayor comprensión de esto permitirá disminuir los errores no muestrales y probables sesgos de información.

Lo anterior se acompañará de canales de comunicación abierta entre todo el equipo para compartir y contestar consultas o para intercambiar puntos de vista.

Finalmente, respecto de la consistencia de la información, una vez concluido el levantamiento y descargados los datos recogidos, se pasará al análisis de consistencia interna y validación de los resultados con encuestas o datos sobre el mismo tema. Este paso es importante dado que no se puede evaluar la calidad de la encuesta sólo respecto de la tasa de respuesta, la incidencia de preguntas sin respuesta o la rapidez en la obtención de los datos (Feres and Medina 1998).

Se considerará que los datos son de buena calidad y útiles para la toma de decisiones en la medida de que sus órdenes de magnitud guarden relación con el resto de las cifras existentes tanto en la NENE como en posibles registros administrativos. Junto al contraste de los resultados con otras fuentes, se generará una discusión con un panel de expertos para revisar la consistencia de las cifras respecto de las situaciones que ellos visualizan.

METODOLOGÍA DE LA SIMULACIÓN DE LA ECONOMÍA DE LA REGIÓN DE ATACAMA

La segunda parte del presente proyecto también apunta a contribuir a la calidad de las decisiones con que decisores públicos buscan guiar el desarrollo de un territorio, ahora a través de una herramienta que simula tendencias en la dinámica regional.

Las economías regionales constituyen realidades interrelacionadas e insertas en medios de alta vulnerabilidad. Por tanto, es de suma importancia contar con información confiable, oportuna y que a su vez permita prever tendencias del desarrollo regional. La anticipación de tendencias se construye típicamente de estadísticas que miden con un promedio sobre el comportamiento de un dato en el pasado y se proyectan estas cifras hacia el futuro con un método lineal de proyección. Estas proyecciones lineales, generalmente, no producen estimaciones suficientemente cercanas a la realidad para la toma de decisiones, especialmente en referencia a territorios más pequeños. Los promedios nacionales esconden tendencias locales, pero, frente a los costos prohibitivos para medir directamente, no se puede saber cuáles son. Esta debilidad motiva las demandas, hoy bastante generalizadas, para la construcción de información más pertinente a la toma de decisiones en territorios sub-nacionales.

Estas demandas motivan la construcción de un simulador de la economía regional, el cual tiene como principal ventaja, la capacidad para sensibilizar las proyecciones considerando cambios en el contexto y posibles impactos imprevistos como desastres naturales u otros shocks.

El desarrollo del simulador se trabajará desde una perspectiva macroeconómica, conducente al establecimiento de elasticidades para prever el desarrollo de variables críticas. El desarrollo de análisis está asociado a coeficientes de encadenamiento de variaciones sectoriales, provenientes de las matrices de insumo - producto y un análisis detallado del comportamiento microeconómico, asociado al análisis de comportamientos específicos de inversión expresados en proyectos de inversión determinados.

El simulador recogerá estas perspectivas y las sintetizará, a modo de posibilitar una previsión de la evolución de las variables de interés. El análisis combinará la utilización de información secundaria y el uso de herramientas asociadas al juicio de expertos para revisar la pertinencia de coeficientes e identificar el peso de ciertas variables.

El presente estudio busca, por medio de la puesta en marcha del simulador en una plataforma basada en el internet, instalar un conocimiento institucional en la CCIRA de cuáles datos existen y cuáles se necesitarán para completar la interpretación de la economía regional y la capacidad institucional para dar acceso a simulaciones y resultados de simulaciones con el estándar de un observatorio eficaz y que provee a los Concejeros, Intendente y otros actores regionales información pertinente para la toma de decisiones sobre desarrollo en el territorio.

Tabla Actividades y Productos - Simulador Objetivo especifico Actividad Producto Contar con un diagnóstico de la economía regional y con un levantamiento de información pertinente para el simulador.

Evaluar el simulador actual por efectividad y eficacia.

Revisar la literatura en referencia a diagnósticos de la economía regional.

Profundizar juicios con expertos locales.

Realizar diagnóstico. Modelar la simulación de

la economía regional.

Un diagnóstico de la economía regional según estado del arte y confirmado por juicios de expertos que sirve como base para el diseño del simulador. Se cuenta con un modelo de simulador que se ajusta al pasado con las tendencias observadas del desarrollo económico regional y permite proyectar y sensibilizar desarrollos futuros.

Contar con un catastro de datos para mantener actualizado el simulador de la realidad regional.

Analizar datos ocupados en el simulador anterior.

Análisis Exploratorio de Datos.

Generar registro de datos, con características de recolección.

Transferir conocimiento a la CCIRA para la generación de una capacidad institucional de gestión de datos.

La CCIRA cuenta con un catastro de datos para la operación del simulador en el año actual y futuras simulaciones. La CCIRA cuenta con una capacidad de gestión de datos.

Disponer de una propuesta de variables pertinentes para el simulador y que no se encuentran disponibles actualmente.

Análisis Exploratorio de Datos.

Generar una lista de variables deseadas, con las características buscadas, para futuros simuladores y otras estimaciones de dimensiones de desarrollo territorial.

Orientar la CCIRA en la gestión de generación de los datos deseados.

La CCIRA cuenta con capacidades institucionales para gestionar el levantamiento de datos que necesitarán para futuras actualizaciones del simulador y otras estimaciones de la economía en la región y otras dimensiones de desarrollo regional.

Tabla Actividades y Productos - Simulador Objetivo especifico Actividad Producto Contar con una plataforma digital de acceso público, instalada en la CCIRA.

Determinar, en conjunto con la Contraparte Técnica, cuáles públicos deberían tener acceso al simulador.

Determinar las formas, condiciones y vías de salidas (acceso) para cada público.

Construir la plataforma. Instalar el simulador. Diseñar y testear el

funcionamiento y las salidas de la plataforma

La CCIRA cuenta con una plataforma para correr simulaciones de la economía basada en el modelo informático desarrollado. La CCIRA cuenta con la capacidad institucional para orientar usuarios en el uso de la plataforma. La CCIRA cuenta con el conocimiento para la gestión de la plataforma.

Transferir tecnología al equipo de la CCIRA.

Capacitar un grupo de personas seleccionadas por la CCIRA en el por qué y como del simulador.

Redactar manuales de uso.

Un equipo de personas de la institución cuenta con las competencias adecuadas para ocupar efectivamente, mantener y ayudar en el diseño de futuros rediseños del simulador que serán realizadas con la disponibilidad de nuevos datos. Un equipo de personas de la institución con competencias para gestionar el desarrollo de información pertinente para la toma de decisiones regionales.

Métodos del Proceso de Modelación para Simulación

Dentro la demanda levantada en la licitación, la Corporación solicitó específicamente mejorar y actualizar un simulador creado para la Corporación en 2011, incorporando aprendizajes para aumentar la capacidad del mismo. GESTRA evaluó el estado del simulador con una mirada hacia la eficiencia y eficacia, esto para informar el diseño de métodos que en adelante se describe.

Una revisión documental y unas entrevistas y pruebas nos dejan entrever algunas debilidades que los métodos propuestos buscan corregir. Lo primero tiene relación con la corta extensión de la serie de datos utilizada para la modelación. GESTRA plantea un nuevo método en donde se imputan los valores que no existen hacia atrás para lograr obtener una serie de tiempo más extensa (desde 1986) que ayuda a entregar resultados más robustos.

Por otro lado, algunas variables no fueron consideradas, que son muy relevantes, como es el comportamiento de la economía China, el crecimiento del resto del mundo, y los precios del oro, plata y hierro. Por ser el metal con mayor importancia en la región, utilizar únicamente el precio del cobre, ofusca las interrelaciones entre precios de metales y como resultado puede reducir la calidad de las estimaciones.

Otra contribución a la eficacia del simulador que GESTRA busca es la incorporación de más datos de calidad de inversión. Los datos de inversión provenientes de la Corporación de Desarrollo Tecnológico de Bienes y Capitales incluyen proyectos con montos de inversión superior a USD 5 millones en el sector industrial y mayor a USD 15 millones en el sector inmobiliario y dejan fuera muchos proyectos de inversión de diferentes sectores. El simulador de 2011 ocupó estos datos por consideraciones de tiempo y costo frente la ausencia de buenos datos de inversión en el país. Nuestro desarrollo metodológico se detiene en este punto en la búsqueda de respuesta al problema.

Otra debilidad del simulador de 2011 es la programación en Excel que, por errores de codificación, no es posible realizar proyecciones por escenario. Buscamos subsanar esta debilidad con un método de desarrollo idóneo a la informática y un lenguaje de programación más potente. Y, el corto plazo otorgado a la construcción del simulador de 2011 perjudicó las necesarias fases de prueba. Para asegurar el funcionamiento adecuado, se recoge en la programación del trabajo del presente proyecto no sólo fases de prueba tanto del modelo como del funcionamiento de la plataforma, sino además, un proceso de consulta en línea.

Los métodos para la construcción del simulador que se presenta en adelante se base en estos aprendizajes, la experiencia de GESTRA en la formulación de herramientas para la toma de decisiones e innovaciones en el campo de técnicas de gobierno para cual el tiempo de aplicación ha llegado.

Análisis Exploratorio de Datos

El Análisis Exploratorio de Datos (AED, o Exploratory Data Analysis, EDA en inglés) es un proceso analítico – creativo que ocupa una posición de primacía dentro los métodos para este tipo de construcción.1 Es importante porque la relevancia y calidad de los datos tendrá directo impacto en

1 Para ver más sobre los principios de AED ver http://www.itl.nist.gov/div898/handbook/eda/eda.htm.

la veracidad de la información generada. En una situación ideal, los datos que alimentan el sistema son debidos y cuidadosamente recolectados para responder a las preguntas específicas que se plantean al modelo de simulación de la economía regional. Las estadísticas que se generan en el país normalmente obedecen a preguntas suprarregionales para otorgar representatividad nacional de las estadísticas económicas que componen las cuentas nacionales. Esta característica de los datos dificulta el análisis en la medida que nos alejamos del nivel nacional hacia niveles subregionales ergo, será necesario analizar los datos que existen actualmente y prepararlos para contestar las preguntas planteadas.

