Descargar documento - Instituto Economía Pontificia Universidad

E C O N O M Í A
TESIS de MAGÍSTER
IInstituto
N S T I de
T Economía
U T O
D E
DOCUMENTO
DE TRABAJO
2014
Ley de Salas Cuna y Sus Efectos en La Contratación de Mujeres
Diego Escobar.
www.economia.puc.cl
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO
MAGISTER EN
DE
ECONOMIA
ECONOMIA
TESIS DE GRADO
MAGISTER EN ECONOMIA
Escobar Salce, Diego Joaquín
Julio, 2014
PONTIFICIA UNIVERSIDAD CATOLICA DE CHILE
INSTITUTO
MAGISTER EN
DE
ECONOMIA
ECONOMIA
LEY DE SALAS CUNA Y SUS EFECTOS EN LA CONTRATACIÓN
DE MUJERES
Diego Joaquín Escobar Salce
Comisión
José Díaz
Francisco Gallego
Jeanne Lafortune
Rolf Lüders
Matías Tapia
José Tessada
Gert Wagner
Santiago, julio de 2014
LEY DE SALAS CUNA Y SUS EFECTOS EN LA
CONTRATACIÓN DE MUJERES
Diego Escobar Salceú
31 de Julio de 2014
Resumen
La Ley de salas cuna obliga a las firmas que contratan 20 o más mujeres a pagar cuidado infantil
para los hijos de sus trabajadoras, lo que provoca un aumento en el costo de emplear mujeres en tales
empresas. Esto puede producir que una cantidad anormalmente alta de empresas decida contratar menos
de 20 mujeres para evitar el aumento de costos producto de la regulación, lo cual provocaría el fenómeno
denominado bunching. Esto se testea empíricamente usando un método similar a RDD cuyos resultados
muestran que efectivamente existe un quiebre en la distribución de la cantidad de mujeres por firma,
equivalente a un 19 % de disminución en el número de firmas que contrata 20 o más mujeres. Adicionalmente, se estima una distribución contrafactual para evaluar la existencia de bunching específicamente
en 19 mujeres. Ésta arroja que no parece haber una concentración anormalmente alta de firmas que contraten exactamente 19 mujeres. Por lo tanto, la normativa efectivamente estaría produciendo bunching,
pero éste no se concentraría en un punto en particular. Se encuentra también que los efectos varían
fuertemente de acuerdo a la proporción de mujeres dentro de las firmas, la cantidad total de trabajadores
y la amplitud de la cobertura de la normativa. En consecuencia, se concluye que la ley efectivamente
disminuye la contratación de mujeres y provoca que un gran número de firmas decida no contratar más
de 20 mujeres, aun cuando éstas no necesariamente contratan exactamente hasta el punto máximo que
permite evitar la regulación, es decir, 19 mujeres.
ú Trabajo
realizado en el Seminario de Tesis de Magister EH Clio Lab (Conicyt PIA SOC 1102), Instituto de Economía UC.
Me gustaría agradecer a los profesores José Díaz, Francisco Gallego, Rolf Lüders, Matías Tapia, Gert Wagner y especialmente
a Jeanne Lafortune y José Tessada por sus comentarios y aportes en el desarrollo de este trabajo. Errores y omisiones son de
mi exclusiva responsabilidad. Mail: [email protected]
1
Índice
1. Introducción
3
2. Marco legal
7
3. Revisión de literatura
9
4. Marco teórico
11
5. Metodología
20
5.1. Contrafactual Polinómico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
5.2. Regression Discontinuity Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
5.3. Quantile Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
24
6. Datos
25
7. Resultados
28
7.1. Bunching . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
7.1.1. Años 1995 - 2007 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
7.1.2. Efectos de las modificaciones legales . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
7.1.3. Heterogeneidad por sector y tamaño . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
7.2. Variables de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
8. Conclusiones
39
9. Anexos
44
9.A. Estadísticas por N o de mujeres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
9.B. Descripción sectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
9.C. Contrafactual polinómico, bunching en 18 o 19 . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2
1.
Introducción
Existe un gran número de regulaciones basadas en el tamaño de las firmas, ya sea medido a través de su
nivel de utilidad o del número de empleados contratados. En Chile en particular, las empresas que contratan
20 o más mujeres están obligadas, por ley, a pagar cuidado infantil para los hijos de sus trabajadoras.
Específicamente, deben mantener o pagar salas cuna para los hijos menores de 2 años de sus empleadas,
durante las horas de trabajo.
El objetivo de este estudio es entender el impacto de esta ley, denominada Ley de salas cuna, en las
decisiones de contratación de las firmas. Para esto se analizan las posibles consecuencias que esta regulación
podría provocar en la distribución del número de mujeres contratadas por cada empresa. El énfasis está
puesto en el análisis empírico del modo en que la regulación afecta las decisiones de contratación de las
firmas y de la posible presencia de bunching como resultado de esta ley.
Las legislaciones de este tipo se catalogan generalmente como beneficios mandatados. Estos son una solución intermedia entre la provisión gubernamental y la provisión privada, mediante la cual el gobierno ordena
que los empleadores otorguen beneficios a sus trabajadores. De acuerdo a Summers (1989), los argumentos para defender esta clase de políticas están asociados a posibles externalidades relacionadas al bien en
cuestión y a problemas de selección adversa. En tales casos, los beneficios mandatados pueden resultar ser
una alternativa más eficiente que la provisión pública del bien, a la vez que no resultan en una subprovisión
del mismo, como se alcanzaría si existiese exclusivamente suministro privado. En este caso en particular, las
posibles externalidades positivas se relacionan con mejores condiciones de cuidado para los menores. Por otro
lado, la posible ocurrencia de selección adversa se debe a que si existiera provisión privada del bien entonces
las mujeres que desean tener hijos postularían a las empresas que pagan salas cuna. Anticipando esto, las
firmas evitarían contratarlas.
A pesar de lo anterior, como señala Gruber (1994), la eficiencia de estas políticas dependerá de si el
aumento de costos producto del beneficio se logra transmitir al salario de los grupos específicos afectados por
la regulación. En caso de que existan rigideces salariales que impidan dicho ajuste, entonces la medida podría
generar desempleo entre los grupos que se deseaba beneficiar. Sin embargo, considerando que la decisión de
tener hijos en el futuro depende en alguna medida de factores inobservables para las empresas, como lo es
la intención de cada mujer, difícilmente se logra un ajuste completo.
Adicionalmente, esta regulación introduce una distorsión en los costos de contratación entre diferentes
empresas y dentro de una misma empresa, las cuales dependen del número y las características de las
trabajadoras. Esto se refleja en que aquellas firmas con 20 o más mujeres deberán pagar un mayor costo al
contratar mujeres, debido al pago de la sala cuna. Además, al interior de una misma firma, el costo marginal
3
de contratar a la vigésima trabajadora será más alto que el del resto.
Esto último se debe a que al contratar a dicha mujer no sólo se deberá incurrir en un desembolso mayor,
al tener que pagarle servicios de cuidado infantil, sino que conjuntamente se generará una obligación respecto
de los hijos de todas las otras empleadas previas a la número 20. En consecuencia, la decisión de contratación
de las empresas es equivalente a tener que pagar un salario mayor a la mujer número 20 (el aumento esperado
del costo dependerá de la cantidad de hijos y edad de sus trabajadoras, entre otros factores).
Más aún, esta medida genera también una distorsión debido al distinto costo que tiene para cada empresa
la obligación de pagar sala cuna. Esto porque los costos de cumplir con la regulación variarán según las
características específicas de las mujeres contratadas. De este modo, una empresa que contrate más de 20
mujeres podría no tener costos asociados a la sala cuna (por ejemplo, si todas las mujeres ya superaron su
edad fértil), mientras que otra con igual número de trabajadoras podría enfrentar altos costos producto de
las salas cuna si una alta proporción de sus empleadas tiene hijos menores de 2 años.
Como resultado de estas distorsiones, es plausible pensar que existen empresas que, de no existir esta
regulación, decidirían contratar 20 o más mujeres, pero que, sin embargo, contratan hasta un máximo de
19 trabajadoras para evitar el aumento de costos. Luego, empíricamente, debiésemos observar una cantidad
anormalmente alta de empresas que contratan 19 mujeres o menos. Es decir, debería existir bunching o
agrupamiento de firmas que contratan 19 mujeres, por sobre lo esperado en ausencia de la regulación. Sin
embargo, esto dependerá también del grado de sustitución entre los factores de producción, específicamente,
entre mujeres, hombres y capital. En aquellas firmas donde sea más fácil reemplazar mujeres por otros
factores productivos se esperaría que dicho fenómeno sea mayor.
A pesar de que las afirmaciones anteriores parecen ser factibles, este tema no ha sido tratado formal ni
empíricamente (al menos en mi conocimiento del tema). Por ende, no existe evidencia para afirmar o refutar
los posibles efectos adversos o beneficios que podría estar provocando esta ley en Chile.
El modelo teórico desarrollado en la sección 4 indica que las consecuencias de esta medida dependen
principalmente de tres elementos. Primero, del costo esperado por parte de las empresas por concepto de pago
de sala cuna. Como es de esperarse, un costo más alto hace más probable que las empresas deseen contratar
menos de 20 mujeres. Segundo, de la elasticidad de sustitución entre factores productivos. Esto indica que
mientras más posibilidades de sustituir existen, más factible es que se produzca bunching (reemplazando
la contratación de mujeres por hombres o capital). Finalmente, los efectos dependen también del grado en
el cual se logra transmitir el costo del beneficio a los grupos favorecidos. Si los grupos favorecidos por esta
ley asumen indirectamente el costo mediante sus salarios, entonces la posibilidad de bunching será menor,
puesto que en la práctica no sería más costoso contratar mujeres.
4
Para examinar la veracidad de estas predicciones, se estiman los efectos de la normativa sobre la distribución de la cantidad de mujeres por empresa. Para esto se aplica un test que sigue lo desarrollado por Chetty,
Friedman, Olsen y Pistaferri (2011), el cual se usa para analizar la distribución de la cantidad de mujeres
contratadas por cada firma. Este consiste básicamente en estimar una distribución contrafactual mediante
un polinomio, el cual omite la información de los puntos donde se cree que hay bunching. De este modo, se
construye una estimación de la cantidad de empresas que se esperaría que contraten 19 mujeres en ausencia
de la normativa. Luego, ésta se compara con el valor efectivamente observado, para afirmar o desmentir la
existencia de bunching.
En general, este método indica que es posible distinguir un leve bunching puntualmente en 19 mujeres
para las empresas manufactureras incluidas en la Encuesta Nacional Industrial Anual (ENIA), aunque éste no
es estadísticamente significativo. Sin embargo, los resultados manifiestan que tal efecto es de baja magnitud
y disímil entre los diversos sectores y años estudiados. Al estimarlo para los años comprendidos entre 1995
y 2007, se encuentra que hay un 9 % más de firmas que contratan 19 mujeres de lo que habría si no existiera
la Ley de salas cuna. Sin embargo, dicha cifra no es significativa. Pese a esto, se observa que los resultados
tienen el signo predicho por la teoría (es decir, indican la existencia de bunching).
Adicionalmente, se estima la presencia de bunching mediante Regression Discontinuity Design (RDD),
utilizando una aproximación polinómica (esto es necesario dado que la variable de asignación, es decir, la
cantidad de mujeres, es discreta). Este procedimiento indica que existe una discontinuidad en la distribución
de la cantidad de mujeres por firma. En particular, al analizar la totalidad de la muestra, éste indica que
existe una discontinuidad en la distribución de las firmas, equivalente a aproximadamente 19 %. A diferencia
del caso anterior, este procedimiento no examina la existencia de bunching estrictamente en 19 mujeres, sino
que es más general e incluye la posibilidad de que se manifieste conjuntamente en distintos valores menores
a 20.
Junto a lo anterior, se realizan los mismos análisis diferenciando por sectores productivos dentro de la
industria manufacturera y por tamaño de la firma (medido como cantidad de empleados). Esto es relevante
puesto que el nivel de sustitución entre hombres y mujeres varía sustancialmente entre distintas áreas productivas, por lo cual permite tener una idea de cómo reaccionan las firmas con distintas elasticidades de
sustitución. Asimismo, se espera que los efectos varíen de acuerdo al tamaño de las firmas, puesto que las
empresas de mayor tamaño son más fuertemente fiscalizadas y probablemente cumplen en mayor medida
con pagar el cuidado infantil de sus trabajadoras.
Una posible dificultad se genera producto de que en muchos casos las empresas pueden estar declarando números redondeados, similar a lo detectado por Kleven y Waseem (2012). Esto tendría el efecto de
atenuar los resultados. De ser este el caso, entonces las estimaciones obtenidas en esta investigación serían
5
una cota inferior para el nivel de bunching que efectivamente se observa en las empresas (esto porque se
comparan las empresas que contratan 19 mujeres con las que contratan 20, donde este último número estaría
sobrerrepresentado por ser justamente un número redondeado).
Además, es posible que se esté produciendo un cumplimiento imperfecto de lo dictado por la regulación.
De ser así, entonces no necesariamente se debiese generar bunching, incluso si el costo de las salas cuna fuese
muy alto, ya que en la práctica las empresas no estarían pagándolo. Como se observa en el Cuadro 1, la
tasa de cumplimiento no es particularmente alta, considerando especialmente que las empresas que ofrecen
un bono no necesariamente lo hacen por un monto igual al que costaría una sala cuna. Además, se observa
que los niveles de cumplimiento no son muy estables a través del tiempo. Esto podría estar atenuando la
existencia de bunching, lo cual explicaría una menor magnitud de este fenómeno.
Cuadro 1: Cumplimiento Ley de salas cuna
1995
1999
2002
2004
2006
( %)
( %)
( %)
( %)
( %)
Dispone de sala cuna propia
9.3
7.1
8.5
5.6
5.1
Paga los gastos de sala cuna
57.6
43.8
47.2
58.0
69.2
Paga bono a la madre
16.6
20.1
36.8
19.6
14.5
No da ningún beneficio
16.6
24.9
7.3
9.2
9.4
0
4.1
0.2
7.6
1.7
100
100
100
100
100
Otra respuesta
Total
1
Fuente: Dirección del Trabajo.
2
Estos valores corresponden a empresas donde hay 20 o más mujeres y al menos
un hijo menor de 2 años.
