¿Votar o no votar? He ahí el dilema El efecto de la multa electoral en el Perú

 

Carlos E. Paredes & Gustavo A. Martínez[1]

 1.       Introducción

En entregas anteriores publicadas en este blog, se analizaron los determinantes del voto presidencial en el Perú. Esta línea de investigación permitió concluir que, en primera vuelta, los votantes se inclinaban por uno u otro candidato en función a consideraciones de carácter económico, mientras que, en la segunda vuelta, el factor económico perdía importancia y predominaba el “homo politicus” del elector.

En dichos artículos no se analizó la decisión previa que hace el votante: ¿votar o no votar? Ello, por una sencilla razón: el objetivo fue analizar los determinantes del voto emitido, en contraposición a estudiar el comportamiento de los votantes potenciales. En principio, esta aproximación resulta razonable, pues el voto es obligatorio en el Perú.

Sin embargo, si bien el peruano se encuentra obligado a votar, existe un porcentaje no despreciable que no lo hace. El ausentismo en las últimas tres elecciones presidenciales  (medido como porcentaje de la población electoral) se muestra  en el  Cuadro N° 1.  Se puede apreciar que: (i) el grado de ausentismo aumenta en la segunda vuelta electoral presidencial con respecto a la primera –tal vez aquellos electores cuyos candidatos no pasaron a la segunda vuelta se ven menos motivados a ir a votar−; (ii) la participación de los electores es menor en las elecciones regionales que en las presidenciales –reflejando probablemente que en las presidenciales habría mucho más en juego que en las regionales−; y (iii) el porcentaje de ausentismo ha venido incrementándose de manera significativa –cerca del 20% de la población habilitada para votar no lo hizo en las últimas elecciones del 2016−.

Cuadro N° 1: Porcentaje de ausentismo a nivel nacional, según proceso electoral

Proceso Año Ausentismo (%)
Segunda vuelta
presidencial
2006 12.29%
2011 17.46%
2016 19.91%
Primera vuelta
presidencial
2006 11.29%
2011 16.29%
2016 18.20%
Segunda
vuelta
regional
2010 22.96%
2014 24.23%

Fuente: ONPE. El ausentismo es el porcentaje de la población electoral.

A pesar de su incremento, este grado de ausentismo sigue siendo bajo al compararse con el observado en otros países de la región donde el voto no es obligatorio. Por ejemplo, en el último proceso electoral presidencial, en países como Chile y Colombia, donde el voto es voluntario, el ausentismo llegó a ser el 58.1% y 52.1% respectivamente. Sin embargo, el ausentismo que ahora se observa en el Perú es mayor que el registrado en Ecuador y Bolivia, donde el voto también es obligatorio y el ausentismo representó el 18.9% y 12.2% de la población electoral en las últimas elecciones presidenciales[2].

¿Por qué en el Perú se incrementó el ausentismo electoral de la manera que lo hizo en los últimos 10 años? ¿Acaso los peruanos se han ido desencantando con la democracia después del regreso pleno a ella en el 2001? Tuesta (1995, 2016) explica que el ausentismo electoral en el país se debe a factores estructurales (analfabetismo, infraestructura electoral limitada, insuficiente depuración del padrón electoral, entre otros)[3]. Sin embargo, por su propia naturaleza (relativamente estables en el tiempo), estos factores no pueden explicar el reciente incremento en él. Una explicación alternativa de carácter económico se encuentra en la reducción en el monto de la sanción (multa) por no votar que se aprobó tras las elecciones del año 2006[4]. Hasta las elecciones presidenciales del 2006, inclusive, regía una multa equivalente al 4% de la Unidad Impositiva Tributaria (UIT), la cual era aplicable de manera uniforme a toda la población electoral. Con posterioridad a este proceso electoral, la multa se redujo y se escalonó en tres categorías, según el nivel de pobreza del distrito del votante: 2% de la UIT para los electores pertenecientes a distritos no pobres, 1% para los pertenecientes a distritos en pobreza no extrema, y 0.5% para aquellos de distritos clasificados como de pobreza extrema.

Para ponerlo en perspectiva, las respectivas multas por no votar representaron el 9%, 5% y 2% del salario mínimo en el 2016, mientras que, la multa que afectaba a todos por igual en el 2006, representó el 27% del salario mínimo de dicho año. Estas cifras muestran que la reducción de la multa fue drástica, sobre todo, para los electores localizados en distritos de pobreza extrema. Y, precisamente estos, son los que incrementaron en mayor proporción su grado de ausentismo, tal como se muestra en el Cuadro N° 2:

Cuadro N° 2: Porcentaje promedio de ausentismo a nivel distrital según nivel de pobreza del distrito

Segunda vuelta  presidencial
Nivel de pobreza 2006 2016
No pobre 12.73% 22.87%
Pobre no extremo 15.16% 29.39%
Pobre extremo 15.11% 32.81%

Fuente: Elaboración propias en base a datos de la ONPE. Los porcentajes de la tabla corresponden a los promedios simples de ausentismo para estos distritos.

