¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil

¿Por qué la gente sigue siendo pobre?
Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil ∗
8 de febrero de 2021
Abstract
(Resumen)
Hay dos puntos de vista generales sobre por qué la gente sigue siendo pobre. Uno enfatiza las diferencias en elementos
fundamentales, como la capacidad, el talento o la motivación. La otra, la perspectiva de las trampas de la pobreza, las
diferencias en oportunidades que se derivan de las diferencias de riqueza. Exploramos datos aleatorizados a gran escala, de
transferencia de activos y datos de 6000 hogares durante un período de 11 años para evaluar estos dos puntos de vistas. Los
datos apoyan el punto de vista de las trampas de pobreza: identificamos un nivel de umbral de activos iniciales por encima de
los cuales los hogares acumulan activos, asumen mejores ocupaciones y logran salir de la pobreza.
Lo contrario sucede para aquellos que están por debajo del umbral. La estimación estructural de un modelo de elección
ocupacional revela que casi todos los beneficiarios están mal asignados en el trabajo que hacen en la línea de base y que los
beneficios derivados de la eliminación de la asignación incorrecta podrían exceder los costos del programa. Nuestros hallazgos
implican que las políticas de gran impulso que transforman las oportunidades en el empleo representan un medio poderoso
para abordar el problema mundial de la pobreza masiva.
∗ Agradecemos a BRAC y en particular a Fazle Abed, Mushtaque Chowdhury, Narayan Das, Mahabub Hossain, WMH Jaim, Imran Matin,
Anna Minj, Muhammad Musa, Munshi Sulaiman, Atiya Rahman y Rabeya Yasmin por la investigación colaborativa durante los últimos
14 años que sustenta este artículo.
También agradecemosAbhijit Banerjee, Michael Carter, Esther Duflo, Marcel Fafchamps, Javier Hidalgo, Chang-Tai Hsieh, Supreet Kaur,
Joe Kaboski, Dean Karlan, Tatiana Komarova, Michael Kremer, Ben Moll, Víctor Quintas-Martínez, Jonathan Old, Debraj Ray, Alejandro
Sabal-Bermúdez, Alwyn Young y varios participantes del seminario para comentarios. Bandiera y Burgess quisiera agradecer la subvención
de BA EC170232 y la subvención ES / L012103 / 1 de Ghatak ESRC-DFID por apoyo. Todos los errores son nuestros.

1. Introducción
¿Por qué la gente sigue siendo pobre? Ésta es una de las cuestiones clave en economía. Entender que causa la pobreza
y su persistencia potencial es clave para resolver el problema de la pobreza masiva que motivaron a los primeros
contribuidores a la economía del desarrollo (Lewis, 1954; Myrdal, 1968; Schultz, 1980) y continúa motivando a las
generaciones actuales. También es el objetivo central de la política de desarrollo.
- el principal Objetivo de Desarrollo Sostenible, respaldado por 193 de los 195 gobiernos del mundo, es “erradicar
la pobreza extrema para todas las personas en todo el mundo para 2030”. Dado que en 2015, cuando se establecieron
estos objetivos, el 10% de la población mundial (735 millones de personas) se clasificó como viviendo en pobreza
extrema, este es un objetivo ambicioso y especialmente a la luz de la actual pandemia. 1
Encontrar respuestas
requiere, en última instancia, que entendamos por qué las personas siguen siendo pobres y diseñar políticas en
consecuencia.
La mayoría de los pobres del mundo están empleados pero tienen bajos ingresos, así que para entender por qué
permanecen pobres debemos entender por qué trabajan en trabajos de bajos ingresos. Un punto de vista es que los
pobres tienen las mismas oportunidades que todos los demás, por lo que si trabajan en trabajos de bajos ingresos
deben tener rasgos que los hacen inadecuados para otras ocupaciones. La visión alternativa es que los pobres encaran
diferentes oportunidades y, por lo tanto, realizan trabajos de bajos ingresos porque nacen pobres. Es decir, los pobres
están atrapado en una trampa de pobreza. El concepto de trampas de pobreza es fundamental para la economía del
desarrollo y ha sido estudiado en una extensa y distinguida literatura, como se revisa en Azariadis (1996), Carter y
Barrett (2006) y Ghatak (2015). 2
Distinguir empíricamente entre estos dos puntos de vista es tan importante como difícil. Es importante porque tienen
implicaciones políticas dramáticamente diferentes. En presencia de las trampas de pobreza las políticas de gran
impulso que ayudan a mover a las personas hacia formas más productivas de empleo constituyen un medio poderoso
para abordar el problema mundial de la pobreza masiva (Murphy, Shleifer y Vishny, 1989; Hirschman, 1958). En
consecuencia, la búsqueda de evidencia sobre trampas de pobreza se ha referido como “una gran pregunta” para los
economistas del desarrollo (Banerjee, 2020). Es difícil porque ambas explicaciones producen resultados que se
observan como equivalentes en un corte transversal y, de hecho, ha sido notablemente difícil identificar
empíricamente las trampas de la pobreza. El principal problema en identificar trampas de pobreza es que, por
definición, el umbral potencial es un equilibrio inestable, por lo que normalmente no observamos a nadie cerca.
Además, incluso si hacemos un seguimiento del comportamiento de acumulación de capital de un conjunto de
individuos a lo largo del tiempo, a menos que existan grandes y exógenos “shocks “en sus activos, no podemos
inferir si sus respuestas en términos de acumulación o des-acumulación de activos
1 Atamanov y col. (2019).
2 Los mecanismos teóricos que subyacen a este debate se remontan a modelos de crecimiento con convergencia (Solow (1956)) o con
múltiples estados estacionarios (Rosenstein-Rodan, 1943; Nurkse, 1961; Myrdal, 1957; Myrdal, 1968; Rostow, 1960). Los modelos típicos
de trampa de pobreza generalmente se enfocan en la combinación de una inversión fija junto con una fricciones, como las restricciones de
endeudamiento (Galor y Zeira, 1993; Banerjee y Newman, 1993), o en comportamiento nutricional (Dasgupta y Ray, 1986; Dasgupta,
1997; Ray y Streufert, 1993) o conductual (Banerjee y Mullainathan, 2008; Bernheim, Ray y Yeltekin, 2015; Ridley et al., 2020) pobreza
trampas.
1

sugieren trampas de pobreza o son el resultado de otros factores que varían en el tiempo. Esto es lo que lo hace
difícil identificar las trampas de la pobreza en los datos de observados.
La principal contribución de este artículo es proporcionar una prueba empírica de la existencia de trampas pobreza
utilizando datos a nivel individual que recopilamos en el transcurso de 11 años estudiando el impacto de un gran
programa de transferencia de activos en las zonas rurales de Bangladesh. Esto es parte de un esfuerzo más amplio
de encuesta de la distribución de la riqueza realizado cubriendo 23.000 hogares en más de 1309 aldeas. Estas aldeas
están situadas en los distritos más pobres de Bangladesh. Realizamos un seguimiento de 6000 hogares pobres en
2007, 2009, 2011, 2014 y 2018, la mitad de los cuales se seleccionan al azar para recibir la transferencia de un gran
activo en 2007. 3
Ser capaz de rastrear la dinámica a largo plazo de los activos, las ocupaciones y la pobreza a lo
largo de 11 años es importante ya que una predicción central de los modelos de trampa de pobreza es que las políticas
pueden tener efectos permanentes si sacan a la gente de la trampa.
La estructura ocupacional de estos pueblos es muy simple y está altamente correlacionada con la propiedad los
activos.
Quienes poseen tierra o ganado lo combinan con su trabajo y contratan de forma ocasional a quienes no los tienen.
El cultivo de la tierra y la cría de ganado producen ingresos más altos que el trabajo ocasional.
Esta estructura ocupacional muy simple, donde las ocupaciones más improductivas (trabajador agrícola y sirviente
doméstico) no requieren activos mientras que los más productivos (cría de ganado y cultivo de la tierra), nos ayuda
en nuestra búsqueda de la existencia de niveles de umbral de activos por encima del cual los hogares pobres asumen
ocupaciones que dependen de los activos y salen de la pobreza y por debajo que quedan atrapados.
Comenzamos mostrando que la distribución de activos productivos es bimodal. La pregunta es si la bimodalidad es
sintomática de una trampa de pobreza, es decir, si la gente pobre tiene empleos esporádicos y casi no tienen activos
productivos porque no tienen el talento para hacer nada más o si ser pobre les impide adquirir los activos necesarios
para ascender en la escala laboral como en los trabajos que hacen las mujeres más ricas de las aldeas.
Dado que el principal problema en la identificación de trampas de pobreza es la falta de observaciones en torno al
umbral (ya que es un estado estable inestable), lo que hace que nuestro entorno sea excepcional es que fortuitamente,
el programa “Targeting the Ultrapoor” de BRAC (Bandiera et al., 2017) transfiere grandes activos (vacas) a las
mujeres más pobres de estos pueblos y el valor de la transferencia es tal que se trasladan 3000 hogares desde el
modo bajo hasta el punto de densidad más baja de la distribución de activos en áreas en tratada.4
El seguimiento de
cómo evolucionan los activos después de la transferencia nos permite evaluar las trampas de pobreza. La intuición
es que mientras que la igualdad de oportunidades y la trampa de la pobreza son equivalentes en observaciones en
estado estacionario, producen diferentes ecuaciones de transición fuera del equilibrio. En la visión de igualdad de
oportunidades la ecuación de transición es continua y cóncava, mientras que en la visión de trampa de pobreza tiene
forma de S o discontinua.
Dado que BRAC apuntó el programa a hogares sin activos productivos significativos, existen pequeñas diferencias
iniciales en la propiedad de los activos antes de la transferencia. A medida que la transferencia de activos
3 A los hogares de control se les ofrece el programa después de 2011.
4 El tamaño (grande) de la transferencia, por lo tanto, es fundamental para nuestra capacidad de identificar trampas de pobreza.
2

mueve a los beneficiarios fuera de su estado estacionario, podemos aprovechar estos niveles marginalmente
diferentes de productividad de activos para estimar la ecuación de transición entre capital después de la transferencia
y capital cuatro años más tarde. A continuación, podemos utilizar posteriores oleadas de encuestas para probar las
predicciones del modelo de trampa de pobreza para después de 11 años de la transferencia original, es decir, que los
beneficiarios por encima del umbral acumulan activos, pasan a ocupaciones más productivas y salen de la pobreza,
mientras que los de abajo no lo hacen.
Por lo tanto, estamos probando la existencia de una trampa de pobreza ocupacional por la cual todos los beneficiarios
reciben el mismo valor de transferencias, pero los que están por encima del umbral, quienes tienen suficiente activos
productivos iniciales, asumen con éxito la nueva ocupación ganadera, mientras que los no los tienen no lo hacen.
De esta manera, pequeñas diferencias en las tenencias de activos iniciales pueden conducir a trayectorias divergentes
en términos de activos, ocupaciones y bienestar dependiendo de si un hogar comienza por encima o por debajo del
umbral. Los activos iniciales en los hogares pobres son pequeños en relación con el tamaño de la transferencia.
No obstante, debido a que es la transferencia de activos la que se aleatoriza, no el nivel de activos iniciales,
Llevamos a cabo una serie de comprobaciones de nuestras suposiciones de identificación para garantizar que estas
pequeñas diferencias no están representando las características del hogar no observadas que, a su vez, podrían estar
impulsando nuestros resultados. Para hacer esto, controlamos ambos, los efectos en diferentes niveles de activos
iniciales usando nuestros hogares control y también aprovechamos umbrales heterogéneos para hogares individuales
para que podamos comparar hogares con el mismo nivel de activos iniciales. Ambas comprobaciones respaldan
nuestra identificación del supuesto de que las variaciones en los activos de referencia son ortogonales a los
determinantes no observables de cambios en los activos post programa.
Nuestros principales resultados son los siguientes. Primero, en las áreas estudiadas encontramos que la ecuación de
transición tiene forma de S con un estado estable inestable en 2.333 puntos logarítmicos, es decir, cuando los activos
productivos valen 9.309 taka bangladesí (BDT, 504 USD PPA). 5 Esto coincide estrechamente con el punto de
densidad más baja entre los dos modos de distribución de activos productivos en la línea de base, que es consistente
con la naturaleza de un estado estable inestable que empuja a los que están cerca de él en cualquier dirección. El
hecho de que dos métodos diferentes aplicados de forma independiente en diferentes muestras produzcan el mismo
umbral aumenta nuestra confianza en los resultados. 6
En segundo lugar, mostramos que la ruta de acumulación de activos para los beneficiarios que reciben la
transferencia en los 4 años posteriores al tratamiento es consistente con la dinámica de la trampa de la pobreza.
Hogares tratados cuyos activos de referencia eran tan bajos que la transferencia no fue suficiente para superar la
inestabilidad del estado estacionario tienen más probabilidades de volver a caer en la pobreza, mientras que aquellos
que logran superar el
5 En todo momento, utilizamos el tipo de cambio ajustado por PPA de 2007 de 18,46 BDT por dólar. A modo de comparación, el valor medio de una vaca
para los ultra-pobres en las aldeas de tratamiento es de alrededor de 9.000 BDT (488 USD PPA).
6 Esto, por supuesto, plantea la pregunta de por qué ha sido tan difícil encontrar evidencia de trampas de pobreza en observaciones datos. Para responder a
esta pregunta, trazamos la ecuación de transición para los hogares de control en nuestro experimento. Las estimaciones polinomiales locales de la ecuación
de transición para estos hogares cruzan la línea de 45 grados solo una vez en 0,7 puntos logarítmicos, que corresponde al modo más bajo en la distribución
de activos bimodal. Esto deja en claro por qué no puede detectar trampas de pobreza usando datos de observación porque, en equilibrio, hay pocas
observaciones alrededor el estado estable inestable. Lo que nos permite probar una trampa de pobreza es que nuestro experimento empuja a los hogares en
la vecindad de este estado estable inestable y nos permite examinar cómo se alejan.
3

