2.1. Variable dependiente (adopción de gobierno electrónico)

Propensión al GE. Variable dicotómica, que adopta valor 1 si el ciudadano realizó GE, y 0 en caso contrario. Se adoptan diferentes concepciones de GE para la estimación del modelo:

GE en sentido tradicional (por sitio web MBB): se indaga si el ciudadano había visitado la página web de la Municipalidad antes del período de la pandemia COVID-19. Se trata de una variable dicotómica que toma valor 1 si el ciudadano visitó la página web del MBB y cero en caso contrario. A su vez, se puede distinguir si realizó la visita antes de la pandemia (durante el año 2019 y principios del 2020, pre-pandemia) o durante/después de la pandemia.

GE por redes sociales (por red socia lMBB): se le pregunta al ciudadano si sigue a las cuentas que el Municipio de Bahía Blanca tiene en las redes sociales (Facebook, Twitter, Instagram). Se trata de una variable dicotómica que toma valor 1 si el ciudadano sigue alguna de las redes sociales oficiales del MBB y cero en caso contrario.

GE en sentido amplio (por sitio web y redes sociales): se supone que si un ciudadano visita el sitio web y/o alguna de las redes sociales oficiales del MBB al menos será para obtener información y realizar un tipo de contacto de nivel informativo, que es la instancia más básica de GE. Esta variable dependiente es dicotómica y adopta valor 1 si conectó con el MBB con alguna de las dos plataformas y cero en caso contrario.

El modelo LOGIT se deriva de un modelo de variable latente o no observable. Sea y* la variable latente propensión al GE, determinada por ciertas variables independientes observables por la siguiente ecuación estructural (1):

La relación entre la variable y binaria observada (si realizó GE en los últimos dos años) y la variable latente y* (propensión al GE) se realiza a través de la ecuación 2:

En este trabajo se supone que el término de error e asume una distribución de forma logística con Var e= π2/3, resultando un modelo logit binario con la ecuación 3:

2.2 Variables explicativas

Género (femenino; otro-gen): esta variable puede asumir tres valores posibles: femenino, masculino u otro género. Luego, corresponde asignar dos variables dummy al modelo. Femenino es una variable binaria que toma valor 1 si el ciudadano es de género femenino, y 0 en caso contrario. Otro género es una variable binaria que toma valor 1 si el ciudadano no es de género ni masculino ni femenino, y 0 en caso contrario. H1: Se supone que las personas de género femenino tienen una mayor probabilidad de adopción de GE que el resto de los géneros.

Nivel Educativo (estudio-sup): la encuesta pregunta a los ciudadanos el máximo nivel educativo alcanzado desde primaria incompleta hasta nivel de posgrado. Se construye una variable dummy estudios superiores, entendiendo por superior aquellos ciudadanos con educación técnica y/o universitaria. H2: Se supone que un mayor nivel educativo será favorable a la propensión a realizar GE.

Pago de Internet (Internet_pago): corresponde a una variable dummy que adopta valor 1 si el ciudadano cuenta con conexión a internet ya sea en el hogar (servicio pago abono mensual incluye gasto compartido con vecino) o en el celular (como paquete de datos); y 0 en caso contrario. H3: Se espera que el pago del servicio de Internet tenga un efecto significativo y positivo sobre la probabilidad de realizar GE.

Se define como pago del servicio y no simplemente como acceso, ya que la encuesta permite distinguir los que tienen acceso a internet pero no pagan el servicio (ej: uso del wifi del vecino). Esta variable de TIC no sólo mide el acceso a conectividad sino también es una proxy de ingreso.

Internet_trabajo: se trata de una variable que indica si la persona se conecta a Internet desde su lugar de trabajo. Se supone que las personas que conectan a Internet desde el trabajo tienen un trabajo (ya sea formal o informal) y perciben ingresos. Dado que la encuesta no pregunta explícitamente el nivel de ingreso del encuestado, se toma esta variable como proxy del nivel de ingreso. A su vez, esta variable caracteriza también el tipo de trabajo ya que no todos los trabajos poseen conexión a internet (ejemplo: fábricas de pastas frescas, comercio minorista, etc). H4: Los ciudadanos que poseen conexión a Internet en el trabajo poseen una mayor probabilidad de adopción del GE.

Uso de computadoras (PC): esta variable dummy asume valor 1 si el ciudadano utiliza la computadora y/o notebook como dispositivo de conexión a Internet y 0 en caso de no utilizar ninguna. H5: Se espera que el uso de computadoras tenga un efecto significativo y positivo sobre la probabilidad de realizar GE.