En la sección 2 se explica brevemente el marco legal relacionado con el derecho a salas y sus modificaciones.
Luego, en la sección 3 se revisa la literatura y se enfatizan las diferencias que hacen distinto el caso chileno de
situaciones similares estudiadas para otros países. La sección 4 presenta el marco teórico, donde se resaltan
las principales relaciones entre las variables afectadas por esta regulación y las posibles variables de ajuste.
En la sección 5 se explica la metodología utilizada, mientras que en la sección 6 se detallan y describen
los datos. A continuación, en la sección 7 presentan y analizan los resultados. Finalmente, se presentan las
conclusiones en la sección 8.
6
2.
Marco legal
La primera ley que reguló el pago de salas cuna a las empleadas fue promulgada en 1917, exigiendo que
“toda fábrica, taller o establecimiento industrial que ocupe cincuenta o más mujeres mayores de dieciocho
años, deberá disponer de una sala, especialmente acondicionada para recibir en las horas de trabajo a los
hijos de las obreras durante el primer año de edad”.
1
A partir de entonces, la ley ha sido modificada en una serie de oportunidades, disminuyéndose en un
primer momento de 50 a 20 el número de mujeres requeridas2 y posteriormente aumentando el período de
cobertura de 1 a 2 años.
3
Con posterioridad, se han introducido una serie de modificaciones desde 1990, según se puede ver en
el Cuadro 2. Entre éstas, las más relevantes en relación con la industria manufacturera son la de 1998 y
la realizada en 2002. La reforma promulgada en 1998 amplió la cobertura, extendiendo la unidad sobre la
que se mide la cantidad de trabajadoras de “establecimientos” a “empresas”4 (esto es relevante cuando una
empresa tiene varios establecimientos productivos, puesto que «establecimiento» incluye únicamente el lugar
físico en que se encuentra cada una de las plantas de una empresa). Luego, la modificación de 2002 obligó a
instalar salas cuna en establecimientos industriales y de servicios administrados bajo una misma razón social
o personalidad jurídica.
Los dos cambios recién mencionados apuntan en una misma dirección, esto es, aumentar la cantidad
de firmas susceptibles de calificar para esta obligación. De este modo, existen empresas que previo a las
reformas no se veían afectadas por la regulación, pero que a partir de los cambios producidos en 1998 y 2002
deben otorgar beneficios de sala cuna a los hijos de sus empleadas. Luego, aumenta el número de firmas que
podrían desear reducir su contratación de mujeres. Además, adicional al efecto directo que esto pueda tener
en las firmas, es posible que, como suele ocurrir con leyes recientemente promulgadas, los cambios hayan
sido acompañados por aumentos en los niveles de fiscalización (al menos temporalmente).
Como resultado de estas modificaciones, el Código del Trabajo de Chile en su artículo 203 señala actualmente que todas las empresas que ocupan 20 o más trabajadoras deberán tener salas anexas donde las
trabajadoras puedan tener a sus hijos y darles alimento mientras estos sean menores de 2 años. Señala también que igual obligación corresponderá a los centros o complejos comerciales e industriales y de servicios
administrados bajo una misma razón social o personalidad jurídica, cuyos establecimientos ocupen, entre
1 Ley
N¶ 3.186, (1917).
178, (1931).
3 DL 2.200, (1987).
4 De acuerdo al Código Laboral de Chile, «se entiende por empresa toda organización de medios personales, materiales e
2 DFL
inmateriales, ordenados bajo una dirección, para el logro de fines económicos, sociales, culturales o benéficos, dotada de una
individualidad legal determinada».
7
Cuadro 2: Modificaciones legales entre 1990 y 2010
Año
Ley
1993
Ley 19.250
Resumen
Permite, en períodos de vacaciones, el uso de establecimientos
educacionales para ejercer funciones de salas cunas.
1995
Ley 19.408
Modifica artículo 203, amplía obligación de sala cuna a los centros o complejos comerciales administrados bajo una misma razón
social o personalidad jurídica.
1998
Ley 19.591
Modifica artículo 203, sustituye la expresión inicial «los establecimientos» por «las empresas».
2002
Ley 19.824
Obliga a instalar salas cunas en establecimientos industriales y de
servicios administrados bajo una misma razón social o personalidad jurídica.
2007
Ley 20.166
Extiende el derecho de las madres trabajadoras a amamantar a
sus hijos aun cuando no exista sala cuna.
2009
Ley 20.399
Otorga derecho a sala cuna al trabajador/a a quienes, por sentencia judicial, les haya sido confiado el cuidado personal del menor
de dos años. Además al padre, si la madre fallece, salvo que haya
sido privado del cuidado personal por sentencia judicial, y también a los hombres trabajadores que tengan la tuición legal de sus
hijos.
1
Fuente: Dirección del Trabajo.
todos, 20 o más trabajadoras. Esto quiere decir entonces que hay una fracción de las firmas, aquellas que
ocupan 20 o más mujeres, que deberá cubrir los gastos de sala cuna de los hijos de sus empleadas. Por el
contrario, las empresas que contratan hasta 19 mujeres no tienen la obligación legal de incurrir en gasto
alguno relacionado con el pago de salas cuna.
Para cumplir con la normativa las empresas tienen tres opciones. Primero, crear y mantener salas cuna
anexas e independientes de los lugares de trabajo. Segundo, construir o habilitar servicios comunes con otros
establecimientos de la misma área geográfica. Por último, éstas también pueden pagar directamente los gastos
a una sala cuna externa. En la práctica, esta última modalidad es la más utilizada por las empresas.
Cabe mencionar que no se hace distinción de acuerdo al tipo de contrato mantenido entre la empresa y sus
trabajadoras. Por ende, no es relevante si las mujeres son contratadas a plazo definido o indefinido. Asimismo,
8
cuentan de igual modo mujeres contratadas a tiempo completo o parcial. Dado esto, es probable que las
firmas prefieran evitar en mayor medida contratar mujeres a tiempo parcial, imponiendo un obstáculo a la
flexibilidad laboral para las mujeres. Esto es particularmente relevante, considerando que son probablemente
las mujeres quienes más se benefician de este tipo de empleos. Asimismo, como señala Rau (2010), una
segunda razón para que las empresas deseen evitar contratar mujeres a tiempo parcial es que las salas cuna
cobran, en promedio, un valor más alto que el proporcional de la cantidad de tiempo que el hijo está en
la sala cuna (en relación al valor de una jornada completa). Finalmente, con respecto a las trabajadoras
subcontratadas, las firmas no se ven obligadas a pagar sala cuna directamente. Sin embargo, la obligación sí
se genera para la empresa subcontratista, la cual transmitirá el costo a la empresa principal.
3.
Revisión de literatura
El tema de las salas cuna ha sido largamente tratado, tanto por el efecto educacional en los hijos como
por su impacto en la participación laboral de las mujeres. Por una parte, la mayoría de los estudios encuentran efectos positivos en el rendimiento escolar futuro de la educación preescolar, incluyendo las salas cuna
(NICHD (2005), Berlinski et al. (2006), entre otros).
Por el contrario, la evidencia respecto de la participación laboral femenina no es tan clara. Existe una
gran cantidad de estudios realizados en otros países que encuentran efectos positivos de la disponibilidad o
disminución de precio de los centros de educación preescolar. Sin embargo, los estudios realizados en Chile
muestran mayormente un efecto nulo. Así por ejemplo, Encina y Martínez (2009) y Manley y Vásquez (2013)
muestran que un aumento exógeno de la oferta educacional preescolar no tiene efectos sobre la participación
laboral femenina. De este modo, es posible que los efectos de la Ley de salas cuna se den mayoritariamente
por cambios en las decisiones de las empresas y no de las mujeres en el mercado laboral, puesto que estas
últimas parecen no variar su oferta de trabajo ante cambios en la disponibilidad de salas cuna.
Hasta el presente, a mi saber, no se ha realizado ningún estudio formal sobre los efectos de la Ley de salas
cuna en las decisiones de contratación de las empresas. No obstante, se han llevado a cabo investigaciones
relacionadas con regulaciones dependientes del tamaño de las firmas. Éstas son llamadas regulatory tiering,
o regulación por niveles. Brock y Evans (1985) desarrollan un modelo teórico en que los reguladores utilizan
impuestos para reducir externalidades negativas, pero donde existen costos administrativos de recolectar
dichos impuestos. En el modelo existe heterogeneidad en el tamaño de las firmas, lo cual se explica por
diferencias con respecto a la facilidad de acceso a factores como habilidad administrativa. Los autores predicen
en este contexto que, si existen economías de escala en la recaudación de impuestos, pueden resultar Paretosuperior regulaciones por niveles antes que una norma única.
9
Desde un punto de vista empírico, el mayor desarrollo en la literatura de regulatory tiering se ha dado en
relación al efecto de distintas tasas de impuestos, además de regulaciones ambientales y laborales diferenciadas de acuerdo al tamaño de las firmas. Estas últimas resultan de mayor relevancia, puesto que en muchos
casos dichos reglamentos se aplican de acuerdo a la cantidad de trabajadores contratados por las firmas.
En cuanto a estas regulaciones, Becker y Henderson (2000) muestran que regulaciones no uniformes de
las normas ambientales tienden a generar variación en el tamaño de las firmas, alterando la estructura industrial. Por su parte, Gao et al (2009) muestran que, al imponer normas costosas aplicables sólo a firmas de
mayor tamaño, las empresas responden manteniéndose más pequeñas. En particular, éstas invertirían menores cantidades y repartirían mayores dividendos para evitar el crecimiento. Ambas evidencias demuestran
entonces que el tamaño de las firmas es sensible a la presencia de regulatory tiering. De acuerdo a esto,
es posible entonces que las firmas disminuyan el número de mujeres contratadas para evitar estar sujetas
a las regulaciones de la Ley de salas cuna (especialmente aquellas firmas que en ausencia de regulaciones
contratarían levemente por sobre las 20 mujeres).
Desde el punto de vista de la contratación, la mayor parte de las normas relacionadas con el número de
empleados vienen de las llamadas affirmative actions, o discriminación positiva. Éstas consisten en obligar a
las empresas que cumplen ciertos requisitos a contratar una proporción mínima de ciertas minorías o sectores
que se desea ayudar. En cuanto a esto, Carrington et al (2000) y Hahn et al (1999) encuentran que este tipo
de medida tiene claros efectos en la contratación y que los individuos de los grupos beneficiados tienden a
moverse hacia firmas de mayor tamaño, donde rigen las leyes de affirmative actions. De esta forma, es posible
que parte del bunching sea atenuado por el hecho de que las mujeres se muevan hacia firmas con más de 20
trabajadoras, prefiriéndolas por sobre las pequeñas.
Los puntos anteriores se refieren a los efectos de la Ley de salas cuna en cuanto a las posibles distorsiones
del tamaño de las firmas. Sin embargo, parte las consecuencias de esta regulación pasan por la mayor o menor
eficiencia que pueda tener un beneficio mandatado con relación a un impuesto. Como señala Gruber (1994),
la financiación de estos beneficios por parte del gobierno generaría una pérdida neta de bienestar, debido
a las ineficiencias producidas al recaudar los impuestos con que se pagarían. En cambio, si los beneficios
entregados son valorados por quienes los reciben, entonces la pérdida de bienestar producto de los beneficios
mandatados sería menor que las de los impuestos. De hecho, en el límite, si la valoración de los beneficiados es
completa, entonces los salarios disminuirán para contrarrestar el costo mandatado. Por lo tanto, en ausencia
de otras rigideces, no se produciría bunching producto de esta regulación si es que la valoración es completa
(esto puesto que en la práctica no induciría un mayor costo de contratar mujeres).
Pese a lo anterior, Gruber (1994) también señala que esto no será necesariamente cierto justamente
cuando los beneficios son específicos a un grupo demográficamente identificable, como es el caso de las
10
mujeres. Esto se produce porque existen impedimentos a los ajustes en las remuneraciones, como son el
salario mínimo, las reglas internas de las empresas, acuerdos sindicales o leyes de igualdad salarial entre
hombres y mujeres.5 De hecho, en los casos en que no sea posible ajustar los salarios relativos, los beneficios
mandatados producirían grandes ineficiencias, incluso cuando la valoración es completa. De tal modo, este
tipo de rigideces provocarían mayores niveles de bunching independiente de la valoración del beneficio por
parte de las mujeres, pues no permitiría adaptar los salarios pagados para reflejar las verdaderas valoraciones
y costos de contratación.
4.
Marco teórico
En esta sección se desarrolla un modelo teórico para ayudar a entender cuáles son los efectos que se
debiesen esperar de una medida de este tipo. Además, se explica cuáles son las principales variables de ajuste
por parte de las firmas. Los elementos esenciales que incorpora el modelo son tres: las firmas deben incurrir
en un costo adicional si contratan 20 o más mujeres, dicho costo adicional es diferente para cada empresa y,
por último, es posible que una fracción de dicho costo sea transmitido a las mujeres mediante sus salarios.
El primer elemento, esto es, el hecho de que ciertas empresas tengan que pagar para proveer servicios
de salas cuna, implica sin duda un costo para las firmas. Sin embargo, dicha obligación sólo se genera si
es que la empresa efectivamente decide contratar 20 o más mujeres, la cual es una variable manejada por
las empresas. De tal forma, las firmas elegirán la cantidad óptima de mujeres a contratar, considerando que
deberán pagar sala cuna a los hijos de sus trabajadoras si superan cierto umbral. Esto genera dos tipos de
distorsiones.
Primero, a partir de la vigésima mujer, no sólo será relevante la comparación entre la productividad
marginal de ésta y el salario que se le deberá pagar, sino que también deberá considerar el costo de tener
que pagar servicios de sala cuna para los hijos de ésta. Luego, no será cierto que las empresas contratan
hasta un punto en donde todas tienen el mismo costo marginal a menos que el ajuste en los salarios sea
completo. Segundo, cuando una empresa esté justo por debajo del margen (es decir, cuando contrate 19
mujeres), deberá considerar que al contratar una mujer adicional no sólo se generará la obligación de pagar
sala cuna para los hijos de esa mujer en particular, sino también para los de las 19 mujeres contratadas
con anterioridad. Por lo tanto, es posible pensar que muchas firmas intentarán evitar tal aumento de costos
manteniendo las 19 mujeres, lo cual provocaría una concentración anormalmente alta de firmas que contrata
19 mujeres (bunching).