umbral escapan de la pobreza. Esta divergencia no se debe a un patrón diferencial de impactos correlacionados con
activos de referencia. Cuando realizamos la misma regresión con hogares de control usando un umbral placebo,
solo encontramos evidencia de reversión a la media, pero no de divergencia sistemática. También mostramos que
en condiciones favorables para la acumulación de activos, como un alto potencial de ingresos a nivel de aldea, los
umbrales de pobreza de los hogares son más bajos. Los hogares en tales condiciones tienen más probabilidades de
escapar de la pobreza, incluso manteniendo constante el nivel de activos de referencia.
En tercer lugar, seguimos a los hogares que reciben tratamiento por encima y por debajo del umbral de pobreza en
un período de 11años cubierto por nuestras cinco oleadas de encuestas. En consonancia con un modelo de trampa
de pobreza encontramos que los dos grupos divergen con el tiempo: los beneficiarios que comienzan por encima del
umbral acumulan activos (incluida la tierra), pasan a ocupaciones más productivas y aumentan el consumo. La
divergencia es más marcada si tenemos en cuenta el patrón subyacente de acumulación de activos a lo largo del ciclo
de vida. Los datos de las aldeas de control muestran un patrón de U inverso por el cual los hogares acumulan activos
hasta que el beneficiario tiene 40 años y se des-acumula después de eso. De acuerdo con esto encontramos que la
diferencia por encima y por debajo del umbral se debe principalmente a beneficiarios menores de 35 años en el
momento del tratamiento y, por tanto, menores de 46 años al final. Beneficiarios más jóvenes por encima del umbral
sacrifican consumo por más tiempo, para comprar más activos más tarde. Para 2018, casi la mitad de ellos tenían
más activos que los transferidos por el programa, mientras que un tercio de sus contrapartes por debajo del umbral
lo hace.
Estos resultados proporcionan evidencia de que el hogar promedio está atrapado en la pobreza: pueden o pasar a
ocupaciones productivas debido a una falta inicial de activos. Sin embargo, algunas personas pueden no estar
atrapados en absoluto, mientras que otros pueden permanecer en la pobreza sin importar cuántos activos obtienen. 7
Para analizar esto, construimos un modelo estructural de elección ocupacional para evaluar la importancia
cuantitativa de la trampa de la pobreza. El modelo también nos permite medir la extensión de mala asignación
ocupacional, comparar los efectos del equilibrio general y simular políticas contra - factuales. Encontramos que en
ausencia de restricciones crediticias, solo el 2% de los hogares estaría mejor si no hicieran trabajo asalariado,
mientras que el 97% de los hogares dependen exclusivamente de ese trabajo en la línea de base.
Por el contrario, solo el 1% trabaja en la ganadería cuando el 90% lo haría si tuviera acceso al mismo activo como
riqueza como es en las clases media y alta. En general, esto implica que el 96% de los hogares se ven obligados a
encaminar mal su trabajo. Este es un conjunto importante de hallazgos, ya que sugiere que casi nadie es innatamente
incapaz de asumir una ocupación mejor. Evaluada en términos monetarios, la mala asignación del trabajo que resulta
de esta falta de oportunidades es 15 veces mayor que el costo único de llevar al hogar a través del umbral de pobreza.
Efectos en el equilibrio general que reducen los rendimientos de la cría de ganado mediante una reducción de los
precios de los productos puede contrarrestar los beneficios de la acumulación de activos. Simulando el efecto de los
cambios de precio, encontramos que los rendimientos tendrían que caer en un 89% para igualar el costo de eliminar
la trampa de pobreza y el valor de la asignación incorrecta.
7 Barrett y Carter (2013) destacan el hecho de que dentro de una sola población algunos individuos pueden estar sujetos a equilibrios
múltiples, mientras que otros no lo son, y tenga en cuenta que esto plantea un desafío para la identificación empírica de trampas de pobreza.
4

Las implicaciones de la existencia de trampas de pobreza ocupacional para la política de desarrollo son profundos.
La mayoría de las personas no son pobres porque carecen de habilidades innatas, sino que están limitadas por la falta
de acceso a actividades más productivas. Intervenciones que no sean suficientes para mover a las personas por
encima del umbral no logrará mejorar los resultados a largo plazo. Por otro lado, las políticas de gran impulso que
muevan a una gran parte de los hogares más allá del umbral pueden ser efectivas para sacarlos de la pobreza de
forma permanente. La característica diferenciadora crítica de estos dos conjuntos de políticas es que el segundo
permite el cambio ocupacional, mientras que el primero no puede, debido a la insuficiencia de la transferencia para
lograr esto. En la última parte del artículo comparamos diferentes políticas de alivio de la pobreza a través del lente
de un marco de trampa de pobreza. Cuantas vidas habrán de ser impactado permanentemente por una política de
transferencia está determinado por el tamaño de la transferencia y la distribución inicial de activos, en relación con
el umbral de pobreza. Este es un hallazgo importante porque implica que un enfoque de alivio de la pobreza de gran
impulso y por tiempo limitado podría prevalecer más que programas de apoyo al consumo continuo que han sido la
norma en todo el mundo. 8
Este estudio se basa en la literatura que intenta encontrar evidencia a favor (o en contra) de la existencia de trampas
de pobreza, que van desde estudios comparativos entre países hasta estudios a nivel micro. En su revisión reciente,
Kraay y McKenzie (2014) argumentan que no hay evidencia concluyente que respalde los supuestos de muchos
modelos de trampa de pobreza. La revisión de Barrett y Carter (2013) destaca algunos de los problemas de los datos
de observación, como la heterogeneidad no observada y el hecho, como argumentamos anteriormente, de que uno
esperaría pocas observaciones en la muestra alrededor de un equilibrio inestable. Esta es consistente con el hecho
de que una serie de estudios que han seguido los ingresos y los activos durante el tiempo no ha encontrado evidencia
de la dinámica característica en forma de S que podría dar lugar a trampas de pobreza cuando se combinan con las
fricciones del mercado (Jalan y Ravallion, 2004; Lokshin y Ravallion, 2004; Naschold, 2013; Arunachalam y
Shenoy, 2017). Por el contrario, Barrett et al. (2006) encuentra evidencia sobre equilibrios múltiples al analizar datos
detallados de varios lugares en Kenia y Madagascar donde el entorno ocupacional simple les permite estudiar las
dinámicas de activos de los hogares. De acuerdo con la existencia de trampas de pobreza, encuentran evidencia de
rendimientos crecientes a nivel local de los activos y de un comportamiento de gestión de riesgos compatible con
hogares que intentan mantener un umbral de activos crítico mediante la suavización de activos. Varios estudios sobre
comunidades de pastores rurales etíopes que generan ingresos a partir de un solo activo, a saber, el ganado, encuentra
dinámicas similares (Lybbert et al., 2004; Santos y Barrett, 2011; Santos y Barrett, 2016): en promedio, el tamaño
de la manada de ganado tiende a caer por debajo y a crecer por encima de un nivel de umbral del tamaño inicial,
consistente con dos tamaños de rebaño estable y uno inestable en estado estacionario. Encuentran que sin un tamaño
mínimo de manada, el pastoreo migratorio en respuesta a la variabilidad del agua y el forraje no vale la pena, y
aquellos con un tamaño de rebaño por debajo de este se quedan cerca de su base, donde debido a la degradación de
la tierra sólo se puede mantener una pequeña manada. Por lo tanto, los individuos esperan un aumento de retorno de
los activos alrededor del umbral, y toman grandes riesgos y préstamos informales cuando están
8 Esto concuerda con el hallazgo de que las microfinanzas generalmente fracasan a menos que los prestatarios ya tuvieran un negocio, ya
que probablemente estén más cerca de sus umbrales (ver Banerjee et al., 2019, Banerjee et al., 2015a, Meager, 2019).
5

en peligro de caer por debajo del umbral. 9
Nuestro trabajo se basa en este importante conjunto de contribuciones. Nuestra principal contribución es la
transferencia de activos en nuestro estudio nos permite explorar la dinámica de un gran shock exógeno y esto supera
la dificultad en la literatura citada para distinguir entre dinámica y estado estable que surgen en el caso de los datos
de observación. Además, nuestro análisis estructural nos permite explorar un mecanismo diferente al que estos
estudios consideran en el contexto de los pastores, por ejemplo, la dinámica no lineal está impulsada por el hecho
de que los pastores necesitan un cantidad mínima de vacas para ser geográficamente móvil (Lybbert et al. (2004)).
Nuestro entorno de personas sin tierra con muy pocos activos pero donde la ganadería es la principal actividad de
autoempleo proporciona evidencia complementaria a través de un mecanismo diferente, a saber, la indivisibilidad
de los activos y limitaciones en los préstamos.
Nuestra evidencia también complementa una ola reciente de artículos que evalúan el efecto en el mediano y largo
plazo de las políticas de gran impulso, como se analiza en Bouguen et al. (2019). Ha habido un creciente interés en
saber si un gran impulso, las transferencias de activos por tiempo limitado o efectivo pueden sacar permanentemente
a las personas de la pobreza, ya que esta puede ser una ruta más poderosa y rentable para mejorar el bienestar que
un apoyo continuo al consumo. La literatura emergente sugiere que aunque la evidencia sobre las transferencias de
efectivo es mixtas, los grandes programas de transferencia de activos como el que estudiamos parecen tener efectos
persistentes. (Blattman, Fiala y Martinez, 2013; Banerjee et al., 2015b; Araujo, Bosch y Schady, 2017; Bandiera et
al., 2017; Blattman, Fiala y Martinez, 2020; Haushofer y Shapiro, 2018; Millán et al., 2020; Banerjee, Duflo y
Sharma, 2020). Nuestro estudio precisa las condiciones bajo el cual las transferencias pueden tener un efecto
permanente al sacar a las personas de la trampa de la pobreza ocupacional. Debido a esto, programas muy similares
pueden tener efectos sorprendentemente diferentes dependiendo de cómo mucha gente empuja más allá del umbral.
El resto del artículo continúa de la siguiente manera. La sección 2 detalla el contexto, los datos y la intervención que
estudiamos. La sección 3 describe el marco, los métodos y la estrategia de identificación que utilizamos para evaluar
las trampas de pobreza. La sección 4 utiliza respuestas a corto plazo al programa para distinguir entre las dos visiones
de por qué la gente sigue siendo pobre. En la Sección 5 usamos datos de más de 11 años para evaluar como los
hogares experimentan diferentes trayectorias de ocupaciones, activos y pobreza en función de si están por encima o
por debajo del umbral de pobreza. En la Sección 6 describimos y estimamos nuestro modelo estructural de elección
ocupacional que nos permite cuantificar el grado de mala asignación en el trabajo que hace la gente. En la Sección
7 destacamos las implicaciones políticas clave de nuestros hallazgos.
Finalmente, concluye la Sección 8.
9 Al buscar la habilidad individual, Santos y Barrett (2016) encuentran que los pastores de baja habilidad tienen una estado estacionario
bajo, mientras que los pastores de alta capacidad tienen múltiples estados estacionarios.
6