Esta variable representa una variable de uso TIC y es una proxy del nivel de alfabetización digital.

Edad: Se considera que ciertos factores a nivel individual también están asociados a la realización del GE. La conducta hacia el GE puede estar reflejada en características individuales, según se trate de ciudadanos innovativos y proactivos. H6: Se realiza el supuesto de que la probabilidad de adopción del GE es mayor en ciudadanos más jóvenes.

Experiencia: la literatura explica la importancia de la experiencia en el desarrollo del GE. Se utiliza la variable webMBB en pre pandemia para explicar la adopción del GE tras la pandemia. H7: Cuanto mayor es la experiencia en el uso del GE, mayor es la probabilidad de adopción del GE en un período.

Influencia social (redsocial_MBB): en el modelo GE tradicional prepandemia, el uso de las redes sociales del municipio (redsocial_MBB) se utiliza como proxy de la influencia social para adoptar GE. Se trata de una variable dicotómica que indica si el ciudadano sigue a las redes oficiales del Municipio (Facebook, Twitter y/o Instagram), en cuyo caso adquiere valor 1; o si por el contrario, no es seguidor de las redes sociales oficiales (adopta valor 0). H8: Se espera que seguir a las redes sociales oficiales tendrá un efecto significativo y positivo sobre la probabilidad de realizar GE en sentido tradicional.

3.1 Análisis de los modelos LOGIT

En la tabla 2 se observa que un 64,9% de las personas encuestadas realizaron GE a través de la plataforma web municipal; mientras que el 43% lo hizo a través de al menos una de las redes sociales del municipio (Facebook, Twitter y/o Instagram). Es interesante observar que a pesar de la masividad de las redes sociales las personas encuestadas optan por la plataforma web para realizar GE. Es decir, el medio tradicional para realizar GE sigue siendo el más elegido. Esto tiene sentido si consideramos que las redes sociales se presentan como una “vidriera” (publicación de información) de los mecanismos de participación ciudadana más complejos, los cuales están reservados para la plataforma web. Por otro lado, si se define el GE en sentido amplio ya sea mediante sitio web o por redes sociales, se obtiene que el 78.43% de los ciudadanos realiza GE. Esta caracterización del GE permite definir la variable dependiente para estimar los modelos de regresión logística.

Para estudiar los factores que explican la decisión de adopción de GE en forma simultánea, se estimaron tres modelos distintos: (1) el primer modelo es el considerado en sentido amplio, es decir, contempla la realización de GE tanto a través de la plataforma web como de las redes sociales; (2) el segundo modelo hace referencia al enfoque tradicional de GE, es decir, considerando su realización únicamente a través del sitio web.; (3) por último, el tercer modelo es el de redes sociales, que analiza la realización de GE exclusivamente a través de las redes sociales. A su vez, en el caso del GE tradicional se contempla una distinción según sea la realización del GE anterior a la pandemia o durante la pandemia (post- pandemia). Como se observa en la tabla 3, el modelo 1 definido en sentido amplio es el que presenta mayor probabilidad estimada de GE, suponiendo que el resto de las variables explicativas se encuentran en sus niveles medios. Este valor es seguido por el modelo tradicional y finalmente por el GE definido según redes sociales.

En todos los modelos se verifica que el género femenino es una variable estadísticamente significativa, a excepción del modelo 3, de GE tradicional post-pandemia. Es decir, la probabilidad de realizar GE (en sentido amplio o solo mediante redes sociales) es mayor si la persona es mujer, tal como sugiere la hipótesis 1. Por otro lado, si la persona declaró ser de otro género (diferente a masculino o femenino) menor es la probabilidad de usar los servicios de GE.

A su vez, disponer de estudios educativos superiores incrementa la probabilidad de realizar GE a través de la web o en un sentido amplio. Este resultado está en línea con la hipótesis 2. Sin embargo, cuando se analiza el GE únicamente mediante las redes sociales, los estudios superiores dejan de ser estadísticamente significativos. Esto puede estar relacionado con que el uso de redes sociales requiere de una menor alfabetización digital que el contacto mediante un sitio web, en términos de facilidad de uso.

Por otro lado, el pago de Internet no es una variable estadísticamente significativa en ninguno de los modelos, lo cual indica que la probabilidad de realizar GE es independiente de los medios económicos disponibles. Este hallazgo rechaza la hipótesis 3. A su vez, el uso de Internet en el trabajo, utilizado como variable proxy de la condición laboral, es estadísticamente significativa en el sentido tradicional de GE, es decir mediante el sitio web del MBB. Sin embargo, en cuanto se introducen las redes sociales a la definición de GE, la condición laboral deja de ser significativa.