5 La
Ley 20.348 de igualdad salarial entre hombres y mujeres para un mismo trabajo fue promulgada recién en 2009 en Chile,
por lo que no afecta el período analizado. Además, incluso actualmente en que sí está vigente, su grado de cumplimiento parece
no ser muy alto. Por lo tanto, esto no impediría el ajuste de salarios en este caso.
11
En el modelo, las empresas producen de acuerdo a una función de producción con elasticidad de sustitución
constante (CES), donde el grado de sustitución (‡) es un parámetro y puede ser distinto para diversas
empresas. Luego, si llamamos · al costo esperado por trabajadora de proveer servicios de sala cuna, entonces
el problema de minimización de las firmas está dado por:
Y
_
]x1 w1 + x2 w2
si x2 <x̄
min C(x1 , x2 ) =
_
{x1 ,x2 }
[x1 w1 + x2 (w2 + · ) si x2 Ø x̄
‡≠1
‡≠1
(1)
≠—‡
s.a. Y = A[”1 x1 ‡ + ”2 x2 ‡ ] 1≠‡
donde x1 representa la cantidad contratada de hombres y x2 la cantidad de mujeres, mientras que wi
representa los respectivos salarios. Para no complicar innecesariamente el problema, se asume que las firmas
no utilizan capital para producir. Alternativamente, se puede interpretar esta función de producción como
la de una firma con capital fijo, en cuyo caso el nivel de capital estaría incorporado a través de A. De
todas formas, quitar este supuesto complica matemáticamente el problema, pero no cambia los resultados
cualitativamente.
A pesar de que la obligación del pago de salas cuna se genera igualmente para todas las empresas que
contratan 20 o más mujeres, el costo de tal medida no es homogéneo entre las firmas. Esto se debe a que tal
costo depende de cuántos hijos menores de 2 años tengan sus empleadas y de cuántos hijos espera la empresa
que éstas puedan llegar a tener. Así por ejemplo, una empresa que contrata principalmente mujeres de edad
mayor, que no tienen hijos en aquel rango de edad, no verá una gran carga en tener que proveer sala cuna a
sus trabajadoras. En cambio, una empresa que contrata principalmente mujeres jóvenes, que están en edad
fértil, enfrenta un costo considerablemente mayor. Por lo tanto, se considera la posibilidad de que existan
distintos costos como resultado de esta regulación, lo cual se refleja en
· = · (N o hijos menores de 2 años, edad, estado civil, ...),
(2)
es decir, las empresas estiman el costo esperado basadas en las características de las mujeres contratadas.
En este modelo dicho parámetro es exógeno por simplicidad. Aun así, es posible entender dicho costo como
el resultado de un juego donde las mujeres que desean hacer uso de las salas cuna postulan a empresas
que efectivamente pagan el beneficio (claramente, esto dependerá de hasta qué punto el costo de la política
se transfiera a ese grupo mediante salarios). Por el contrario, aquellas mujeres que no están interesadas
en ocupar las salas cuna postularían a trabajos en donde haya menos de 20 mujeres, con tal de no ver
disminuidos sus sueldos (para los casos en que al menos parte del costo es transferido al grupo beneficiado).
Las empresas sólo se pueden basar en factores observables para proyectar el costo esperado, puesto que no
les es posible conocer las verdaderas intenciones de las mujeres sobre tener o no hijos en el futuro.
12
De ser cierto esto, el costo por empresa de proveer sala cuna, en equilibrio, sería posiblemente menor a
lo esperado. Esto porque podría ocurrir que las empresas sin la obligación de pagar salas cuna a los hijos de
sus empleadas estén contratando mayormente mujeres en edad fértil. En cambio, aquellas firmas que se ven
forzadas a proveer salas cuna podrían estar prefiriendo mujeres fuera de dicho rango de edad. Esto debilitaría
la relación entre la cantidad de mujeres contratadas y el costo esperado por la empresa de las salas cuna,
pero aun así sigue siendo cierto que · Ø 0 en equilibrio, debido a la observabilidad imperfecta. De hecho, ·
sólo toma el valor cero si las empresas optan por manejar completamente el tipo de mujeres que contratan
de acuerdo a este tipo de características. Sin embargo, esto es poco esperable, puesto que hay otros factores
que influyen en los procesos de contratación (además, la evidencia empírica no muestra que algo así esté
ocurriendo).
En consecuencia, uno esperaría observar el fenómeno de bunching en empresas cuyas empleadas tengan
una alta probabilidad de tener hijos, puesto que en éstas el costo esperado es mayor. Por ende, sería favorable
para el análisis empírico separar a las empresas de acuerdo a las características de las mujeres que éstas
contratan. Lamentablemente, no existen bases de datos en Chile que reúnan de manera detallada información
tanto de las empresas como de sus empleados.
Otro factor que tiene incidencia en la posibilidad de ocurrencia de bunching son las remuneraciones
pagadas por cada empresa. Esto puesto que en una empresa con menores salarios el pago de sala cuna
representará un aumento proporcionalmente mayor en los costos. Dado esto, esperaríamos encontrar bunching
en empresas que pagan menores salarios y que contratan trabajadoras menos calificadas.
A modo de referencia, según Aedo (2002) el costo promedio de inscribir un niño en una sala cuna era de
$100.000 mensuales (en pesos de 2002), siendo que el salario nominal promedio del mismo año en la industria
manufacturera era aproximadamente $218.000 (según datos del INE, considerando tanto hombres como
mujeres). Adicionalmente, Rau (2010) calcula el costo promedio de una sala cuna para el año 2008 mediante
una encuesta telefónica a 30 establecimientos y encuentra que es $137.438 para una jornada completa (en
pesos de 2008).
Continuando con el modelo, tenemos que una manera de abordar este problema es dividirlo con tal de
encontrar 2 óptimos locales, dependiendo del número de mujeres que contrate la firma. Posteriormente, se
deberán comparar para ver cuál es el óptimo global para cada nivel de producción. Luego, los casos relevantes
son:
Caso A:
min C(x1 , x2 ) = x1 w1 + x2 w2
x1 ,x2
13
(3)
‡≠1
‡≠1
≠—‡
s.a Y = A[”1 x1 ‡ + ”2 x2 ‡ ] 1≠‡
x2 Æ x̄ ≠ ‘
Caso B:
min C(x1 , x2 ) = x1 w1 + x2 (w2 + · )
x1 ,x2
‡≠1
‡≠1
(4)
≠—‡
s.a Y = A[”1 x1 ‡ + ”2 x2 ‡ ] 1≠‡
x2 Ø x̄
Tal como se observa en la ecuación 3, se asume que la máxima cantidad de mujeres que las firmas
pueden contratar sin tener que pagar la sala cuna es x̄ ≠ ‘. Esto cumple el rol de convertir el conjunto de
minimización en un conjunto compacto, con tal de asegurar la existencia de un óptimo. Tal supuesto no
presenta un problema, ya que posteriormente se analizan los resultados para el caso en que ‘ æ 0. Una vez
que se tengan las soluciones de cada problema se buscará el óptimo global, el cual depende del grado de
sustitución entre factores (‡) y el costo de la sala cuna (· ). Primero, si x2 < x̄, el óptimo puede ser una
solución interior, en que se contratan menos de x̄ mujeres, o una solución de esquina, en que se contrata la
máxima cantidad posible que no implique tener que pagar la sala cuna.
Caso A.1: Solución interior con menos de 20 mujeres. De las condiciones de primer orden de x1 y x2 en
igualdad se obtiene:
ˆF (x1 ,x2 )
ˆx1
ˆF (x1 ,x2 )
ˆx2
=
”1 ! x1 " ≠1
w1
‡
=
”2 x2
w2
(5)
Por lo que las demandas condicionadas de factores son:
‡
1 Y 2 —1 1 ” 2‡ Ë
È 1≠‡
i
xi (Y, w1 , w2 ) =
”1‡ w11≠‡ + ”2‡ w21≠‡
A
wi
(6)
Además, la restricción sobre la cual se está maximizando implica que x2 Æ x̄ ≠ ‘, lo cual despejando Y se
puede reescribir como:
Y Æ Ax̄—
1 w 2‡ Ë
2
”1‡ w11≠‡ + ”2‡ w21≠‡
‡
È 1≠‡
”2
Finalmente, la función de costos en este caso será:
1
1 Y 2 —1 Ë
È 1≠‡
C(Y, w1 , w2 ) =
”1‡ w11≠‡ + ”2‡ w21≠‡
A
(7)
(8)
Caso A.2: Solución de borde con x̄ ≠ ‘ mujeres. Las cantidades demandadas de cada insumo se obtienen
directamente, puesto que se conoce la cantidad de mujeres que estaría contratando y la cantidad de hombres
se obtiene por diferencia:
x2 = x̄ ≠ ‘
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
x1 =
≠ ”2 (x̄ ≠ ‘) ‡
”1
A
14
(9)
(10)
Sabemos que esto es válido cuando la cantidad óptima de x2 , en ausencia de restricciones, es mayor o igual
que x̄, lo que implica la restricción opuesta a la obtenida en el caso A.1:
‡
1 w 2‡ Ë
È 1≠‡
2
Y > Ax̄—
”1‡ w11≠‡ + ”2‡ w21≠‡
”2
Finalmente, la función de costos en este caso está dada por:
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
C(Y, w1 , w2 ) = w1
≠ ”2 (x̄ ≠ ‘) ‡
+ w2 (x̄ ≠ ‘)
”1
A
(11)
(12)
Caso B.1: Solución interior con más de 20 mujeres. Nuevamente, de las CPO de x1 y x2 en igualdad se
obtiene:
ˆF (x1 ,x2 )
ˆx1
ˆF (x1 ,x2 )
ˆx2
=
”1 ! x1 " ≠1
w1
‡
=
”2 x2
w2 + ·
de donde se obtienen las demandas condicionadas por factores:
‡
1 Y 2 —1 1 ” 2‡ Ë
È 1≠‡
1
x1 (Y, w1 , w2 , · ) =
”1‡ w11≠‡ + ”2‡ (w2 + · )1≠‡
A
w1
‡
1 Y 2 —1 1 ”
2‡ Ë
È 1≠‡
2
x2 (Y, w1 , w2 , · ) =
”1‡ w11≠‡ + ”2‡ (w2 + · )1≠‡
A
w2 + ·
Al contrario del Caso A.1, la restricción implica que x2 Ø x̄, por lo que se debe cumplir:
‡
1 w + · 2‡ Ë
È 1≠‡
2
Y Ø Ax̄—
”1‡ w11≠‡ + ”2‡ (w2 + · )1≠‡
”2
Por último, la función de costos en este caso será:
1
1 Y 2 —1 Ë
È 1≠‡
C(Y, w1 , w2 , · ) =
”1‡ w11≠‡ + ”2‡ (w2 + · )1≠‡
A
(13)
(14)
(15)
(16)
(17)
Caso B.2: Solución de borde con x̄ mujeres. Las demandas condicionadas de factores son:
x2 = x̄
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
x1 =
≠ ”2 (x̄) ‡
”1
A
(18)
(19)
En oposición al caso anterior, esto es válido sólo si la cantidad óptima de x2 que desearía contratar si no
hubiese restricciones fuese menor que x̄, lo que equivale a:
‡
1 w + · 2‡ Ë
È 1≠‡
2
Y < Ax̄—
”1‡ w11≠‡ + ”2‡ (w2 + · )1≠‡
”2
(20)
La función de costos en este caso es:
C(Y, w1 , w2 , · ) = w1
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
≠ ”2 (x̄) ‡
+ (w2 + · )(x̄)
”1
A
Por simplicidad, se denotan las soluciones de los problemas locales de minimización como:
Y
_
]C 1 si Y Æ ȲA
A
CA (Y, w1 , w2 ) =
_
[C 2 si Y > ȲA
A
15
(21)
(22)
CB (Y, w1 , w2 , · ) =
Y
_
]C 2
B
_
[C 1
B
si Y < ȲB
si Y Ø ȲB
(23)
Bajo esta notación, los términos ȲA y ȲB corresponden a las cantidades donde se activan las restricciones
1
de cada subproblema, donde ȲB Ø ȲA . El costo CA
es aquel al que puede producir la firma contratando
1
estrictamente menos de x̄ mujeres, mientras que CB
es el costo al contratar más de x̄ mujeres, pagando el
2
2
costo · por cada una de ellas. Además, CA
y CB
corresponden a emplear exactamente x̄ ≠ ‘ o x̄ (por lo que
para producir distintas cantidades los ajustes se realizan exclusivamente mediante la cantidad de hombres en
la firma). Además, se normaliza asumiendo que el parámetro de productividad de las mujeres ”2 es igual a 1,
dejando la productividad de los hombres ”1 = ” para representar diferencias de productividad entre ambos
grupos.
Un punto que vale la pena señalar dice relación con el vínculo entre la elasticidad de sustitución y la
proporción entre hombres y mujeres. En los casos de solución interior, la igualdad de tasas marginales de
sustitución implica que
Y1
2‡
_
] ” w2
xú1
w
= 1 1 2‡
_
xú2
[ ” w2 +·
w1
x2 Æ x̄ ≠ ‘
(24)
x2 Ø x̄
Esta ecuación indica que la proporción entre hombres y mujeres que contratan las firmas se relaciona
positivamente con la elasticidad de sustitución si es que la contratación de mujeres es tanto o más costosa
que la de hombres (esto es, si w2 >
w1
” ).
Luego, dado que el ajuste imperfecto de los salarios hace pensar
que efectivamente será más costoso contratar mujeres, es esperable que exista una relación directa entre el
grado de sustitución entre factores (‡) y la proporción de mujeres de cada firma. Asimismo, se dará una
relación similar cuando existan soluciones de esquina, ya que sólo las firmas que pueden sustituir fácilmente
desearán producir contratando exclusivamente hombres en vez de mujeres (esto se muestra a continuación).
Por lo tanto, existe una relación negativa entre la proporción de mujeres en una firma y la elasticidad de
sustitución de factores producto de esta regulación, la cual ocurre cuando el costo del beneficio mandatado
no es completamente internalizado por el grupo beneficiado. Esto se utiliza en las comparaciones empíricas
realizadas en la sección de resultados, donde se separan sectores con mayor y menor proporción de mujeres
para reflejar, en parte, sectores de la industria con distinta elasticidad de sustitución.