2 Antecedentes y datos
Buscamos la existencia de una trampa de pobreza utilizando datos recopilados para evaluar el enfoque del programa
de BRAC “Targeting the Ultrapoor” en Bangladesh (Bandiera et al., 2017). Los datos cubren 23.000 hogares
viviendo en 1.309 aldeas de los 13 distritos más pobres del país. De estos hogares, más de 6.000 se consideran
extremadamente pobres. El programa ofrece una transferencia única de activos productivos y entrenamiento con el
objetivo de relajar, simultáneamente las limitaciones al crédito y a las habilidades, para crear una fuente de ingresos
regular para las mujeres pobres que en su mayoría realizan trabajos ocasionales, irregulares e inseguros. 10
Se ofrece a los beneficiarios elegir entre varios paquetes de activos, todos los cuales están valorados en alrededor de
490 USD en PPA y se puede utilizar para actividades generadoras de ingresos. De todas las mujeres elegibles, el
91% eligió un paquete de activos que contiene una vaca. BRAC anima a los encuestados a retener el activo durante
al menos dos años, transcurridos los cuales pueden liquidarlo. Para identificar a los beneficiarios, BRAC lleva a
cabo un ejercicio de evaluación de la riqueza en cada aldea. Esto produce una clasificación de hogares en tres clases
de riqueza (pobres, clases media y alta) que forman nuestro marco de muestreo. Encuestamos a todos los pobres y
el 10% de las otras clases en cada aldea. El grupo de hogares pobres se divide aún más en elegibles del programa
(ultra-pobres) y no elegibles (otros pobres) de acuerdo con los criterios elegibilidad de BRAC. Se realizó una
encuesta de referencia antes de la intervención en 2007, tres encuestas de seguimiento en 2009, 2011, 2014, y los
inicialmente ultra-pobres fueron nuevamente entrevistados en 2018. Esto nos permite rastrear la dinámica de la
ocupación, los activos y el bienestar durante un período de 11 años. La deserción entre 2007 y 2018 es de14%. 11
Para evaluar el programa, aleatorizamos su implementación de modo que 20 áreas, definidas por la región atendida
por la misma oficina de BRAC, fueran tratadas en 2007 y las otras 20 en 2013. Para las tres primeras oleadas, por
lo tanto, tenemos un grupo de control de 20 aldeas. Si bien nuestros principales resultados se centran en los 3276
hogares ultra-pobres que recibieron el tratamiento en 2007, utilizamos el grupo de control para ilustrar la dificultad
en la identificación de trampas de pobreza con datos de observación, así como para apoyar nuestra identificación.
Datos de las otras clases de riqueza se utiliza en el modelo estructural para determinar en qué ocupaciones se
involucrarían los ultra-pobres si tuvieran una mayor dotación de activos productivos.
La Tabla 1 describe la vida económica de las mujeres en estos pueblos por clase de riqueza antes de que el programa
se implementara en 2007. El panel A muestra que la participación en la fuerza laboral es casi universal con tasas
superiores al 80% en todas las clases patrimoniales. Sin embargo, las mujeres pobres trabajan más horas en menos
y más largos días y gana mucho menos, tanto en total como por hora trabajada. El panel B ilustra cómo las diferencias
en los resultados laborales se correlacionan con las diferencias en el capital físico y humano. El capital humano es
muy bajo en estos pueblos y, aunque hay diferencias entre clases, incluso las mujeres más ricas
10 El programa también incluye apoyo al consumo en las primeras 40 semanas después de la transferencia de activos, así como apoyo y
capacitación en derechos legales, sociales y políticos en los dos años posteriores al inicio del programa.
11 La migración es rara en nuestra muestra, ya que la edad media de las mujeres ultra-pobres es de 35 años y carecen de los medios para
moverse. Los hogares divididos se excluyen del análisis. Si el encuestado principal muere, el hogar aún se rastrea y otro miembro del hogar
es entrevistado. Con respecto a los resultados a largo plazo de la Sección 5, la deserción está equilibrada por encima y por debajo del umbral
de pobreza y los resultados no cambian cuando se utiliza el panel equilibrado de hogares que se observan en cada oleada de encuestas.
7

tienen solo 3,7 años de educación en promedio y el 49% de ellos son analfabetas. La propiedad de capital físico es
lo que distingue a las mujeres ricas de las mujeres pobres en estos pueblos. Medimos capital físico como la suma de
todos los activos productivos (aves de corral, ganado, herramientas, máquinas, vehículos y tierra) y encuentramos
que el hogar de clase alta promedio posee 94 veces más activos productivos que el hogar pobre promedio. 12
Sostenemos que la propiedad de los activos productivos es un determinante crucial de la ocupación y (por lo tanto)
de bienestar y, así, la falta de estos puede atrapar a las personas en la pobreza. Un primer indicio de esto se ve en
Figura 1a que muestra una estimación de la densidad de núcleo de la distribución de activos productivos en todas
las clases (de riqueza). La distribución es bimodal, con una masa de hogares en torno a 0,25 y 6,5, y casi nadie en el
medio. 13 Los hogares de estas economías de aldea poseen una gran cantidad de activos o casi ninguno. Las
diferencias en la propiedad de los activos se relacionan directamente con las diferencias en el consumo.
Por ejemplo, los hogares en el modo bajo con activos de menos de 0,5 tienen un gasto promedio anual per cápita de
637 USD. Para aquellos en el modo alto con activos entre 6 y 7, este número es de 1110 USD. La figura 1b muestra
la distribución de activos productivos después de que una fracción aleatoria de los hogares ultra-pobres reciben la
transferencia de activos. Se han trasladado más de 3.000 hogares desde el modo bajo hasta la parte de baja densidad
de la distribución. Es la colocación fortuita de más de 3000 hogares en esta área y nuestra capacidad para rastrear la
dinámica de ocupación, activos y bienestar durante un período de 11 años que nos permite probar la existencia de
trampas de pobreza.
Los hogares más ricos no solo poseen más activos, también poseen activos más caros. La figura 2a muestra que de
los beneficiarios del programa, el 85% de los cuales poseen activos valorados en menos de 2 puntos logarítmicos
(7.390 BDT), poseen principalmente aves de corral y cabras, mientras que sus contrapartes más ricas poseen vacas
y tierras. Este orden corresponde al valor unitario de estos activos. El precio unitario medio de los pollos y las cabras
son 100 BDT y 1,000 BDT, respectivamente, mientras que una vaca típica cuesta alrededor de 9,000 BDT. El hecho
de que las personas con más activos posean activos más caros en lugar de más de los mismos activos sugiere que las
indivisibilidades pueden ser importantes. Con mercados de alquiler imperfectos, puede no ser posible obtener ganado
o insumos complementarios por una parte del tiempo y del precio. Además, las diferencias en la composición de los
activos dan lugar a diferencias en la elección ocupacional. La Figura 2b, muestra cómo las horas asignadas a
diferentes ocupaciones varían con el valor de los activos productivos de un hogar El empleo ocasional en la
agricultura o los servicios domésticos prevalece como ocupaciones en niveles bajos de
12 En detalle, la lista de activos productivos se compone de tierra, vacas, cabras, ovejas, pollos, patos, bomba de energía, arado, tractor,
segadora, unidad para la cría de ganado, locales comerciales, barco, red de pesca, rickshaw (vehículo ligero de dos ruedas que se desplaza
por tracción humana)/ furgoneta, árboles, carro. Nuestra medición de activos también incluye los valores de los activos reportados bajo
'otros activos productivos' en el cuestionario para que también se capturan varios activos pequeños no incluidos en esta lista. Los activos
pertenecen al hogar más que al individuo. El IPC rural de Bangladesh se utiliza para deflactar el valor de los activos productivos a la BDT
de 2007 e informamos el valor de los activos productivos en 1000 BDT convertidos a logaritmos utilizando la fórmula ln (X + 1). Esto evita
caer observaciones con cero activos, pero como esta transformación es arbitraria y puede estar sesgada, también verificamos que nuestros
principales resultados son robustos al usar el método de transformación de seno hiperbólico inverso sugerido por Bellemare y Wichman
(2020).
13 Las ponderaciones muestrales se utilizan para tener en cuenta las diferentes probabilidades muestrales de los hogares en todas las clases
de riqueza. Para probar la significancia estadística de la bimodalidad, empleamos la prueba de inmersión basada en simulación de JA
Hartigany PM Hartigan (1985) La prueba rechaza la hipótesis nula de una distribución unimodal con p <0.01.
8

activos productivos mientras que el autoempleo en la cría de ganado y el cultivo de la tierra lo hacen a medida que
aumenta la propiedad de los activos productivos.
Al transferir ganado, el programa da a las mujeres más pobres de estas aldeas la oportunidad de acceder a los mismos
trabajos que sus homólogos ricos. Es clave señalar que esta oportunidad no hubiera surgido sin el programa. El
gráfico B1 del apéndice muestra la proporción de hogares en las aldeas de control cuya variación logarítmica de
activos en más de cualquier múltiplo de 0,1 BDT en el intervalo (0,4). La figura muestra que los cambios de la
misma magnitud que la transferencia BRAC ocurren raramente: solo el 5.9% de los hogares de control experimentan
tales cambios en ausencia del programa. Esta probabilidad es casi idéntica en el horizonte de dos y cuatro años, lo
que indica que los impactos son mayormente transitorios. 14 De hecho, en las aldeas de control, solo el 3% de los
hogares que son pobres al inicio logran alcanzar el capital social de un hogar promedio de clase media en cuatro
años. La probabilidad de ponerse al día con las clases altas es, por tanto, cercano a cero. Este es, pues, un escenario
donde los pobres permanecen pobres. La pregunta clave es si esto refleja diferencias en características inmutables
como como talento para diferentes ocupaciones, o diferente acceso al capital. La siguiente sección ilustra cómo
podemos usar respuestas al programa para probar entre las dos visiones.
3 Marco, método e identificación
3.1 Marco
Presentamos un marco simple para ilustrar dos formas en se pueden explicar las diferencias observadas en la tenencia
de activos: (1) diferencias en las características individuales y (2) dinámica de activos que crean una trampa de
pobreza. Luego usamos este marco para evaluar entre las dos visiones.
Como se mencionó anteriormente, la noción de una trampa de pobreza individual, en la que nos enfocamos, está
muy relacionada con la dinámica de acumulación de capital. Para formalizar esta noción de manera general,
definimos la ecuación de transición como la función que relaciona el capital del individuo (i) en dos periodos de
tiempo:
K i, t + 1 = Φ i (K i, t )
donde K i, t denota el capital de i, o los activos productivos, en el tiempo t. Para fijar ideas, suponga que el individuo
i en la aldea v genera ingresos de acuerdo con Y i = A iv f (K i), donde f (·) es la función de producción 15 y A iv
captura todos los rasgos inmutables, ya sea de los individuos o de la aldea, que determinan la productividad. Sea si
la tasa de ahorro del individuo y δ una tasa común de depreciación. En
14 En el grupo de control, los cambios logarítmicos en los activos entre 2007-2009 se correlacionan negativamente con los cambios entre
2009-2011. Una regresión por MCO de los cambios en el último período sobre el primero arroja un coeficiente de −0,44 (se = 0,02). Esto
sugiere que muchos choques positivos se revierten en dos años. Sin embargo, no podemos desenredar lo real patrón de shocks de reversión
media inducida por error de medición.
15 La función de producción aquí debe interpretarse como el resultado de la optimización de los hogares en la elección de todas las
ocupaciones o tecnologías de producción disponibles. Esto se puede desarrollar endogenizando la elección ocupacional, como lo hacemos
en la Sección 6.
9