La edad de la persona es estadísticamente significativa en todos los modelos, a excepción de GE tradicional post-pandemia. Se observa que a mayor edad de la persona, mayor es la probabilidad de realizar GE. Sin embargo, en el modelo de GE por redes sociales, la edad adopta un signo negativo, es decir que cuanto más joven es la persona es más probable que se realice GE mediante las redes sociales. Por otra parte, disponer de una computadora no resultó ser una variable estadísticamente significativa en ningún modelo. Esto explicaría por qué probablemente no es necesario un nivel alto de alfabetización digital para conectarse electrónicamente con el gobierno.

En el modelo de GE tradicional se verifica que la influencia social capturada a través del seguimiento a las redes sociales del municipio es estadísticamente significativa. Es decir, un ciudadano que sigue a las redes sociales del municipio tiene una mayor propensión a adoptar el GE que un ciudadano que no es seguidor.

En la tabla 4 se presentan los efectos marginales de las variables halladas significativas. Si se toma como referencia el modelo del enfoque tradicional de GE, se verifica que la variable que más efectos marginales posee sobre la probabilidad de GE es nivel educativo. Es decir, pasar de no tener estudios técnicos o universitarios a tenerlos, incrementa la probabilidad de adoptar el GE en casi un 17%. Además, ser seguidor de alguna de las redes sociales del municipio genera un efecto positivo, al incrementar la probabilidad de GE por sitio web en casi un 9%. Asimismo, poseer conexión a Internet en el trabajo aumenta la probabilidad de adoptar el GE en un 8%.

Si se basa el análisis en el modelo 1 de GE en sentido amplio, la variable con mayor efecto marginal en la probabilidad de GE es Otro género (Tabla 5). Es decir, la probabilidad de adoptar GE se reduce en un 29.16%, mientras que si la persona es de género femenino la probabilidad aumenta en un 9.43% respecto de ser de género masculino. En este modelo, los estudios superiores tienen un efecto marginal del 10.52% que es de una magnitud inferior al caso del Modelo 3 antes analizado. Por último, la edad tiene un efecto marginal significativo, pero de una magnitud igual a 0.37%.

En el caso del modelo según redes sociales (modelo 2), las únicas variables significativas son femenino y edad (Tabla 6). El efecto marginal de ser mujer es del 11%, y supera en magnitud al modelo estimado en sentido amplio. Además, la edad tiene un efecto negativo en la probabilidad y alcanza una magnitud del 0.37% equivalente al modelo anterior, pero de signo contrario.

3.2 Discusión

Los resultados anteriores permiten concluir que el 65% de la muestra ha realizado GE mediante el sitio web del municipio y el 43% mediante las redes sociales oficiales; mientras que el 78% utilizó al menos alguna de las dos plataformas. Tal como plantean Gil-García et al. (2016), y ^{Bertot, et al. (2012)}, el uso de las redes sociales en el ámbito gubernamental ha cambiado el paradigma en cuanto a la relación gobierno-ciudadano. Aunque el número de encuestados que ha visitado la plataforma web municipal sea mayor que el de personas que siguen a las redes sociales del municipio, podría coincidir con el planteo de ^{Gao y Lee (2017)}, sobre la actitud reacia de los ciudadanos para utilizar las redes sociales como un instrumento interactivo para conectarse con el gobierno. Hasta el momento han sido muy limitadas las acciones por parte del gobierno para involucrar a los ciudadanos en una verdadera colaboración conjunta de medidas e iniciativas, más allá de la mera difusión de la información a través de las redes sociales.

La adopción de las redes sociales no solo permite a los gobiernos ofrecer “soluciones de gobierno electrónico de bajo costo”. En este caso se realizaron tres modelos de adopción de GE: en sentido amplio (web y redes sociales), tradicional (web) y basado en redes sociales. El modelo de realización de GE a través de las redes sociales, sin tener en cuenta la plataforma web, ratifica el planteamiento de ^{Hung et al. (2020)}, de que la facilidad de uso de las redes sociales atrae a una amplia gama de audiencias al no requerir elevados niveles de habilidades técnicas para su uso. Esto explicaría que la variable estudios superiores no sea estadísticamente significativa para la realización de GE a través de las redes sociales. En contraste, poseer estudios superiores sí tiene un efecto significativo en la propensión a adoptar GE vía web, algo coincidente con la literatura (^{Sharma, 2015}; ^{Belanche et al., 2016}). Belanche et al. (2016), examinaron el caso de Zaragoza, España, encontrando que el nivel educativo es un determinante significativo y de efecto positivo del uso de los servicios de GE.

