2.1.- Artículos científicos sobre discriminación salarial de género

Se realizó la revisión de los artículos referidos a la discriminación salarial de la mujer, encontrándose varios artículos de diversos países sobre el tema, que de alguna manera tienen una respuesta a la interrogante de investigación planteada, considerando para ello metodologías propias y llegando a conclusiones diversas, basadas éstas en evidencias que las sostienen. A continuación, la Tabla 1 contiene el resumen de esta literatura revisada, la cual se expone en orden cronológico de publicación:

Estos artículos fueron revisados en forma detallada con el objeto de conocer las bases teóricas que consultaron, las metodologías utilizadas en cada caso, las bases de datos que sirvieron al propósito, las conclusiones a las cuales se arribaron, y principalmente las evidencias que sostuvieron las mismas.

En el trabajo de Bucheli y Sanroman ^[9], se utilizaron regresiones cuantílicas para realizar el análisis, utilizando datos de la Encuesta Continua de Hogares (ECH) relevada por el Instituto Nacional de Estadística (INE) de Uruguay en el año 2002. Este artículo muestra que la brecha salarial observada entre hombres y mujeres se mantiene estable en el periodo analizado. Estas brechas fueron mayores para los percentiles superiores que para los tramos inferiores, sugiriendo la existencia de un "techo de cristal" para las mujeres en el Uruguay. Todo ello evidenciado mediante regresiones cuantílicas y comparaciones de salarios con y sin discriminación.

También, en el trabajo de Chavez y Rios ^[10], se realizó la estimación de un modelo “Probit” que permitió determinar el nivel de discriminación laboral hacia las mujeres mediante el cálculo de las probabilidades, realizando el estudio en siete áreas metropolitanas de Colombia en el periodo 1984-2010, concluyendo que se cumple el “Efecto Techo de Cristal”, ya que sí existe una barrera invisible que impide que la mujer acceda a cargos directivos explicada por variables subjetivas para el empleador, pues estos están dispuestos a que ellas ejerzan cargos bajos y medios. En este caso se evidencia la conclusión arribada por medio de un modelo “Probit”.

El artículo de Araújo Freitas ^[11], que utilizó como metodología las regresiones cuantílicas, regresiones por mínimos cuadrados, ecuaciones basadas en la ecuación de Mincer y análisis contrafactual, tomó la base de datos del Instituto del Milenio de México (2008), arribando a la conclusión que, manteniendo los atributos intervinientes constantes, las mujeres ganaron en el año 2008, 55% del salario de los hombres. Podemos afirmar que la diferencia salarial de género no puede ser atribuida a la escolaridad, siendo el capital social que se evidenció como más relevante para las mujeres, teniendo en cuenta que aquellas que participaron de asociaciones, colegios profesionales y sindicatos, ganaron más del doble que aquellas que no participaron. La evidencia que respalda las conclusiones arribadas son los métodos estadísticos mencionados.

En el trabajo de Melle Hernández ^[12], se emplearon bases de datos de informes, estadísticas, normas y controles, hizo la revisión de normas y los controles a su cumplimiento a nivel internacional, para concluir que, de hecho, a nivel internacional la diferencia de sueldos entre mujeres y hombres se mantiene en todos los niveles de formación, incluso se ensancha entre las personas con más formación. La evidencia en este trabajo son los datos de informes, estadísticas, normas y controles.

Cadena Vaca ^[13], realizó un análisis de las regresiones y de la brecha salarial tanto a nivel general, por departamento y por tamaño de las empresas utilizando para ello la encuesta de hogares 2018 del Instituto Nacional de Estadística (INE) de Bolivia, y comprueba la existencia de discriminación salarial por género a nivel global del eje central del país, por departamento (Santa Cruz, La Paz y Cochabamba), y por tamaño de empresa del sector privado del área urbana. La comprobación la realizó por medio de regresiones estadísticas.

El trabajo de Vela Meléndez et.al. ^[14], con el análisis bibliométrico en la primera etapa y una revisión analítica de la literatura más relevante sobre el fenómeno en la segunda etapa. Según la base de datos de Scopus el tema es tratado desde el año 1993, pero desde el año 2002 ha existido mayor interés por los investigadores, las publicaciones fundamentalmente se realizan como artículos originales, capítulos de libros y revisiones, llegándose a la conclusión que, en la explicación del fenómeno coexisten visiones clásicas ortodoxas que se respaldan en la teoría de las preferencias y el individualismo y, una visión heterodoxa denominada del aprovisionamiento social. Las evidencias sobre la existencia de la discriminación se encuentran en el presente trabajo en modelos teóricos como el “suelo pegajoso” y el “techo de cristal” y la convergencia de varios autores en la valoración estadística.

De igual forma el artículo de Sánchez Cañar et. al. ^[15], realiza una investigación aplicada, documental y descriptiva de los datos sobre discriminación del Instituto Nacional de Estadísticas y Censos del Ecuador (2019), así como datos de la Encuesta Nacional de Empleo, Desempleo y Subempleo, extrayendo como conclusión que el fenómeno no tiene una estructura definida para comprender la situación en Ecuador, y que las acciones implementadas por grupos y organizaciones que respaldan los derechos de las mujeres han logrado que desde el 2007 al 2019 la discriminación salarial se reduzca alrededor de 46%. Se evidencian los resultados del trabajo en los datos del Instituto Nacional de Estadísticas y Censos del Ecuador (2019).