El AED ocupado por GESTRA será diligentemente orientado a avances teóricas en la estadística aplicada a áreas pequeñas o sub-nacionales. Estos desarrollos están hoy día en discusión entre expertos en campos diversos como lo de estadística, la Nueva Economía Territorial y la dinámica de conversación en el campo de Open Data. Esta consideración es muy pertinente dado las avances en la agenda de innovación en gobierno que apunta a mejorar acceso a datos municipales y en otros niveles de gobierno que hoy no están gestionados para maximizar el valor de uso pero que contribuirán en el futuro cercano a elevar la calidad de estimaciones y la toma de decisiones.

El AED también será orientado a la definición del problema principal que se busca resolver en el presente proyecto. La definición del problema principal será dimensionada basada en la experiencia en trabajo con gobiernos regionales de GESTRA y deliberada con actores claves dentro la CCIRA y otros expertos en la región.

Como parte de los resultados del AED se obtendrá el catastro de datos referenciado en los objetivos del estudio. Se pretende diseñar el catastro para incluir a lo menos las características de nombre, institución responsable para la recolección y gestión de los datos, la periodicidad, nivel de factibilidad de uso en el simulador, estimación de futuro uso, estimación general de costo-beneficio de desarrollo y gestión del dato, y donde buscar los desarrollos teóricos sobre estos datos y otros datos y sus usos en temas de gobierno.

Modelamiento del Simulador

Son tres tareas que tienden a superponerse en el modelamiento de un simulador. No se realiza estas tareas en una relación lineal estricta de insumo – producto. Al contrario, es un proceso creativo donde se avanza y retrocede frecuentemente dependiendo de los resultados que se encuentra. El diagrama de Venn a continuación muestra la interrelación entre estas 3 tareas de modelamiento, es decir el AED, la generación de predicciones y el descubrimiento de relaciones ocultas.

Resumir los datos: En el modelamiento se busca maximizar la productividad de los variables, entonces se quiere reducir los datos a un mínimo para interpretación sin sacrificar información importante. Estos resúmenes pueden ser para todo el conjunto de datos o para una porción, por ejemplo, inversión sectorial o inversión en la región. Adicionalmente, esta reducción minimiza los costos asociados con y las competencias requeridas para la gestión de los datos del simulador.

Encontrar relaciones ocultas: En el modelamiento, esto refiere a hechos importantes, relaciones, anomalías o tendencias de los datos, que impactan pero no son evidentes. Por ejemplo, una relación de demanda entre sectores no capturada puede afectar el encadenamiento o establecer relaciones directas o indirectas entre producto y empleo entre sectores. El modelamiento propuesto por GESTRA incluirá este tipo de interrogación.

Predicciones: Este es el proceso donde se calcula un estimador de factores indeterminados. Por ejemplo, predicciones de producción regional o de inversión.

El siguiente flujograma representa las relaciones de insumo – producto del proceso de modelamiento que describimos en adelante. Para cada pregunta del AED, que da origen a una actividad, explicitamos los supuestos. Por cada actividad, mostramos el producto buscado.

Gráficos

Agrupamientos

Modelos Matemáticos

Tablas Correlaciones

Estadística Descriptiva

Inferencia Estadística

1. Resumir Datos

2. Encontrar Relaciones Ocultas

3. Generación de

Predicciones

Diagrama de Venn del Modelamiento del Simulador

Fuente: Elaboración propia

Preparación de Datos Sobre la Fuerza de Trabajo en la Región de Atacama

El simulador de la economía regional contempla la estimación de oferta y demanda por Fuerza de Trabajo (FT). El primer paso, consiste en resumir los datos existentes frente a la consulta de si existe información suficiente, integral y confiable para describir el comportamiento de empleo. Las proyecciones que genera se basan en estadísticas históricas de la NENE. El segundo paso en el camino hacia modelamiento es, la preparación de la base de datos NENE. Este proceso consiste en depurar, organizar, homologar e imputar la base de datos. Las imputaciones se realizan cuando faltan datos o cuando existe un cambio metodológico estructural en la encuesta. Más adelante se describe los métodos de imputación.

GESTRA intentará ocupar los resultados los estimadores de empleo comunales en las proyecciones de la FT que se obtienen del simulador. Esta innovación que probará GESTRA dependerá de la resolución de los alcances metodológicos que permitirían vincular ambos resultados, explicitando tanto los supuestos como alcances de los resultados. Dado que los resultados finales del SAE son un insumo para generar este vínculo, solo estaríamos en condición para evaluar esta opción al final del estudio.

Preparación de los Datos de la Estructura de Ingresos para el Modelo de Simulación

Consideraremos el uso de otros variables sociolaborales en el simulador como son los ingresos. Mientras que una descripción de los ingresos es importante e interesante a la caracterización de la situación laboral por su propio mérito, a la fecha pocos investigadores han incluido ingresos en proyecciones de la economía regional.

Las estructuras de ingresos son diferentes dependiendo de las características de cada empresa (tamaño, rubro, ubicación, etc.). Dado que este proyecto intenta obtener una mirada global de la situación sectorial y territorial del empleo en la región, no es necesaria la realización de un estudio caso a caso de las empresas presentes en la región, sino sólo tener una idea de la estructura sectorial de ingresos percibidos por los trabajadores, teniendo en cuenta la heterogeneidad de las empresas. Para caracterizar la estructura sectorial de ingresos se utilizará como elemento base las estadísticas entregadas por la Nueva Encuesta Suplementaria de Ingresos (NESI). La NESI es un módulo de la NENE que, al igual que la antigua Encuesta Nacional de Ingreso (ESI), se aplica en el trimestre Octubre-Diciembre. Su objetivo es proveer indicadores de los ingresos que perciben las personas y los hogares, provenientes tanto del trabajo como de otras fuentes; para efectos de esta investigación se utilizará la unidad muestral “personas”. Esta encuesta se encuentra disponible desde el año 2010 hasta el año 2013.

Al igual que pasa con la ENE y la NENE, la ESI y la NESI no son series posibles de empalmar debido a que existieron cambios conceptuales y estructurales en la NENE, así como también en la ESI. Dichos cambios consideraron la actualización de los criterios de clasificación de ocupados y

desocupados y en consecuencia el cambio de cuestionario2. Estas diferencias serán abordadas en el proceso de imputación.

Preparación de los Datos de Mano de Obra Extranjera

Asimismo, consideramos la utilización de los datos respecto de las visas otorgadas entre el año 2002 y el último año disponible proveniente del Ministerio del Interior y Seguridad Pública para la mano de obra extranjera (MOE), como parte de la oferta de FT. GESTRA ya cuenta con estos datos como parte de su biblioteca permanente.

Por otra parte, los datos de MOE nos permitirá responder a preguntas de caracterización como: ¿Dónde ingresan las solicitudes de visa (si son estas por individuos o empresas)? ¿Cuál es la proporción de personas que solicitan visa con contrato versus aquellos que no tienen contrato? ¿Cuál es la proporción de hombres y mujeres de acuerdo a su país de origen? ¿Cuántas visas son otorgadas por tipo de visa? ¿Cuál es el proceso a través del cual se solicitan estas visas de trabajo? Entre otras interrogantes.

Análisis de la Dinámica Productiva Regional a Través de la Matriz de Insumo Producto Regional

La Matriz de Insumo Producto Regional (MIPR) permite conocer la dinámica económico - productiva que se verifica en la región, es decir, refleja la interacción de oferta y demanda entre sectores productivos, contribuyendo directamente al modelamiento del simulador.

La MIPR caracteriza y cuantifica las transacciones generadas dentro de la economía, asumiendo que existe un equilibrio entre oferta y demanda de bienes y servicios. Su finalidad es reconstruir el conjunto de transacciones económicas intersectoriales realizadas en una economía nacional o regional. Además de describir las transacciones entre diversos sectores de la economía real, estudia el efecto que la variación de la demanda final de cualquiera de ellos tiene sobre todos los demás cuando se alcanza la situación de equilibrio. Los cuadros de insumo-producto, y en particular los cuadros de oferta y utilización, sirven a dos finalidades: una estadística y otra analítica. En términos estadísticos, permiten corroborar la consistencia de las estimaciones de los flujos de bienes y servicios obtenidas de un conjunto diverso de fuentes estadísticas. En términos analíticos, los datos de insumo-producto son fáciles de integrar en modelos macroeconómicos destinados a analizar las relaciones entre la demanda final y los niveles de producción de las industrias. La información que es posible desprender de las matrices permite planificar, de forma tal que se pueden detectar cuellos de botella de la economía y el estado o gobierno regional pueden orientar la inversión para evitarlos. Si desde la institucionalidad pública se promueve la industria automovilística, y se esperan altas tasas de

2 Por ejemplo, se modifica la primera pregunta del cuestionario desde: “¿Trabajó en algo la SEMANA PASADA, sin contar los trabajos en casa?” a “La semana pasada, es decir, entre lunes y domingo, ¿trabajó por lo menos una hora?”.

crecimiento, la MIP permite saber cómo van a tener que crecer los otros sectores para que la industria de autos pueda crecer.

La oferta muestra el Valor Bruto de la Producción (VBP) asociado a los sectores que producen bienes y servicios. El VBP de un sector está compuesto por el consumo intermedio que realiza para incluir insumos productivos de otros sectores y el valor agregado está relacionado con los excedentes y pago de remuneraciones del sector, mientras que la demanda muestra a quién va destinada la producción sectorial. En particular, los demandantes de un producto o servicio pueden ser los Sectores Productivos, Hogares, Gobierno y Sector Externo.

A partir de estas características y mediante el uso de algebra matricial, es posible analizar qué sectores están más relacionados o eslabonados con otros en la economía. En particular, la capacidad de arrastre productiva de un sector se relaciona con un alto grado de consumo intermedio de diversos bienes, y este concepto se mide a través del grado de eslabonamiento sectorial hacia atrás, mientras que la capacidad de un sector de alimentar a otras cadenas productivas se mide por el eslabonamiento hacia delante. Dados los eslabonamientos, es posible calcular el efecto multiplicativo sobre la producción de la economía cuando un sector genera una unidad monetaria de un bien o servicio. Este efecto multiplicativo se debe principalmente a la presencia de los efectos directos e indirectos asociados a la producción de un sector.

Efectos Económicos Directos

Los efectos directos son causados por la propia actividad cuando desarrolla su proceso de producción. Se asocian con la compra de insumos productivos y el pago a los factores trabajo y capital. Otros efectos directos están asociados a la demanda final del bien producido, al pago de impuestos y subsidios recibidos, a las transferencias de utilidades, importaciones y exportaciones. A mayor grado de eslabonamiento, mayor es el efecto directo del sector sobre el resto de la economía.