Al parecer, el reducir y escalonar la multa llevó a que en todos los distritos se incremente el porcentaje de ausentismo, pero sobre todo, en los más pobres. Aparentemente y como era previsible, el reducir el costo de no votar llevó a que más electores se inclinasen por esta opción, es decir, fomentó el ausentismo. Este resultado es consistente con la literatura económica y de ciencia política sobre el tema. Por ejemplo, el trabajo pionero de Downs (1957) sobre el tema plantea que la decisión de votar depende de la ganancia neta esperada de votar, la cual está inversamente relacionada con el costo de votar[5]. En este marco teórico, el reducir el costo de no votar disminuye los incentivos para participar en las elecciones, incrementándose así el ausentismo. Trabajos más recientes, enmarcados en la teoría de la utilidad esperada, como el de Filer y Kenny (1980)[6], apuntan en la misma dirección. Desde  esta perspectiva, reducir la multa por no votar genera que la utilidad esperada de no participar en las elecciones se incremente y lleva a un aumento del ausentismo[7].

Sin embargo, el que los electores más pobres del país, aquellos a los que muchas veces los políticos denominan “los excluidos” y a quienes la norma buscaba beneficiar más con una menor multa, decidiesen autoexcluirse de las elecciones como efecto de la menor multa, es algo que probablemente no fue previsto.  Y, pensándolo un poco, tampoco es claro que este sea un resultado deseable desde el punto de vista político. ¿Por qué fomentar o facilitar que los menos beneficiados por el sistema económico y político imperante se autoexcluyan de las elecciones? Su no participación en las elecciones puede llevar a que estos sean aún menos representados por los políticos que resulten elegidos. ¿No deberían ser los incentivos los mismos para todos? ¿Acaso la multa por pasarse una luz roja es menor para los que conducen un carrito viejo que la aplicable a aquél que maneja imprudentemente un Ferrari del año?

En lo que resta de este artículo, se analiza la importancia de la multa en la decisión de votar con la ayuda de la econometría, comparando los resultados de la segunda vuelta presidencial del 2006 y del 2016. Esto permitirá reevaluar la conveniencia de tener las multas escalonadas en las magnitudes antes señaladas. En la sección 2, se presenta los datos y la metodología econométrica utilizada. La sección 3 presenta los resultados y las limitaciones del análisis, mientras que, la sección 4 presenta las conclusiones del estudio.

2.       Metodología

Datos

Para medir la relevancia empírica de la multa en la decisión de votar se trabajó con data de 1,650 distritos en la segunda vuelta de dos elecciones presidenciales, las de 2006 y 2016[8]. Como se vio en la sección 1, entre ambas elecciones se redujo de manera significativa el monto de la multa por no votar. El porcentaje de ausentismo por distrito en la segunda vuelta presidencial se obtuvo de la ONPE, el nivel de pobreza que correspondía a cada distrito se obtuvo del Jurado Nacional de Elecciones (JNE)[9], mientras que la multa para cada una de estas elecciones para cada uno de los distritos se calculó en base a la normativa vigente en cada elección (multa en términos de UIT discutida en la sección 1) y la información sobre el monto en soles de la UIT publicada por la SUNAT[10].

Dado que existen otros factores que pueden haber afectado la decisión de votar, en las regresiones se usaron una serie de variables de control para poder aislar correctamente el efecto de la multa. Estas variables de control incluyen: el ingreso familiar per cápita mensual promedio y los años de educación promedio de la población mayor a 25 años del distrito. Esta información fue obtenida del Programa de las Naciones Unidas para el Desarrollo (PNUD)[11]. Ya que no se dispone con información más reciente, para controlar las observaciones en el año 2016, se usaron los valores de ambas variables correspondientes al año 2012.

Finalmente, para poder trabajar correctamente con los montos monetarios, tanto la multa como el ingreso familiar per cápita fueron deflactados usando la serie de Índice de precios al Consumidor publicada por el BCRP y puestos en soles reales del 2016.