Por su parte el trabajo de Urquidi et. al. ^[16], utiliza la Descomposición Blinder y Oaxaca y la Descomposición de Ñopo aplicados a datos de la Encuesta Integrada de Hogares de 1993, y, posteriormente para 1999, 2006, 2013 y 2018 a datos de las Encuestas de Hogares del Instituto Nacional de Estadística (INE) de Bolivia, en el cual, como conclusiones, Blinder-Oaxaca muestran una reducción de 32% de la brecha de ingresos en 1993 a 7% el 2018 y la Descomposición Ñopo muestra una reducción en la brecha de 43% a 7% en el mismo período. Como evidencia de la existencia de la discriminación salarial de género en este artículo se tiene una paramétrica: la Descomposición Blinder-Oaxaca, y, otra no paramétrica: la Descomposición Ñopo.

El trabajo de Garbay Flores y Barrera Sardán ^[6], basándose en la transformación de la regresión cuantílica original bajo un análisis de sesgo de autoselección en la media, con presencia de heteroscedasticidad propuesta por los autores Chen y Khan (2003), metodología aplicada a encuestas de hogares realizadas por el Instituto Nacional de Estadística de Bolivia (INE) desde el año 2011 hasta el 2019, evidencia una brecha superior en los quintiles más bajos de la distribución, revelando la presencia de “suelos pegajosos”. Esta brecha se reduce a medida que se transita a la parte media y la parte alta de la distribución, donde se observan retribuciones mucho más similares entre hombres y mujeres, lo cual descarta la presencia de “techos de cristal”. La evidencia sobre la brecha salarial de género se encuentra en los resultados de la regresión cuantílica, la cual representa una prueba matemática estadística de la existencia de discriminación salarial hacia las mujeres.

En el trabajo de Salazar et. al. ^[2], se utiliza el modelo logit de selección binaria, así como el cálculo de los efectos marginales de las variables independientes seleccionadas sobre la variable de “mala calidad del empleo”, aplicado a los datos de las Encuestas de Hogares del Instituto Nacional de Estadística (INE) de Bolivia de las gestiones 2011 a 2021, divididos en un periodo de prepandemia (2011-2019) y un periodo de pandemia (2020-2021), llegando a establecer en promedio, que si el individuo tiene un contrato de trabajo como personal de planta disminuye en 40.94 % la probabilidad de contar con un empleo de mala calidad para el periodo prepandemia (2011-2019), mientras que para el periodo de pandemia (2020-2021) no se cuenta en las encuestas de Hogares de estos años con una variable que se asocie a los contratos de trabajo; por otro lado no aportar a las AFPs² aumenta en 20.93 % la probabilidad de tener un empleo de mala calidad para el periodo 2011-2019, y en 22.11% para el periodo 2020-2021 , la condición de ser mujer aumenta en 4.71% la probabilidad de contar con un empleo de mala calidad para el periodo 2011-2019, y disminuye en 3.50 % la probabilidad de contar con un empleo de mala calidad para el periodo 2020-2021. Como evidencia de la existencia de la discriminación de género en este artículo se tienen los efectos marginales de la variable género sobre la calidad del empleo del modelo logit de selección binaria.

Habiendo analizado todos los trabajos, y, principalmente los que mejor se alinean con los objetivos de la presente investigación, se ha visto por conveniente primero: utilizar las Encuestas de Hogares como base de datos para la presente investigación, a lo largo del periodo 2011 a 2021, tomando en cuenta que esta base de datos se encuentra disponible en forma anual y es la que se adapta de forma adecuada al análisis que se plantea. Segundo: el modelo logit utilizado en el trabajo de Salazar et.al. ^[2], fue seleccionado como el modelo de regresión que se utilizará para el tratamiento de los datos disponibles y la obtención de conclusiones importantes, ello debido a que con el mismo modelo con el que se pudo descubrir que existe discriminación de la mujer en la calidad del empleo, se podrá profundizar el análisis de la variable “sexo”, referida en adelante como “género”, con relación a la dimensión de ingresos. Tercero: se utilizó complementariamente la metodología de Oaxaca- Blinder para realizar el análisis de la brecha salarial por género y su descomposición a lo largo del periodo considerado, en la búsqueda de una respuesta a la pregunta de investigación planteada.

2.2. Discriminación salarial hacia las mujeres

“La discriminación salarial acontece cuando un individuo con similares características a otro, y que solo difiere en sexo, religión u otras características, recibe menor salario por razones inexplicables distintas al desempeño en su trabajo”, como menciona Mónica Vaca en su artículo ^[13].

El impacto de esas diferencias salariales sobre las mujeres, según Melle Hernández ^[12], es que obtienen menos ingresos a lo largo de sus vidas, lo que conduce a pensiones más bajas y a un mayor riesgo de pobreza en la tercera edad.

El derecho fundamental a la igualdad de remuneración por género es reconocido, como menciona Garbay Flores y Barrera Sardan ^[6], desde 1919 por la Organización Internacional del Trabajo y es uno de los Objetivos de Desarrollo Sostenible (ODS) adoptados en 2015.

El Convenio 100 de la OIT de 1951, relativo a la igualdad de remuneración entre la mano de obra masculina y la mano de obra femenina por un trabajo de igual valor, recoge por primera vez en un texto normativo, como cita Melle Hernández ^[12] , la igualdad salarial entre mujeres y hombres, e introduce el concepto de trabajo de igual valor.

En los EE.UU. desde la Ley “Equal Pay” de 1963 firmada por el presidente John F. Kennedy es ilegal pagar a hombres y mujeres diferentes salarios por el mismo trabajo, según aclaración de Melle Hernández ^[12].