Dentro de los indicadores directos que se pueden calcular a nivel sectorial, destacan:

a. El valor agregado: desagregando pago al factor capital y pago al trabajo. b. El consumo intermedio: identificando los principales sectores que aportan insumos

productos a nivel nacional. c. Encadenamientos productivos directos hacia delante y atrás. d. Impuestos productivos directos hacia delante y atrás. e. Impuestos pagados por cada sector productivo. f. El Valor Brutos de la Producción: la suma del valor agregado y el consumo intermedio.

Efectos Económicos Indirectos

Los efectos económicos indirectos están asociados a las relaciones que tiene la actividad principal con los otros sectores productivos y los efectos que a su vez estos sectores generan sobre la

economía. Al igual que en el caso de los efectos directos, mientras mayores sean los encadenamientos mayor es el efecto indirecto del sector sobre el resto de la economía.

Los principales indicadores que incorporan los efectos directos e indirectos del desarrollo de un sector son los multiplicadores. Estos corresponden a la suma de los efectos directos e indirectos asociados a un aumento del valor de la producción del sector. Se estiman a partir de los coeficientes técnicos de insumo producto y a partir de diversas operaciones algebraicas que llevan a la determinación de la matriz Leontief.

Dentro de los indicadores indirectos que se pueden calcular, destacan:

a. Multiplicadores del producto y la demanda: corresponden a la cuantificación de las variaciones que se generan en el producto regional cuando varían tanto producto como demanda sectorial.

b. Medidas de dispersión de eslabonamientos: el grado de dispersión mide si el efecto multiplicativo se difunde a través de pocos o muchos sectores.

c. Determinación de sectores clave: con esta medida es posible asignarle a un sector la característica de “clave”, “estratégico”, “impulsor” o “independiente” para el desarrollo de la economía.

Los sectores con altos encadenamientos hacia atrás y adelante, son considerados como sectores clave, pues al ser fuertes demandantes y oferentes, son sectores de paso obligado de los flujos intersectoriales, es decir, presentan encadenamientos directos e indirectos por sobre el promedio sectorial, ya sea para la región o el país.

Los sectores denominados como estratégicos, poseen baja demanda de insumos, pero abastecen sustantivamente de insumos a otros sectores. La denominación de estratégico, apunta al hecho de que son sectores que pueden constituir posibles cuellos de botella productivos, frente a shocks de demanda. Estos sectores presentan encadenamientos productivos hacia delante por sobre el promedio pero encadenamientos hacia atrás bajo el promedio.

Los sectores impulsores, con bajos encadenamientos hacia delante y altos hacia atrás poseen consumo intermedio elevado y una oferta de productos que, mayoritariamente, abastece la demanda final, por ello, a la última fase del proceso productivo.

Los sectores considerados como independientes (o aislados), consumen una cantidad poco significativa de insumo intermedios y dedican la producción a satisfacer, principalmente, a la demanda final. Se trata de sectores aislados, que no provocan efectos de arrastre significativos en el sistema económico, ni reaccionan en forma relevante ante el efecto de arrastre, provocado por las variaciones de la demanda intermedia de otros sectores. Es decir, presentan encadenamientos productivos bajo el promedio tanto hacia delante como hacia atrás.

Método de Desarrollo de la MIPR

A nivel regional sólo se encuentran disponibles, en forma oficial, las MIP publicadas para el año 1996 por el INE. Dada la antigüedad de estas matrices, los resultados que de ellas se desprendan no son del todo representativos de la realidad actual, por cuanto no estarían incluidos los actuales precios relativos de los sectores ni los cambios estructurales que han ocurrido desde el año 1996 a la fecha. Por lo anterior, es necesario actualizar estas matrices, y para ello se plantea utilizar las matrices de insumo producto nacionales publicadas por el Banco Central para los años 1996 y 2998, así como la información del PIB sectorial para la Región de Atacama que publica la misma institución.

La metodología de actualización será a partir de mecanismos internacionalmente aceptados para tal efecto, como las metodologías RAS y/o la metodología de entropía cruzada. Ambas metodologías permiten actualizar las cifras sectoriales y modificar los coeficientes técnicos de insumo producto, aunque manteniendo las estructuras previamente establecidas por un punto fijo.

Una vez construida la nueva matriz para la región (a través de métodos de actualización), serán calculados los indicadores de efectos directos e indirectos. La magnitud de los efectos depende fundamentalmente del grado de eslabonamiento que tenga el sector con los demás sectores de la economía. Por ello, se identificarán también los sectores con mayor potencial de encadenamiento en la región.

El proceso de actualización consta de cuatro pasos metodológicos:

1. Recopilación de fuentes de información inicial: a. Tablas de oferta-utilización a nivel regional que publica el Instituto Nacional de Estadísticas para el año 1996. Dentro de estas tablas se presentan desagregados los siguientes 25 sectores productivos: “Agricultura”, “Fruticultura”, “Resto Silvoagropecuario”, “Pesca”, “Cobre”, “Resto Minería”, “Alimentos, Bebidas y Tabaco”, “Textil, prendas de vestir y cuero”, “Madera y Muebles”, “Papel e Imprentas”, “Química, petróleo, caucho y plástico”, “Fabricación de productos minerales no metálicos”, “Metálica Básica”, “Productos metálicos, maquinaria y equipos”, “Resto Industria”, “Electricidad, gas y agua”, “Construcción”, “Comercio, Restaurantes y Hoteles”, “Transporte”, “Comunicaciones”, “Servicios Financieros”, “Educación”, “Salud”, “Resto Servicios Personales y Propiedad de Vivienda”, “Administración Pública”, “Otros Bienes y Servicios”. b. Matrices nacionales para los años 1996 y 2008. Estas matrices presentan desagregaciones mucho mayores que las existentes a nivel regional, pero serán trabajadas con el fin de hacerlas comparables con el número de actividades regionales.

c. Como información secundaria se utilizarán las encuestas CASEN entre los años 1996 y 2008; el PIB regional de los años 1996 y 2008 que publica el Banco Central para 12 sectores productivos. Además de información del Servicio de Impuestos Internos cobre el número de empresas y la recaudación tributaria relacionada, junto con las cifras regionales ligadas con índice de crecimiento sectorial, entre otros.

2. Con la matriz de oferta de utilización regional, de las matrices nacionales de los años 1996 y 2008, y de la información secundaria se calcularán relaciones económicas a fin de tener los principales agregados macroeconómicos de la MIP para el año 2008. Para esto, se actualizará la suma de los vectores regionales de insumo producto como: El PIB, el Consumo Intermedio, las Exportaciones e Importaciones regionales, el Consumo de bienes y servicios, las Inversiones y el pago de Impuestos. 3. A partir de la matriz agregada con cifras para el año 2008, se procederá a construir las desagregaciones productivas necesarias. Si bien la matriz regional original presentaba una desagregación a 25 sectores, puede existir información faltante o que requiera de supuestos económicos muy fuertes. Por ello, se evaluará la opción de operar con una desagregación menos amplia que la oficial de 1996 aunque manteniendo un especial cuidado en priorizar el análisis desagregado de los siguientes sectores: Agrícola, Minero, Turismo, Pesca y Acuicultura, Comercio y Construcción.

Para el cálculo de las desagregaciones se utilizarán las relaciones de Insumo Producto Nacionales y su evolución en el período 1996-2008. Además se construirán evoluciones sectoriales regionales a partir de índices de actividad económica, de precios y de ingresos.

4. Técnicas de cuadratura: Las matrices de insumo producto son una representación de la oferta y demanda de productos, por lo que debe cumplirse una serie de ecuaciones y relaciones económicas. En particular, deben estar balanceadas en el sentido de que la oferta sea igual a la demanda de una actividad productiva. Por ello, es muy probable que tanto la matriz agregada del 2008 como la desagregada para el 2008 estén desbalanceadas.

Una de las técnicas más empleadas para realizar este tipo de cuadratura es la del Modelo de Cross Entropy. El modelo permite incorporar 4 tipos de restricciones, entre las cuales se distingue la restricción sobre variables macroeconómicas, restricción sobre suma de filas y columnas, restricción sobre casillas de la matriz desagregada y restricción sobre casillas agregadas.

Los posibles descuadres se pueden solucionar utilizando el método de balanceo, que consiste en fijar los agregados macroeconómicos para permitir que en forma iterativa se solucione esta dificultad. De este modo se soluciona uno de los principales problemas asociados a la actualización de estas matrices, los cuales están asociados fundamentalmente con un correcto balanceo.

5. Cálculo y análisis de encadenamientos productivos: una vez actualizada la MIP para el año 2008 se calcularán relaciones sectoriales, efectos directos e indirectos de las actividades económicas en la tercera región. En participar, se calcularán los siguientes índices y caracterizaciones:

a. El valor agregado sectorial: desagregando pago al factor capital y trabajo. b. Encadenamientos productivos directos hacia delante y atrás. c. Impuestos pagados por cada sector productivo. d. El Valor Bruto de la Producción: la suma del valor agregado y el consumo

intermedio. e. Multiplicadores de la producción. f. Medidas de dispersión de encadenamientos. g. Determinación de sectores “clave”, “estratégico”, “impulsor” o “independiente”

para el desarrollo de la economía. Método de Cálculo de la Inversión en Minería Proyectada y Ejecutada

La variable más importante para las proyecciones de la economía de la región es la inversión. Como se aludió en la introducción, es la opinión de GESTRA que la estimación de inversión merece la dedicación del tiempo al análisis por el valor que la variable posee en el modelamiento. Somos únicos en diferenciar entre la inversión declarada o anunciada y la inversión ejecutada en las proyecciones económicas. Por ello, detallamos a continuación el proceso exploratorio de datos de inversión que GESTRA aborda.

Existen distintas fuentes de datos sobre montos de inversión en Chile: Comité de Inversión Extranjera (CIE); Corporación de Desarrollo Tecnológico de Bienes de Capital (CBC); Comisión Chilena del Cobre (COCHILCO); Catastro de Proyectos Mineros de EDITEC S.A; y el Servicio de Evaluación Ambiental (SEA), hoy con el subsistema de reportaje y seguimiento de proyectos en proceso de modernización. Todas las fuentes mencionadas tienen características específicas y coberturas de información diferenciadas. El Estado no cuenta aún con un sistema de información de inversiones que gestiona estos datos.