este caso especial, la ecuación de transición se puede expresar como: 16
Φ i (K i, t) = si A iv f (K i, t) + (1 - δ) K i, t
(1)
Para capturar la idea de persistencia, se define un estado estable como un punto fijo de Φ i (·), que es un nivel de
capital, K ∗
i, tal que K ∗
i = Φ i (K ∗
i). En el ejemplo anterior, este es un punto donde la cantidad de ahorros compensa
exactamente el monto de la depreciación.
Este marco nos permite definir con precisión una trampa de pobreza. Para ilustrarlo, considere las ecuaciones de
transición representadas en los paneles superiores de las Figuras 3a y 3b. En cada gráfico, la diagonal (línea de 45°)
representa el conjunto de puntos tales que K i, t + 1 = K i, t. La ecuación de transición en la Figura 3a es cóncava
globalmente y tiene un estado estable único, K ∗
i. Esta ecuación de transición puede surgir en el ejemplo anterior
bajo los supuestos de constante si, A iv y δ, y una función de producción, f (·), que cumpla las condiciones de Inada.
En nuestro contexto, una ecuación de transición como esta implica que cada hogar eventualmente converge a un
estado estacionario específico del hogar K ∗
i , determinado por la productividad del hogar A iv y tasa de ahorro si.
Una explicación para la pobreza, desde este punto de vista, es que los hogares pobres tienen baja productividad, lo
que produce un bajo nivel de estado estacionario de activos productivos, y por tanto, bajos ingresos.
Otro ejemplo de una ecuación de transición se da en el panel superior de la Figura 3b. En este caso, hay tres estados
estables: dos estados estables, K ∗
iP y K ∗
iR, y un estado estable inestable, 𝐾
̂i , entre ellos. Si esta es una descripción
precisa de la dinámica de acumulación de capital de los hogares, entonces la pobreza puede surgir debido a una
dotación inicial baja. Hogares con capital inicial por debajo de 𝐾
̂i pierden capital con en el tiempo y convergen hacia
el estado estacionario bajo, K ∗
iP. El mismo hogar (o un hogar con idéntica productividad y tasa de ahorro) podría
estar en un nivel estacionario de capital más alto, y por lo tanto tener mayores ingresos, si hubiera tenido acceso a
una dotación inicial por encima de 𝐾
̂i. Tenga en cuenta que la forma de S de la ecuación de transición puede deberse
a diferentes mecanismos. Si la verdadera relación entre Ki,t + 1 y Ki,t está dado por la Ecuación (1) anterior, tal forma
podría, por ejemplo, surgir debido a rendimientos crecientes a escala en f (·) o si si es una función creciente de Ki,t.17
La ecuación de transición en forma de S no es la única forma en que puede haber una trampa de pobreza. La figura
3c muestra una ecuación de transición con discontinuidad. Hay de nuevo dos estados estables, K ∗
iP y K ∗
iR, pero
ahora no hay un estado estable entre ellos. En cambio, los hogares en y por encima, del punto de discontinuidad 𝐾
̂i
acumulan capital mientras que aquellos justo por debajo 𝐾
̂i desacumulan. Dicha ecuación de transición puede
describir una situación en la que los hogares eligen entre dos tecnologías de producción y donde el cambio a la
tecnología de 'alto capital' requiere una inversión en un gran activo indivisible. En nuestro contexto, donde la
propiedad de activos físicos es un factor determinante de elección ocupacional, las dos partes de esta ecuación de
transición podrían representar diferentes ocupaciones,
16 Tenga en cuenta que aquí también asumimos que no hay mercados de crédito o alquiler. Si hay un mercado de crédito sin fricciones, los
individuos tomarán prestada inmediatamente la cantidad necesaria para producir al nivel óptimo de insumo de capital. Para obtener más
información, consulte Ghatak (2015).
17 Para una revisión de diferentes micro-fundamentos, ver Ghatak (2015).
10

con un nivel umbral de capital , 𝐾
̂i, necesario para acceder a ocupaciones más rentables. Aunque esta es una historia
plausible en este escenario, es empíricamente desafiante distinguir 3c de 3b, como discutimos a continuación.
Los paneles inferiores de las Figuras 3a, 3b y 3c muestran el cambio de capital durante un período,
∆K i, t + 1 = K i, t + 1 - K i, t, contra el nivel inicial de capital implícito en cada una de las ecuaciones de transición. Los
usaremos para interpretar los resultados empíricos, donde medimos ∆K i, t + 1 como la variación de los activos
productivos en los cuatro años siguientes a la transferencia de activos.
Volviendo a la Figura 1a, este marco ilustra diferentes interpretaciones de la distribución de la línea de base de
activos productivos. Incluso en presencia de perturbaciones y errores de medición, los hogares estarán, en promedio,
cerca del estado estacionario en la línea de base. Si la dinámica de los activos se rige por una ecuación de transición
cóncava con un estado estable único como en la Figura 3a, entonces la distribución bimodal de activos sugiere que
hay dos grupos de hogares inherentemente diferentes: aquellos cuyo estado es cercano a cero y aquellos que tienen
un estado estacionario alto. 18 Por el contrario, si la dinámica de activos se describen mejor en las Figuras 3b o 3c,
entonces una distribución bimodal de activos podría naturalmente surgir cuando algunos hogares se conglomeran
en un estado estable bajo K ∗
iP, y otros en el estado estable alto, K ∗
iP . Esto podría suceder incluso si los hogares
son idénticos con respecto a sus características inmutables capturadas en Aiv. En cuál de los dos estados
estacionarios termina cualquier hogar individual, hasta aquí, sólo depende de su dotación inicial de activos.
3.2 Método
Podemos extraer dos ideas generales de la discusión anterior. Primero, si la ecuación de transición,
Φ i (k it) es cóncava globalmente, no puede haber múltiples equilibrios estables en el proceso de acumulación de
capital y, por lo tanto, no hay trampa de pobreza como la hemos definido anteriormente. El primer paso del análisis
empírico, por lo tanto, fue probar formalmente la concavidad de Φ i (k it) utilizando la prueba de forma no paramétrica
desarrollada por Hidalgo y Komarova (2019). 19
La segunda idea de la sección anterior es que podemos hablar de una trampa de pobreza si y solo si hay un nivel
umbral de capital, que llamamos 𝐾
̂i, de modo que aquellos debajo de 𝐾
̂i convergen a un nivel de capital de estado
estacionario estable bajo y los que están por encima convergen a un nivel de capital de estado estacionario estable
alto. En la vecindad de 𝐾
̂i, esto implica que para los hogares con K i, t < K i esperamos que K i, t + 1 < K i, t , mientras
que para hogares con K i, t > K i esperamos K i, t + 1 > K i, t . El siguiente paso del
18 La ecuación de transición cóncava de la Figura 3a también tiene un estado estable exactamente en cero. Sin embargo, tenga en cuenta
que esto no es un estado estacionario estable - pequeños choques son suficientes para colocar a los hogares en un camino de convergencia
hacia K ∗ - ypor lo tanto, no esperaríamos encontrar una gran masa de hogares allí.
19 La prueba hace uso del hecho de que las restricciones de concavidad se pueden escribir como un conjunto de restricciones de desigualdad
lineal cuando se usa una aproximación por B-splines. La imposición de esas restricciones produce un estimador de tamiz restringido que
toma una base B-splines. Los residuos restringidos, ajustados por heterocedasticidad, se utilizan para calcular Kolmogorov- Smirnov,
Cramer-Von Mises y Anderson-Darling prueban las estadísticas después de aplicar una transformación Khmaldaze al eliminar la
dependencia inducida por el uso del estimador no paramétrico. Los valores críticos para estas pruebas son obtenido por bootstrap utilizando
los residuos no restringidos. Consulte Hidalgo y Komarova (2019) para obtener más detalles.
11

análisis consiste, por lo tanto, en construir varias estimaciones de la ecuación de transición e identificar un nivel de
umbral candidato, 𝐾
̂.
La muestra que usamos para trazar la ecuación de transición consiste en el grupo de hogares ultra-pobres en las
aldeas de tratamiento que fueron monitoreadas durante un período de cuatro años después de recibir la transferencia.
Los hogares con activos iniciales posteriores a la transferencia superiores a 3 se eliminan, ya que fueron
erróneamente seleccionados como beneficiarios del programa. Esto nos deja un total de 3276 hogares en la muestra
de tratamiento.
Usamos la siguiente notación. Sea k i,0 = ln Ki,0 denota logaritmo de activos productivos (en miles de
BDT) de hogar i sin la transferencia en la línea base (en 2007), k i, 1 = ln (K i, 0 + T i) log activos productivos
incluyendo el valor de la transferencia Ti en la línea base (en 2007), 20 y k i, 3 = ln K i, 3 log activos productivos en la
fase de la encuesta 3 cuatro años después de la transferencia (en 2011). Esta es la primera vez que observamos a los
beneficiarios después de que tuvieran la libertad de disponer del activo. La evolución del capital social de los hogares
después de la transferencia nos permite estimar una ecuación de transición empírica
ki, 3 = ϕ (ki, 1 ) + εi ,
(2)
donde deberíamos pensar en ϕ (ki, 1 ) = E[ki, 3 | ki, 1 ] como una ecuación de transición en logaritmos promediados
a lo largo de los hogares.
Un desafío clave en la estimación de la ecuación de transición es que, si de hecho hay un nivel de umbral en que la
dinámica de activos se bifurca, con los de arriba y de abajo moviéndose en diferentes direcciones, entonces en
ausencia de grandes perturbaciones, no habría observaciones cercanas a ese umbral. Como se discutió arriba, estos
grandes choques son raros (Figura B1 del Apéndice).
Por lo tanto, tres características hacen que nuestro entorno sea ideal para probar la existencia de trampas de pobreza
y los tres se relacionan con nuestra capacidad para aprovechar la gran transferencia de activos y rastrear los efectos
en el corto y largo plazo. Primero, el programa traslada a más de 3000 hogares a la parte hueca de la distribución de
activos en las aldeas de tratamiento como se muestra en la Figura 1b. Empujar a los hogares pobres a este rango
(mucho mayor) de activos nos permite probar la divergencia que define una trampa de pobreza.
En segundo lugar, la aleatorización produce un grupo de control donde esto no sucede para que podamos estimar la
forma de la ecuación de transición para un rango de valores de activos que normalmente se observan (control) y
compararlos con estimaciones en rangos que normalmente no se observan (tratamiento). Esta comparación debería
revelar la dificultad inherente de tratar de identificar trampas de pobreza en observaciones de datos en los que no
podemos observar hogares alrededor del umbral. En tercer lugar, siguiendo a los beneficiarios durante once años,
podemos probar si los hogares experimentan diferentes trayectorias en activos, ocupaciones y pobreza dependiendo
de si la transferencia única las coloca por encima o por debajo del umbral.
Este análisis a largo plazo es fundamental para revelar si pequeñas diferencias en los activos iniciales pueden dar
lugar a grandes diferencias en los niveles de vida, como lo predeciría la teoría de la trampa de la pobreza.
20 BRAC distribuye los mismos paquetes de activos en todas las aldeas, por lo que su valor depende de los precios locales. Ya que la
mayoría de los hogares eligieron un paquete de vacas, lo valoramos utilizando los precios medios de las vacas dentro del área de influencia
de su rama de BRAC.
12