Algunos países europeos, aclara Melle Hernández ^[12], como Francia (en 1946), Alemania (en 1949) y Polonia (en 1952), incorporaron ese principio de igual salario por igual trabajo en sus propias constituciones, antes de la fundación de la Unión Europea (UE). Cuando la Comunidad Económica Europea, después la UE, fue fundada en 1957, este principio pasó a ser uno de los fundamentales del Tratado de Roma, desarrollado posteriormente en varias Directivas (75/117/EEC y 2006/54/EC).

Siguiendo el artículo de Melle Hernández ^[12], las mujeres ganan de media un 20% menos que los hombres. Si continúan las tendencias actuales esta brecha salarial tardará en cerrarse 170 años.

La discriminación salarial corresponde al resultado de una mayor explotación salarial y desigualdad en el trabajo que experimentan las mujeres, según Blasco ^[17], desde su ingreso al mercado laboral y durante toda su trayectoria, que tiene como origen en las desigualdades sociales, la cultura, la educación y, las tareas como el cuidado de los hijos o de algún familiar, lo que desarrollan a lo largo de toda su vida.

Las brechas salariales por género han sido extensamente estudiadas para saber si las diferencias en la distribución de los ingresos pueden ser explicadas por características observables o características no observables; las primeras están relacionadas a diferencias en productividad, nivel educativo, experiencia u otros factores. Dentro de los factores observables se encuentran: (i) el número de horas dedicadas al trabajo laboral por las mujeres, (ii) diferencias en los niveles de educación y de experiencia laboral y (iii) el tipo de sector y de ocupación laboral. Por otra parte, los factores no observables son aquéllos que no se capturan en los modelos debido a que su medición es dificultosa o su disponibilidad en los datos son escasas; éstos engloban factores como características no cognitivas, variables de posición laboral, variables institucionales y la discriminación salarial por sexo o raza, como lo mencionan Garbay Flores y Barrera Sardan en su artículo^[6].

En lo que se refiere a la brecha de ingresos, según Becker ^[18], la literatura ha tratado de distinguir la brecha de ingresos referente a las diferencias en características individuales y dotación de capital humano, de aquella no explicada y mayormente relacionada a prejuicios de género o discriminación.

Al respecto, se encuentra en el artículo de Urquidi et al. ^[16], evidencia de una importante reducción en la brecha de ingreso por género en el periodo observado de 1993 a 2018 en Bolivia; esta reducción se explica tanto por la reducción de diferencias en las características observables que afectan el mercado laboral, principalmente educación y el impacto de las características familiares respecto del acceso al empleo. El segundo componente que explica la reducción de la brecha se debe a la reducción del componente no explicado de la brecha, que se asume generalmente como discriminación.

En cuanto a los factores que se pueden identificar se encuentran lo que se ha dado en denominar capital humano, capital cultural y capital social.

El capital humano descrito por Schultz ^[19], se divide entre escolaridad, experiencia y salud. Los individuos más escolarizados tenderían a ser más disciplinados y productivos, por lo que recibirían mejores salarios; por su parte Pierre Bourdieu ^[20], defiende una posición distinta en relación con el abordaje del capital humano. Asimismo, lo que se llamó capital cultural se refiere, en realidad, a una serie de características adquiridas o heredadas de los padres, como la escolaridad, el contacto con los libros y con la “cultura legítima” de las sociedades, lo que hace que algunos individuos tengan un mejor desempeño escolar por haber heredado de sus padres esta forma de capital.

El capital social, medido por la participación en asociaciones y colegios profesionales, se mostró significativo para las posibilidades de obtener un cargo gerencial, así lo menciona Helal et al.^[21], operacionalizando el capital social a partir de variables empíricas que indican la participación de los individuos en grupos y asociaciones. Los estudios muestran que este capital tiene una correlación positiva con el ingreso, considerando que las personas afiliadas ganan en promedio más que los no afiliados.

Existen dos fenómenos o efectos, según Garbay Flores y Barrera Sardán ^[6], que pueden llegar a explicar las brechas de ingresos laborales a lo largo de la distribución de ingresos. Estos efectos son los denominados: “suelos pegajosos” y “techos de cristal”, ambos conocidos en la literatura por limitar de diferentes maneras a las mujeres en ambos extremos de la distribución de ingresos por la condición de ser mujeres.

La primera, mencionada por Guy ^[7], se refiere a un escenario donde las mujeres se encuentran en trabajos de menor nivel, como si estuviesen atascadas y con barreras para lograr una movilidad laboral. Mientras que los “techos de cristal”, mencionados por Garbay Flores y Barrera Sardan ^[6], se entienden como la presencia de barreras no observables que limitan el progreso laboral de las mujeres con altas dotaciones (educación, experiencia, etc.) en la parte más alta de la distribución de ingresos laborales.

La parte no explicada de la brecha salarial por género se denomina propiamente “discriminación” y existen algunas teorías que tratan de explicarla.

La “teoría del gusto por la discriminación”, desarrollada por Becker ^[22], el año 1957, puntualmente su libro “The economics of Discrimination” muestra los efectos económicos que tiene la discriminación en el mercado de trabajo debido a raza, religión, sexo, color, clase social, la personalidad, o de otras consideraciones de moral, demostrando que la discriminación en el mercado laboral hacia cualquier grupo considerado minoritario reduce sus ingresos reales.

McConell ^[23], muestra que según Becker los empresarios varones con prejuicios tienen “gustos por la discriminación” y se comportan como sí la contratación de mujeres les impusiera costes subjetivos o psíquicos.

Ahora bien, si la estructura del mercado laboral es competitiva, según Chavez y Rios ^[10], la brecha salarial producida por este tipo de discriminación tiende a desaparecer con el tiempo, debido a que la competencia termina sacando del mercado a los empresarios que discriminan, produciendo así equidad en los salarios.