El CIE, sistematiza la información de todas las inversiones que se acogen al estatuto de inversión extranjera; es una fuente de datos parcial, de alto significado para la inversión regional dada la composición del origen de la inversión, en particular en el sector minero. Sin embargo, para una comprensión más completa del comportamiento de inversión se requiere considerar la inversión que tiene como fuente capitales nacionales y aquella que pudiera no estar afecta al estatuto de inversión extranjera.

Por su parte, la CBC, sólo incluye en su catastro aquellas inversiones mayores a los 5 millones de dólares para el caso de proyectos industriales y mayores a 15 millones de dólares en el caso inmobiliario.

Al igual que la CBC, COCHILCO sólo captura aquellos proyectos de inversión superiores a cierto monto. De acuerdo al informe de “Inversión en la Minería Chilena – Cartera de Proyectos 2015-2024” sólo cubre aquellos proyectos de inversión cuyos montos superen los 90 millones de dólares.

El Catastro de Inversiones Mineras, profundiza en algunos aspectos de inversión para ciertos proyectos, sin proveer información completa para todos y no recoge el conjunto de la inversión proyectada, evidenciando inconsistencias en la información provista.

Finalmente, el SEA, cubre la inversión independiente del origen de los capitales o su adhesión al estatuto de inversión extranjera, pero recorre sólo aquellas que deben desarrollar algún tipo de acción en el SEA, es decir, con un impacto ambiental asociado. Esto conlleva que importantes ramas productivas evidencian subdimensionamiento. Asimismo, el criterio de clasificación en el SEA es de carácter funcional, asociado a los procesos evaluativos que el sistema desarrolla y no se ajustan a ninguna de las clasificaciones internacionales (CIIU en alguna de sus versiones o las fuentes INE y Banco Central en el caso de datos de PIB), lo que representa incompatibilidad de datos de no mediar un proceso de reclasificación ajustada a la organización de información en otras fuentes de datos.

Considerando estas características, es posible deducir que la base de los datos del SEA es la más comprensiva para iniciar. Sin embargo, para trabajar relacionando la información de esta con otras fuentes, es preciso proceder a la reclasificación de proyectos sobre la base de la información adicional provista por las empresas en los documentos de evaluación y declaración de impacto ambiental. Este proceso genera una nueva base de datos de inversión con potencial para uso en análisis y modelamiento, la que denominamos la Base de Inversión SEA Depurada y Reclasificada (Base ISDER), (CIIU Rev.3, 1 digito).

Para poder llevar a cabo el proceso de reclasificación, se realizará una revisión de la información de cada proyecto: monto de inversión, vida útil, duración de las etapas, mano de obra. Además los proyectos de inversión minera se reclasificarán en minería metálica y no metálica y si son procesos de extracción, exploración, transporte, administración de residuos, inversiones anexas a minería y procesamiento.

La información provista por SEA diferencia proyectos presentados por tipo de calificación: No admitidos a tramitación, No calificados, Aprobados, Rechazados, Desistidos y En calificación. Sin embargo, para efectos de este modelo, se utilizarán sólo aquellos que han sido aprobados o podrían llegar a ser sin mediar proceso de reinserción de proyecto, con lo cual se trabajará sólo con aquellos Aprobados o En calificación.

Basada en nuestra experiencia, en el Observatorio del Mercado Laboral y estudios del mercado laboral en otras regiones, es importante destacar que la mayor parte de los proyectos consideran un 90% de la inversión destinado a la construcción (independiente de su duración) y que el 10% restante corresponde a la etapa de operación. Esta última etapa, se asume que dura como máximo dos años con un nivel de ejecución de 75% de la inversión en operación el primer año y el 25% el segundo

año, esto porque se entiende que el proyecto es mayoritariamente autosustentable desde el segundo año en adelante.

Proyectos Actualmente Aprobados. La forma de calcular la inversión ejecutada considera, en primer lugar, los proyectos que presentan data de cuántos meses demora la construcción de estos. Con esta base se estiman los años de duración de la etapa de construcción y de acuerdo a esto se establecen los montos de inversión respectivos a cada año considerando la distribución alícuota entre los años de construcción. En el caso de los proyectos que no tienen declarada la duración de su etapa de construcción, se utiliza el promedio por subsector de los proyectos que si traen la información.

Dado que las empresas no pueden manejar con completa certeza el momento en el cual comenzará el inicio de obras se considera como plazo razonable 6 meses desde que la inversión es aprobada para dar inicio a acciones y suscribir contratos que permitan poner en movimiento dicha inversión. Con esto, proyecto a proyecto se estima el año de ejecución de la inversión de acuerdo a la fecha de calificación. Dados los procedimientos anteriores se van ingresando en la tabla de inversión anual los montos de inversión año a año. Se ingresan además, los montos de inversión en la fase de operación (años 1 y 2) sucesivamente luego del último año de construcción.

Proyectos Actualmente En Calificación. Como se menciona anteriormente este tipo de estado necesita de la estimación de la fecha de calificación y además de la estimación de índices de Aprobación, Rechazo, Desistidos y No Calificados.

Como no es posible determinar de los proyectos En Calificación cuáles serán Aprobados, Rechazados, Desistidos y No Calificados, se calcula un factor de montos “no considerados”, es decir, se toma el promedio (desde 1993 hasta 2015, sin considerar los En Calificación) de los montos de proyectos Rechazados, Desistidos y No Calificados y se calcula el porcentaje que estos representan del promedio, para luego aplicar el factor estimado a cada proyecto y descontar dicha proporción.

Luego de obtener el monto final de inversión se estiman el promedio de demora de calificación por subsector en minería y se aplica dicho promedio a cada proyecto En Calificación. Según esto, podemos pasar a realizar el mismo paso que en el caso anterior para ingresar los montos de inversión anuales de acuerdo a las fechas de calificación y los meses de construcción.

Proyectos Aun No Ingresados en el SEA. En este caso, no tenemos datos de proyectos ingresados, ya que aquí hablamos de los montos que serán ingresados en el futuro. Por lo tanto, se utilizarán regresiones simples para relacionar el monto de inversión anual (por año de presentación) con variables como el crecimiento del resto del mundo (ROW por sus siglas en inglés), crecimiento de China, precio del hierro y tasa de interés internacional (LIBOR 180 días) para proyectar las inversiones anuales futuras. La evolución observada de la economía internacional constituye un referente importante por el efecto sobre la demanda de metales y constituye una referencia importante de las decisiones de inversión en minería por su impacto en precios de largo plazo de los commodities. En ello, y de manera progresiva, se observa un impacto del comportamiento de la

economía China, que si bien ha dejado su nivel de crecimiento creciente, es una economía que sigue creciendo.

Ello ha elevado el peso de la economía China en la economía mundial lo que constituye un impacto significativo y específico en la demanda de minerales. Por esta razón, se ha considerado relacionar de forma independiente su dinámica, si bien en el crecimiento del resto del mundo (ROW) se mantiene la presencia de China como uno de los grandes contribuyentes.

Por otro lado, se deben analizar los precios de los metales que inciden en la inversión minera, estudiando además su peso relativo en el crecimiento económico en la región. Se elegirán aquellos precios de metales con mayor incidencia.

La tasa de interés internacional (LIBOR a 180 días), dada la estrategia de financiamiento de los grandes proyectos mineros, constituye una aproximación al costo de financiamiento de los proyectos que impacta sobre el cálculo de rentabilidad de los mismos. Por esta razón se ha considerado específicamente la relación del comportamiento de ésta variable con las variaciones en la inversión en el sector.

Luego, calculamos el porcentaje de aprobación estimada para las inversiones anteriores y determinamos cuánto es el monto que será invertido por subsector. Además de esto, dado el promedio de meses que se demora la construcción y operación por subsector, podremos estimar el monto invertido por año.

Considerando estas proyecciones, se desarrollarán distintos escenarios de ejecución de la inversión.

Modelo de Imputaciones para el Simulador

El trabajo de modelamiento que GESTRA desarrollará depende de bases de datos pobladas a un nivel suficiente para realizar ejercicios econométricos. Las bases de datos disponibles para el trabajo faltan datos por razones típicas, como cuando el encuestado no quiere contestar o no fue posible proveer el dato. En adición, se ocupan distintas bases para modelar y estas bases tienen frecuencias y periodicidades distintas, lo que produce vacíos en las bases creadas para el modelamiento. Teoristas han desarrollado métodos matemáticos para remediar este problema y completar datos faltantes. Este método se denomina Imputación.

Los métodos de imputación para remediar los vacíos en las bases de datos para el presente trabajo serán los modelos Monte Carlo vía Cadenas de Markov (MCMC) y el modelo de imputación múltiple por ecuaciones encadenadas.

El modelo de Monte Carlo vía Cadenas de Markov es un proceso estocástico3 en donde el estado actual sólo depende del estado inmediatamente anterior. Si el estado actual 𝑌𝑛 y los estados previos 𝑌1, … , 𝑌𝑛−1 son conocidos, la probabilidad del estado en 𝑌𝑛+1 solamente dependerá del estado actual 𝑌𝑛 y no de los estados anteriores 𝑌1, … , 𝑌𝑛−1 . Es decir, la probabilidad de cualquier comportamiento futuro, cuando se conoce el estado actual con exactitud, no se verá alterada por el conocimiento de su comportamiento en el pasado. En términos formales

𝑃𝑟{𝑌𝑛+1 = 𝑗|𝑌1 = 𝑖1, … , 𝑌𝑛−1 = 𝑖𝑛−1, 𝑌𝑛 = 𝑖} = Pr{𝑌𝑛+1 = 𝑗|𝑌𝑛 = 𝑖}

Para todo tiempo 𝑛 y para cualquier sucesión de estados 𝑖0, 𝑖1, … , 𝑖𝑛−1, 𝑖, 𝑗. Donde 𝑌𝑛 se conoce como el estado del sistema en el instante n. Las cadenas de Markov se utilizan para predecir el comportamiento y la evolución de determinados sistemas, tanto a corto como largo plazo.

El método de Monte Carlo es un método estadístico universal con el cual se pueden resolver problemas matemáticos mediante la simulación de variables aleatorias (Sóbol 1983). El método permite emular cualquier proceso cuyo desarrollo dependa de factores aleatorios y, en aquellos problemas matemáticos que no tienen mayor relación con aspectos aleatorios, es posible inventar un modelo probabilístico artificial (e incluso más de uno) para resolver problemas.