3.3 Identificación
La variación en ki,1 que usamos para identificar la ecuación de transición es inducida por diferencias iniciales en ki,0.
Dado que el programa de transferencias estaba dirigido a hogares sin activos, todos los hogares elegibles poseen
activos cercanos a cero en la línea de base y las diferencias iniciales en los activos son por lo tanto pequeñas. Sin
embargo, como ilustra la Figura 1b, hay algunas variaciones que podemos aprovechar. Al estimar la ecuación de
transición (Ecuación (2)), imponemos el supuesto identificador que la variación en ki,0 en la línea de base es
ortogonal a determinantes no observables de cambios en activos productivos después del programa. Esta suposición
puede fallar por dos razones. Primero ki,0 podría estar sistemáticamente correlacionada con los shocks que afectan
la acumulación de capital independientemente del programa. En segundo lugar, ki,0 podría estar correlacionado con
inobservables que dan forma a la respuesta al programa. Por ejemplo, el capital de referencia puede estar
correlacionado con el talento latente para la cría de ganado o al efecto del componente de formación del programa.
En este caso, la dinámica de activos posterior a la transferencia podría ser impulsada por las transiciones de los
individuos al nuevo estado estacionario más que por la dinámica de la trampa de la pobreza.
3.3.1 Controles como contrafactuales
Primero, considérese el caso de los impactos en el capital social de los hogares que están correlacionados con su
capital de base. Concretamente, esto puede tomar varias formas. Por ejemplo, hogares con más activos de referencia
podrían estar mejor conectados y, por lo tanto, tener más probabilidades de recibir herencias o regalos inesperados,
o pueden ser capaces de aprovechar al máximo alguna otra oportunidad económica que pueda surgir de forma
independiente del programa de transferencia de activos. Del mismo modo, los hogares con menos activos de
referencia pueden sufrir más los eventos climáticos o de salud (Burgess et al., 2017). 21 Usamos la asignación
aleatoria del programa y estimamos un modelo de diferencias en diferencias utilizando beneficiarios potenciales en
las aldeas de control como un contrafactual para los beneficiarios reales en las aldeas de tratamiento. La
aleatorización asegura que, en perspectativa, estos dos grupos son idénticos en todos los aspectos, incluidos los
determinantes no observables de acumulación de capital correlacionada con ki,0 .
3.3.2 Umbrales individuales
En segundo lugar, el capital de referencia podría estar correlacionado con el talento de cría de ganado no observado
o el efecto de la formación que acompaña a la transferencia de activos. En términos de este último, la formación
podría aumentar la productividad de los hogares, Ai , y cambiar el estado estacionario. La Figura B2 del Apéndice
muestra que si el efecto del componente de capacitación es mayor para las personas con un nivel más alto de capital
de referencia,
21 Esto también cubre el escenario en el que los hogares con una tecnología de producción cóncava reciben choques de conductividad
aleatorios antes de nuestro estudio, pero no han convergido a sus nuevos estados estacionarios cuando los observamos en base. Aquellos
con un alto perfil de productividad han comenzado a converger a un estado estable alto y se medirán con un k0 alto. Durante el período de
estudio, continuarán acumulando activos. Si esto pudiera explicar nuestros resultados, deberíamos ver el mismo patrón en el grupo de
tratamiento y control. En particular, I (˜ki, 1 >𝐾
̂) debería ser un fuerte predictor positivo de ∆i también en el grupo de control.
13

podemos construir un escenario donde hay un nivel de k0 que parece un umbral de pobreza incluso si la tecnología
de producción es globalmente cóncava.
Dado que estas preocupaciones surgen debido a respuestas potencialmente diferentes al tratamiento, no pueden
abordarse utilizando el grupo de control. En cambio, usamos variación en los parámetros que cambian la ecuación
de transición para estimar diferentes umbrales para diferentes grupos. Esto nos permitirá evaluar trampas de pobreza
aprovechando las diferencias en los umbrales condicionados al capital de referencia. Considerar la ecuación de
transición,
K i,t + 1 = siAiv f (Ki,t ) + (1 - δ) Ki,t .
Hay dos factores que determinan la tasa a la que el capital es acumulado. El primero es la tasa de ahorro si: para un
nivel dado de capital e ingresos, las personas que pueden ahorrar más tendrán más capital el próximo período. El
segundo es el parámetro de productividad A iv , que depende tanto de rasgos individuales como el espíritu
empresarial y las características a nivel de aldea, como el acceso a los mercados y la calidad de la infraestructura.
Personas que pueden ahorrar una gran fracción de sus ingresos, o generar más ingresos para el mismo nivel de capital
será capaces de acumular más activos en un momento dado, en igualdad de condiciones. Bajo el supuesto de una
trampa de pobreza, esto entonces implica que su umbral será menor, es decir, una transferencia menor será suficiente
para impulsar sacarlos de la trampa. Esto significa que dos hogares con la misma dotación pero diferentes tasa de
ahorro o potencial de ganancias, pueden experimentar diferentes dinámicas de activos, lo que nos permite mantener
k0 fijo y así descartar respuesta diferenciadas al tratamiento correlacionada con k0 (Figura B2).
Para probar si las personas con una tasa de ahorro más alta enfrentan un umbral más bajo, usamos el ratio de
dependencia de demanda como instrumento de ahorro. El motivo de esto es que una mayor proporción de las
ganancias se pueden ahorrar cuando hay menos miembros del hogar que consumen pero no ganan. 22 Para evaluar
las diferencias debidas al potencial de ingresos, utilizamos una medida de los ingresos excedentes de ganado para
no beneficiarios de la aldea en la línea de base. Para hacerlo, hacemos una regresión lineal, tanto lineal y al cuadrado,
de los ingresos ganaderos en función del número de vacas, y tomamos los medios resultantes a nivel de aldea.
Intuitivamente, las aldeas donde las personas ganan más de lo previsto en sus explotaciones ganaderas deben tener
la infraestructura adecuada para empresas ganaderas.
Las siguientes dos secciones presentan nuestros principales resultados. La sección 4 analiza la respuesta a cuatro
años de la transferencia de activos estimando la ecuación de transición e identificando el umbral de pobreza (Sección
4.1) y proporcionar evidencia en apoyo de nuestra estrategia de identificación (Sección 4.2). La siguiente, la sección
5 prueba si el umbral de pobreza crea diferencias persistentes a largo plazo.
22 El hecho de que la edad media de los encuestados sea de 35 años al inicio del estudio implica que podemos asumir que la fecundidad es
exógena a la acumulación de activos.
14

4 Respuestas a corto plazo
4.1 La ecuación de transición
El panel de la Figura 4 (a) muestra nuestra principal estimación de la Ecuación (2) en el grupo de tratamiento,
usando un Regresión polinomial local ponderada por kernel. 23 Las especificaciones alternativas se presentan en el
Apéndice Figura B3. El panel (a) de la Figura B3 informa los valores ajustados de un polinomio de tercer orden 24 y
el panel (b) informa el estimador B-spline. 25 Las tres especificaciones muestran que la ecuación de transición tiene
forma de S. La prueba de forma Hidalgo-Komarova de hecho, rechaza la concavidad global nula con p <0.01 y, de
acuerdo con eso, también rechazamos el nulo de que término cúbico del polinomio que se muestra en el Panel (a)
de la Figura B3 es cero.
Los tres métodos de estimación imponen la continuidad de la ecuación de transición. Esto implica que cualquier
umbral de pobreza aparecerá como un estado estable inestable, con φ (̂𝐾
̂) =𝐾
̂ y φ’ (̂𝐾
̂)> 1, como se muestra en la
Figura 3b. Trabajando por ahora bajo el supuesto de continuidad, encontramos este nivel de umbral de𝐾
̂
aproximando numéricamente la intersección de ̂φ (·) con la línea de 45 °. Por ejemplo, para la regresión polinomial
local (Figura 4, panel (a)) esto se hace encontrando un punto en el gráfico suavizado justo encima y justo debajo de
la línea de 45 ° y promediando sus coordenadas. Ajustar el número de puntos de suavizado nos permite aproximar
este punto con precisión arbitraria. Usando este método, encontramos 𝐾
̂ = 2.333 con un error estándar de arranque
de 0.015. 26
En este umbral, los activos están valorizados en 9 308.82 BDT (504 USD). A modo de comparación, el valor medio
de una vaca para los ultra-pobres en las aldeas de tratamiento es de alrededor de 9 000 BDT (488 USD).
Alternativamente podemos utilizar las estimaciones paramétricas para calcular el punto de cruce analíticamente, esto
produce un valor de 𝐾
̂ = 2.339 (error estándar de arranque 0.194), que corresponde a 9 379.14 BDT (508 USD). 27
Tenga en cuenta que tanto la ecuación de transición como el umbral de pobreza que implica son promedios de las
ecuaciones y umbrales de las transiciones individuales. Algunos hogares pierden activos incluso si están por encima
de 𝐾
̂ y viceversa. Se explotan algunas dimensiones observables de la heterogeneidad individual más adelante en la
sección 4.2.2. Es importante destacar que la forma de S en la ecuación de transición promedio descarta que todas
las ecuaciones de transición individuales sean cóncavas, ya que el promedio de funciones cóncavas debería
23 La regresión polinomial local estima la expectativa condicional E [k 3 | k 1 = k] en cada punto de suavizado k de una cuadrícula pre
especificada como el término constante de una regresión ponderada del núcleo de k i, 3 en términos polinomiales (k i, 1 −k), (k i, 1 -k)2
,..., (k
i, 1 - k)p
. Para más detalles, consulte Fan y Gijbels (1996).
24 Esta especificación es similar a las de Antman y McKenzie (2007), Jalan y Ravallion (2004) y Lokshin y Ravallion (2004). Sin embargo,
estos autores analizan la dinámica de los ingresos de los hogares en lugar de la de activos.
25 Una regresión spline de es un método de suavizado no paramétrico que utiliza funciones de spline como base. En general, un orden M º
spline es un polinomio de grado a trozos M- con M - 2 derivadas continuas en un conjunto de pre-seleccionados puntos (llamados nudos).
Los B-splines son un tipo particular de splines. Para obtener más detalles, consulte Wasserman (2006).
26 Debido a la variación del muestreo bootstrap, hay casos en los que el umbral de pobreza no es único, es decir, hay más de un punto en
el que la ecuación de transición cruza la línea de 45 ° desde abajo. En estos casos grabamos el más bajo de los umbrales estimados. Sin
embargo, en las 1000 muestras de bootstrap, siempre encontramos al menos un punto de cruce inestable.
27 Calculamos este umbral como la segunda raíz del polinomio 76,9 - (96,9 + 1) k + 41k 2 - 5,7k 3, que es la que se muestra en la Figura B3
del Apéndice.
15