Especificación econométrica

Ya que se dispone de dos periodos y existe una heterogeneidad estructural entre los distritos, que se puede considerar constante entre estos años (p.e., ruralidad) se optó por utilizar el estimador de efectos fijos. La especificación de la regresión es la siguiente:

Donde “i” corresponde al distrito y “t” al año, “A” representa el porcentaje de ausentes de la población electoral en las elecciones[12], D2016 es 1 si el año es 2016 y 0 de otro modo,  “m” representa la multa,  D2016 es 1 si el distrito es pobre y 0 de otro modo,  Dpe es 1 si el distrito es pobre extremo y 0 de otro modo, “y” es el ingreso familiar per cápita mensual promedio y “E”  son los años de educación promedio de la población mayor a 25 años. Las variables con “ln” adelante fueron transformadas a logaritmos naturales. Las dummies cruzadas con la multa permiten captar efectos diferenciados por cada grupo de ingresos (no pobres, pobres y pobres extremos). Por su parte, la dummy 2016 permite controlar por los efectos contextuales de la segunda vuelta del 2016. Finalmente,  controla por todas las variables constantes en el tiempo que afectan a determinado distrito. Cabe señalar que el uso del estimador de efectos fijos permite prescindir de la correlación que hay entre este último término y la multa, y obtener estimados consistentes.

3.       Resultados

Los resultados (ver Cuadro N° 3) muestran que la multa tiene un efecto negativo y significativo al 1% de significancia. Más aún, este efecto es diferenciado por niveles de pobreza; es más acentuado para los distritos pobres y de extrema pobreza que para los no pobres: el coeficiente es 5.41 y 5.40 frente a 3.90, respectivamente.

¿Estos coeficientes guardan concordancia con la realidad? Sin duda alguna. Al comparar los cambios en el ausentismo predichos por la regresión (fitted values) correspondientes a la reducción en la multa, con los cambios observados en la realidad[13], se concluye que el efecto de la reducción de la multa, en el caso de los distritos no pobres, explicó el 33% del incremento del ausentismo entre el 2006 y 2016.  Este porcentaje fue mayor para los distritos pobres o en pobreza extrema. En efecto, los resultados indican que, en los distritos pobres, la reducción de la multa explicó el 60% del incremento del ausentismo entre el 2006 y 2016, mientras que, en los distritos de extrema pobreza, esta explicó el 69%.

Los coeficientes estimados de las otras variables también resultan consistentes con la intuición o el sentido común: a mayor ingreso y mayor grado de educación, menor grado de ausentismo.

Si bien intuitivo cabe mencionar que este análisis no está exento de limitaciones. De hecho, la muestra con la que se ha trabajado solo considera reducciones en la multa y, por lo tanto, no sería correcto inferir que el efecto sería igual si es que hubiese un incremento. Hay controles que no se han tomado en cuenta como la distancia que puede enfrentar un votante, o visto de otro modo, la densidad que puede haber en un distrito de los km de lugares para votar por persona[14].

Cuadro N° 3: Efectos de la reducción de la multa por no votar sobre el ausentismo según estrato de pobreza en la segunda vuelta electoral presidencial 2006-2016, estimador de efectos fijos.

Ausentismo Coeficientes
Alpha 64.29***
D2016 7.55***
Ln(m) -3.90***
Dp*Ln(m) -1.50***
Dpe*Ln(m) -1.51***
Ln(y) -2.73***
Ln(E)       -6.12**

Significancia: *0.10, ** 0.05 ***0.01.

4.       Conclusiones

En este artículo se analiza por qué el ausentismo electoral se ha incrementado recientemente en el Perú, sobre todo, en los distritos pobres. El análisis econométrico indica que gran parte de este fenómeno se explica por la reducción en la multa por no votar.

Los resultados también indican que la reducción de la multa genera efectos diferenciados entre los distritos pobres y no pobres: el impacto es mucho mayor en los distritos de menores ingresos, lo cual es consistente con la intuición económica.

Ello tiene importantes implicancias de política: la introducción de un escalonamiento en la multa en el 2006 llevó a que a los más pobres les resultase menos costoso el no votar y terminen autoexcluyéndose del proceso electoral. Este resultado no parece haber sido anticipado por aquellos que propusieron el cambio normativo y no es claro que sea deseable desde un punto de vista político en el largo plazo (aunque podría favorecer a aquellos candidatos que no son populares entre los más pobres).

Aún queda mucho por investigar en este campo en el Perú. La reducción de la multa explica un alto porcentaje del aumento en el ausentismo, pero no todo. Qué otros factores han incidido en este comportamiento del electorado es un fenómeno que queda por estudiar. Asimismo, preguntas como: ¿Por qué en segunda vuelta hay mayor ausentismo que la primera? y ¿Por qué en las elecciones regionales de segunda vuelta hay mayor ausentismo que en las presidenciales? todavía quedan por ser contestadas. Este artículo es un esfuerzo inicial por contribuir con esta rama poco explorada en nuestro país.