Habiendo encontrado los mínimos locales, corresponde ahora encontrar cuál es el óptimo global, es decir,
la combinación óptima de insumos para cada nivel de producción.
Y
_
1
2
_min{CA
, CB
} Y
_
_
]
2
2
CA (Y, w1 , w2 ) = min{CA
, CB
} Y
_
_
_
_
[min{C 2 , C 1 } Y
A
B
16
Matemáticamente, esto corresponde a:
œ (0, ȲA ]
œ (ȲA , ȲB )
œ [ȲB , Œ)
(25)
Donde ȲB Ø ȲA . Aquí se puede observar, entonces, que para cada nivel de producción Y existen dos
combinaciones de factores que se debe comparar. De este modo, el problema de optimización general responde
justamente a dicha pregunta, a saber, cuál de las dos combinaciones produce el mínimo costo. Luego, la
función de mínimo costo del problema general es:
Y
_
1
2
_
min{CA
, CB
}
_
_
]
2
2
C(Y, w1 , w2 ) = min{CA
, CB
}
_
_
_
_
[min{C 2 , C 1 }
A
B
Y œ (0, ȲA ]
Y œ (ȲA , ȲB ]
(26)
Y œ (ȲB , Œ)
Aquí se observa que cuando la empresa desea producir cantidades pequeñas (Y Æ ȲA ), entonces puede
optar por producir con pequeñas cantidades de ambos factores o utilizar exactamente x̄ mujeres y una
1
2
cantidad menor de hombres. Es fácil ver que para un ‘ pequeño se cumplirá que CA
< CB
, lo cual se
muestra más adelante. El segundo caso, donde Y œ (ȲA , ȲB ), compara producir utilizando x2 = x̄ ≠ ‘ contra
producir empleando x2 = x̄ (la diferencia entre ambas para lograr un nivel de producción determinado se
2
logra mediante la contratación de hombres). Al igual que en el caso anterior, CB
siempre será más alto para
valores pequeños de ‘.
Por último, el caso más relevante es el que surge cuando Y Ø ȲB . En este tramo la empresa tiene dos
posibilidades: contratar un máximo de x̄ ≠ ‘ mujeres y variar solamente la cantidad de hombres (ésta es
justamente la solución que implica bunching) o bien asumir el pago del costo · y contratar la cantidad
óptima de cada insumo dados los costos w1 y w2 + · de cada tipo de trabajador.
Tal como se mencionó anteriormente, se analizará el caso donde las firmas pueden reducir la cantidad de
factores que contratan en una cantidad tan pequeña como deseen (‘ æ 0). Esto simplifica la comparación,
además de ser coherente con el hecho de que en el resto del problema la variable x2 toma valores dentro de
un conjunto continuo. Sin embargo, no se puede asumir esto desde un comienzo puesto que el conjunto sobre
el cual se minimiza en el caso A se transformaría en un conjunto abierto, dentro del cual no está asegurada
la existencia de un mínimo. Entonces, tomando los límites cuando ‘ æ 0, se obtiene que los puntos críticos
ȲA y ȲB son:
‡
Ë
È 1≠‡
ȲA © Ax̄— w2‡ ” ‡ w11≠‡ + w21≠‡
‡
Ë
È 1≠‡
ȲB © Ax̄— (w2 + · )‡ ” ‡ w11≠‡ + (w2 + · )1≠‡
17
(27)
(28)
mientras que los costos para cada tramo y tecnología son:
1
1 Y 2 —1 Ë
È 1≠‡
1
CA
©
” ‡ w11≠‡ + w21≠‡
A
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
2
CA © w1
≠ x̄ ‡
+ w2 x̄
”
A
1
1 Y 2 —1 Ë
È 1≠‡
1
CB
©
” ‡ w11≠‡ + (w2 + · )1≠‡
A
≠‡
Ë 1 11 Y 2 ‡≠1
2È 1≠‡
‡≠1
—‡
2
CB © w1
≠ x̄ ‡
+ (w2 + · )(x̄)
”
A
(29)
(30)
(31)
(32)
Luego, debemos encontrar cuáles son los valores mínimos para cada uno de los tramos. Para los dos
1
2
1
2
2
2
primeros casos, es fácil ver que min{CA
, CB
} = CA
y min{CA
, CB
} = CA
para un ‘ pequeño, puesto que
1
2
2
2
CA
≠ CB
< CA
≠ CB
= ≠· x̄ < 0
(33)
de donde se deduce que para producir cantidades pequeñas es óptimo contratar menos de x̄ mujeres, mientras
que para cantidades intermedias las firmas prefieren óptimamente contratar exactamente x̄ ≠ ‘.
Para el último caso, sin embargo, la respuesta es más complicada. La capacidad de la empresa de acomodar
la cantidad de mujeres que contrata dependerá de la capacidad de sustituir mujeres por hombres. De este
modo, en sectores en donde la sustitución sea más fácil se debiese presentar un mayor nivel de bunching,
por cuanto las empresas pueden crecer simplemente reemplazando mujeres por otros factores en su proceso
productivo. En cambio, en el caso contrario, es esperable que las empresas se vean obligadas a contratar
por sobre las 20 mujeres para seguir creciendo y que, por lo tanto, no exista bunching (o que, en caso de
haber, afecte directamente el tamaño de la firma en vez de la proporción hombres-mujeres). Definiendo
2
1
= CA
≠ CB
, tenemos que la optimalidad de usar o no más de x̄ unidades de x2 dependerá del signo de este
término. Con respecto a esto, no es posible obtener una solución analítica de
sin conocer la elasticidad de
sustitución ‡, por lo que no es trivial conocer este signo. Sin embargo, se pueden analizar los casos extremos
en que ‡ æ +Œ (sustitutos perfectos) y ‡ æ 0 (proporciones fijas) para entender el comportamiento de
.
Además, para saber cuál es el efecto de la medida, debemos entender hasta qué punto el aumento de
costos para las empresas es transferido a las mujeres contratadas. Dado que lo relevante es conocer la reacción
por parte de las empresas ante la regulación, se asumirá que los salarios w1 y w2 son exógenos. Esto permite
aislar la discusión con respecto a la valoración de las mujeres por este beneficio, lo cual determina en última
instancia la proporción del costo que es transferido, según señala Gruber (1994). En un extremo, si todo el
costo es asumido por la empresa, entonces si en equilibrio se le paga a cada factor su productividad marginal,
tendríamos que
w1
”
= w2 . De este modo, el costo total pagado por cada mujer contratada sería su salario,
w2 , más el costo de la sala cuna · .
Por el contrario, si el costo es transmitido mediante salarios al grupo beneficiado, entonces tendríamos
que
w1
”
= w2 + · . Generalizando, podemos representar el caso en que parte del costo es asumido por las
18
firmas y el resto traspasado a las beneficiadas. Esto se puede representar como
w1
”
= w2 + (· ≠ „), donde
„ œ [0, · ] es la parte del costo que es asumido por la empresa. En este caso, el salario pagado a las mujeres
en relación al de los hombres es w2 =
w1
”
≠ (· ≠ „). Dado esto, se cumple que:
lı́m
‡æ+Œ
= ≠(· ≠ „)x̄
(34)
De modo que cuando el grado de sustitución es alto, las firmas desearán no contratar más de x̄ mujeres, a
menos que el costo de las salas cuna sea completamente internalizado por éstas (es decir, µ = · , en cuyo
caso la firma estaría indiferente entre ambas opciones). Por el contrario, si el grado de sustitución es bajo,
tendremos que
lı́m
‡æ0
= +Œ si Y > ȲA
(35)
por lo que en este escenario nunca ocurrirá que las firmas decidan óptimamente producir grandes cantidades
del bien contratando menos de x̄ mujeres (de hecho, sería imposible producir más de ȲA contratando tal
cantidad de mujeres).
En consecuencia, vemos que para niveles altos de sustitución (‡), las firmas prefieren no contratar más de
x̄ mujeres, puesto que pueden reemplazar fácilmente la contratación de éstas por la de hombres. Esto ocurrirá
siempre que el costo no sea completamente internalizado por las mujeres. En general, cuando ‡ sea grande
(pero menor a infinito) las empresas decidirán si contratar o no por sobre las x̄ mujeres dependiendo de la
relación entre ‡, w1 , w2 , · y „ (un „ más cercano a · generaría más bunching). De hecho, si
ˆ
ˆ‡
< 0 para todo
punto en el intervalo, entonces existirá un punto crítico ‡
¯ por sobre el cual todas las firmas decidirían sustituir
completamente mujeres por hombres, mientras que aquellas con una elasticidad de sustitución menor a ‡
¯
preferirían contratar ambos tipos de trabajadores.
A diferencia de lo anterior, en los casos extremos de firmas con función de producción de proporciones
fijas, la medida no produciría bunching directamente a través de la combinación óptima de insumos. Sin
embargo, puede influir sobre la maximización de utilidades, ya que el costo · pudiese llevarlas a desear
producir menores cantidades, independiente de estar ocupando la proporción óptima de ambos factores.
Luego, esto no sólo afectaría la cantidad de mujeres en la firma, sino también la cantidad de hombres y de
capital en igual medida. Por ende, si el aumento en costos fuese suficientemente alto, esta medida podría
incluso tener el efecto de impedir el crecimiento de la firma mediante la contratación de otros factores.
Adicionalmente, es posible que otro factor que influya en el costo efectivo de esta normativa sea el
tamaño de la firma. Esto bajo el supuesto de que empresas de distinto tamaño (ya sea medido mediante
ventas o mediante cantidad total de trabajadores) enfrenten diferentes niveles de fiscalización, lo cual es
particularmente relevante dadas las bajas tasas de cumplimiento de esta medida (Cuadro 1). Por lo tanto,
empresas de mayor tamaño, que sean presumiblemente fiscalizadas con mayor frecuencia, verían un mayor
19
aumento efectivo de costos como consecuencia de esta regulación (incluso para un mismo número y tipo de
mujeres contratadas).
Por último, los cambios legales orientados a ampliar el número de empresas afectadas por esta regulación
(como son el de 1998 y 2002) debiesen también aumentar la posibilidad de que exista bunching en torno a
19 mujeres. Por lo tanto, se esperaría que a partir de 2003 el bunching sea mayor que en años anteriores y
que entre 1998 y 2002 sea mayor que entre 1997 y 1995. Esto porque aumenta el número de empresas que se
ven forzadas a pagar salas cuna y porque comúnmente los cambios legales vienen acompañados de aumentos
de fiscalización, al menos en los períodos inmediatamente posteriores.
5.
Metodología
Para poder observar la posible presencia de bunching en la contratación de mujeres, se utilizan dos
métodos alternativos. Primero, se sigue el método desarrollado por Chetty et al. (2011), el cual estima
una densidad contrafactual mediante una aproximación polinómica. Este método también ha sido utilizado
por Kleven y Waseem (2013) y por Ito y Salle (2014) para estimar bunching en la distribución de los
contribuyentes de impuestos y el peso de automóviles, respectivamente. Posteriormente, se utiliza un método
basado en lo propuesto por McCrary (2008), el cual analiza la existencia de manipulación de la variable de
asignación de un tratamiento. Esto último es equivalente a una discontinuidad en la distribución de dicha
variable, por lo cual es aplicable a este caso. Finalmente, se usa Quantile Regression para comparar el ajuste
de las principales variables que pudiesen verse afectadas además de la distribución de las firmas.
5.1.
Contrafactual Polinómico
Este procedimiento consiste en estimar una distribución contrafactual que simula la inexistencia de bunching y luego compara esto con los valores efectivamente observados. Para esto se calcula la distribución
excluyendo el punto en que se presume que puede haber bunching. Siguiendo la notación de Ito y Sallee
(2014), se denomina Cj la cantidad de firmas que contratan j trabajadoras. La estimación de la distribución
contrafactual radica en ajustar un polinomio de orden S en la distribución empírica de Cj , excluyendo los
datos del punto donde puede haber bunching (j = 19). Para esto se estima la regresión:
Cj =
S
ÿ
s=0
—s0 · (wj ) + “ 0 Dk + ‘j
s
(36)
donde —S0 es una estimación inicial del ajuste del polinomio (llamado inicial porque debe ser ajustado, lo cual
se hace a continuación) y Dk es una dummy que toma el valor 1 para los puntos en particular donde se está
20
analizando la presencia de bunching. Por otro lado, wj corresponde a la cantidad de mujeres de cada firma,
formando así los términos del polinomio.
Luego, es posible obtener una estimación inicial de la distribución contrafactual Ĉj0 =
S
q
s
—ˆs0 · (wj ) .
s=0
Entonces, el exceso de firmas que contrata k trabajadoras con relación a la distribución contrafactual estará
dado por B̂ 0 = Ck ≠ Ĉk0 = “ˆk0 . Tal como señalan Chetty et al (2011), este cálculo sobreestima B, puesto que
no toma en consideración que las firmas que generan bunching provienen de otro lugar de la distribución.
Por lo tanto, no se satisface la restricción de que el área bajo la distribución contrafactual debe ser igual
al área bajo la distribución empírica. Para solucionar esto, se desplaza la distribución contrafactual hacia
arriba hasta que satisfaga dicha restricción de integración.
Al ajustar la distribución contrafactual para cumplir esta restricción, a diferencia de lo realizado por
Chetty et al (2011) e Ito y Sallee (2014), no es necesario asumir una distribución de los puntos específicos
de donde provienen las firmas que producen bunching. Esto se debe a que sólo hay un lugar donde puede
existir bunching y, por lo tanto, el ajuste siempre toma la misma forma, independiente de la distribución.
De este modo, se define la distribución contrafactual como los valores ajustados de la siguiente regresión:
Cj + B̂ =
S
ÿ
s=0
—s · (wj ) + ‘j
s
(37)
Luego, al igual que Chetty et al. (2011), se estima la ecuación (37) por iteración, recalculando B̂ con los
ˆ
nuevos valores estimados para —ˆs , hasta encontrar un punto fijo para —.
5.2.