ser cóncavo.
Si este nivel de activos es realmente inestable, las personas que se encuentran justo a la izquierda deberían volver a
caer en la pobreza. y los que están justo a la derecha deberían acumular activos a lo largo del tiempo, por lo que no
deberíamos encontrar a nadie con ese nivel de activos en equilibrio. Este es de hecho el caso cuando el umbral
estimado cae exactamente en el rango de baja densidad de la distribución de línea de base de activos en la población
completa (Figura 1a). Por tanto, el modelo de equilibrio múltiple es coherente con la distribución bimodal de activos.
Por el contrario, una distribución de activos bimodal no surge naturalmente bajo una tecnología de producción
cóncava.
Si bien es posible en teoría, requiere una distribución bimodal de la tasa de ahorro o productividad individual,
ninguna de las cuales observamos en los datos (ver Figura B4 del Apéndice).
El mismo ejercicio replicado en las aldeas de control produce una ecuación de transición con solo un estado
estacionario en 0,7 (panel (b) de la Figura 4). Sorprendentemente, esto corresponde al modo bajo en la Figura 1a.
La ecuación de transición es consistente con un patrón de choques transitorios o reversión media, ya que los niveles
de activos iniciales más altos predicen una pérdida de activos durante los cuatro años consecutivos. Tenga en cuenta
también que en ausencia de mercados crediticios, la medida del activo productivo está acotada a cero. Los hogares
que comienzan con nada solo pueden experimentar choques positivos. Finalmente, recordar que sin la transferencia
hay pocos hogares cerca del umbral de pobreza de 𝐾
̂ = 2.333, lo cual es particularmente cierto para los ultra-
pobres. Esto ilustra la dificultad de identificar trampas de pobreza con datos de observación: Para probar la existencia
de un estado estable inestable, debemos observar cómo se comportan las personas alrededor pero nunca lo hacemos
precisamente porque es inestable. 28
Volviendo al grupo de tratamiento, observamos que el umbral de pobreza es tal que alrededor del 60% de los hogares
de tratamiento se colocan arriba. Los que quedan por debajo lo hacen por un pequeño margen. La diferencia entre
el valor de transferencia medio y el umbral es de solo 300 BDT (16 USD).
Este valor está cerca del valor unitario medio de arados (250 BDT), carros (300 BDT) o cobertizos para mantener
ganado (300 BDT) propiedad de los pobres en nuestra muestra - activos que son complementarios para mantener y
generar ingresos a partir de una vaca. Como los activos se combinan con la mano de obra para generar ingresos, la
imagen que emerge es una en la que la gente pobre no puede permitirse comprar activos productivos indivisibles y
permanecen empleados en trabajos ocasionales inseguros y de bajos salarios que pagan poco en relación al precio
del activo y los mantiene en una trampa de pobreza. Esto plantea varias preguntas clave para la política: ¿puede una
transferencia única reducir la pobreza de forma permanente? ¿Las trampas de pobreza crean una mala asignación?
y si es así, ¿cuánto perdemos en términos de producción agregada debido a esto?
Abordaremos estas preguntas en las Secciones 5 y 6, después de haber proporcionado evidencia en apoyo de nuestras
suposiciones de identificación en lo que sigue.
28 Aquellos hogares de control que, no obstante, encontramos cerca de este nivel de activos en la línea de base, no han sido, como grupo,
colocado allí por un choque exógeno. No observamos la misma dinámica de trampa de pobreza para este grupo; ya sea porque son muy
pocos para que podamos detectar un patrón estadísticamente o simplemente porque difieren sistemáticamente de nuestra muestra de
tratamiento, por ejemplo, en términos de su comportamiento de acumulación de activos.
16

4.2 Evidencia sobre la identificación de supuestos
4.2.1 Controles como contrafactuales
Para investigar las posibles diferencias en los inobservables, utilizamos los hogares de las aldeas de control como
contrafactuales. La Tabla 2 compara la acumulación de activos por encima y por debajo del umbral en tratamiento
y controla las aldeas. Empezando por definir ∆ i como la acumulación de activos en los cuatro años posteriores a la
transferencia por encima del valor transferido por BRAC, es decir, ∆ i = k i, 3 - k i, 1 . La parte baja de los paneles de
las Figuras 3a-3c ilustran la estrecha relación entre ∆ i y la ecuación de transición. Como es evidente a partir de estas
cifras, si 𝐾
̂ realmente tiene las características de un umbral de pobreza, uno podría esperar que ∆ i > 0 para
individuos cuyo nivel de capital inicial es lo suficientemente grande como para que, en combinación con la
transferencia, excede el umbral (k i, 1 >𝐾
̂), mientras que ∆ i <0 para aquellos en cuya línea de base el nivel de capital
no es lo suficientemente grande (k i, 1 <̂𝐾
̂ ). La primera columna de la Tabla 2 informa las estimaciones de:
∆ i = α + βI (k i, 1 >𝐾
̂ ) + ε i
(3)
donde I (k i, 1 >𝐾
̂), = 1 si k i, 1 >𝐾
̂ para los hogares en las aldeas de tratamiento. Las estimaciones sugieren que los
beneficiarios que permanecen por debajo del umbral a pesar de la transferencia pierden el 14% de los activos durante
los próximos cuatro años, mientras que aquellos que superan el umbral aumentan sus activos en un 16%.
La columna 2 informa los mismos resultados para los hogares en las aldeas de control. Dado que estos hogares no
reciben una transferencia, definimos I (k i, 1 + ˜T>𝐾
̂ ) = 1 para identificar los hogares que estarían por encima del
umbral si hubieran recibido una transferencia hipotética, ˜T, del mismo tamaño. Aquí, ˆβ está cerca de cero, lo que
respalda el supuesto de identificación de que los hogares por encima y por debajo del umbral no habrían estado en
diferentes trayectorias de acumulación en ausencia de la transferencia y no se ven afectados de manera diferente por
los shocks sistemáticos. Puede parecer sorprendente que la constante en el grupo de control es grande, tanto en
términos absolutos como en relación con el tratamiento. Esto es porque controla hogares que poseen activos
cercanos a cero en la línea de base. No pueden perder mucho y los pequeños cambios absolutos parecen grandes
en términos porcentuales (Figura B1). La columna 3 reúne el tratamiento y el control para estimar la diferencia en
la diferencia entre el tratamiento y el control por encima y por debajo el umbral. Bajo el supuesto de que, de no
haber sido por el programa, los hogares ultra-pobres en las aldeas de tratamiento habrían experimentado el mismo
patrón de acumulación de capital que sus contrapartes en el control, esto mide cuánto ganan los hogares en
tratamiento por estar a la derecha del umbral de pobreza. La estimación es similar a la de la columna 1, lo que refleja
el hecho de que el patrón de acumulación de capital no es significativamente diferente alrededor del umbral (placebo)
para hogares de control. Las columnas 4-6 de la Tabla 2 repiten el ejercicio permitiendo el patrón de acumulación
de capital para depender de los activos de la línea base, estimamos:
∆ i = α + β 0 yo (k i, 1 >𝐾
̂ ) + β 1 k i, 1 + β 2 i (k i, 1 >𝐾
̂ ) × k i, 1 + ε i.
Esta especificación permite una pendiente diferente de ∆ i en k i, 1 en cada lado de 𝐾
̂. Por lo tanto, ki, 1 esta
17

centrado en 𝐾
̂, de modo que β 0 mide directamente cualquier discontinuidad en ∆ i en 𝐾
̂. Nuestra hipótesis nula es
H0 : β 0 = 0, es decir, no hay discontinuidad. La columna 4 rechaza el nulo y muestra una discontinuidad en 𝐾
̂, donde
el cambio de capital pasa de −0,28 a 0,20. Para considerar los choques que han ocurrido en ausencia del programa,
la columna 5 estima la regresión anterior en el grupo de control. Como antes, establecemos I (k i, 1 + ˜T> 𝐾
̂) = 1 si
el nivel de referencia de activos es tal que los hogares de control habrían superado el umbral si hubieran recibido la
transferencia. Aquí no hay discontinuidad en el umbral (placebo) ya que β0 está cerca de cero. La columna 6 cuenta
el tratamiento y las aldeas de control juntas y producen los mismos resultados, aunque estimados con menor
precisión.
El patrón de la columna 4 es interesante porque muestra que incluso cuando se controla los activos de la línea de
base, el cambio de activos de los beneficiarios "salta" por encima de cero en 𝐾
̂. Además, pierden cada vez más a
medida que se acercan a 𝐾
̂ desde abajo y, como sugiere el término de interacción positiva, ganan cada vez más una
vez por encima de 𝐾
̂. Este patrón de cambio es consistente con la ecuación de transición que se muestra en la Figura
3c, pero, dependiendo del horizonte temporal, también podría generarse mediante una ecuación de transición
continua como en la Figura 3b. 29 Estos resultados, por lo tanto, no distinguen la Figura 3c de la Figura 3b. Sin
embargo, el patrón es tranquilizador para nuestras suposiciones de identificación: parece poco probable que una
correlación de los activos de referencia afectaría la dinámica de los activos de la manera específica que se muestra
en la columna 4 con una gran discontinuidad exactamente en 𝐾
̂.
4.2.2 Umbrales heterogéneos
La Figura 5, panel (a) reporta estimaciones no paramétricas de la ecuación de transición para hogares por encima y
por debajo de la tasa de ahorro mediana, instrumentada por la tasa de dependencia, mientras que el panel (b) divide
los hogares en aquellos por encima y por debajo del potencial de ingresos medios. Ambos paneles muestran que la
ecuación de transición para los hogares por encima de la mediana está verticalmente por encima de la de los hogares
por debajo de la mediana. El umbral para los hogares con mayor potencial de ahorro (ingresos) es 2,29 (2,24),
mientras que para los hogares por debajo de la mediana es 2,36 (2,39). Por inferencia, dividimos aleatoriamente la
muestra en dos sub-muestras de igual tamaño, ya sea utilizando al individuo o al pueblo como unidad, estimamos
los umbrales en cada uno y tomamos la diferencia entre los dos. A través de 1000 repeticiones de este procedimiento,
la frecuencia de una división de muestra aleatoria que produce las diferencias observadas es menor a 0,01 para
ambos.
El hecho de que las diferencias en el potencial de ahorros y ganancias implican diferentes umbrales permite
identificar el efecto de estar por encima o por debajo del umbral en la acumulación de activos para el mismo nivel
de capital de referencia. La Tabla 3 estima tres regresiones para cada una de las dos dimensiones. Las columnas 1 y
4 estiman el cambio en el capital social por encima y por debajo del umbral individual, es decir, el umbral alto si el
hogar está por debajo de la mediana y viceversa. En consonancia con el hallazgo
29 Observamos hogares en puntos discretos en el tiempo. Los hogares inicialmente más cercanos a k tienen, en promedio, una mayor
distancia para converger a sus respectivos estados estacionarios que los que ya están más lejos. En un horizonte de tiempo suficientemente
grande relativo a la velocidad de convergencia, una discontinuidad podría aparecer en la ecuación de transición empírica incluso si el
mecanismo subyacente es continuo.
18

anterior, vemos que los individuos para quienes la transferencia no es lo suficientemente grande como para traerlos
al umbral específico de las ganancias pierden el 16% del valor de los activos en cuatro años, mientras que aquellos
que superan el umbral acumulan 14%. De manera similar, las personas para quienes la transferencia no es lo
suficientemente grande como para llevarlos más allá del umbral específico de ahorro pierden el 15% del valor de
los activos en cuatro años, mientras que aquellos que superan el umbral acumulan el 17%. Las columnas 2 y 5
controlan el nivel de capital de referencia. Sorprendentemente, los coeficientes se mantienen estables, lo que es
coherente con el hecho de que ni los ahorros ni las ganancias potenciales están correlacionadas con el capital de
referencia. Más importante aún, y en consonancia con la análisis en la sección anterior, estos resultados nos aseguran
que diferentes patrones de acumulación por encima y por debajo del umbral no se deben a valores no observables
correlacionados con el capital de referencia.
Finalmente, las columnas 3 y 6 evalúan si son los umbrales individuales relevantes a los que se los vinculan. Para
implementar esta prueba restringimos la muestra a individuos con umbrales altos y estimamos:
∆ i = α + β L I (k i, 1 > ku
L ) + β H yo (k i, 1 > ku
H) + ε i ,
aquí, βL mide el efecto de haber superado el umbral bajo, mientras que βH mide el efecto de estar más allá del umbral
alto. Los resultados muestran que estos individuos pierden capital independientemente de si están por encima del
umbral bajo, pero comienzan a acumularse una vez que superan el umbral alto, lo que disipa aún más la preocupación
de que los resultados sean impulsados por no observables relacionados al capital de referencia.
5 Dinámicas de largo plazo
Una implicación clave de las trampas de pobreza es que los hogares experimentan diferentes trayectorias de pobreza
dependiendo de si están por encima o por debajo del umbral de pobreza. En esta sección, abordamos la cuestión de
si el umbral que identificamos a partir de la dinámica de activos a corto plazo (4 años) genera diferencias persistentes
y considerables en los resultados a largo plazo. Nuestros datos nos permiten explorar esta dinámica en el transcurso
de 11 años desde 2007 hasta 2018. Primero, en la Sección 5.1, hacemos un seguimiento de varios resultados para
los hogares por encima y por debajo del umbral de pobreza. Guiado por la teoría de una trampa de pobreza
ocupacional, probamos si los hogares por encima del umbral acumulan activos productivos, asumen mejores
ocupaciones y salen de la pobreza. En segundo lugar, observamos que debido a un horizonte de largo plazo, los
efectos del ahorro durante el ciclo de vida pueden tener un impacto sustancial en la acumulación de activos. La
sección 5.2 proporciona evidencia de tales efectos y los contabiliza en el análisis de activos a largo plazo, la dinámica
de ocupación y el bienestar.
19