[1]     Profesor de la Escuela de Postgrado de la Universidad del Pacífico y economista de la misma universidad respectivamente.

[2]              En el caso de Chile, dicho porcentaje pertenece a la segunda vuelta electoral presidencial del 2013, mientras que, en el caso de Colombia, corresponde a la segunda vuelta electoral presidencial del 2014. Por su parte, en el caso ecuatoriano, el porcentaje corresponde a la primera y única vuelta que hubo en las elecciones presidenciales del año 2013. Finalmente, y al igual que el país anterior, el caso de Bolivia corresponde a la primera y única vuelta que se dio en las elecciones generales del 2014. Todos los datos corresponden a los organismos electorales oficiales de cada país.

[3]     Tuesta, F. (1995). “Ausentismo electoral no es tan alto como dicen”. Polítika y Tuesta, F. (2016). “Razones del ausentismo en las elecciones”. Polítika.

[4]     Cambio introducido por la Ley N° 28859 de agosto de 2006, publicada tras las elecciones presidenciales de ese año. Ver: https://www.web.onpe.gob.pe/modCompendio/html/procesos_electorales/Ley_organica_ley_28859.html.

[5]    Downs, A. (1957) An Economic theory of democracy. New York. Harper & Row. Otras investigaciones más recientes en esta área son Lopez, F. & Rizzi, R. (2014). “A test for the rational ignorance hypothesis: Evidence from a Natural Experiment in Brazil”. American Economic Journal: Economic Policy, Vol.6 No. 4, pp 380-398 y Denny, K. & Doyle, O. (2008). “Political Interest, Cognitive Ability and Personality Determinants of Voter Turnout in Britain”. British Journal of Political Science Vol. 38, pp 291-310.

[6]    Filer, J.E. & Kenny, L.W. (1980). “Voter turnout and the benefits of voting”. Public Choice. 35, pp. 575-585.

[7]              Esta aproximación teórica a la modelación del voto, si bien intuitiva, ha sido cuestionada en la literatura de la economía del comportamiento, pues no explicaría la famosa “paradoja del voto”. Ver: George A. Quattrone & Amos Tversky (1988): “Contrasting Rational and Psychological Analyses of Political Choice”. The American Political Science Review Vol. 82, No. 3 (Sep., 1988), pp. 719-736.

[8]     En la actualidad existen 1874 distritos en el Perú. En este artículo se ha trabajado con una muestra más reducida debido a dos razones: (i) en el 2006, existían menos distritos y, por lo tanto, solo se ha trabajado con aquellos distritos que ya existían en dicho año; y (ii) al momento de realizar la elaboración de una base de datos de tal magnitud los errores son inevitables, por lo que algunas observaciones inconsistentes tuvieron que ser eliminadas para esta primera versión. Sin embargo, estos mismos han sido hechos de manera aleatoria de tal manera que no afecta los resultados aquí presentados.

[9]     Para ambos años, 2006 y 2016, se hizo uso de la clasificación de pobreza de cada distrito según la Resolución N° 0235 -2015-JNE hecha por el jurado nacional de elecciones (JNE). La misma fue la considerada para el cálculo de las multas en las recientes elecciones presidenciales del 2016. El no usar la clasificación elaborada para las elecciones del 2006 no limita el análisis por dos razones: (i) la inferencia es sobre los distritos que, hoy en día, son considerados dentro de cada grupo de pobreza y (ii) en el 2006 no había tal clasificación para el cálculo de la multa.

[10]     El enlace es el siguiente: http://www.sunat.gob.pe/indicestasas/uit.html.

[11]    La preferencia de trabajar con esta fuente se origina por los problemas de representatividad que conlleva trabajar con datos a nivel distrital. Para mayor detalle revisar el Anexo Metodológico del Informe sobre Desarrollo Humano Perú 2013.

[12]    Hay que considerar que el porcentaje de ausentismo podría estar sobredimensionado por las imperfecciones del padrón electoral (electores que han fallecido o se han mudado fuera de la circunscripción electoral). Sin embargo, los errores de medida en la variable dependiente no sesgan los resultados.

[13]    El procedimiento consistió, primero, en calcular el cambio en el valor estimado. Por ejemplo, para el caso de los distritos pobres tenemos que: , donde  representa el cambio promedio predicho entre 2006 y 2016 en los distritos pobres del ausentismo debido al cambio del logaritmo de la multa entre los mismo años. Acto seguido, hallamos el cambio real promedio en los distritos no pobres de dicha variable entre el año 2006 y 2016 (. Finalmente, dividimos: . El mismo procedimiento se usó con los demás grupos.

[14]    Sin embargo, este último no estaría correlacionado con el tamaño de la multa y su omisión no generaría resultados sesgados.