Cierta literatura se ha enfocado en los factores demográficos como: nivel educativo, edad, género y condición laboral que explican el GE (^{Mensah, 2020}; ^{Hung et al., 2020}; Mensah, 2018; Alharbi et al., 2016; ^{Belanche et al., 2016}; ^{Al-Jamal & Abu-Shanab, 2015}; ^{Sharma, 2015}). Entre tales factores, la edad asume un efecto significativo sobre la intención de uso de los servicios de GE en algunos estudios (Hung et al., 2020; Sharma, 2015; Al-Jamal & Abu-Shanab, 2015), y no significativo en otros (Mensah & Mi, 2018). En cuanto a la variable demográfica edad, autores como Hung et al. (2020), Sharma (2015) y Al-Jamal & Abu-Shanab (2015), la asocian de forma negativa con la intención de uso de los servicios de GE. Esto se ve ratificado sólo por el modelo de GE por redes sociales: es decir, la participación ciudadana en las redes sociales del gobierno también se ve afectada por la diferencia demográfica o generacional, ya que son los grupos más jóvenes de la sociedad los que emplean de forma regular internet y las redes sociales (Hung et al., 2020).

En el caso del modelo tradicional, plataforma web, el signo es positivo: a mayor edad mayor probabilidad de realizar GE. Respecto del género, los resultados obtenidos indican en todos los modelos estimados (con excepción del modelo de GE tradicional), que el género femenino es una variable estadísticamente significativa, tal como establecen ciertos autores (^{Sharma, 2015}; ^{Al-Jamal & Abu-Shanab, 2015}), y contrario a ^{Mensah & Mi (2018)}. En cuanto a la variable de ocupación, el uso de Internet en el trabajo utilizado como proxy de la condición laboral resulta estadísticamente significativa en el modelo tradicional de GE (web) pero en el GE en sentido amplio deja de serlo. Esto se podría explicar por el mayor uso de las redes sociales en espacios no laborales y medios personales (como un smartphone). En esta línea, ^{Chen (2010)}, analiza el factor tipo de trabajo u ocupación distinguiendo entre industria manufacturera, servicios, gobierno y organizaciones sin fines de lucro, sin hallar resultados estadísticamente significativos para explicar las diferencias en el uso del GE. ^{Akman et al. (2005)} y Al-Jamal & Abu-Shanab (2015), exploran el impacto de la condición laboral en el uso del GE, para los casos de Turquía y Jordania.

La variable red social, incluida como explicativa en el modelo de GE tradicional, resultó significativa. Es decir, el efecto de las redes sociales puede representar el impacto de la influencia social sobre los niveles de adopción del GE siguiendo la línea de los modelos UTAUT (Mensha, 2020; Almaiah & Nasereddin, 2020; ^{Venkatesh et al., 2003})). La experiencia en el uso de Internet (^{Rodrigues et al., 2016}; Kumar, 2007) y la influencia social, son dos de los predictores de la intención conductual de adopción y uso de nueva tecnología estudiados por el modelo UTAUT. Si los ciudadanos son seguidores de la red social del municipio, están expuestos a una mayor influencia social que incidiría sobre su decisión de adopción del GE desde el sitio web.

La variable ingresos, con el pago de internet y disponibilidad de computadora en el hogar como proxys, no resultó ser estadísticamente significativa en ningún modelo. Este resultado no es el esperado ya que estaría indicando que la realización del GE es independiente del nivel de ingresos de los ciudadanos. En este caso, los resultados podrían estar condicionados por la muestra ya que la misma está compuesta por una gran proporción de individuos con altos ingresos (con computadora en el hogar y/o internet en el trabajo).

En cuanto a las limitaciones de la investigación, la muestra presenta un sesgo ya que están representados los ciudadanos con acceso a internet. Además, existen otras variables principalmente subjetivas y de percepción que explican la adopción de GE y que no fueron relevadas en la encuesta. El trabajo no incorpora en el análisis gran parte de las variables estudiadas por los modelos UTAUT, inherentes a la percepción de uso e intención de uso de los ciudadanos, así como también el nivel de confianza de la comunidad en el gobierno.