También, Guataquí et al.^[24], indica la idea general de la “teoría de la discriminación estadística”, según la cual los empresarios toman como punto de referencia las características promedio de los distintos grupos y no las individuales.

Como medidas tomadas en los diferentes países contra la discriminación, según expone el artículo de Sanchez Cañar et al.^[15], se observa que, en los países de mayor movilidad económica como los europeos, la brecha de género está disminuyendo de manera progresiva, aplicándose los mecanismos propuestos por los gobiernos y los planes de acción que la Comisión Europea ha dotado para la regulación de las contrataciones y el discernimiento de los puestos de trabajo. Los objetivos de los planes son varios, pero destacan la creación de plazas laborales mediante la innovación tecnológica garantizando la inserción laboral de la mujer.

En los países de América Latina, la situación varía en ciertos factores, ya que la conservación de los roles se mantiene y la mujer no posee apertura suficiente de desarrollo profesional al mantenerse ocupada en labores del hogar y cuidado familiar, sin embargo, la situación legislativa garantiza la inserción laboral y promulga el respeto al derecho de reproducción sin afectar sus puestos de trabajo.

3.1. Modelo Logit de elección binaria

En el artículo de Salazar et. al. ^[2], se eligió el modelo logit de elección binaria en el cual la variable dependiente “mala calidad de empleo” es una variable aleatoria que toma valores de 0 (cero) o 1(uno) porque se estudió solo con dos alternativas excluyentes entre sí, el cual es una alternativa para medir la probabilidad de un suceso, clasificando el mismo dentro de los modelos de elección discreta, los cuales tratan de explicar el comportamiento de una variable cualitativa en función de otras variables cualitativas y cuantitativas incluyendo una variable de perturbación aleatoria que recoge las desviaciones que los agentes tienen respecto a lo que sería el comportamiento del agente medio como lo menciona Alamilla y Arauco ^[27].

La idea del planteamiento del modelo logit consiste en obligar a que las predicciones del modelo se encuentren comprendidas entre [0,1] de acuerdo con el mencionado artículo ^[2].

3.2. Metodología Oaxaca- Blinder

El método Blinder-Oaxaca utiliza ecuaciones de salario del tipo Mincer para dividir la diferencia de ingresos laborales en dos grupos, uno que se puede “explicar” por diferencias grupales y características productivas como la educación o la experiencia laboral y un segundo componente residual, no explicado, generalmente asociado a discriminación, según Jann, ^[28].

3.3. Variable dependiente

Se tomó como variable dependiente a explicar en Salazar et. al. ^[2], y, en la primera parte del presente trabajo la variable dicotómica: “Mala calidad de empleo”, la cual tendrá el valor 1 (uno) cuando se trate de “Si”, y el valor 0 (cero) cuando el individuo “No” tenga baja calidad de empleo.

Es preciso considerar que la variable dicotómica “Mala Calidad” proviene de un cálculo que tiene como componentes el total de las dimensiones consideradas para construir el índice multidimensional de calidad del empleo (IMCE) según el artículo de Salazar ^[1], así como las respectivas ponderaciones asignadas a cada una, con objeto de determinar con ello el “puntaje de privación” de cada observación y determinar si este puntaje llega o no al umbral denominado como “línea de mala calidad del empleo” que por decisión normativa se fijó en 50%, así en caso de llegar o sobrepasar esta línea tendrá “Mala Calidad”, en el otro caso no será así.

En la segunda parte y, para analizar los efectos marginales de la variable “genero” sobre las dimensiones del índice de calidad del empleo se tomó como variable dependiente cada una de las dimensiones que componen el índice.

Finalmente se utilizó como variable dependiente para calcular y descomponer la brecha salarial usando la metodología Oaxaca- Blinder, el logaritmo del salario promedio, tanto de varones como de mujeres.

3.4. Variables independientes

En el artículo de Salazar et. al. ^[2], y, en parte del presente trabajo se consideran como variables independientes aquellas seleccionadas y utilizadas con más frecuencia en los artículos consultados como bibliografía, para llegar a trabajar con las siguientes: edad, años de estudio, horas de trabajo a la semana³, sexo, tiene AFP⁴ (si o no), sector económico, contrato o relación contractual, tamaño de la empresa (número de empleados) y departamento de Bolivia donde ejercer su actividad laboral.

Con objeto de realizar el análisis de la brecha salarial y su descomposición con la metodología de Oaxaca- Blinder se tomaron como variables independientes las utilizadas en el trabajo de Cadena Vaca ^[13], siendo estas variables explicativas: los años de estudio, la experiencia, calculada como edad menos años de estudio menos seis (años de iniciación), el cuadrado de la experiencia, hasta este punto se consideran las variables de la ecuación de Mincer, además se consideraron como otros factores que explican el salario: al estado civil, dado en varias categorías: soltero, casado, concubino, separado, divorciado y viudo; a la actividad económica categorizada en industria manufacturera, construcción, ventas por mayor y menor, alojamiento y servicio de comida, intermediación financiera y seguros, actividades de servicio administrativo y servicio de educación, adicionalmente se consideraron las horas trabajadas por semana.

3.5. Modelo Conceptual

Es posible resumir el modelo teórico conceptual del presente artículo de la siguiente manera, identificado con el modelo que presenta el artículo de Salazar et al.^[2],Figura 1.

Fuente: Elaboración propia ^[1] con base en Sehnbruch ^{[25 ]}

Figura 1: Modelo Conceptual. 