En conjunto, el Markov y Monte Carlo generan una gran cantidad de números aleatorios que representan una distribución posterior numéricamente. Pero, cada iteración MCMC está condicionada por la última efectuada, y cada réplica está correlacionada. Las relaciones condicionales, que tienen propiedades estocásticas, están descritas por una cadena de Markov. Es decir, la idea básica del método MCMC es generar una cadena de Markov fácil de simular y cuya distribución de equilibrio corresponda a la distribución final que interesa (generalmente estacionaria4) (Rodriguez Caballero 2010).

El algoritmo MCMC más utilizado es el Gibbs Sampler, el cual genera variables aleatorias indirectamente de una distribución (marginal) sin tener que calcular la densidad.

Se ocupa el Modelo de Imputación Múltiple por Ecuaciones Encadenadas para poder solucionar el problema de datos faltantes en series históricas, ya sea porque no se quiso dar respuesta a la pregunta, hubo un mal registro de la información o, simplemente, porque la información no existe

3 Un proceso estocástico o aleatorio es una colección de variables aleatorias ordenadas en el tiempo. Si 𝑌 denota una variable aleatoria y es continua, se denota como 𝑌(𝑡), pero si es discreta se expresa como 𝑌𝑡. Econometría, Gujarati y Porter, Quinta Edición, 2010. 4 Esto ocurre cuando existen probabilidades de largo plazo y son independientes de la distribución inicial (Hastings, 1970).

(Alfaro and Fuenzalida 2009). El ejercicio consiste en generar múltiples bases de datos, a partir de múltiples iteraciones donde se rellena la información faltante a partir de la información que se tiene disponible, usando tanto los datos observados como los datos estimados de iteraciones anteriores y la incorporación al modelo general del método MCMC.

Los resultados que se obtienen están gobernados por reglas estadísticas y matemáticas que aseguran un nivel de confiabilidad adecuado. El uso múltiple de bases imputadas, bajo las condiciones correctas, permite obtener estimadores insesgados de los datos faltantes, así como también obtener errores estándar de los estimadores adecuados, que reflejen la incerteza propia de la predicción, como aquella debida a los datos faltantes. La aplicabilidad de este método requiere que el patrón de distribución de los valores perdidos sea aleatoria (MCAR o MAR5). Es importante destacar que, de acuerdo a la literatura existente en el área, cuando se compara la “no imputación” con los métodos de imputación de datos faltantes, éstos últimos mejoran la eficiencia en la estimación y se logra obtener una mayor bondad de ajuste (Mediavilla 2012).

Para este estudio, la imputación múltiple se realizará utilizando una cierta cantidad de bases imputadas (a definir luego del análisis de los datos existentes), usando regresiones bayesianas con error gaussiano sobre los datos faltantes. Considerando la existencia de información previa sobre los posibles valores que podrían tomar los datos faltantes, como por ejemplo, la imposibilidad de tener valores inferiores a 0 en ninguna de las variables o la existencia de máximos históricos, se establecerán de forma manual valores límites superiores e inferiores para todas las variables. Se verifica al final del proceso que los valores imputados fuesen factibles, tanto por el grado de variabilidad, como por su tendencia.

En este caso, el modelo de imputación se presentará asociado a todas las variables existentes en la base de datos, exceptuando la i-ésima variable a imputar (variables “y” en la formulación). Se considerará una variable dummy que recoge los cambios en las mediciones de las encuestas (la variación de medición del PIB y las cuatro variaciones en la medición de empleo), variable “x” en la formulación.

De manera formal, el modelo queda expresado así:

𝑦𝑖𝑡 =∑𝛽𝑖𝑗 ∗ 𝑦𝑗

𝑞

𝑗≠𝑖

+∑𝛽𝑖𝑗′ ∗ 𝑥𝑗

𝑘

𝑗=1

+ 𝜀𝑖𝑡

5 Para poder tratar los datos perdidos, primero se debe identificar el patrón de comportamiento de dichos datos. Hay tres tipos de patrones que se pueden identificar: (a) MCAR (Missing Completely At Random): el patrón seguido por los datos es totalmente aleatorio; (b) MAR (Missing At Random): la generación de datos ha sido aleatoria. Al ser menos restrictivo que el patrón anterior, los valores perdidos pueden ser determinados a partir de otras variables observables; (c) MNAR (Missing Not At Random): los datos perdidos fueron generados de manera no aleatoria, los que, de acuerdo a Rubin (1976), seguirán un patrón sistémico específico (Mediavilla, 2012).

Sujeto a:

𝛽𝑖𝑗~𝑁(0, 𝜎𝑖𝑗2)

𝛽𝑖𝑗′ ~𝑁(0, 𝜎𝑖𝑗

2)

𝜀𝑖𝑡~𝑁(0, 𝜎2)

Donde:

𝑦𝑖𝑡: es la i-ésima variable a imputar en el tiempo t.

𝑦𝑗: es la j-ésima variable explicativa distinta de i.

𝑥𝑗: es la j-ésima variable dummy.

𝛽𝑖𝑗: es el coeficiente de la i-ésima variable a imputar asociada a la j-ésima variable

𝛽𝑖𝑗′ : es el coeficiente de la i-ésima variable a imputar asociada a la j-ésima dummy

𝜀𝑖𝑡: ruido blanco.

Modelo de Proyecciones para el Simulador

Basado en la experiencia de GESTRA tanto en la generación de modelos predictivos de economías regionales como en referencia a la dinámica de la Región de Atacama, creemos que las proyecciones del simulador son más efectivas a través del modelo AR(n) multivariante con regresión Ridge. Es el método de regresión porque se usa datos históricos para generar coeficientes que permite predecir un comportamiento futuro; es multivariante porque 2 o más variables explica mejor que una. Es un Proceso Autorregresivo de Orden n: AR (n) porque, el valor de un año es explicado en parte por su comportamiento en el año anterior. Y finalmente, es Ridge para remediar con una operación matemática, un poder predictivo reducido por el comportamiento de los parámetros.

Un AR (n) es un proceso estocástico (𝑌𝑡)𝑡∈𝑍 que sigue el siguiente modelo:

𝑌𝑡 = 𝛽𝑌𝑡−𝑛 + 𝜀𝑡

Donde 𝛽 es una constante, 𝜀𝑡 es un término de error aleatorio no correlacionado con media cero y varianza constante 𝜎2 (es decir, ruido blanco). La expresión anterior quiere decir que el valor de 𝑌 en el tiempo 𝑡 depende de su valor en el período anterior y de un término aleatorio, es decir, el valor de 𝑌 en el período 𝑡 es simplemente una proporción (𝛽) de su valor en el período anterior (𝑡 − 1) más una perturbación aleatoria en el tiempo 𝑡.

Todas las regresiones utilizan Mínimos Cuadrados Ordinarios (MCO) para determinar los coeficientes. Cuando existe multicolinealidad, se podrían generar problemas de inestabilidad en las variables independientes, signos incorrectos en los parámetros y errores estándar elevados, lo que resulta en la estimación de modelos con poco poder explicativo (Akdeniz 2001), además existe el problema de que se requiere predecir más variables de las que se tiene (𝑝 < 𝑛). Una de las técnicas para solucionar estos problemas es utilizar una Regresión Ridge, en donde se introduce sesgo en los parámetros a cambio de una reducción de error estándar de los parámetros estimados (García, Chagolla et al. 2006).

La formulación del modelo de proyecciones es la siguiente:

𝑦𝑖𝑡 =∑𝛽𝑖𝑗 ∗ 𝑦𝑗,𝑡−1

𝑞

𝑗=1

+∑𝛽𝑖𝑗′ ∗ 𝑥𝑗,𝑡

𝑘

𝑗=1

+ 𝜀𝑖𝑡

Con restricción:

(∑𝛽2) + (∑𝛽′2)

Donde:

𝑦𝑖𝑡: es la i-ésima variable a imputar en el tiempo t.

𝑦𝑗,𝑡−1: es la j-ésima variable explicativa distinta de i, en el tiempo t-1.

𝑥𝑗𝑡: es la j-ésima variable dummy en el tiempo t.

𝛽𝑖𝑗: es el coeficiente de la i-ésima variable a imputar asociada a la j-ésima variable.

𝛽𝑖𝑗′ : es el coeficiente de la i-ésima variable a imputar asociada a la j-ésima dummy.

𝑞: número de variables dentro del modelo

𝑘: número de variables fuera del modelo (dummies)

𝜀𝑖𝑡: ruido blanco.

En el curso de la formulación, habrá distintos pruebas de la eficacia, consistencia y confiabilidad del modelo. Esto se testea comparando los resultados del modelo contra datos históricos. El ejercicio se realiza generando predicciones para un año en el pasado basado en los datos de años anteriores y se evalúa la dispersión de los resultados contra un umbral de aceptabilidad.

Por ejemplo, se comprobará los resultados en pasos sucesivos a través de 5 modelos de predicción. En el modelo 1, se utilizará el resultado de todas las bases imputadas sobre los datos disponibles hasta el año 2012, para tratar de predecir el año 2013. En el modelo 2, se utilizarán todos los datos disponibles hasta el año 2011, para predecir el año 2012. Las predicciones para el año 2012 se consideraran como dato observado, para generar predicciones del año 2013. Los modelos 3 al 5 se generaran de forma análoga, aumentando la cantidad de años para predecir6.

El promedio de las predicciones provenientes de cada base de datos correspondería al valor estimado para la variable de cada año, y el intervalo comprendido entre la segunda estimación y la penúltima al ordenarlas por valor, al intervalo al 95% de confianza para la estimación.

Métodos para Determinar los Impactos de Catástrofes

Hoy, un desastre está definido como un evento o situación natural que abruma las capacidades locales y/o genere la necesidad para una solicitud de asistencia externa. Esta definición es nueva, emergiendo de las metaconversaciones sobre “los costos” de los terremotos de Chile, Haití, y Japón; los ciclones de New Orleans y Asia; y las inundaciones e incendios causados por el cambio climático en muchas partes de la tierra. La experiencia de Chile juega un rol importante en este ajuste a la definición. Los terremotos muy grandes recientes, generaron un número bajo de fatalidades y causó menos daño a infraestructura de lo esperado. Donde, en Haití el terremoto, también grande pero con menos energía, causó mucho daño en mortalidad, morbilidad y en infraestructura en el corto y largo plazo. La diferencia provocó una búsqueda, entre economistas y aseguradores, de la significancia de “costo” de un desastre y cuáles son las causas de esta diferencia.