5.1 Resultados a largo plazo por encima y por debajo del umbral de pobreza
La Figura 6 traza estimaciones de la siguiente especificación de panel:
Y it = β 0 I (ki, 1 > ̂k) + ∑ β 1t yo (ki, 1 >𝐾
̂) S t + ∑(S t ) + η it
(4)
donde St son variables ficticias para las oleadas de encuestas de 2009, 2011, 2014, 2018 y todas las demás variables
son como se define arriba. Los resultados de interés, Y it , son activos productivos en niveles y totales anuales de
consumo de los hogares. Controlamos los efectos en sub-distritos determinados. Los coeficientes de interés
reportados en la Figura 6 son β1t, que miden la diferencia adicional entre los beneficiarios arriba y por debajo del
umbral en la fecha t relativa a esta diferencia justo después de la transferencia. El panel a) de la Figura 6 muestra
que la diferencia inicialmente pequeña e insignificante en activos productivos entre hogares por encima y por debajo
de 𝐾
̂ sigue aumentando durante las oleadas de encuestas consecutivas y se convierte en significativa en 2011 y 2018.
Para 2018, los hogares que estaban inicialmente por encima del umbral tienen en promedio 10,000 BDT más en
activos productivos en comparación con la diferencia en la línea de base, lo que indica una gran divergencia en el
tiempo. El panel b) muestra una brecha en constante aumento en el consumo de los hogares entre hogares por encima
y por debajo de 𝐾
̂ en relación con la línea de base, lo que indica un aumento en los recursos disponibles para el
hogar y el bienestar del hogar. Interpretamos esto como una prueba más de que los hogares escapan a la trampa de
la pobreza y están mejor a largo plazo que aquellos que no lo hacen.
El cuadro 4 contiene los coeficientes estimados de β0 y β1t de la ecuación 4. Además de los activos y consumo,
informa la composición de activos (columnas 2 y 3), las ganancias netas (columna 5), ingresos netos del trabajo por
cuenta propia utilizando activos (columna 6) y horas de trabajo (columnas 7 y 8). La descomposición de los tipos
de activos revela que el aumento general está impulsado por la acumulación de vacas y, particularmente en 2018,
de tierra. Esta diversificación hacia un activo: la tierra - que diferencia a los pobres y no pobres en las aldeas que
estudiamos y que no es parte del programa muestra que los que están por encima del umbral están en una trayectoria
diferente en relación con aquellos debajo. Al mismo tiempo, la propiedad de activos menos valiosos se reduce (no
se muestra), lo que hace la composición de activos de los beneficiarios por encima del umbral más cercana a la de
sus contrapartes más ricas en el mismo pueblo (Figura 2a).
Al revisar la columna 5, es interesante observar que el consumo de los hogares por encima de 𝐾
̂ inicialmente declina
y permanece negativo hasta cuatro años después de la transferencia. Sin embargo, para 2018 la diferencia cambia a
positivo y significativo. 30 Se pueden aprender dos cosas de este patrón. Primero, este resultado muestra que evaluar
a largo plazo es fundamental a la hora de sacar conclusiones sobre el bienestar. Si hubiéramos considerado los
efectos hasta 4 años después de la transferencia, habríamos concluido falsamente que los hogares atrapados en la
pobreza por su baja dotación inicial de activos parecían mejor en términos de consumo.
De manera similar, los resultados advierten contra el uso de estadísticas de consumo a corto plazo como medida de
pobreza familiar. En segundo lugar, el resultado del consumo puede verse como una evidencia sugerente de que
incluso
30
La Tabla C1 en el apéndice muestra que este resultado es válido para medidas alternativas de bienestar como gasto per-cápita, consumo
de alimentos y recuento de la pobreza.
20

los más pobres adoptan un comportamiento orientado al futuro. Quienes tienen más probabilidades de escapar de la
trampa de la pobreza son capaces y están dispuestos a renunciar al consumo actual para realizar inversiones cuyo
rendimiento llegará algunos años después. En consonancia con esto, las columnas 5 y 6 muestran una disminución
relativa inicial en los ingresos netos, ya que los hogares que aspiran a salir de la pobreza reinvierten una mayor parte
de sus ingresos directamente en su capital social, una inversión que se ve recompensada con mayores ganancias solo
7 años después. 31 La columna 6 destaca que este patrón está impulsado casi en su totalidad por las ganancias netas
del auto empleo. Finalmente, las columnas 7 y 8 muestran que el total de horas trabajadas y horas trabajadas en
ganadería y el cultivo de la tierra (autoempleo) también aumenta. A largo plazo, por lo tanto, vemos mayores
ganancias derivadas de la ganadería y el cultivo de la tierra, ya que los beneficiarios por encima del umbral se
trasladan a estas nuevas ocupaciones de las que habían sido excluidos. También vemos beneficiarios por encima del
umbral de aumentando la oferta de mano de obra, especialmente en estas nuevas ocupaciones. Por lo tanto, hogares
por encima del umbral, no solo pudieron sostener y expandir sus existencias de activos ganaderos, sino que también
fueron capaces de trabajar más y pasar a actividades laborales más productivas. 32
Nuestra interpretación de los resultados de la tabla 4 es que un cambio ocupacional inducido por la transferencia del
activo está en el centro de la trampa de la pobreza. Todos los cambios tanto en los ingresos como en las horas
trabajadas son impulsados por el autoempleo, un patrón que tiene sentido dado que activos como el ganado o la
tierra los obliga a participar en ocupaciones más productivas en las aldeas que estudiamos. Esta interpretación
también es consistente con el hecho de que el déficit de quienes permanecen por debajo del umbral de pobreza tiene
un valor similar al de los activos complementarios típicos, como carros y cobertizos. Sin embargo, no podemos
descartar que mecanismos alternativos también subyazcan y refuercen la trampa. La dificultad es que las personas
que escapan de la pobreza mejoran muchos aspectos de sus vidas. Por ejemplo, pueden consumir más alimentos
(Tabla C1) o estar menos estresados. 33 Es posible que la baja nutrición o los altos niveles de estrés inicialmente
hicieron que las personas fueran menos productivas y más pobres, y estas limitaciones también se liberaron como
consecuencia del programa de BRAC. Por otra parte, las mejoras en estas variables podrían ser simplemente una
consecuencia de que las personas ahora son más ricas. Futuras investigación tendrían que aprovechar la variación
exógena tanto en la riqueza como en el ingreso y algún mecanismo hipotético para avanzar en esta cuestión. Nuestros
resultados sugieren que una transferencia de activos lo suficientemente grande como para inducir un cambio
ocupacional en muchos hogares fue suficiente para romper los potenciales efectos nutricionales o psicológicos que
también podrían haberlos atrapado en la pobreza.
31 No tenemos una medida directa de los ingresos, ya que se les pide a los encuestados que informen los ingresos totales de cada actividad
comercial en el último año y presumiblemente declarar estos netos de costos e inversiones.
32 Los resultados de las tablas 4 y 5 son en gran parte robustos a las siguientes especificaciones alternativas: precios constantes de tenencia
en los niveles de referencia para descartar que los cambios sean impulsados por efectos de precios o deflación inconsistente, controlando
para efectos fijos individuales, restringiendo la muestra a un panel balanceado de modo que solo los hogares para los que tenemos datos se
incluyan en todas las oleadas de encuestas y se restringe la muestra a los hogares dentro de un pequeño intervalo de activos de la línea de
base. (2.24, 2.44) alrededor de k - una especificación similar a un diseño de regresión discontinua.
33 Ver, por ejemplo, Dasgupta y Ray (1986) y Dasgupta (1997) para discusiones sobre una trampa de pobreza nutricional. Ver por ejemplo
Shah, Mullainathan y Shafir (2012), Mani et al. (2013) y Ridley et al. (2020) para obtener evidencia sobre la relación. entre pobreza y
atención, función cognitiva o salud mental.
21

5.2 Efectos del ciclo de vida
Durante el período de estudio de 11 años, el comportamiento del ahorro durante el ciclo de vida podría afectar el
capital social de los hogares. Como la gente envejece, trabaja menos con activos productivos y, en cambio, des-
ahorra para mantener el consumo. Esta sección proporciona resultados adicionales sobre si los efectos de estar por
encima o por debajo del umbral varían con la edad.
La Figura 7 muestra la sección transversal de activos por edad en las últimas cuatro rondas de encuestas para otros
pobres, hogares ricos y de clase media en las aldeas de control. Los efectos del ciclo de vida parecen jugar un papel
importante, con los encuestados acumulando activos hasta finales de los 40 y luego de-acumular. Tenga en cuenta
que, si bien existe cierta variación en los niveles de activos entre las rondas de encuestas, la curva no parece
desplazarse hacia la derecha a medida que graficamos rondas consecutivas, lo que indica que esta es de hecho una
edad y no un efecto de cohorte. A medida que los encuestados envejecen, habrá una tendencia a la descomposición
de los activos, independientemente de la dinámica de la trampa de la pobreza. Para quienes se encuentran por encima
del umbral de pobreza, los dos efectos: convergen a un estado estable alto de activos productivos y envejecimiento
– los que se contrarrestarán entre sí. En la línea de base, la edad promedio de los beneficiarios es de 35 años. Por lo
tanto, en 2018 la mitad de ellos tendrá más de 46 años, lo que sugiere que estos efectos del ciclo de vida estarán en
juego. Para tener en cuenta los posibles efectos del ciclo de vida, los siguientes análisis dividen la muestra en la
edad de referencia mediana de 35años e informa los resultados por separado para los menores ("jóvenes") y los
mayores ("mayores"). La figura 8 traza los deciles de las distribuciones de activos por encima y por debajo de 𝐾
̂ a
lo largo del tiempo. Se hace el mismo ejercicio para beneficiarios jóvenes (panel A) y ancianos (panel B) por
separado. La línea roja horizontal indica el valor de transferencia medio. Varios hallazgos son dignos de mención.
Primero, hay una variación creciente en la tenencia de activos en todos los grupos a medida que las distribuciones
se despliegan a lo largo del tiempo. Esto ilustra, como se señaló anteriormente, que el umbral de pobreza es un
promedio donde algunos hogares por encima, sin embargo, están perdiendo activos y algunos de los inicialmente
por debajo los acumulan. Es importante destacar que los activos productivos de aquellos inicialmente por encima de
𝐾
̂ son más altos que para los de abajo en cada decil de la distribución y en cada ola de encuesta. Si restringimos
nuestra atención a los beneficiarios más jóvenes donde los efectos del ciclo de vida son silenciados (panel A), de
hecho, encontramos que casi la mitad de los que comienzan por encima del umbral terminan al menos reteniendo el
valor de la transferencia en 2018, mientras que solo el 30% de los que están por debajo lo hacen. Finalmente, la
comparación de beneficiarios mayores y jóvenes revela que los jóvenes acumulan activos más rápido y hasta el final
del período de estudio. Los beneficiarios por encima de la edad media comienzan a mostrar una disminución
pronunciada de los activos en relación con sus contrapartes más jóvenes en 2014: en este punto, la mayoría de las
personas mayores tienen 56 años o más - y este descenso continúa en casi todas las partes de la distribución en 2018.
Sin embargo, aún entre los viejos, aquellos que inicialmente están por encima de 𝐾
̂ parecen tener mejores
resultados a largo plazo, el efecto de la acumulación de activos es atenuado por el efecto compensador del
envejecimiento. El mismo patrón que surge de la Figura 8 se confirma en la primera columna de la Tabla 5, que
repite el análisis de la Tabla 4 pero dividiendo la muestra en jóvenes (panel A) y viejos (panel B). Los resultados
sugieren que la divergencia en los activos documentada en la Tabla 4 se debió principalmente a los jóvenes
beneficiarios. Aunque los beneficiarios mayores arriba 𝐾
̂ mantienen una ventaja en términos de
22