5.1. Efectos marginales del modelo

5.1.1. Periodo de prepandemia (2011-2019)

Realizada la corrida del modelo logit propuesto para dos periodos, por una parte, el periodo prepandemia que abarca del 2011 a 2019, y, por otra parte, el periodo de pandemia de 2020 a 2021, además teniendo en cuenta que sus coeficientes solo se interpretan de acuerdo al signo que muestran, se extrajeron los efectos marginales de las variables independientes seleccionadas sobre el comportamiento de la variable dependiente, la cual es la probabilidad de acceder a un empleo de mala calidad o no.

Es así que tomando en cuenta solo los efectos marginales estadísticamente significativos con un 95 % de certeza se pueden apreciar los mismos en la Tabla 2 para el primer periodo mencionado.

TABLA 2 -  EFECTOS MARGINALES DE LA ECUACIÓN FACTORES DE CALIDAD DEL EMPLEO- BOLIVIA PERIODO PRE PANDEMIA AÑOS 2011 A 2019 

Variables	P>|t|	2011	2012	2013	2014	2015	2016	2017	2018	2019	PROMEDIO
Edad	0,000	-0,0035	-0,0029	-0,0026	-0,0024	-0,0048	-0,0049	-0,0051	-0,0043	-0,0046	-0,0039
Años de estudio	0,000	-0,0084	-0,0083	-0,0095	-0,0067	-0,0150	-0,0148	-0,0191	-0,0159	-0,0164	-0,0127
Horas de trabajo (a la semana)	0,000	0,0013	0,0015	0,0047	0,0036	0,0022	0,0011	0,0016	0,0018	0,0007	0,0021
Sexo (mujer)	0,000	0,0827	0,0625	0,0027	0,0010	0,0678	0,0676	0,0471	0,0439	0,0482	0,0471
Aporte a las AFPs (no aporta)	0,000	0,2706	0,2282	0,3435	0,2487	0,2055	0,1750	0,1375	0,1475	0,1274	0,2093
Es personal de planta	0,000	-0,3589	-0,3906	-0,3243	-0,5005	-0,3989	-0,4014	-0,4049	-0,4239	-0,4812	-0,4094
No firmó contrato	0,000	0,0639	0,0503	0,0424	-0,0531	0,1036	0,0953	0,0816	0,1438	0,1549	0,0759
Tamaño de la Empresa	0,000	0,0000	-0,0001	-0,0001	-0,0001	-0,0001	-0,0001	-0,0001	0,0000	0,0000	-0,0001
Observ.		16.884	14.549	16.715	9.427	6.441	6.205	6.409	6.099	6.579
R²		0,4116	0,3874	0,3452	0,2769	0,4622	0,4895	0,5221	0,5414	0,5614

Fuente: Elaboración propia con datos del INE.

(*) Con nivel de Significancia estadística del 95 %.

Los datos expuestos fueron generados en forma directa de Stata™. Se debe aclarar, en la interpretación que, el signo negativo (-) debe ser considerado como una disminución en la probabilidad de contar con un empleo de mala calidad, es decir un aumento en la probabilidad de contar con un empleo de buena calidad y, el signo positivo (+) como asociación a un incremento en la probabilidad de encontrar un empleo de mala calidad.

Para el presente trabajo se ha realizado la profundización de cómo se comporta la variable “género” con relación a la calidad del empleo, por lo que este análisis se puede realizar considerando la columna “promedio” de la tabla presentada, que representa la media aritmética⁵ de los efectos marginales del periodo prepandemia del 2011 al 2019, ahí el efecto marginal de la variable “genero” muestra que la condición de ser mujer hace que se incremente en 4.71% la probabilidad de contar con un empleo de mala calidad, lo cual, confirma que existe discriminación para la mujer al momento de intentar conseguir un empleo que sea de buena calidad.

De igual forma se observa la evolución del efecto marginal de la condición de ser mujer sobre la calidad del empleo gestión a gestión, Tabla 3.

TABLA 3 -  EVOLUCIÓN DEL EFECTO GÉNERO S/ LA CALIDAD DEL EMPLEO 

Variables	2011	2012	2013	2014	2015	2016	2017	2018	2019	PROMEDIO
Sexo (mujer)	0,0827	0,0625	0,0027	0,0010	0,0678	0,0676	0,0471	0,0439	0,0482	0,0471
Observ.	16.884	14.549	16715	9427	6441	6205	6409	6099	6579
R²	0,4116	0,3874	0,3452	0,2769	0,4622	0,4895	0,5221	0,5414	0,5614

Fuente: Elaboración propia con datos del INE.

Se observa que existe una evolución decreciente en la probabilidad de conseguir un empleo de mala calidad por la condición de ser mujer de 8.27 % en 2011 hasta 4.82% en la gestión 2019, que significa que la discriminación contra la mujer se ha estado reduciendo en Bolivia. Esta evolución se puede mostrar en forma gráfica como en la Figura 2.

Fuente: Encuesta de hogares INE.

Figura 2: Evolución efecto condición de mujer. 

En la Figura 2 se puede observar que la línea de tendencia muestra una bajada en la probabilidad de conseguir un empleo de mala calidad por la condición de ser mujer, lo que devela un avance para que desaparezca la discriminación de género en Bolivia.

De la misma forma y, utilizando el modelo logit en Stata, se obtuvo el resumen de los efectos marginales que tiene la variable “sexo” o “género” sobre cada dimensión del índice de calidad del empleo, a continuación, se muestra en la Tabla 4 las dimensiones que componen el índice de calidad del empleo y en la Tabla 5 los efectos marginales.