Regression Discontinuity Design
El segundo método se basa en el análisis de regresión discontinua. Según afirma McCrary (2008), el
conocimiento de la variable de asignación del tratamiento puede causar manipulación de ésta por parte de
los agentes. En el caso específico de la Ley de salas cuna, es claro que la variable de asignación, es decir, el
número de mujeres contratadas, es conocido con anterioridad. En este sentido, algunas firmas podrían desear
manejar dicho número contratando una menor cantidad de mujeres y produciendo bunching (puesto que es
suficiente con disminuir la contratación hasta 19 trabajadoras para evitar el tratamiento).
Para este tipo de casos, McCrary (2008) desarrolla un test para evaluar si existe discontinuidad en la
distribución de una variable de interés. La validez del test se mantiene sólo si el manejo de la variable
de interés es completo por parte de aquellos susceptibles de recibir el tratamiento y si la manipulación
es monotónica (es decir, que ocurra siempre en la misma dirección). Para este caso en particular dichos
supuestos se cumplen, puesto que, en efecto, las firmas pueden controlar totalmente la cantidad de mujeres
contratadas y además la manipulación siempre será en la misma dirección (esto es, una disminución en la
21
contratación).
6
Sin embargo, es necesario realizar ajustes a esta metodología. Esto se debe a que el método original
propuesto por McCrary (2008) utiliza local linear regression para la estimación, la cual no tiene buen ajuste
en este caso debido a que la variable de asignación es discreta. Aun así, es posible estimar la discontinuidad
utilizando una aproximación polinómica. Esto equivale a utilizar Regression Discontinuity Design (RDD) con
un ajuste polinómico, el cual ha sido utilizado en otras aplicaciones, como por ejemplo Card y Shore-Sheppard
(2004), Kane (2003) y DiNardo y Lee (2004).
En particular, este método consiste en una regresión de la variable dependiente Y en un polinomio de
orden bajo de una variable X, y un indicador del tratamiento D. En este caso, la variable Y corresponde a la
frecuencia de la cantidad de mujeres contratadas por cada firma (en logaritmo) y la variable X corresponde
al total de mujeres por empresa para cada punto de la frecuencia (centrada en 20 para que el coeficiente de
la variable D indique el tamaño de la discontinuidad). Además, se incluyen potencias de distintos órdenes
de la variable X. Por otra parte, la variable D toma el valor 1 cuando el total de mujeres es mayor o igual
a 20, y cero en los otros casos. Así, el método consiste en utilizar polinomios a cada lado de la presunta
discontinuidad para predecir una variable de interés. Luego, en caso de haber discontinuidad, los valores
predichos van a diferir utilizando información de lados opuestos del umbral.
Dado esto, la regresión a estimar es
Y = – + —D + “X S + ”DX S + ‘
(38)
En la ecuación anterior, — indica el tamaño de la discontinuidad. Por otro lado, X S contiene todos los
términos del polinomio hasta orden S. Estos además se interactúan con la variable dummy indicadora del
tratamiento, de acuerdo a lo sugerido por Lee y Lemieux (2010). Según argumentan estos autores, esto es
relevante puesto que permite que el polinomio tenga pendiente distinta a cada lado del corte. Es necesario
hacer esto porque si no se estarían utilizando puntos de ambos lados de la muestra para estimar el polinomio,
violando la lógica en que se sustenta RDD.
Dado que se requiere ajustar un polinomio a cada lado del punto donde se analiza la discontinuidad, es
necesario elegir el orden óptimo para éste. Un polinomio de grado mayor reduce el sesgo en la estimación,
pero resulta más ineficiente. De acuerdo a Lee y Card (2008), si la forma funcional escogida para el polinomio
es correcta, entonces la inferencia convencional de OLS es apropiada. Esto es porque los errores de ajuste del
polinomio pueden ser asumidos como aleatorios y ortogonales a X. Por lo tanto, la varianza se comportaría
de igual manera para todas las observaciones.
6 Frandsen
(2013) desarrolla un método distinto para analizar bunching, el cual asimila la distribución observada a una
binomial con probabilidad 1/3. Sin embargo, tal método funciona correctamente con distribuciones más planas que las estudiadas
en este caso.
22
Para elegir el orden óptimo de los polinomios utilizados en cada uno de los métodos, se utilizan 3 variantes.
Primero, se realiza un análisis gráfico de la aproximación del polinomio a los datos. Segundo, se utiliza un
test de bondad de ajuste, verificando si la estimación mejora al aumentar el orden del polinomio. Por último,
se utiliza el método de K-Fold, el cual divide la muestra en K secciones; para cada una de estas estima el
polinomio con los datos de las otras k ≠ 1 secciones y luego obtiene el error cuadrático medio de la predicción
usando los datos reales de la sección k. De este modo, el algoritmo indica que conviene elegir el orden del
polinomio que tenga el menor error cuadrático medio (ECM). Al utilizar estos procedimientos se encuentra
que en general los grados apropiados para el polinomio van entre 2 y 5 (como es de esperar, no en todos
los casos coincide lo propuesto por cada método). Por lo tanto, las estimaciones presentadas más adelante
utilizan ambos órdenes para los polinomios.
Es importante señalar que el motivo por el cual se utilizan ambos métodos es que ellos no responden exactamente a la misma pregunta. Si bien ambos buscan identificar la existencia de algún tipo de discontinuidad
en la distribución de la cantidad de mujeres por firma, no es necesariamente el mismo tipo de discontinuidad.
El procedimiento basado en la estimación de un polinomio contrafactual será más preciso para estimar la
presencia de bunching en un punto en particular (en este caso, en 19); esto es, situaciones similares a las
representadas en el panel (a) de la Figura 1. Por el contrario, RDD es más apropiado cuando el quiebre en la
distribución se asemeja al representado en el panel (b) de esta figura. Esto se debe a que el método es más
idóneo cuando el quiebre se produce a partir de un punto y no exclusivamente en un punto. En consecuencia,
esto reflejaría que las empresas estarían evitando contratar sobre las 20 mujeres, pero que no necesariamente
contratan exactamente 19.7
Un posible problema que puede afectar a ambas técnicas de estimación es que la forma funcional no logre
ajustarse completamente a los datos. Esto provocaría que la varianza de los errores pueda ser distinta para
cada valor de la variable de asignación (dependiendo de cómo es el ajuste del polinomio en ese punto en
particular). En el caso tradicional de RDD, en que hay muchas observaciones para cada valor de la variable de
asignación, esto provocaría el equivalente a efectos aleatorios, por lo que los errores estarían correlacionados
intra-grupo a nivel de la variable de asignación. De ser así, se debiese ajustar por clusters. En este caso, en
cambio, sólo se generaría heterocedasticidad, puesto que para cada valor de la variable de asignación sólo
hay un valor de la variable Y , la frecuencia.
Estas estimaciones pueden ser sensibles al rango en el que se estiman las regresiones, por lo que éstas se
realizan utilizando dos rangos distintos de datos. Para cada regresión, se utiliza una especificación con W
datos hacia cada lado de la discontinuidad. Es decir, se usan las empresas que contratan entre 20 ≠ W y
7 En
la práctica, no es que ambos métodos sean totalmente excluyentes, sino que ambos se ven afectados cuando existe
bunching puntual o una discontinuidad como la reflejada por RDD. Sin embargo, las metodologías son más apropiadas para
captar cada uno de los respectivos casos.
23
Figura 1: Tipos de discontinuidad en las distribuciones.
Lo mostrado en el panel (a) de la figura es el tipo de discontinuidad al que mejor se adapta el contrafactual polinómico,
mientras que lo representado en el panel (b) sería capturado más fácilmente por RDD
20 + W mujeres. Los resultados se presentan usando W = 10 y W = 15.
Considerando que ambos métodos son sensibles también a posibles errores de ajuste del polinomio, se
realizan tests de heterocedasticidad para las distintas especificaciones. En estos se observa que al utilizar un
rango pequeño de datos no se puede rechazar la hipótesis nula de homocedasticidad en la mayoría de las
especificaciones. En cambio, si se usa W = 15 entonces se detecta la presencia de heterocedasticidad, lo cual
probablemente se deba a la misma discontinuidad producida cuando la variable de asignación toma el valor
20 (se necesitan polinomios de orden demasiado alto en relación al tamaño de la muestra para evitar esto).
Por consiguiente, se corrigen los errores estándar por heterocedasticidad. Para esto se utiliza Wild Bootstrap, procedimiento desarrollado por Wu (1986) y Liu (1988). En este caso, dado que la muestra es pequeña,
los estimadores asintóticos como el de Eicker-Huber-White (EHW) estarán sesgados hacia abajo, como señalan Imbens y Kolesar (2012). En cambio, Wild Bootstrap tiene mejores propiedades para muestras pequeñas.
Se utiliza la distribución de Radamacher puesto que, según muestra Flachaire (2005), produce mejores resultados que otras especificaciones de bootstrap ante la presencia de heterocedasticidad.
5.3.
Quantile Regression
La distribución de la cantidad de mujeres por firmas no es la única variable que puede verse afectada por
esta ley. Como se explica en la sección 4, una de las posibilidades es que las mujeres efectivamente valoren este
beneficio y que, en ausencia de rigideces, parte del costo se transfiera a mujeres mediante una disminución
de salarios. Con el objeto de examinar la ocurrencia de esto, se analiza si es que existen diferencias en las
remuneraciones pagadas por las empresas a ambos lados de la discontinuidad. Junto a lo anterior, se compara
24
el comportamiento del stock de capital por trabajador. Un cambio particularmente fuerte de esta variable
indicaría que las empresas están sustituyendo mujeres por capital en respuesta al cambio en precios relativos
entre los diferentes lados del umbral.
Para finalizar, se estudia el posible impacto en productividad que pudo tener esta regulación. Para esto
se calcula una medida simple de productividad total de factores (PTF)8 y luego se contrasta siguiendo la
misma lógica anterior. Estas comparaciones se traducen en estimar la siguiente ecuación:
Y = —d20 +
ÿ
”i di + “Controles
(39)
i”=19,20
donde di representa una variable binaria que toma el valor 1 si el total de mujeres es igual a i y 0 en otros
casos. Dado que no se incluye una dummy para las empresas que tienen 19 mujeres, éste será el grupo base
en la estimación, por lo que los coeficientes correspondientes a los otro grupos expresarán las diferencias con
respecto a éste. Por consiguiente, dado que el interés está en comparar aquellas empresas que contratan 19
ˆ La variable Y corresponderá a las
mujeres con las que emplean 20, el coeficiente relevante es el de d20 , —.
remuneraciones por trabajador, el stock de capital per cápita y la productividad total de factores, según sea
el caso.
En relación con esto se debe considerar que, como se muestra en el modelo teórico, los efectos pueden llegar
a ser muy disímiles entre firmas. Por lo tanto, la estimación de los coeficientes recién mencionados podría
esconder una gran diversidad de resultados si se usa simplemente mínimos cuadrados. Luego, para poder
captar estas posibles heterogeneidades, se utiliza el método de Quantile Regression (QR). Este procedimiento
entrega información sobre la relación entre la variable dependiente y los regresores en diferentes puntos de la
distribución condicional de la variable dependiente (es decir, para distintos cuantiles o percentiles). Además,
como señalan Cameron y Trivedi (2009), este enfoque es más robusto ante la presencia de outliers y no hace
supuestos sobre la distribución paramétrica de los errores, lo que hace a este método apropiado para datos
heterocedásticos.
6.
Datos
Los datos utilizados son los provenientes de la Encuesta Nacional Industrial Anual (ENIA) entre los años
1995 y 2007. El estudio se realiza para estos años puesto que este período comprende los 2 mayores cambios
8 Por
simplicidad, se utiliza una función de producción Cobb-Douglas. Resultaría interesante estimar la elasticidad de susti-
tución (‡) de cada firma y obtener la PTF usando una función de producción con elasticidad de sustitución CES para permitir
que ‡ difiera de 1 (como es el caso de la función Cobb-Douglas). Sin embargo, se requerirían datos longitudinales de empresas
y en la ENIA sólo parte de las firmas están presentes en todos los años.
25
legales realizados en la materia.
La encuesta contiene datos a nivel micro de carácter censal de las empresas manufactureras con más de
10 trabajadores. 9 Los datos incluyen, a nivel de establecimiento (unidad económica físicamente delimitada),
los principales datos contables y físicos informados en los campos consignados en el Formulario N¶ 1 de dicha
encuesta. Dados los fines del presente trabajo, se utilizarán los datos relacionados con la cantidad de personas
contratadas (desagregada por sexo), las remuneraciones totales, sector productivo, capital de la empresa y
algunas variables necesarias para obtener la estimación de la productividad.
Como se explicó en el marco legal, la ley no distingue entre distintos tipos de contratación al contar
el número de mujeres que trabajan en la empresa. De este modo, las empleadas de las firmas cuentan de
igual manera, independientemente de si son contratadas part-time, a tiempo completo, subcontratadas, etc.
Sin embargo, los datos existentes en la ENIA no hacen tal diferencia para todos los años en cuestión (en
particular, la encuesta no presenta la información sobre subcontratación para los primeros años considerados).
Por lo tanto, por motivos de comparabilidad, se utilizará como variable dependiente la cantidad de mujeres
contratadas directamente por la empresa. Hacer esto puede provocar error de medición para las empresas
que subcontratan mujeres. Sin embargo, una empresa que intenta controlar el número de mujeres hasta un
número menor a 19 difícilmente preferirá subcontratar si es que desea evitar pagar salas cuna, puesto que
eso le quitaría control sobre la cantidad total de mujeres que trabajan en la empresa.
El Cuadro 3 contiene información para los grupos con menos y más de 20 mujeres. En éste se presenta
información desagregada de acuerdo a años, tamaño de la empresa y de acuerdo a una división construida
según la participación femenina en cada área de la industria (ésta es explicada con más detalle en la sección
de resultados).
Lo primero que llama la atención al analizar esto es la baja cantidad de firmas que ocupan 20 o más
mujeres. Esto implica que son pocas las empresas que están realmente pagando salas cuna a sus empleadas en
el sector industrial (más aún al tener en cuenta que sólo una proporción de esas mujeres tiene efectivamente
hijos menores de 2 años). Respecto de la cantidad promedio de mujeres, por construcción, tenemos que es
claramente menor en el primer grupo. Como es de esperar, también la cantidad de hombres y la cantidad
total de trabajadores son notoriamente más altas en el grupo con más de 20 mujeres. Esto mismo ocurre
para todas las subdivisiones consideradas.