vacas, no empiezan a acumular tierra como lo hacen los jóvenes beneficiarios. Como no invierten en tierra, los
ancianos generan muchos menos ingresos de las actividades por cuenta propia durante el período de estudio.
¿Implica esto que los ancianos vuelvan a caer en la pobreza? La columna 5 de la tabla 5 sugiere lo contrario. Las
diferencias en el consumo siguen patrones similares en ambos grupos de edad y para el año 11 los hogares de los
beneficiarios mayores consumen 3.304 BDT por año por encima de la diferencia de referencia si están por encima
de 𝐾
̂.
Esto es coherente con la opinión de que los hogares de edad avanzada ahorran menos o incluso venden activos a
medida que se acercan al final de su vida (laboral), lo que les permite mantener un nivel de vida relativamente más
alto.
Finalmente, es interesante notar que el coeficiente de consumo de los antiguos beneficiarios ya se vuelve positivo
en el año 4, mientras que los jóvenes beneficiarios posponen el consumo por más de cuatro años.
Si bien es sugerente, esto es nuevamente consistente con un modelo de comportamiento prospectivo. Posiblemente
como consecuencia de una mayor acumulación de activos y consumo diferido, los jóvenes experimentan un gran
aumento adicional en los ingresos netos a partir del año 7 en adelante, nuevamente impulsado por el trabajo por
cuenta propia (autoempleo). Por el contrario, los viejos ven pocos cambios diferenciales en las ganancias netas a
largo plazo, a pesar de que aumentan su oferta de mano de obra en una medida similar a la de los jóvenes, si superan
𝐾
̂.
6 Estimación estructural
Los resultados de las dos secciones anteriores proporcionan evidencia de una trampa de pobreza. Personas
comprometidas en el trabajo asalariado podría haberse dedicado a una cría de ganado más productiva si hubieran
comenzado con suficientes activos. Esto indica que la abrumadora concentración de los ultra-pobres en trabajos con
salarios bajos en la línea de base es poco probable que reflejen la primera mejor opción de ocupación de esas
personas, dado sus parámetros de productividad y preferencia. En otras palabras, hay una asignación incorrecta: el
dinero está siendo dejado sobre la mesa - las personas están atrapadas en ocupaciones de bajo rendimiento no debido
a una deficiencia de capacidad sino debido a una deficiencia de activos. Una pregunta natural que sigue entonces es
¿Cuál es el alcance de esta mala asignación? Esto es lo que intentamos descubrir en esta sección.
Para hacer esto, usamos un modelo simple de elección ocupacional para estimar parámetros a nivel individual.
Determinar la ocupación óptima para cada individuo en ausencia de restricciones de capital y, por lo tanto,
cuantificar el grado de asignación incorrecta al inicio. Identificar parámetros a nivel individual en todas las
ocupaciones suele ser un desafío dado que los individuos generalmente solo se observan en la ocupación que hacen
mejor. Superamos este desafío utilizando el hecho de que casi todos los beneficiarios están involucrados en trabajo
asalariado en la línea de base, pero que también los observamos a todos dedicados a la crianza ganado como resultado
del requisito del programa de que los beneficiarios mantengan el activo transferido por al menos dos años. Con estos
resultados, simulamos el valor total implícito y la distribución de transferencias necesarias para que todos los hogares
escapen de la trampa de la pobreza y consideramos los efectos de una serie de políticas contra-factuales.
23

6.1 Modelo simple de elección ocupacional
Considere un entorno simple donde los individuos distribuyen su dotación de tiempo R entre el autoempleo en la
cría de ganado (l) y trabajo asalariado (h). Permitimos que las personas mezclen ocupaciones y permitimos que la
oferta laboral general sea elástica. También consideramos la posibilidad de contratar mano de obra externa (h’) para
la cría de ganado, de modo que el insumo total de mano de obra en esa actividad es l + h’. La tasa salario de mano
de obra contratada es w’.
Permitimos que la función de producción individual para la cría de ganado esté dada por (eliminamos el subíndice i
por simplicidad):
q = AF (𝑘‾, l + h’).
Asumimos que el capital social 𝑘‾ está dado y no hay posibilidad de pedir prestado o depositar dinero en un banco
y ganando intereses. 34
Dado que 𝑘‾ es una constante, esta es efectivamente una función de producción de un insumo que depende de l +
h’.
Restringiremos la atención a las funciones de producción que sean separables multiplicativamente en capital y mano
de obra:
F (𝑘‾, l + h’) = f (𝑘‾) g (l + h’)
Observe que, por lo tanto, incluso si la función de producción puede tener forma de S con respecto a k cuando
k no es dada, siempre que sea cóncavo con respecto a l + h’ podemos usar técnicas de maximización estándar .
Dado que estamos principalmente interesados en las propiedades de f(k) relacionadas con la convexidad o no
convexidad, asumiremos que g (l + h’) es estrictamente cóncava.
Para un trabajador asalariado, la tasa de salario es w. Suponemos w> w’, para capturar el hecho de que los
trabajadores contratados suelen ser miembros de la propia familia del agricultor y, por lo general, se les paga menos
de lo que ganaría el agricultor trabajando el mismo como asalariado. Existe una restricción de demanda exógena en
el mercado laboral, por lo que h ≤ H‾ donde 0 <H‾ <R‾. De manera similar, existe una restricción en la cantidad
máxima de horas de trabajo que puede contratar un agricultor, h’ ≤ N‾ .
34 La función de producción que proponemos puede tener varios micro-fundamentos. El que desarrollamos en el papel es una versión
general del siguiente modelo simple: supongamos que los individuos tienen una unidad indivisible de trabajo que puede ofrecer como
mano de obra (trabajo) y ganan w, o pueden trabajar por cuenta propia y producir f(k) , pero no pueden hacer ambas cosas.
Si las personas tienen que depender de sus propios ahorros y tienen restricciones crediticias, entonces su recompensa del trabajo por cuenta
propia es f(k) y, por lo tanto, los individuos elegirán ser trabajadores hasta que el k que posean exceda un cierto nivel f(k) ≥ w, es decir,
sus ingresos son y = max {f(k) , w}. En el modelo, permitimos que el trabajo sea divisible, que se pueda asignar tanto en la propia empresa
como en el mercado laboral, además de la posibilidad de contratar mano de obra.
Alternativamente, suponga que la función de costo tiene un elemento de costo fijo: C (y) = F + c (y) donde el costo variable, c (y), tiene
propiedades estándar. Si interpretamos el costo como capital de trabajo, entonces la función de producción es simplemente la inversa de la
función de costes. Sea K el capital total necesario para la producción, es decir, los costos fijos más los costos variables. Y e y denotan la
producción bruta y neta con y ≡ Y - K. Sea y = f(c) la inversa de la función c (y). Entonces la producción neta es: y = 0 para K <F e y = f(K-
F) para K ≤ F. De manera similar, para la producción bruta: Y = K para K <F y Y = f(K- F) + K para K ≤ F.
24

Suponemos que el costo (de inutilidad) de suministrar mano de obra toma la forma
donde ψh > 0 y ψl > 0.
Como resultado, el problema de optimización estática se convierte en:
sujeto a
Suponiendo una solución completamente interior, las condiciones de primer orden para la maximización son:
En el caso de las soluciones de esquina, no es necesario que algunas de las igualdades anteriores se mantengan. La
solución completa con todos los casos posibles se caracterizan en el Apéndice A.
6.2 Calibración del modelo
El primer paso en la estimación es calibrar a nivel individual los parámetros para la productividad en la cría de
ganado A y la inutilidad de suministrar mano de obra asalariada y horas de cría de ganado, ψh y ψl respectivamente.
Estos parámetros se identifican a partir de los datos de referencia y los del año 2 suponiendo que, en estos años, los
individuos eligen las horas que dedican a cada ocupación 35 y contratan de manera óptima su dotación dada de
capital, tecnología de producción, tasas de salario prevalecientes y restricciones exógenas de horas. Los supuestos
utilizados para determinar cada uno de estos se describen a continuación.
La función de producción asumida es
35 Estos son auto reportados y evaluados en su consistencia.
25

Representa la función de producción cuadrática latente que, cuando se combina con el ingreso salarial fijo que
domina a bajos niveles de capital, produce la característica forma de S descrita en la Sección 3.1. Los parámetros a,
b y β de esta función se estiman mediante mínimos cuadrados no lineales. El salario de mercado imperante y el
salario pagado por la mano de obra contratada son medias a nivel de rama en cada ciclo de la encuesta.
Establecimos la restricción de dotación de tiempo 𝑅 en 3.650 horas por año y retiramos de la estimación los tres
individuos ultra-pobres que informan un total de horas superior a este al inicio del año o al segundo año.
La restricción demanda de trabajo 𝐻 se fija en el 90° percentil de horas laborales salariales trabajadas al inicio del
estudio por la sucursal BRAC. La restricción de la cantidad 𝑁 de mano de obra puede ser contratado en se fija en
el 95° percentil en todos los hogares y rondas de encuestas, lo que equivale a 1400 horas al año.
El problema de optimización descrito en la Sección 6.1 produce condiciones de primer orden para varios casos de
acuerdo con la (s) ocupación (es) en las que trabaja el individuo, si contrata mano de obra y si se vincula cada una
de las restricciones de horas exógenas. Para la mayoría de los beneficiarios ultra-pobres, Estas condiciones de primer
orden pueden combinarse con datos sobre capital y elección ocupacional en la línea de base y el año 2 para calibrar
los valores de los parámetros A, ψh y ψl que son consistentes con las horas observadas trabajadas en la cría de
ganado y el trabajo asalariado, y las horas de trabajo contratadas, siendo elegido de forma óptima.
En particular, el 16% de las personas ultra-pobres mezclan ocupaciones y contratan mano de obra en el año 2 (caso
1 en el Apéndice A), de modo que las 2 condiciones de primer orden del año tres puedan resolverse para los tres
parámetros de interés para estos individuos. Para aquellos individuos en otros casos en el año 2, hay menos
condiciones de primer orden que parámetros, por lo que este método no se puede utilizar. Sin embargo, en muchos
de estos casos, las condiciones de primer orden del año 2 y la línea de base se pueden combinar para calibrar los
parámetros. En nuestros datos, el 24% de las personas se especializan en trabajo asalariado sin contratar mano de
obra en la línea de base, y en el año 2 mezclar ocupaciones sin contratar mano de obra o especializarse en ganadería
con mano de obra contratada. En estos casos, la línea de base y las condiciones de primer orden del año 2 nuevamente
producen tres ecuaciones que se pueden resolver para los tres parámetros. Los parámetros se pueden calibrar para
un 23% adicional de individuos al asignar ψh como el valor máximo observado para aquellos individuos que no
trabajan en la línea de base. 36
Este método arroja parámetros estimados a nivel individual para el 64% de las personas ultra-pobres. En todas las
demás combinaciones de casos en la línea de base y el año 2, hay muy pocos individuos o combinaciones de casos
que no permite la calibración de todos los parámetros (por ejemplo, si un individuo se especializa en la cría de
ganado en la línea de base y el año 2, no es posible precisar su inutilidad de horas de trabajo asalariado). Trazar la
distribución de activos productivos de referencia para el 64% de los hogares para quienes podemos realizar una
estimación y el 36% para el que no podemos revela un alto grado de superposición, con la última distribución
ligeramente desplazada hacia la derecha. Esto sugiere que aquellos para quienes no podemos realizar estimaciones
tienen más probabilidades de dedicarse a la cría de ganado y, por lo tanto, menos
36 Nos abstraemos de la restricción de la demanda de trabajo y la restricción de la mano de obra contratada en la calibración de parámetros,
ya que la elección de las horas en todas las ocupaciones será poco informativa sobre los parámetros subyacentes donde estas restricciones
se unen.
26

¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil

¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil

Recommended

Recommended

More Related Content

Similar to ¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil

Similar to ¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil (20)

Recently uploaded

Recently uploaded (20)

¿Por qué la gente sigue siendo pobre? - why do people stay poor? - FEB 2021 - por Clare Balboni, Oriana Bandiera, Robin Burgess, Maitreesh Ghatak y Anton Heil