TABLA 4 -  PRESENTACIÓN DE DIMENSIONES Y SUBDIMENSIONES PARA EL MODELO 

DIMENSIÓN	PONDERACIÓN	LÍMITE PRIVACIÓN
1) INGRESOS LABORALES	1/3	Dos salarios mínimos nacionales
2) ESTABILIDAD LABORAL	1/3	Subdimensiones
2a) STATUS OCUPACIONAL/CONTRATO	1/6	Sin contrato / Autoempleado.
2b) ANTIGUEDAD LABORAL	1/6	Menos de tres años.
3)CONDICIONES DE EMPLEO	1/3	Subdimensiones
3a) SEGURO SOCIAL	1/6	Subdimensiones
3a1) Seguro de salud	1/12	No afiliado
3a2) Seguro de pensiones	1/12	No afiliado
3b) JORNADA LABORAL	1/6	Más de 48 Hrs/ semana.

Fuente: Elaboración propia en base a Sehnbruch.

TABLA 5 -  EFECTOS MARGINALES DE "GÉNERO" SOBRE LAS DIMENSIONES DEL IMCE Periodo de prepandemia 2011-2019 

Variables	2011	2012	2013	2014	2015	2016	2017	2018	2019	PROMEDIO
Ingresos	0,0827	0,1166	0,0313	0,0119	0,0678	0,0962	0,0709	0,0748	0,0706	0,0692
Contrato	-0,0004	0,0023	-0,0003	0,0004	0,0063	0,0042	0,0040	0,0026	0,0022	0,0023
Antigüedad	-0,0078	0,0050	0,0099	0,0264	0,0229	0,0345	0,0104	0,0182	0,0196	0,0155
Seguro de salud	-0,0559	-0,0326	-0,0371	-0,0543	-0,0201	-0,0236	-0,0393	-0,0252	-0,0462	-0,0371
Seguro de pensiones	0,0207	0,0159	0,0186	0,0160	0,0269	0,0041	0,0136	0,0223	0,0196	0,0175
Jornada laboral	-0,0585	-0,0566	-0,0637	-0,0608	-0,0850	-0,0906	-0,0584	-0,0630	-0,0744	-0,0679
Observ.	16.884	14.549	16715	9427	6441	6205	6409	6099	6579
R²	0,4116	0,3874	0,3452	0,2769	0,4622	0,4895	0,5221	0,5414	0,5614

Fuente: Elaboración propia con datos INE.

En la Tabla 5, al igual que en la Tabla 2, el signo positivo se lee como un aumento en la probabilidad de ser privado en cada dimensión, es decir es una disminución en la probabilidad de contar con un empleo de buena calidad.

Es posible apreciar que, como promedio de las nueve gestiones analizadas, la dimensión de “ingresos” es la más afectada por la condición de ser mujer; cuya probabilidad de ser mayor a dos salarios mínimos nacionales baja en 6.92% solo por el hecho de ser mujer, asimismo la dimensión de “antigüedad” muestra una disminución de 1.55% en la probabilidad de que una mujer llegue a una antigüedad igual o mayor a tres años, y, la dimensión de “Seguro de pensiones”, donde la probabilidad de acceder a tener este beneficio disminuye en 1.75% por la condición de ser mujer. Por otra parte, las dimensiones de “Seguro de salud” y “Jornada laboral” se muestran favorecidas en sus probabilidades de sobrepasar sus límites de privación debido a la condición de ser mujer en 3.71 y 6.79% respectivamente.

Profundizando el tema de ingresos se realizó el análisis de la brecha salarial entre hombres y mujeres para este periodo de prepandemia mediante la metodología de Oaxaca- Blinder, calculando para ello las regresiones que sirvieron de base para cada año, se muestran en la Tabla 6 en primer lugar las regresiones de los varones del 2011 al 2019.

TABLA 6 ANÁLISIS DE REGRESIÓN GLOBAL (HOMBRES) Variable dependiente: Logaritmo del salario 

ln_ylab	2011		2012		2013		2014		2015
	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value
aestudio	0,07297	0,00	0,07240	0,00	0,06261	0,00	0,04167	0,00	0,05720	0,00
exper	-0,00376	0,00	0,03029	0,00	0,03603	0,00	0,02568	0,00	0,03250	0,00
exper2			-0,00059	0,00	-0,00069	0,00	-0,00056	0,00	-0,00065	0,00
estado_civil
1. casado	0,40476	0,00	0,22321	0,00	0,17826	0,00	0,30345	0,00	0,19653	0,00
2. concubino	0,47039	0,00	0,31217	0,00	0,27027	0,00	0,28850	0,00	0,17603	0,00
3. separado			0,32447	0,00	0,20964	0,00	0,27576	0,00	0,19910	0,00
4. divorciado	0,43016	0,00	0,27933	0,01	0,36494	0,00	0,25423	0,01	0,31548	0,00
5. viudo			0,08437	0,28	-0,06597	0,33	0,12964	0,14	-0,02018	0,78
Construcción	0,46068	0,00	0,43495	0,00	0,30928	0,00	0,36444	0,00	0,34132	0,00
Vta_Mayormenor	0,14081	0,00	0,12902	0,00	0,07396	0,01	0,05494	0,09	0,06418	0,02
Activid_Alojamtoservicio	0,15419	0,04	0,19896	0,01	0,13464	0,04	0,32929	0,00	0,06860	0,25
IntermedFinanc_Seguros	0,26574	0,03	0,37314	0,00	0,31906	0,00	0,41301	0,00	0,33059	0,00
ActividServicio_Admin	-0,01264	0,89	0,18417	0,04	-0,08467	0,29	0,00304	0,97	0,10134	0,15
Serv_Educación	0,17090	0,00	0,20284	0,00	0,20911	0,00	0,22214	0,00	0,21964	0,00
phrs_mes	0,00847	0,00	0,00800	0,00	0,00829	0,00	0,00813	0,00	0,00708	0,00
Constant	5,96602	0,00	5,80500	0,00	6,05588	0,00	6,45763	0,00	6,36369	0,00
Mean dependent var	7,39487		7,42209		7,63043		7,77008		7,76240
R.squared	0,2337		0,2606		0,2861		0,2418		0,2429
Number of obs	8.057		7.482		8.643		5.299		8.758