Por el contrario, se puede notar que existe una mayor diversidad en relación con los salarios y el valor
agregado por trabajador, tanto entre grupos como de acuerdo al interior de estos. La sección A del anexo
9 La
encuesta también incluye establecimientos con menos de 10 personas considerados multiunidad. Estos no son considerados
en el análisis porque el número de empleados total no puede ser determinado en estos casos (esto no es relevante ya que de
todas formas estarían distantes del punto en que se analiza la discontinuidad).
26
Cuadro 3: Comparación de medias por grupo según número de mujeres
N o Mujeres
N o Hombres
W/L
VA/L
Obs.
M < 20
M Ø 20
M < 20
M Ø 20
M < 20
M Ø 20
M < 20
M Ø 20
M < 20
1995 - 2007
9.5
26.0
54.9
109.6
5.1
5.6
22.4
29.5
23685
4347
1995 - 1998
9.6
25.9
56.2
101.4
4.0
4.5
16.7
20.8
8064
1621
1999 - 2002
9.5
25.9
52.4
104.7
4.6
5.3
22.4
25.8
7032
1145
2003 - 2007
9.5
26.1
55.8
121.6
6.6
6.9
27.6
41.1
8589
1581
Sector A
9.8
26.2
32.0
66.5
6.1
5.0
19.7
19.3
4523
947
Sector B
9.3
25.8
82.2
203.9
7.2
9.7
36.5
73.7
4066
634
10-100 Trab.
9.2
25.9
25.8
27.8
6.3
4.8
19.0
15.0
7132
922
100+ Trab.
11.5
26.4
201.2
251.8
8.5
9.8
69.5
77.3
1476
663
1
Sectores A y B son construidos en base a áreas con mayor y menor participación femenina, respectivamente
2
W/L corresponde a las remuneraciones anuales promedio por trabajador (incluyendo hombres y mujeres).
3
VA/L es el valor agregado anual por trabajador (aproximación contable).
4
Variables monetarias expresadas en millones de pesos de 2007.
M Ø 20
muestra más información respecto de estas variables, desagregadas de acuerdo al número de trabajadores
por empresa. Con respecto a la definición de los sectores productivos, estos se basan en la catalogación CIIU
Rev. 310 , utilizando los dos primeros dígitos. La definición de estos se presenta en la sección B del anexo.
Un inconveniente que surge al utilizar la ENIA es que ésta no incluye información sobre características
demográficas de las personas ocupadas por cada empresa. Éstas permitirían un análisis más acabado de los
ajustes realizados por las firmas producto de la Ley de salas cuna. Por ejemplo, sería posible observar si es
que las firmas con más de 19 mujeres contratan mujeres de un rango de edad distinto que el resto de las
empresas, o si contratan una mayor cantidad de mujeres sin hijos. Independiente de estas dificultades, los
datos son suficientes como para examinar el ajuste de variables como el stock de capital, las remuneraciones
promedio y la productividad.
En las estimaciones se utilizan exclusivamente las firmas que contratan entre 5 y 35 mujeres (W = 15)
o entre 10 y 30 mujeres (W = 10). Se utilizan ambos rangos como medida de robustez porque los métodos
utilizados pueden ser susceptibles al rango utilizado en la estimación. Sin embargo, no se utilizan rangos más
acotados porque la cantidad de observaciones se torna muy baja para realizar las estimaciones. Asimismo,
no se utilizan rangos más amplios porque se estaría utilizando datos demasiado distantes del punto en que
se está analizando la discontinuidad.
10 Clasificación
Industrial Internacional Uniforme de todas las Actividades Económicas (CIIU), Revisión 3 de Naciones Unidas.
27
7.
Resultados
7.1.
7.1.1.
Bunching
Años 1995 - 2007
Como un acercamiento preliminar, es posible realizar un análisis gráfico de los histogramas. Claramente,
esto tiene el problema de que sólo permite detectar bunching en situaciones en que haya una discontinuidad
fuertemente marcada. Además, no permite cuantificarlo, en los casos en que efectivamente exista. La Figura
2 presenta el histograma de la cantidad de mujeres por empresa de la muestra completa. Según se observa,
no parece muy razonable argumentar la existencia de un número anormalmente alto de firmas que contratan
19 mujeres. Pese a esto, sí pareciera existir un leve cambio en la distribución a partir de 20.
Figura 2: Histograma de la cantidad de mujeres por empresa (1995 - 2007).
Los resultados del primer método, esto es, utilizar un contrafactual polinómico, se presentan en la columna
(1) del Cuadro 4. Aquí se observa que los coeficientes estimados son estables entre las distintas especificaciones, en torno a 0,091 (promedio). Esto se interpreta como un 9 % adicional de firmas que contratan 19
mujeres, al comparar el valor efectivo con el predicho por el polinomio (es decir, el que se esperaría si no
existiera la política).
Tomando en consideración que poco más de 500 firmas de la muestra están contratando 19 mujeres,
según se puede ver en el histograma de la Figura 2, esto equivaldría a cerca de 50 firmas adicionales que
contratan 19 empleadas por sobre lo que la estimación predice. Aun así, los resultados no son significativos,
lo que puede deberse a que el efecto es demasiado pequeño. Sin embargo, también es posible que la causa
sea que se utilizan muy pocos datos, ya que, una vez calculadas las frecuencias, el total de observaciones
28
corresponde a 2 · W + 1 (esto independiente de que tales frecuencias se construyan a partir de una base de
datos con muchas firmas, como la ENIA).
Cuadro 4: Resultados de Contrafactual Polinómico
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
95 - 07
95 - 98
99 - 02
03 - 07
Sector A
Sector B
10-100 Trab.
100+ Trab.
0.086
0.094
0.059
0.106
0.019
0.214
0.127
0.107
(0.082)
(0.085)
(0.067)
(0.103)
(0.050)
(0.198)
(0.123)
(0.116)
0.096
0.115
0.076
0.098
0.039
0.169
0.120
0.061
(0.084)
(0.097)
(0.076)
(0.088)
(0.056)
(0.143)
(0.103)
(0.076)
0.091
0.133
0.036
0.096
-0.019
0.237
0.100
0.119
(0.087)
(0.124)
(0.049)
(0.094)
(0.045)
(0.222)
(0.106)
(0.119)
0.089
0.092
0.057
0.116
0.036
0.217
0.153
0.107
(0.083)
(0.083)
(0.067)
(0.111)
(0.056)
(0.198)
(0.141)
(0.117)
W = 10
Orden 2
D
Orden 5
D
W = 15
Orden 2
D
Orden 5
D
1
Errores estándar de wild bootstrap en paréntesis.
2
Ninguno de los coeficientes es significativo al 5 %.
Aun cuando la teoría predice que el bunching se produce exactamente en 19 mujeres, se realizan las
estimaciones presentadas en el Cuadro 4 permitiendo que el bunching se produzca tanto en 19 como en 18
mujeres. Esto reflejaría que, si bien al contratar 18 mujeres las firmas todavía tienen espacio para aumentar
la contratación femenina sin verse afectadas por la regulación, pueden existir otros factores que les impidan
contratar dicha cantidad exacta (por ejemplo, presiones internas de las trabajadoras de la empresa). Los
resultados de esto se presentan en la sección C del anexo. Estos son similares a los de la estimación anterior,
lo que indica que posiblemente el bunching no necesariamente ocurre en un punto exacto, como sugiere la
teoría (esta similitud se observa al analizar la muestra completa, pero se mantiene para todos los casos).
Lo anteriormente expuesto indica que no es posible aseverar que esté ocurriendo bunching en un número
en particular, al menos al considerar conjuntamente los años entre 1995 y 2007. Más aún, en caso de existir,
29
éste sería de una magnitud muy acotada. Esto no implica necesariamente que la política no esté generando
ningún tipo de distorsiones en las decisiones de las empresas. Específicamente, puede ser que, tal como se
explicó anteriormente, otras variables se estén ajustando por parte de las empresas. Por ejemplo, puede ser
que el costo haya sido transferido a las mujeres mediante salarios o que las características de las mujeres
contratadas difieran entre ambos grupos de firmas. En efecto, esto se estudia en la sección final de los
resultados.
Cuadro 5: Resultados de Regression Discontinuity Design
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
95 - 07
95 - 98
99 - 02
03 - 07
Sector A
Sector B
10-100 Trab.
100+ Trab.
-0.281***
-0.099*
-0.353***
-0.416***
-0.296**
-0.582***
-0.347***
-0.607***
(0.060)
(0.049)
(0.114)
(0.093)
(0.122)
(0.104)
(0.106)
(0.154)
-0.125
-0.198**
-0.0602
-0.101
0.026
-0.243***
-0.088
-0.113
(0.070)
(0.077)
(0.121)
(0.078)
(0.130)
(0.058)
(0.095)
(0.077)
-0.150***
-0.029
-0.185*
-0.250***
-0.176*
-0.340***
-0.356***
-0.206
(0.047)
(0.048)
(0.092)
(0.064)
(0.090)
(0.083)
(0.109)
(0.122)
-0.199***
-0.116**
-0.174
-0.305***
-0.202
-0.419***
-0.254***
-0.353**
(0.052)
(0.051)
(0.102)
(0.098)
(0.133)
(0.104)
(0.083)
(0.131)
W = 10
Orden 2
D
Orden 5
D
W = 15
Orden 2
D
Orden 5
D
1
Errores estándar de wild bootstrap en paréntesis.
2
*** p<0.01, ** p<0.05, * p<0.1
A pesar de lo anterior, el método de regresión discontinua, cuyos resultados se presentan en el Cuadro 5,
sí reporta un quiebre en la distribución de las firmas. En promedio, los resultados indican una disminución
cercana al 19 % en la cantidad de firmas que contratan 20 o más mujeres, esto producto de la Ley de salas
cuna. Los resultados obtenidos bajo este procedimiento presentan mayor sensibilidad al orden elegido para
el polinomio y el rango W utilizado para la estimación, indicando que el efecto va de un 12,5 a un 28,1 %
(3 de las 4 especificaciones indican que tal efecto es significativo al 1 %). Cabe recordar en este punto que
el método basado en el contrafactual polinómico tiene mejores resultados cuando el bunching es puntual, es
decir, cuando existe un único punto de masa afectado por la medida. En cambio, el método de RDD es más
30
apropiado para captar casos en que el bunching implica una discontinuidad en la distribución a partir de
cierto punto, en lugar de exclusivamente en un punto.
Junto a lo anterior, una posible explicación de los resultados es que, en efecto, el costo adicional por
mujer que implica proveer servicios de sala cuna a los hijos de las trabajadoras puede no ser muy alto,
considerando que no todas las mujeres tienen hijos en el rango de edad en que es aplicable la regulación.
Sin embargo, es posible también que esto se deba a que el efecto sea muy disímil entre diversos sectores o
años, por lo que al analizar la muestra completa se confundirían estos resultados. Por lo tanto, se realiza un
análisis diferenciando a través de los distintos años con el fin de determinar posibles cambios provocados por
las modificaciones a la ley, promulgadas en los años 1998 y 2002. Posteriormente, se comparan también los
efectos que la medida puede haber tenido en firmas de distintos sectores o tamaños.
7.1.2.
Efectos de las modificaciones legales
Para analizar si las modificaciones de la regulación realizadas durante este período provocaron algún
cambio, se analiza la información desfragmentada entre 1995-1998, 1999-2002 y 2003-2007.
11
La Figura 3 exhibe los histogramas para los distintos períodos en los paneles (a), (b) y (c). En estos se
puede observar que entre 1995 y 1998 no parece haber una gran discontinuidad en la distribución a partir
de 20. No obstante, la cantidad de firmas que emplea exactamente 19 mujeres parece estar levemente por
sobre los valores adyacentes. Por otro lado, entre 1999 y 2002, período en que ya estaba vigente el primer
cambio regulatorio, se observa un marcado quiebre en la distribución. Extrañamente, parece existir también
un gran número de firmas que contrata precisamente 20 mujeres, lo cual tal vez podría deberse a errores
de medición de los datos (específicamente, que las empresas reporten cifras aproximadas). Por último, entre
los años 2003 y 2007, lo cual se muestra en el panel (c) de dicha figura, la situación parece ser similar a lo
ocurrido en el período inmediatamente anterior.
Al estimar la distribución contrafactual para los diferentes períodos, cuyos resultados se presentan en
las columnas (2), (3) y (4) del Cuadro 4, se observa que los coeficientes no son significativos. Más aun,
no se observa tampoco una clara tendencia en la magnitud de los efectos encontrados. En consecuencia,
los cambios legales realizados, a pesar de provocar que más empresas sean afectadas por la regulación, no
parecen haber influido en la incidencia de bunching en un punto específico. Esto probablemente se deba a que
las modificaciones no fueron de gran magnitud, por lo que no se debiesen esperar tampoco grandes efectos.
Con respecto a la estimación de RDD, se aprecia en las columnas (2), (3) y (4) del Cuadro 5 que la
discontinuidad depende fuertemente del orden del polinomio y el rango W escogido. Pese a esto, se observa
11 El
año en que se realizó cada modificación se agrega al grupo del período anterior, puesto que difícilmente las empresas
pueden ajustar tan rápidamente sus niveles de contratación.
31
Figura 3: Histograma de la cantidad de mujeres por empresa (división por años).
Los paneles (a), (b) y (c) incluyen todas las empresas presentes en los respectivos rangos de
años.
también que 3 de las 4 especificaciones coinciden en que el tamaño de la continuidad va claramente en
aumento (la excepción es la que surge al utilizar un polinomio de orden 5 y W = 10). De hecho, el promedio
de los coeficientes de cada columna es -0.111, -0.193 y -0.268 para los años 1995-1998, 1999-2002 y 2003-2007,
respectivamente. Estas evidencias indican que los cambios legales parecen haber tenido el efecto esperado,
en cuanto a que efectivamente aumentaron la cantidad de firmas que contratan menos de 20 mujeres. Sin
embargo, no es posible atribuir la totalidad de estos cambios a las modificaciones en la Ley de salas cuna,
ya que existieron otros factores durante el período en cuestión que pudieron afectar las distribuciones.