Por otro lado, la Región de Atacama sufrió mucho daño por un aluvión producido por 70 mm de lluvia. Profesionales de la disciplina no esperaban “costos altos” a causa de poca lluvia. En este caso, el problema es dónde cayó y en cuán poco tiempo. Más aun, el anticipado aumento de la fuerza de las tormentas como ciclones y tornados alimentados por cambio climático está motivando el desarrollo de un marco analítico para medir desastres que suponen que vienen. Es a través de esta conversación que estamos llegando a entender qué son eventos de la naturaleza, inevitables a grados, normales, y anticipados con un mayor o menor grado de probabilidad, pero que es la acción

6 Es importante mencionar que el modelo podría tener pequeñas variaciones dependiendo de los datos que existan para la región.

ex - ante o ex -post de los humanos en relación a estos eventos la que determina si el evento es una catástrofe o no.

Como una de las contribuciones al conocimiento que generó esta conversación, analistas han definido una tipología de eventos catastróficos. La tipología toma la siguiente forma:

El supuesto que opera detrás de la tipología es que cada tipo de catástrofe podría estar asociado a un nivel distinto de costo, a métodos distintos de manejo ex-post o a planes de reducción de riesgo distintos. La tipología ayuda a ver, por ejemplo, que los tornados generan daño sobre un área más delgada y típicamente más corta que un ciclón, pero que son menos predecibles en dónde impactarán. También, contribuye en clasificar cuáles países típicamente están en riesgo frente a cuáles eventos. Chile históricamente tiene de todo, salvo los ciclones y los eventos biológicos.

Pero, al analizar la tipología, se puede constatar que varios tipos de eventos puedan provocar consecuencias similares. Estas consecuencias se expresan en 3 dimensiones. Primero, los daños pueden ser directos o indirectos, donde los directos son la mortalidad y morbilidad, aquellos daños a activos fijos y capital y a materiales crudos y recursos naturales.

Los daños indirectos refieren a actividad económica en la producción de bienes y servicios que no ocurre como consecuencia del evento. Esta pérdida de producción podría resultar de daños a infraestructura o porque los insumos están derivados a reconstrucción. Los daños a la producción también podrían resultar del uso de procesos inferiores o insumos de menor calidad. (The Economics of Natural Disasters: A Survey, Cavallo and Noy, 2010)

Segundo está la dimensión de tiempo. Un evento puede causar daño inmediatamente o un tiempo después. Al pensar sobre esta dimensión, se prevé dificultades para marcar exactamente cuándo algunos eventos terminan y dónde se pone el límite para atribuir contablemente un costo o costo de oportunidad a un evento. El largo plazo de las réplicas que acompañan el sismo principal pero que también generan daño es un ejemplo. El costo de trabajo perdido por razones de morbilidad en una persona se percibe a través de años, no semanas. ¿Es un costo atribuible al evento?

Tipos de eventos naturales

Hidrometeorológico

Inundaciones

Oleada de tormenta

Tormentas

Sequias

Aluviones

Geofísico

Terremotos

Tsunamis

Volcanes

Biológico Epidemias

Infestaciones de insectos

Ciclones

Tornados

La tercera dimensión es del radio de impacto, medición que es menos compleja. Es previsible que será posible demarcar los límites geográficos de daños por cada uno de los tipos de desastres, a pesar de que puedan o no corresponder a los límites administrativos de las zonas políticas.

Las dificultades para cuantificar estas dimensiones para desarrollar políticas, sean de prevención, como en el manejo de riesgos o en respuestas ex – post; como en el ejemplo de seguros, no son menores y aún existe muchos vacíos en la literatura.

Cavallo y Noy, en su revisión de trabajos sobre la economía de desastres, notan debilidades en los datos recolectados hasta el momento y brechas en el conocimiento sobre los “canales” de causación, impactos al nivel de hogar, entre otros.

Fuente: Elaboración propia.

En el presente trabajo GESTRA contemplará estas 4 dimensiones de catástrofes para generar un componente del modelo de simulación. Al momento no está claro si la generación de una estimación de costos atribuible a un desastre es mejor tratado como un módulo de las proyecciones que miden el PIB y empleo en el futuro, o si es un módulo aparte con otro nombre que hace una estimación contable hacia atrás, pero aún como un componente de un observatorio. Esto depende del problema técnico – político a resolver que GESTRA anticipa afinar en deliberación con un panel convocado para este propósito.

Importante a este trabajo será la exploración de datos. El trabajo iniciará con revisar los datos recolectados frente a otras ocurrencias de eventos en Chile para evaluar la confiabilidad y representatividad de los datos, y buscar si estándares emergieron en estos casos con la finalidad de estimar cuánto impacto es atribuible a un evento. Se revisarán los datos internacionales también en búsqueda de lo mismo, pero ya sabemos que los estándares de formato para la recolección de datos de daños y costos de reconstrucción se encuentran hoy en pleno desarrollo. Existen actualmente sólo 3 bases internacionales de datos con un potencial limitado para análisis. El Emergency Events Database (EM-DAT) (The International Disaster Database (EM-DAT), 2015) es el único que es

Radio de daño amplio

Radio de daño acotado

Tipo de eventoTipo de evento

Corto plazo

Largo plazo

Daño directo

Daño indirecto

público, administrado por el Center for Research on the Epidemiología of Disasters (CRED) de la Universidad Católica de Lovain en Bélgica. La base existe para comparar eventos en el mundo, pero la mortalidad es el único dato que recibe el mismo tratamiento de levantamiento transversalmente entre países. Los otros “costos” dependen de los mecanismos de levantamiento de cada país en cada ocasión. Otras bases privadas en el sector de reaseguradores en Europa (NatCatSERVICE, 2015) podrían contar con más datos levantados en un régimen estandarizado, pero estas tienen un fin funcional vinculado al seguro. Sólo una porción de los datos de estas bases están disponibles a no-miembros de la industria.

Un dato que tiene potencial para medir los costos de un evento es el PIB regional. Algunos autores miden los cambios en el PIB, con y sin eventos, generando casos contrafactuales para estimar el peso de ellos. Los autores ocupan modelos similares al modelo presente en nuestro simulador, lo que es interesante, pero el supuesto de que es suficiente medir los costos únicamente en términos del PIB requiere deliberación. Adicionalmente, se requiere análisis para determinar los canales de causación entre costos indirectos (o de oportunidad) en relación al PIB.

La deliberación sobre el problema principal a resolver en relación a desastres se hace particularmente importante cuando se considera el impacto que tiene el ingreso de recursos a la zona impactada. Donde la medición de costos pretende estimar lo reducido asociado a un evento, estos recursos de inversión o de reponer infraestructura provocan un cambio positivo en el PIB, a veces más allá de lo que habría sido el PIB sin el desastre. Este aspecto es tan importante que no existe consenso sobre si un desastre es “bueno” o “malo” para una zona.

Métodos para el Desarrollo de la Plataforma Electrónica del Simulador

El presente trabajo contempla una interfaz que permite usuarios ocupar el simulador para estimar las variables dependientes. La interfaz será una plataforma electrónica que hace disponible el simulador donde este el usuario: es decir, una web-based plataforma. Pero, la plataforma, además faculta la sensibilización de los resultados por factores de contexto y niveles de ejecución de inversión, produciendo análisis por escenario.

Los factores de contexto son sucesos o dimensiones en el entorno pero fuera del control de la política pública local. Estos factores impactan sobre los resultados pero el actor no se puede intervenir sobre ellos. Unos de los factores de contexto más importantes son el precio del dólar y los precios de los metales. También se incluye el crecimiento de China y el mundo como factores de contexto. El diseño de la plataforma proveerá al usuario la oportunidad de cambiar los valores de los factores dependiendo de su apreciación informada.

Lo mismo incorporará el diseño de la plataforma por el nivel de ejecución de la inversión. El usuario, puede cambiar el monto que estima será invertido efectivamente en cada año, según su juicio de experto. Tomado en conjunto, el usuario generará una predicción sensibilizada.

La plataforma estará diseñada para cumplir con criterios de amigabilidad por el máximo número de usuarios factible, con sus salidas adecuadas. Sin embargo, será una única interfaz gráfica, lo que significará que el usuario cuenta con una mínima competencia para el uso de ella. La Corporación tendrá la responsabilidad para decidir quiénes componen el grupo de usuarios.

En rigor esta plataforma es un observatorio en línea con capacidades de proyección por escenarios. Existen algunos ejemplos de plataformas similares a nivel internacional, donde unos cuentan con reportes sin tener un simulador para que el usuario independiente realice las simulaciones que le parezcan pertinentes y otros que incluyen un simulador.

Un ejemplo de observatorio eficaz es “Devonomics” (http://www.devonomics.info/), un observatorio desarrollado para el Consejo del Condado de Devon, Inglaterra. Devonomics produce y presenta una canasta de informes, económicos y políticos, sensible al tiempo de decisiones. La canasta incluye desde resúmenes mensuales hasta informes especiales sobre impactos tales como catástrofes sobre la economía local. Mucha de la información incorporada en Devonomics tiene su origen en modelos de proyecciones del Instituto de Investigación en Empleo de la Universidad de Warwick (Warwick Institute for Employment Research) y la empresa Cambridge Econometrics.

Otro ejemplo es de Ecuador. Este simulador se encuentra inserto dentro de un observatorio de economía regional, el cual constará (se comenzó a ejecutar este año) con la edición de boletines trimestrales. El primer boletín del simulador expone los resultados de las matrices de insumo producto de Ecuador del año 2007 y 2013 que sirven de base para el desarrollo de la interfaz que simula los impactos sectoriales generados por la demanda agregada tanto en ingreso, empleo y producto.

De los simuladores que se encontraron en la búsqueda en línea, este tendría características que lo harían “similar” al que se realizará con este proyecto. Presenta una plataforma web donde se pueden realizar diferentes simulaciones realizando cambios en la inversión en un sector particular, si es una

economía abierta o cerrada, etc.; pero no realiza proyecciones visibles para el usuario simple de la plataforma. Estas proyecciones podrán ser conocidas luego de la generación de los boletines.

El método para el desarrollo de la plataforma de simulación se fundamenta en una combinación de métodos ágiles de desarrollos, así como de planificación, dentro del paradigma del modelo en espiral (Boehm, 2000, 2002).

El modelo en espiral es un generador de modelos de procesos. Es útil para guiar la acción de sistemas con múltiples stakeholders (usuarios, consumidores, desarrolladores). Se caracteriza por (a) un enfoque cíclico, mediante el crecimiento incremental de las definiciones e implementaciones para disminuir el riesgo y (b) la definición de hitos, que permita la producción de soluciones satisfactorias para todos los stakeholders.