***p<0.01, **p<0.05,*p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE).

TABLA 6 -  ANÁLISIS DE REGRESIÓN GLOBAL (HOMBRES) (continuación) 

	2016		2017		2018		2019
ln_ylab	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value
aestudio	0,08134	0,00	0,06988	0,00	0,06316	0,00	0,06291	0,00
exper	0,03552	0,00	0,04017	0,00	-0,00776	0,00	0,03469	0,00
exper2	-0,00064	0,00	-0,00076	0,00			-0,00064	0,00
estado_civil
1. casado	0,17443	0,00	0,15737	0,00	0,33950	0,00	0,19811	0,00
2. concubino	0,19634	0,00	0,19950	0,00	0,27717	0,00	0,19702	0,00
3. separado	0,18084	0,00	0,17766	0,00	0,40286	0,00	0,12943	0,01
4. divorciado	0,08477	0,38	0,18290	0,05	0,63741		0,20047	0,01
5. viudo	0,16657	0,01	0,04709	0,43	-0,00912	0,87	0,14709	0,01
Construcción	0,46731	0,00	0,41702	0,00	0,32936	0,00	0,30492	0,00
Vta_Mayormenor	0,09786	0,00	0,12063	0,00	0,13769	0,00	0,07892	0,00
Activid_Alojamtoservicio	0,20233	0,00	0,21338	0,00	0,12822	0,03	0,14884	0,01
IntermedFinanc_Seguros	0,37320	0,00	0,33711	0,00	0,33913	0,00	0,35424	0,00
ActividServicio_Admin	0,22494	0,00	0,18854	0,02	0,07054	0,30	-0,02049	0,73
Serv_Educación	0,36731	0,00	0,33990	0,00	0,47753	0,00	0,41461	0,00
phrs_mes	0,01004	0,00	0,00764	0,00	0,00982	0,00	0,00893	0,00
Constant	5,85013	0,00	6,08879	0,00	6,52583		6,25106	0,00
Mean dependent var	7,69860		7,73631		7,79770		7,85132
R.squared	0,3355		0,3143		0,2669		0,3205
Number of obs	9.260		9.100		8.963		9.413

***p<0.01, **p<0.05,*p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE).

Posteriormente y, con el mismo objetivo se realizó el cálculo de las regresiones para el sector de las mujeres trabajadoras, presentándose las mismas de las Tablas 7 y 8.

TABLA 7 -  ANÁLISIS DE REGRESIÓN GLOBAL (MUJERES) Variable dependiente: Logaritmo del salario 

	2011		2012		2013		2014		2015
ln_ylab	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value
aestudio	0,08097	0,00	0,08439	0,00	0,08409	0,00	0,05414	0,00	0,07313	0,00
exper	0,00146	0,17	0,03715	0,00	0,03403	0,00	0,03117	0,00	0,03502	0,00
exper2			-0,00057	0,00	-0,00052	0,00	-0,00051	0,00	-0,00056	0,00
estado_civil
1. casado	0,10018	0,00	-0,02370	0,53	-0,00746	0,82	-0,03070	0,47	-0,03043	0,37
2. concubino	0,13655	0,00	0,09288	0,04	0,06530	0,10	0,01297	0,79	-0,00258	0,95
3. separado			0,14661	0,01	0,11811	0,02	-0,02515	0,69	0,06801	0,18
4. divorciado	0,25134	0,00	0,34240	0,00	0,14410	0,04	0,07835	0,40	0,10714	0,18
5. viudo			-0,02131	0,74	0,03738	0,49	-0,06408	0,40	-0,00719	0,90
Construcción	0,49345	0,00	0,67208	0,00	0,45825	0,00	0,31186	0,03	0,50572	0,00
Vta_Mayormenor	0,10151	0,00	0,09404	0,00	0,00646	0,82	0,00255	0,94	0,00846	0,77
Activid_Alojamtoservicio	0,51386	0,00	0,33908	0,00	0,32729	0,00	0,37868	0,00	0,38910	0,00
IntermedFinanc_Seguros	0,28455	0,01	0,72729	0,00	0,48666	0,00	0,41756	0,00	0,52849	0,00
ActividServicio_Admin	0,11388	0,34	0,07337	0,47	0,05948	0,55	0,20870	0,07	0,21047	0,02
Serv_Educación	0,43360	0,00	0,37061	0,00	0,34687	0,00	0,43924	0,00	0,40034	0,00
phrs_mes	0,01237	0,00	0,00745	0,00	0,01125	0,00	0,01205	0,00	0,00922	0,00
Constant	5,43068	0,00	5,35401	0,00	5,39801	0,00	5,92108	0,00	5,82778	0,00
Mean dependent var	6,96115		7,03100		7,24887		7,39896		7,41866
R.squared	0,2638		0,2764		0,2991		0,2349		0,2742
Number of obs	4.924		4.925		5.756		3.632		5.310

***p<0.01, **p<0.05, *p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE).

TABLA 7 -  ANÁLISIS DE REGRESIÓN GLOBAL (MUJERES) (continuación) 