A pesar de lo anterior, la política efectivamente parece haber causado mayores distorsiones en el período
más reciente. Dado esto y considerando también que la legislación imperante en esa fecha es la más similar
a la vigente en la actualidad, en los siguientes análisis se acotará la muestra a tales fechas. De este modo,
sólo se considerarán los años comprendidos entre 2003 y 2007. Así, se podrán distinguir más claramente los
factores que inciden en la ocurrencia de bunching. Por otra parte, los datos de la Encuesta Industrial Anual
(ENIA) son más detallados para estos años, lo que permitirá un análisis más acabado de ciertos elementos.
32
7.1.3.
Heterogeneidad por sector y tamaño
Tal como se explicó en la sección del marco teórico, existen diversos elementos que pueden afectar la
aparición de bunching. Uno de ellos es la elasticidad de sustitución entre factores (‡). En particular, como
se muestra en la ecuación 24 de dicha sección, existe una relación directa entre la capacidad de la firma de
sustituir entre factores en respuesta a un cambio relativo de precios y la proporción de mujeres que éstas
contratan. Esta relación surge porque, al introducir un costo adicional al contratar 20 o más empleadas, las
empresas que pueden sustituir más fácilmente mujeres por hombres responderán disminuyendo en mayor
medida la cantidad de mujeres que ocupan en su proceso productivo.
Para evaluar los efectos de distintos grados de sustitución, entonces, se divide la muestra en 2 subgrupos.
El primero, al cual se le llama sector A, se conforma por los 5 sectores con mayor proporción de mujeres. 12 El
segundo, denominado sector B, por el contrario, agrupa todos los demás sectores.
13
Esta división particular
de la muestra tiene la ventaja además de que el número de firmas que contratan entre 10 y 30 mujeres es
relativamente similar en ambos casos (no así la manera en que se distribuyen las firmas al interior de estos,
la cual es distinta en cada grupo).
Basándose en esta división, la Figura 4 presenta los histogramas para ambos sectores. Como se mencionó
anteriormente, ambos consideran sólo las firmas existentes en los años más recientes. Se aprecia que se
mantiene en cierto grado el patrón observado en el panel (c) de la Figura 3 (que incluye los mismos años
que esta figura, pero sin realizar la división por sectores). No obstante, el quiebre en la distribución parece
ser considerablemente mayor en el sector B, el cual considera empresas que, por las razones mencionadas
anteriormente, presumiblemente tienen una mayor elasticidad de sustitución. De esta manera, se estaría
confirmando una de las predicciones del modelo teórico, en cuanto a que el bunching es mayor cuando la
elasticidad de sustitución es más alta.
Al evaluar la distribución contrafactual para el primer grupo se observa que todos los coeficientes son
muy bajos e incluso negativos (ver columna (5) del Cuadro 4). Esto indica que no se observa una presencia
anormalmente alta de firmas que contratan puntualmente 19 mujeres (de hecho en la misma figura se puede
ver que la cantidad de firmas que emplean 19 mujeres es muy similar a la cantidad que contrata 18 o 20).
Distinto es el caso para el sector B, cuyos resultados se presentan en la columna (6) del mismo cuadro.
Estos muestran en promedio un bunching estimado de 20,9 %; éste varía levemente dependiendo de la especificación. Similares resultados se obtienen para este conjunto de sectores al usar regresión discontinua,
12 Estos
sectores corresponden al 15, 17, 18, 19 y 33 de la clasificación CIIU Rev. 3.
interesante tomar, por ejemplo sólo los 5 sectores con menos participación femenina (para tener la comparación
13 Resultaría
de los extremos). Sin embargo, esto provocaría que la cantidad de firmas con 19 mujeres sea excesivamente baja en ese grupo
como para realizar el análisis.
33
Figura 4: Histograma de la cantidad de mujeres por empresa (división por sectores).
El panel (a) presenta la información de las 5 áreas productivas (según la clasificación CIIU
Rev. 3, 2 dígitos) con mayor participación de mujeres, mientras que el panel (b) contiene
las restantes.
de acuerdo a lo reportado en el Cuadro 5. Si bien en este caso ambos sectores evidencian un salto en la
distribución, este es casi el doble en magnitud en el sector B.
Al comparar estas evidencias, se confirma que claramente el beneficio mandatado impuesto en la Ley
de salas cuna tiene un efecto heterogéneo, tal como predice el modelo teórico. Esto se refleja en que en las
firmas con menor proporción de mujeres el efecto puede llegar a casi 40 % (el promedio de los 4 coeficientes
es 0.396), mientras que en firmas donde la proporción de mujeres es más elevada el efecto es menos de la
mitad. Esta diferencia se puede atribuir a la importancia relativa del trabajo de las mujeres en los respectivos
sectores, lo cual también se reflejaría en distintas elasticidades de sustitución.
Para terminar, se estudia el efecto diferenciando de acuerdo al tamaño de las firmas. Existen diversas
razones por las cuales podrían diferir, pero la más importante en este ámbito es el nivel de fiscalización (que
suele ser mayor en empresas más grandes). Claramente, esto haría pensar en un mayor nivel de bunching
en empresas de mayor tamaño, puesto que el costo efectivo que deberán pagar será más alto. Para dilucidar
esto, se fracciona la muestra dependiendo de si la cantidad total de trabajadores es superior o inferior a 100.
Adicionalmente, dado que la ENIA sólo tiene carácter censal para las firmas con 10 o más trabajadores, se
excluyen las empresas con menos de 10 empleados.
34
Se puede observar en la Figura 5 que en las firmas de menor tamaño (menos de 100 trabajadores) no se
puede apreciar a simple vista la existencia de bunching. En cambio, para en el grupo de firmas con más de
100 trabajadores, el número de empresas que contrata menos de 20 mujeres es considerablemente superior
al del otro lado de la discontinuidad.
Figura 5: Histograma de la cantidad de mujeres por empresa (división por tamaño).
El panel (a) incluye exclusivamente firmas con menos de 100 trabajadores en total, mientras
que el panel (b) presenta sólo aquellas con más de 100 trabajadores.
En las columnas (7) y (8) del Cuadro 4 se puede observar que los coeficientes son relativamente pequeños
y parecidos entre ambos grupos. En el caso de las firmas de menor tamaño, el promedio de los coeficientes
estimados equivale a 12,5 %, mientras que entre las empresas de mayor tamaño éste es 9,9 %. Esta diferencia
es de una magnitud muy menor como para atribuir un comportamiento diferente del bunching puntual en
firmas de distinto tamaño.
Por otro lado, los resultados de estimar el efecto mediante RDD siguen un patrón semejante, en cuanto
a que no hay una discontinuidad que sea claramente mayor que la otra (Cuadro 5). Esto se refleja en que,
en promedio, el coeficiente para las empresas más pequeñas indica un quiebre de 26,1 %, mientras que en las
de mayor tamaño éste es equivale 32 %.
Luego, parece ser que las firmas de mayor tamaño responden más fuertemente a la regulación, pero la
magnitud de esta diferencia no es muy elevada. Lo anterior posiblemente se deba a que las firmas con un
mayor número de trabajadores son más fuertemente fiscalizadas, haciendo que el costo efectivo de pagar salas
35
cuna sea más alto. Alternativamente, se puede pensar que las firmas de mayor tamaño pueden externalizar
más fácilmente ciertos elementos de sus procesos productivos. Esto introduciría una manera adicional de
sustituir la contratación de mujeres, por lo que facilita la ocurrencia de bunching.
7.2.
Variables de ajuste
En las secciones anteriores se muestra que, tal como predice el marco teórico, existe una discontinuidad en
la distribución de la cantidad de mujeres por firma. Sin embargo, tal distribución no es el único elemento que
puede ser afectado por esta ley. Como se explica en la sección 4, es posible que afecte también los salarios de
las mujeres, el nivel de capital o el nivel de productividad de las empresas. Desafortunadamente, las variables
necesarias para calcular el nivel de capital por trabajador y la productividad sólo están disponibles desde
el año 2002. En consecuencia, las estimaciones se realizarán para los años comprendidos entre 2003 y 2007,
ya que coincide con el rango analizado en la sección anterior y con el período en que la ley tiene mayores
alcances.
14
En cuanto a los salarios, las consecuencias dependerán de la proporción del costo que es asumido por
el sector de trabajadoras beneficiadas. En equilibrio, esto dependerá de la valoración de las mujeres por el
beneficio mandatado. En efecto, si es que el costo es mayormente traspasado a las mujeres en edad fértil,
mediante una disminución de sus salarios, entonces la teoría predice que no se debiese generar bunching.
Por el contrario, si el costo de la sala cuna recae en la empresa, entonces sí se produciría bunching. Luego,
dado que los resultados muestran que en la práctica sí se observa un quiebre en la distribución (aunque con
distinta intensidad en los diversos sectores), se debiese observar que el salario no se ajusta completamente.
Una manera de entender el fenómeno anterior surge de la literatura de salarios hedónicos. De acuerdo
a ésta, los trabajadores estarían dispuestos a sacrificar un mayor salario dependiendo de las características
asociadas a cada trabajo. En el caso de las salas cuna, esto equivaldría a que las mujeres estén dispuestas
a recibir un menor sueldo si es que son contratadas por empresas con más de 20 mujeres, puesto que esto
sería compensado por el beneficio de sala cuna. De ser así, entonces el costo total para las empresas por cada
trabajadora podría incluso ser equivalente entre ambos tipos de empresas. En aquellos casos en que ocurra
esto último no se esperaría la presencia de bunching, pero existen rigideces que probablemente impidan tal
ajuste. Además, el ajuste sólo podría ser completo si es que la valoración del beneficio por parte de las
mujeres supera el costo de proveer la sala cuna.
La Figura 6 presenta los resultados de realizar las estimaciones presentadas anteriormente, utilizando el
14 Al
realizar esto mismo diferenciando por sector y tamaño, según lo definido en la sección anterior, los resultados son similares
a los obtenidos para este período. Dado esto, la separación de acuerdo a aquellos elementos no aporta mayor información relevante
y por lo tanto no es incluida.
36
Figura 6: Quantile regression: remuneraciones por trabajador
Intervalos de confianza construidos usando bootstrap.
Unidades expresadas en miles de pesos de 2007.
salario promedio por trabajador como variable dependiente. Ésta presenta la estimación del coeficiente —ˆ
para distintos percentiles, controlando por la cantidad total de trabajadores (esto porque firmas más grandes
podrían pagar, en promedio, mayores salarios). Lamentablemente, no se dispone de datos de los salarios
desagregados por sexo, sino que de las remuneraciones totales, por lo que sólo se obtiene una aproximación.
Sin embargo, es esperable que los salarios de los hombres sean iguales a ambos lados de la discontinuidad,
ya que la ley no afecta el costo de contratar hombres. De ser así, al comparar el salario promedio a ambos
lados del umbral, las diferencias se deberían exclusivamente a variaciones en el salario pagado a las mujeres
(ponderado por la proporción de mujeres de cada firma).
Además, al estimarse para distintos percentiles, se incorpora la posibilidad de que los efectos sean distintos
en empresas con salarios más elevados. Esto permite diferenciar casos en que la sala cuna representa un mayor
o menor porcentaje del salario de las mujeres (el costo de sala cuna es prácticamente el mismo en todos los
tramos, por lo que entre los distintos percentiles sólo varía el salario).
En la figura se observa que no existe una diferencia de salarios estadísticamente significativa (al 5 %) para
ninguno de los percentiles. 15 Esto sugiere entonces que los salarios no se ajustan para traspasar el costo a las
mujeres beneficiadas, lo cual explicaría el por qué efectivamente se encontró bunching. Una causa probable
de esto sería la existencia de rigideces. Alternativamente, si las empresas que deciden contratar 20 o más
15 En
la gráfica se muestra hasta el percentil 0,85 porque los intervalos de confianza crecen mucho a partir de ese punto y
distorsionan la figura, pero los coeficientes no son significativos para los percentiles excluidos
37
mujeres contratan, por ejemplo, a mujeres fuera de su edad fértil, entonces esto podría reflejar simplemente
que el costo para las firmas de esta política es en realidad bajo. Adicionalmente, esto podría reflejar también
que las características de las mujeres contratadas a ambos lados del umbral sean diferentes, por ejemplo
contratando mujeres con mayor capital humano en las empresas con más de 20 mujeres. Lamentablemente,
no se dispone de información para responder tales cuestionamientos.
Por otro lado, con relación al stock de capital por trabajador, se observa en la Figura 7 que éste resulta
ser menor en las firmas que contratan 20 mujeres (en relación con aquellas inmediatamente al otro lado de
la discontinuidad, es decir, aquellas que contratan 19). Además se observa que el coeficiente de OLS indica
un efecto de mayor intensidad, pero eso se debe a que los percentiles más altos distorsionan enormemente la
estimación (existe una gran cantidad de outliers en tales percentiles, los cuales no se incluyen en el gráfico).
Dado que el precio relativo del capital en relación a la contratación de mujeres es más bajo para las firmas
con 20 o más mujeres, se esperaría justamente el efecto contrario, es decir, que sustituyan mujeres por capital
(lo cual las llevaría a tener un mayor nivel de capital por trabajador).
Figura 7: Quantile regression: stock de capital por trabajador (2003 - 2007)
Intervalos de confianza construidos usando bootstrap.
Unidades expresadas en millones de pesos de 2007.
Una explicación de lo encontrado es que las firmas que contratan 19 mujeres utilizan cantidades mayores
de capital para sustituir las mujeres que dejan de contratar. Por el contrario, aquellas firmas con 20 o
más mujeres deben pagar salas cuna a sus empleadas de todas formas, por lo que no se ven beneficiadas
contratando capital en lugar de mujeres. Una solución alternativa está relacionada con la autoselección. Por
ejemplo, puede que las firmas que contratan 20 mujeres a pesar del mayor costo tengan una baja elasticidad
38
de sustitución o que las mujeres en dichas empresas tengan un nivel de productividad muy alto con relación
a los demás factores. En este sentido, se confirmaría lo propuesto por el modelo teórico, en cuanto a la
importancia de la elasticidad de sustitución y la productividad relativa de cada factor.
Por último, se analizan los posibles impactos en productividad. Para esto se calcula una aproximación
simple de la productividad total de factores, tal como se explica en la sección 5. Los resultados se presentan en
la Figura 8, en donde se aprecia que para la mayor parte de los percentiles no hay un efecto significativo en la
productividad. En este se observa, sin embargo, que existen pequeños rangos en los cuales la estimación indica
que las firmas con más de 20 mujeres son más productivas, lo cual nuevamente confirma la autoselección,
puesto que probablemente sean las firmas más productivas aquellas que contratan más mujeres a pesar del
mayor costo asociado. Sin embargo, tales diferencias son de una magnitud menor y están presenten sólo en
algunos percentiles.