Como riesgo, se define las situaciones o eventos que pueden impedir que el proyecto logre sus metas. La gestión del riesgo implica enumerar los riesgos y priorizarlos en importancia. En general, riesgos relacionados con el tiempo o el valor del producto implicarán desarrollos basados en prototipos, en tanto que riesgos relacionados con la calidad o la precisión implicarán desarrollos planificados.

Un modelo en espiral implica 6 condiciones:

1. Determinación concurrente más que secuencial de artefactos: los requerimientos, planes,

diseño y código deben ser definidos de manera simultánea, y no limitando uno en función de otros. Esto, para evitar constricciones prematuras y disminuir la probabilidad que los stakeholders no logren las condiciones de éxito esenciales.

2. Consideración permanente de: objetivos y limitaciones de los stakeholders, alternativas a productos y procesos, identificación de riesgos y resolución, reseña de stakeholders y compromiso a realizar acciones. El no considerar alguno de estos factores implica comprometerse con decisiones inaceptables o muy riesgosas.

3. Consideración del riesgo para determinar el nivel de esfuerzo en cada actividad. Permite definir cuanto es suficiente en términos de planificación, prototipado y testeo, evitando así invertir menos o más de lo debido para minimizar el riesgo.

4. Consideración del riesgo para determinar el nivel de detalle de cada artefacto.

5. Gestionar el compromiso de los stakeholder mediante tres hitos de anclaje: Objetivos de Ciclo de Vida (se define que arquitectura específica es viable), Arquitectura del Ciclo de Vida (definición detallada de artefactos), Capacidades de Operación Inicial (primer sistema funcional).

6. Énfasis en las Actividades y Artefactos del Ciclo de Vida, por sobre los sistemas informáticos.

En una primera instancia, desde la perspectiva del desarrollador el proceso computacional debe contar con tres fases principales de desarrollo: modelos de predicción, simulador y plataforma web para usuarios finales. La primera fase, por su carácter exploratorio y altamente técnico en términos estadísticos requeriría un desarrollo basado en prototipos, con un énfasis en la producción rápida de un modelo adecuado desde el punto de vista de su capacidad predictiva. La segunda etapa, de generación del simulador, implicaría una planificación mayor para lograr un software estable, que modele adecuadamente las relaciones entre las distintas variables frente a la definición de escenarios específicos; aquí se requiere un importante apoyo técnico en economía, así como consulta permanente con los usuarios finales en términos de sus requerimientos de sensibilización del modelo. Finalmente, en la tercera fase se debe generar la solución web en conjunto con los usuarios finales; a priori, se considera una planificación previa de la interfaz entre la plataforma y el simulador, y un modelo iterativo para la construcción de interfaz de usuario.

Considerando las necesidades de simulación, puede ser necesario optimizar ciertos algoritmos en lenguaje compilado, como C, para lograr altas velocidades. Esta decisión deberá ser tomada al momento de especificar con claridad las necesidades en la generación de escenarios.

En términos de la plataforma, se privilegia el uso de lenguajes de cuarta generación interpretados, ya que permiten un rápido desarrollo a expensas de menor velocidad, la cual no es crítica en

plataformas de uso especializado. En particular, se tiene considerado el uso de Ruby por la gran cantidad de interfaces con el software estadístico R, así como la rapidez en el desarrollo de plataformas sencillas.

Transferencia Tecnológica al Equipo CCIRA y Generación de Competencias: Simulador de la Economía de la Región de Atacama

El proyecto dejará desarrollado un simulador de la economía regional cuyo soporte informático permitirá proyectar escenarios y medir impactos de acuerdo a un programa semi-cerrado que utiliza coeficientes identificados para la precisión de niveles de actividad económica y anticipar el impacto de ello sobre el empleo al nivel regional y subregional.

Para el proceso de transferencia se considera el desarrollo de un proceso de capacitación que atienda de modo diferenciado a tres tipos de públicos centrales a la adecuada operación del sistema y la utilización de sus resultados:

Administradores del sistema de simulación: Responsables de mantener actualizadas las bases de datos y resolver problemas en la operación del sistema, así como asistir a usuarios del mismo, en intervalos antes de su actualización.

Operadores del sistema de simulación: Responsables de construir, a través de la operación del sistema, escenarios y estimar resultados e impactos para preparar menús de decisiones que permitan proveer información procesada sobre consecuencia de decisiones para los decisores públicos.

Decisores públicos: Autoridades regionales, provinciales y comunales que deben adoptar decisiones o construirle viabilidad a las mismas utilizando los resultados del simulador a través de información provista por operadores del sistema.

Se entiende que la diferenciación de segmentos debiera dar origen a propuestas de capacitación que diferencien de modo consistente demandas de tiempo y niveles de profundidad y foco de la capacitación en aspectos diferenciados.

Así, se propone una capacitación diferenciada en que los segmentos, a saber:

Administradores: Tendrán una mayor profundización en contenidos y software que les permita actualizar información y resolver problemas y menor en técnicas de gobierno. Para iniciar el desarrollo de esta capacidad institucional, GESTRA realizará una capacitación presencial basada en inducción, lectura y ejercicios analíticos. La capacitación estará acompañada con un manual de uso, el que quedará a disposición de CCIRA.

La Corporación será la responsable de elegir las personas a ser capacitadas. El número no debe superar las 10 personas, dada la modalidad de capacitación y la necesidad de alcanzar eficacia en los procesos formativos con herramientas equivalentes. GESTRA también realizará reuniones presenciales con la dirección de la CCIRA para ayudar a la instalación del simulador y mantendrá un tiempo de consultas por correo electrónico con un coordinador de la institución.

Operadores: La capacitación de los operadores tendrá poco énfasis en mantención de software y mayor en contenidos y técnicas de gobierno con foco en preparación de menús de decisiones que consideren previsión de impactos de las alternativas consideradas. La modalidad de capacitación, si bien con foco distinto, se parecería en extensión a lo necesario para formar los administradores.

Decisores públicos: Su capacitación tendrá un alto foco en utilización de técnicas de gobierno, en particular sobre cómo leer resultados del sistema y evaluación del menú de decisiones. El tiempo de capacitación será muy acotado y será apoyado durante el proyecto con reuniones de validación y reuniones de trabajo.

Es importante anotar que el proceso considera el desarrollo de las actividades propias de relacionamiento con la contraparte técnica del estudio. Sin embargo, se ha propuesto y es central el desarrollar instancias de trabajo previas con decisores públicos y algunos operadores, de modo de validar avances reduciendo el riesgo de incomprensión y garantizando el alineamiento del desarrollo con las necesidades que el gobierno de instituciones públicas requiere en sus respectivos ámbitos de acción.

El conjunto de estos procesos no solo asegura la calidad de la experiencia de uso por el usuario, sino contribuye a la calidad de futuros desarrollos del simulador, llevando cada vez más cerca la información producida a las necesidades para la toma de decisiones.

Posibles Fuentes de Información

Posibles Fuentes de Datos e Información para Uso en el Simulador

Fuente Datos Utilidad

Ministerio de Obras Públicas

Obras Públicas

Esta base proporciona acceso a información sobre red vial, información ambiental y planes de inversión que pueden afectar la dinámica económica territorial.

Corporación de Desarrollo Tecnológico de Bienes y Capitales

Plataforma de Información de Proyectos

Es una plataforma de información, asociada a proyectos de inversión en Chile, mayores a USD 5 millones en el caso industrial y mayores a USD 15 millones en el caso inmobiliario. Provee información de primera fuente, efectuando más de 4 mil actualizaciones anuales, a través del contacto directo con jefes de proyectos y firmas de ingeniería, obteniéndose siempre información de primera fuente.

Instituto Nacional de Estadística

Proyecciones de Población

Permite identificar las características demográficas de la población, el tamaño y su tendencia, particularmente de la población objetivo. Sobre ello también es importante destacar las tendencias futuras de la oferta de fuerza de trabajo del territorio. Además, permite caracterizar la Población Económicamente Activa de la Región. Las cifras se desagregan en tramos etáreos, género, comuna y provincia.

Informes Económico Regional

El informe contiene: Indicadores de la evolución económica nacional, Síntesis de la evolución económica regional, Evolución económica regional (todas las regiones), INACER, Empleo, Exportaciones.

Encuesta Nacional Industrial Anual (ENIA)

Esta contiene información industrial desde el promedio de días trabajados por establecimiento y ocupación, hasta datos sobre activos y costos de las industrias respectivas. La información se presenta desagregada por tamaño de establecimiento, tipo de industria y por tipo de producción.

Índice Nacional de Actividad Económica Regional (INACER)

Es un indicador de tendencia de la actividad económica agregada regional, con base promedio en el año 2003 que busca estimar los ritmos de aceleración o estancamiento. Se calcula para todas las regiones del país, a excepción de la Región Metropolitana.

Posibles Fuentes de Datos e Información para Uso en el Simulador

Fuente Datos Utilidad

Banco Central

Base de Datos Estadísticos (BDE)

Proporciona información de los cuadros estadísticos del Boletín Mensual más consultados. Permite tener acceso a los cuadros estadísticos y el acceso simultáneo a toda la información pertinente al tema (por ejemplo: Balanza de Pagos, Deuda Externa, etc.). El acceso a las Series permite consultar de modo directo series individuales seleccionadas por ser de uso frecuente. La información se presenta de forma Anual (A), Trimestral (T), Mensual (M) o Diaria (D).

PIB por Sector y año

El uso de esta información nos dará respuesta a las siguientes preguntas: ¿Cuál es el peso de la región en la actividad económica nacional? ¿Qué evolución ha tenido la actividad económica regional, en comparación con la nacional? ¿Cuál es el peso relativo de los sectores productivos de la región en los sectores nacionales? ¿Cuál es la dinámica económica señorial en la región en los años recientes? Tipo de especialización productiva sectorial en la región y/o comunas. De modo tal de caracterizar económicamente la región en función de las respuestas que la información recabada nos proporciona.