	2016		2017		2018		2019
ln_ylab	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value
aestudio	0,09128	0,00	0,08680	0,00	0,08287	0,00	0,08360	0,00
exper	0,03385	0,00	0,03639	0,00	0,00220	0,02	0,03827	0,00
exper2	-0,00047	0,00	-0,00057	0,00			-0,00056	0,00
estado_civil
1. casado	0,02819	0,38	0,01305	0,68	0,13756	0,00	-0,05627	0,05
2. concubino	0,08635	0,01	0,01503	0,67	0,08029	0,02	-0,02166	0,50
3. separado	0,13107	0,01	0,13117	0,00	0,23703	0,00	0,05627	0,18
4. divorciado	0,16624	0,04	0,12752	0,06	0,30277		0,13131	0,04
5. viudo	-0,01980	0,71	0,02851	0,59	-0,16481	0,00	0,01187	0,80
Construcción	0,46663	0,00	0,51451	0,00	0,43111	0,00	0,43286	0,00
Vta_Mayormenor	0,04940	0,07	0,09382	0,00	0,49087	0,07	-0,00384	0,88
Activid_Alojamtoservicio	0,35207	0,00	0,37178	0,00	0,35943	0,00	0,35440	0,00
IntermedFinanc_Seguros	0,58900	0,00	0,65559	0,00	0,45103	0,00	0,57725	0,00
ActividServicio_Admin	0,18582	0,03	0,19407	0,04	0,14667	0,05	0,19611	0,02
Serv_Educación	0,47804	0,00	0,49428	0,00	0,56544	0,00	0,55196	0,00
phrs_mes	0,01148	0,00	0,01153	0,00	0,01236	0,00	0,01261	0,00
Constant	5,41201	0,00	5,51329	0,00	5,85669	0,00	5,57076	0,00
Mean dependent var	7,30758		7,40698		7,47033		7,45573
R.squared	0,3366		0,3539		0,3242		0,3551
Number of obs	6089		5.761		5.694		6.352

***p<0.01, **p<0.05,*p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE).

Con esta base y considerando la metodología Oaxaca- Blinder, se obtuvo el cálculo y la descomposición de la brecha salarial para este periodo de prepandemia, obteniéndose los resultados de la Tabla 8.

TABLA 8 -  DESCOMPOSICIÓN SALARIAL DE OAXACA- BLINDER PERIODO DE PREPANDEMIA 

	2011			2012		2013		2014		2015
ln_ylab	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value
HOMBRES	7,39487	0,00	7,42209	0,00	7,63043	0,00	7,77008	0,00	7,76240	0,00
MUJERES	6,96115	0,00	7,03100	0,00	7,24887	0,00	7,39896	0,00	7,41866	0,00
DIFERENCIA	0,43372	0,00	0,39109>	0,00	0,38156	0,00	0,37112	0,00	0,34374	0,00
BRECHA SALARIAL	5,87%		5,27%				4,78%		4,43%
EXPLICADA (dotaciones)	0,18170	0,00	0,09476	0,00	0,10510	0,00	0,11453	0,00	0,13858	0,00
EXPLICADA (dotaciones)(%)	41,89%		24,23%		27,54%		30,86%		40,32%
NO EXPLICADA (discriminación)	0,25202	0,00	0,29633	0,00	0,27646	0,00	0,25659	0,00	0,20515	0,00
NO EXPLICADA (discriminación)(%)	58,11%		75,77%		72,46%		69,14%		59,68%

***p<0.01, **p<0.05,*p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE).

TABLA 8 -  DESCOMPOSICIÓN SALARIAL DE OAXACA- BLINDER PERIODO DE PREPANDEMIA (continuación) 

	2016		2017		2018		2019		PROMEDIO
ln_ylab	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.	p- value	Coef.
HOMBRES	7,69860	0,00	7,73631	0,00	7,79770	0,00	7,85132	0,00	7,67376
MUJERES	7,30758	0,00	7,40698	0,00	7,47033	0,00	7,45573	0,00	7,29992
DIFERENCIA	0,39102	0,00	0,32933	0,00	0,32737	0,00	0,39559	0,00	0,37384
BRECHA SALARIAL	5,08%		4,26%		4,20%		5,04%		4,87%
EXPLICADA (dotaciones)	0,16008	0,00	0,10009	0,00	0,08128	0,02	0,11771	0,00	0,12154
EXPLICADA (dotaciones)(%)	40,94%		30,39%		24,83%		29,76%		32,51%
NO EXPLICADA (discriminación)	0,23094	0,00	0,22924	0,00	0,24609	0,00	0,27787	0,00	0,25230
NO EXPLICADA (discriminación)(%)	59,06%		69,61%		75,17%		70,24%		67,49%

***p<0.01, **p<0.05,*p<0.1

Fuente: Elaboración propia en base a Encuesta de hogares (INE)

En las regresiones, los R² tanto del modelo para hombres como para mujeres, muestra que las variables independientes explican a lo largo del periodo de prepandemia desde un mínimo de 23.37% hasta un máximo de 33.55%, Tabla 6, del salario logarítmico de los hombres y desde 23.49% hasta 35.51%, Tabla 7, del de las mujeres.

Realizando el análisis de la brecha salarial por género mediante la descomposición de Oaxaca-Blinder, Tabla 8, los resultados muestran, en promedio del periodo de prepandemia, que la media de los salarios logarítmicos es 7.67376 para los hombres y 7.29992 para las mujeres, dejando una brecha salarial de 0.37384, que representa un 4.87% del salario logarítmico de los hombres. Asimismo, la parte de esta diferencia explicada por las dotaciones es de 0.12154 que representa el 32.51% de la brecha. De esta manera se observa que, si las mujeres tuvieran las mismas características que los hombres, la brecha salarial sería de 0.25230 o 67.49% de la brecha total, considerada como discriminación.