Figura 8: Quantile regression: productividad total de factores (2003 - 2007)
Intervalos de confianza construidos usando bootstrap.
8.
Conclusiones
El objeto de este estudio ha sido examinar los impactos de la Ley de salas cuna en la contratación de
mujeres. En particular, se analiza empíricamente la existencia de bunching. Como un elemento adicional, se
miden los efectos de la regulación en los salarios, el capital por trabajador y la productividad de las empresas
afectadas.
39
Tomando en consideración los resultados obtenidos, es posible sostener que la Ley de salas cuna produce
bunching en la contratación de mujeres. No obstante, los efectos no producen mayormente una concentración
de firmas que contratan exactamente 19 mujeres. Aun así, se encuentra que a partir de las 20 mujeres se produce un fuerte quiebre en la distribución de la cantidad de trabajadoras por firma. Esto indica que las firmas
sustituyen mujeres por otros factores productivos como consecuencia del mayor costo que tiene contratar
mujeres. En este punto, se debe recordar que el análisis abarca exclusivamente el sector manufacturero, en
el cual la participación de mujeres es relativamente baja. De este modo, tales efectos pueden llegar a tener
impactos significativos en ciertas áreas donde la contratación es predominantemente femenina.
Las estimaciones indican también que los cambios regulatorios producidos durante los años que abarca el
estudio tuvieron claras consecuencias negativas en la contratación de mujeres, las cuales probablemente no
fueron tomadas en consideración al realizar la legislación. Esto se traduce en que mientras mayor cobertura
tiene la normativa, más se afecta la contratación de mujeres y mayores distorsiones se introducen a la economía. Lo anterior provocaría que los efectos netos sobre el grupo que se pretende beneficiar sean negativos,
generando desempleo.
Por otro lado, la evidencia expuesta muestra heterogeneidad en los efectos de esta ley. En particular,
confirma las predicciones del modelo teórico, según el cual las reacciones de las firmas dependen fuertemente
de la elasticidad de sustitución de factores y de la productividad de las mujeres en cada empresa en particular.
Específicamente, los resultados revelan que entre las firmas con menor proporción de mujeres se exhiben
mayores niveles de bunching. De igual manera, empresas de mayor tamaño también parecen reaccionar más
fuertemente a la regulación, probablemente debido a que pueden externalizar procesos más fácilmente y a
que son más frecuentemente fiscalizadas. De ser esta última la causa, entonces la recomendación de política
sería confusa. Por un lado, forzar cumplimiento del reglamento beneficiaría a muchas mujeres al ser pagada
la sala cuna de sus hijos. Sin embargo, esto también podría provocar que un mayor número de firmas decida
contratar menos mujeres.
Con respecto a los salarios, no se encuentra evidencia de que estos hayan disminuido como consecuencia
de la normativa, aunque esto sólo se analiza parcialmente porque no se dispone de información de salarios
desagregados por sexo. Pese a que esto pareciese ser netamente positivo para las mujeres, también podría
ser la razón por la cual las firmas contratan menos mujeres y se produce bunching, por lo que el efecto en
el bienestar de las mujeres es ambiguo. Respecto a la productividad, no se encuentran efectos significativos,
por lo que ésta parece no verse afectada.
Por estos motivos, resulta evidente que se deben poner en la balanza los efectos de la Ley de salas
cuna. Por un lado, las estimaciones realizadas en esta investigación revelan que efectivamente tiene impactos
negativos en la contratación de mujeres. Sin embargo, pueden existir efectos positivos producto de esta
40
regulación. Por ejemplo, podría estar aumentando la oferta laboral femenina si es que el beneficio de sala
cuna es valorado por ciertos grupos, la cual es clave en el desarrollo de un país. No obstante, la comparación
de tales consideraciones de bienestar escapan al objetivo de este estudio.
Referencias
[1] Aedo, C. (2002). Evaluación Económica de la Prolongación del Postnatal.
[2] Becker, R., & Henderson, V. (2000). Effects of air quality regulations on polluting industries. Journal
of Political Economy, 108(2), 379-421.
[3] Berlinski, S., Galiani, S., & Gertler, P. (2009). The effect of pre-primary education on primary school
performance. Journal of Public Economics, 93(1), 219-234.
[4] Brock, W. A., & Evans, D. S. (2001). The economics of regulatory tiering. Growth Theory, Nonlinear
Dynamics, and Economic Modelling: Scientific Essays of William Allen Brock, 16(3), 215.
[5] Cameron, A. C., & Trivedi, P. K. (2009). Microeconomics using stata. College Station, TX: Stata Press
Publications.
[6] Card, D., & Shore-Sheppard, L. D. (2004). Using discontinuous eligibility rules to identify the effects
of the federal medicaid expansions on low-income children. Review of Economics and Statistics, 86(3),
752-766.
[7] Carrington, W. J., McCue, K., & Pierce, B. (2000). Using establishment size to measure the impact of
title VII and affirmative action. Journal of Human Resources, 503-523.
[8] Chetty, R., Friedman, J. N., Olsen, T., & Pistaferri, L. (2011). Adjustment costs, firm responses, and
micro vs. macro labor supply elasticities: Evidence from Danish tax records. The quarterly journal of
economics, 126(2), 749-804.
[9] Código del Trabajo de Chile.
[10] DiNardo, J., & Lee, D. S. (2004). Economic impacts of new unionization on private sector employers:
1984–2001. The Quarterly Journal of Economics, 119(4), 1383-1441.
[11] Dirección del Trabajo de Chile.
[12] Encina, J., & Martínez, C. (2009). Efecto de una mayor cobertura de salas cuna en la participación
laboral femenina: evidencia de Chile. Universidad de Chile, Facultad de Economía y Negocios. Serie
Documentos de Trabajo SDT, 303.
41
[13] Flachaire, E. (2005). Bootstrapping heteroskedastic regression models: wild bootstrap vs. pairs bootstrap. Computational Statistics & Data Analysis, 49(2), 361-376.
[14] Frandsen, B. R. (2013). Party Bias in Union Representation Elections: Testing for Manipulation in the
Regression Discontinuity Design When the Running Variable is Discrete.
[15] Gao, F., Wu, J. S., & Zimmerman, J. (2009). Unintended Consequences of Granting Small Firms Exemptions from Securities Regulation: Evidence from the Sarbanes?Oxley Act. Journal of Accounting Research, 47(2), 459-506.
[16] Gruber, J. (1994). The incidence of mandated maternity benefits. The American Economic Review,
622-641.
[17] Hahn, J., Todd, P., & Van der Klaauw, W. (1999). Evaluating the effect of an antidiscrimination law
using a regression-discontinuity design (No. w7131). National bureau of economic research.
[18] Imbens, G. W., & Kolesar, M. (2012). Robust standard errors in small samples: some practical advice
(No. w18478). National Bureau of Economic Research.
[19] Instituto Nacional de Estadísticas de Chile (1995-2006). Encuesta Nacional Industrial Anual (ENIA).
[20] Ito, K., & Sallee, J. (2013). The Economics of Attribute-based Regulation: Theory and Evidency from
Fuel Economy Standards. draft paper, Boston University, Boston, November.
[21] Kane, T. J. (2003). A quasi-experimental estimate of the impact of financial aid on college-going (No.
w9703). National Bureau of Economic Research.
[22] Kleven, H. J., & Waseem, M. (2012). Behavioral responses to notches: Evidence from Pakistani tax
records. Unpublished working paper.
[23] Lee, D. S., & Lemieux, T. (2010). Regression discontinuity designs in economics (No. w14723). National
Bureau of Economic Research.
[24] Liu, R. Y. (1988). Bootstrap procedures under some non-iid models. The Annals of Statistics, 16(4),
1696-1708.
[25] Machado, J. A. F., & Silva, J. S. (2005). Quantiles for counts. Journal of the American Statistical
Association, 100(472), 1226-1237.
[26] Manley, J., & Vasquez, F. (2013). Childcare Availability and Female Labor Force Participation: An
Empirical Examination of the Chile Crece Contigo Program (No. 2013-03).
42
[27] NICHD Early Child Care Research Network. (2005). Early child care and children’s development in
the primary grades: Follow-up results from the NICHD study of early child care. American Educational
Research Journal, 537-570.
[28] Rau, T. (2010). El trabajo a tiempo parcial en Chile. Economía chilena, 13(1).
[29] Summers, L. H. (1989). Some simple economics of mandated benefits. The American Economic Review,
177-183.
[30] Wu, C. F. J. (1986). Jackknife, bootstrap and other resampling methods in regression analysis. the
Annals of Statistics, 14(4), 1261-1295.
43
9.
9.A.
Anexos
Estadísticas por N o de mujeres
Cuadro 1: Estadísticas por N o de Mujeres: 1995 - 2007
N o Mujeres
N o Hombres
Total Trab.
Prop. Mujeres
W/L
VA/L
Obs.
5
38.76
43.76
0.22
4.34
16.30
3772
6
40.34
46.34
0.25
4.45
21.53
3279
7
46.88
53.88
0.27
4.70
21.77
2600
8
46.57
54.57
0.31
4.99
24.67
2210
9
50.80
59.80
0.33
4.75
23.34
1919
10
57.32
67.32
0.35
4.90
24.64
1659
11
58.85
69.85
0.36
5.00
26.20
1350
12
61.86
73.86
0.38
4.75
22.45
1311
13
60.71
73.71
0.39
12.91
20.65
1110
14
70.80
84.80
0.39
4.82
24.70
919
15
79.44
94.44
0.38
5.03
23.97
816
16
90.00
106.00
0.36
5.10
24.30
749
17
89.41
106.41
0.37
5.25
29.28
749
18
88.27
106.27
0.38
4.99
23.61
654
19
92.45
111.45
0.37
5.43
25.47
588
20
80.82
100.82
0.40
5.15
20.56
495
21
95.02
116.02
0.39
5.24
29.32
387
22
92.78
114.78
0.40
5.52
36.93
357
23
104.89
127.89
0.41
5.43
26.82
351
24
124.35
148.35
0.37
5.95
26.70
318
25
126.86
151.86
0.38
5.58
22.74
302
26
121.26
147.26
0.40
5.95
27.45
307
27
113.08
140.08
0.39
5.60
29.21
300
28
121.19
149.19
0.42
5.66
42.33
264
29
121.08
150.08
0.41
5.88
24.90
209
30
126.76
156.76
0.43
6.12
35.86
190
31
109.78
140.78
0.44
5.51
26.08
180
32
114.31
146.31
0.45
5.33
27.91
175
33
88.58
121.58
0.47
5.71
42.68
204
34
124.18
158.18
0.43
5.49
29.70
159
35
146.25
181.25
0.42
5.56
36.46
149
1
Se presentan los promedios para las firmas con cada cantidad de mujeres.
2
W/L corresponde a las remuneraciones anuales promedio por trabajador.
3
VA/L es el valor agregado anual por trabajador (aproximación contable).
4
Variables monetarias expresadas en millones de pesos de 2007.
44
9.B.
Descripción sectores
Cuadro 2: Descripción Sectores
División
15
Descripción
Elaboración de productos alimenticios y bebidas; elaboración de productos de tabaco
17
Fabricación de productos textiles
18
Fabricación de prendas de vestir; adobo y tejidos de pieles
19
Curtido y adobo de cueros; fabricación de maletas, bolsos de mano,
artículos de talabartería y guarnicionería, y calzado
20
Producción de madera y fabricación de productos de madera y corcho, excepto muebles; fabricación de artículos de paja y de materiales
trenzables
21
Fabricación de papel y productos de papel
22
Actividades de edición e impresión y de reproducción de grabaciones
23
Fabricación de coque y combustible nuclear
24
Fabricación de sustancias y productos químicos; fabricación de productos de la refinación del petróleo
25
Fabricación de productos de caucho y plástico
26
Fabricación de otros productos minerales no metálicos
27
Fabricación de metales comunes
28
Fabricación de productos elaborados de metal, excepto maquinaria y
equipo
29
Fabricación de maquinaría y equipo n.c.p.
30
Fabricación de maquinaría de oficina, contabilidad e informática
31
Fabricación de maquinaría y aparatos eléctricos n.c.p.
32
Fabricación de equipo y aparatos de radio, televisión y comunicaciones
33
Fabricación de instrumentos médicos, ópticos de precisión y fabricación
de relojes
1
34
Fabricación de vehículos automotores, remolques y semirremolques
35
Fabricación de otros tipos de equipo de transporte
36
Fabricación de muebles; industrias manufactureras n.c.p.
37
Reciclamiento
Clasificación Industrial Internacional Uniforme de todas las Actividades Económicas
(CIIU), Revisión 3 de Naciones Unidas, 2 dígitos.
45
9.C.
Contrafactual polinómico, bunching en 18 o 19
Cuadro 3: Resultados de Contrafactual Polinómico permitiendo bunching en 18 o 19
(1)
(2)
(3)
(4)
(5)
(6)
(7)
(8)
M. Completa
95 - 98
99 - 02
03 - 07
Sector A
Sector B
10-100 Trab.
100+ Trab.
0.096
0.028
0.107
0.157
0.070
0.268
0.148
0.209
(0.061)
(0.049)
(0.079)
(0.099)
(0.069)
(0.157)
(0.099)
(0.143)
0.105*
0.050
0.119
0.148*
0.089
0.217*
0.14*
0.147
(0.059)
(0.060)
(0.077)
(0.072)
(0.067)
(0.102)
(0.072)
(0.092)
0.096
0.071
0.076
0.137
0.025
0.274
0.113
0.209
(0.062)
(0.064)
(0.064)
(0.092)
(0.054)
(0.167)
(0.086)
(0.143)
0.101
0.028
0.107
0.172
0.088
0.279*
0.166
0.225
(0.061)
(0.050)
(0.077)
(0.102)
(0.074)
(0.156)
(0.098)
(0.149)
W = 10
Orden 2
D
Orden 5
D
W = 15
Orden 2
D
Orden 5
D
1
Errores estándar de wild bootstrap en paréntesis.
2
*** p<0.01, ** p<0.05, * p<0.1
46