Resumen de Causality Study on Financial Inclusion Issues with Data Science Techniques: The Mexican Case

Itzel Coquis Rioja, Mario Iván Contreras Valdez

• español

  El presente artículo explora las causas de la inclusión financiera entre la población mexicana. Con datos de la Encuesta Nacional de Inclusión Financiera (ENIF) (INEGI, 2021) desarrolla dos modelos de aprendizaje automático con el objetivo de identificar a individuos que forman parte del sistema financiero. Estos modelos son evaluados valiéndose tanto de metodologías de inteligencia artificial como de pruebas estadísticas de significancia tradicionales. Los hallazgos sugieren que factores como nivel educativo, ingreso mensual, preferencias orientadas hacia el futuro sobre las presentes, capacidad de ahorro y acceso a teléfonos inteligentes son impulsores significativos que aumentan la probabilidad de inclusión financiera. En consecuencia, existe un potencial para la implementación de políticas públicas dirigidas a incentivar a los individuos para que adopten voluntariamente servicios financieros formales.

• English

  The current article explores the causes of financial inclusion among the Mexican population. It leverages data from the Encuesta Nacional de Inclusión Financiera (ENIF) (INEGI, 2021) to develop two machine learning models aimed at identifying individuals who are part of the financial system. These models are assessed using both artificial intelligence methodologies and traditional statistical significance tests. The findings suggest that factors such as education level, monthly income, future-oriented behavioral preferences over present ones, saving capacity, and access to smartphones are significant drivers that enhance the likelihood of financial  inclusion. Consequently, there is a potential for implementing public policies to incentivize individuals to voluntarily adopt formal financial services.