Ministerio del Medio Ambiente

Sistema de Evaluación Ambiental (SEA)

El SEA proporciona información relativa a la decisión de los inversionistas para impulsar proyectos productivos a nivel territorial. El Sistema, registra en forma sistemática la información más relevante sobre la inversión privada y pública, por regiones y localizaciones, de aquellos proyectos que puedan tener impacto en el medioambiente local. La información se presenta en modo segregado: por región, por tipo de presentación (Declaración de Impacto Ambiental-DIA y/o Estudio de Impacto Ambiental-EIA) y por sector productivo, destacando en ello la clasificación de: Agropecuario, Energía, Equipamiento, Forestal, Infraestructura Hidráulica, Infraestructura Portuaria, Inmobiliarios, Instalaciones Fabriles varias, Minería, Pesca y Acuicultura, Saneamiento Ambiental y Otros.

Posibles Fuentes de Datos e Información para Uso en el Simulador

Fuente Datos Utilidad

Ministerio de Desarrollo Social

Banco Integrado de Proyectos (BIP) Banco Integrado de Proyectos Sociales Observatorios Ficha Básica de Emergencia

El BIP provee información relativa a la inversión pública a realizar en cada uno de los territorios, esto permite tener un catastro sistemático relativo a la inversión pública en los territorios. Desde una perspectiva territorial, el sistema admite selección de criterios regional, de acuerdo a la nueva división administrativa del Estado y además un registro internacional. Otro nivel de información disponible es el provincial, existiendo la posibilidad de acotar la búsqueda a nivel comunal, permitiendo un nivel de precisión territorial bastante certero en sus registros. La información se encuentra disponible para 15 sectores de la economía. Además, el BIP tiene un sistema de tres categoría para diferenciar los tipos de inversión, estas son: estudios, programas y proyectos. Las otras bases proveen datos sobre otras dimensiones de la vida y los recursos presupuestados. La Ficha Básica de Emergencia es nueva y provee indicaciones sobre el estado de un hogar inmediatamente después de un evento catastrófico.

The International Disaster Database, Centre for Research on the Epidemiology of Disasters

Emergency Events Database (EM-DAT)

El EM-DAT es una base de datos internacional construido para medir los impactos de situaciones de emergencia.

GESTIÓN DEL PROYECTO: EQUIPO Y CRONOGRAMA

El equipo de profesionales que realizarán los distintos trabajos del proyecto son:

Magíster en Economía de Recursos Naturales y del Medio Ambiente,

Universidad de Concepción; Economista, Universidad del Valle, Cali, Colombia

Lina Villota linavil@gmail.com

Raúl Acevedo

Asesor de la Subdirección de Operaciones, Instituto Nacional de Estadisticas;

Magister en Gobierno y Gerencia Pública, Universidad de Chile; Ingeniería

Comercial con mención en Economía, ARCIS. Experto en estadistica, diseño

muestral, y politicas de estadisticas.

Claudio Bustos

Candidato Doctorado en Psicología, Universidad de Concepción; Magíster en

Estadística Aplicada, Universidad de Concepción; Licenciatura en Psicología,

Universidad de Concepción. Experto en programación computacional y diseño

de análisis estadistico.

claudio.bustos@gestraconsultores.cl

Gerente General, Fundador de GESTRA Consultores Ltda., Economista,

Estudios de Psicología, Universidad Católica, Experto en Técnicas de

Gobierno, Planificación Estratégica Situacional, formación y Fomento

Productivo.

Jaime Bravo Campos jaime.bravo@gestraconsultores.cl

Bonnie Banks bonnie.banks@gestraconsultores.cl

Gerente de Operaciones, Socia, Economista, Estudios en Salud Pública con

mención en salud rural y calidad de la atención; University of Michigan, Experto

en Técnicas de Gobierno y Planificación Estratégica Situacional.

Camila Cuevas

Ingeniero Comercial con mención en economía, Universidad de Concepción,

experta en análisis económico territorial. Master of Applied Public Economics,

Universidad Alberto Hurtado - Georgetown University.

camila.cuevas@gestraconsultores.cl

Patricia González patricia.gonzalez@gestraconsultores.cl

Ingeniero Comercial con mención en economía, Universidad de Concepción,

experta en análisis económico territorial. Magister en Economía de Recursos

Naturales y Medio Ambiente, Universidad de Concepción.

Se organiza el equipo en el siguiente organigrama:

La Carta GANTT del presente proyecto es grande y complejo para su reproducción aquí en un documento de Word. Por esta razón se adjunta la GANTT en formato Excel.

Cabe señalar que los 2 productos globales tienen plazos distintos: uno tiene un plazo de 11 meses y el otro, 18 meses. La medición de la situación laboral de las comunas cuenta con los 18 meses.

ORGANIGRAMA PROYECTOS SIMULADOR Y SITUACIÓN LABORAL COMUNAS,GESTRA Consultores Ltda.

Claudio BustosEspecialista estadístico

y jefe programador

Lina VillotaAnalista económico, Supervisora

en terreno de encuestas

Christopher AguirreSupervisor en terreno de

encuestas

Encuestadores regionales

Equipo de programador

Jaime BravoJefe del Proyecto Camila Cuevas

Analista económico

Patricia GonzálezAnalista económico

Bonnie BanksCoordinadora del proyecto

y Analista

Equipo Core

Raúl AcevedoEspecialista estadístico

y experto en ENE

Red de consulta nacional e

internacional

Contraparte Técnica de CCIRA

Paulina LilloAsistente en

terreno

REFERENCIAS

Akdeniz, F. (2001). "The Examination and Analysis of Residuals for Some Blased Estimators in Linear Regression." Communications in Statistics-Theory and Methods 30(6): 1171-1183. Alfaro, R. and M. Fuenzalida (2009). "Imputación Múltiple en Encuestas Microeconómicas." Cuadernos de Economía 46: 273-288. Azula, I. and P. Garrido (2004). Estimación en Areas Pequeñas: Una Aplicación a la Encuesta Industrial de la Comunidad Autónoma de Euskadi. Eustat. Bleuer, S. R., et al. (2007). Evaluation of small domain estimators for the survey of employment payroll and hours. SSC Annual Meeting, Proceedings of the Survey Methods Section. Boden, P. and P. Rees (2010). "Using administrative data to improve the estimation of immigration to local areas in England." Journal of the Royal Statistical Society: Series A (Statistics in Society) 173(4): 707-731. Bryant, J. R. and P. J. Graham (2013). "Bayesian demographic accounts: Subnational population estimation using multiple data sources." Bayesian Analysis 8(3): 591-622. Bycroft, C. (2011). Social and population statistics architecture for New Zealand, Wellington: Statistics New Zealand ISBN. Cavallo, E., and I. Noy. (2010) "The Economics of Natural Disasters: A Survey." IADB, May. Corcuera, J. (2002). Técnicas de Estimación en Areas Pequeñas. Eustat. Dorfman, A. H. (2011). "A Coverage Approach to Evaluating Mean Square Error." Pakistan Journal of Statistics 27(4): 493-506. Feres, J. C. and F. Medina (1998). "Control de calidad en el diseño y ejecución de encuestas de hogares." Santiago de Chile: CEPAL. García, J., et al. (2006). "Efectos de la Colinealidad en el Modelado de Regresión y su solución." CULCYT// Modelos(Septiembre-Diciembre 2006). Ghosh, M. and J. Rao (1994). "Small area estimation: an appraisal." Statistical science: 55-76. Hidiroglou, M. (2007). Small-Area Estimation: Theory and Practice. Proceedings of the Survey Research Methods Section. INE (2003). Manual del Supervisor Encuesta Nacional Sobre las Actividades de Niños y Adolescentes. C. M. D. T. I. S.-. OIT/IPEC.

INE (2010). Ficha Técnica Nueva Encuesta Nacional de Empleo. INE. Santiago. INE (2010). Manual Conceptual y Metodológico, Diseño Muestral Nueva Encuesta Nacional de Empleo. Santiago, INE. Hastings, W.K. (1970). “Monte Carlo Sampling Methods Using Markov Chains and Their Applications” Biometrika, Vol. 57, No. 1. (Apr., 1970), pp. 97-109. Molina, I. and J. Rao (2010). "Small area estimation of poverty indicators." Canadian Journal of Statistics 38(3): 369-385. NatCatSERVICE, (2015) Munich RE.

Observatorio Social (2011). Incidencia de la Pobreza a Nivel Comunal, Según Metodología de Estimación para Áreas Pqueñas. Chile 2009-2011. M. d. D. Social. Santiago, Gobierno de Chile: 18. Observatorio Social (2011). Procedimiento de Cálculo de la Tasa de Popbreza a Nivel Comunal Mediante la Aplicación de Metodología de Estimación para Áreas Pequeñas (SAE). M. d. D. Social. Santiago: 46. Prasad, N. and J. Rao (1999). "On robust small area estimation using a simple random effects model." Survey Methodology 25: 67-72. Rao, J. N. (2003). Small area estimation, Wiley Online Library. Raymer, J., et al. (2011). "Putting the pieces of the puzzle together: Age and sex-specific estimates of migration amongst countries in the EU/EFTA, 2002–2007." European Journal of Population/Revue européenne de Démographie 27(2): 185-215. Rees, P., et al. (2004). "A framework for progressively improving small area population estimates." Journal of the Royal Statistical Society: Series A (Statistics in Society) 167(1): 5-36. Rodriguez Caballero, C. V. (2010). "Método Monte Carlo vía Cadenas de Markov para econometría." Documento de trabajo precedente al XX Coloquio Mexicano de Economía Matemática y Econometría. Smith, P. W., et al. (2010). "Combining available migration data in England to study economic activity flows over time." Journal of the Royal Statistical Society: Series A (Statistics in Society) 173(4): 733-753. Smith, S. K. and P. A. Morrison (2005). Small-area and business demography, Springer.

Sóbol, I. M. (1983). Método de Monte Carlo. Moscú, MIR. The International Disaster Database (EM-DAT), (2015) Centre for Research on the Epidemiology of Disasters (CRED).

Wilson, T. and M. Bell (2004). "Comparative empirical evaluations of internal migration models in subnational population projections." Journal of Population Research 21(2): 127-160. You, Y. and J. Rao (2002). "A pseudo-empirical best linear unbiased prediction approach to small area estimation using survey weights." The Canadian Journal of Statistics/La Revue Canadienne de Statistique: 431-439. You, Y., et al. (2003). "Model-based unemployment rate estimation for the Canadian Labour Force Survey: a hierarchical Bayes approach." Survey Methodology 29(1): 25-32. Baez, J., A. de la Fuente, and I. Santos. "Do Natural Disasters Affect Human Capital? An Assessment Based on Existing Empirical Evidence." The Institute for the Study of Labor (IZA), September.