Nhung Luu y Bruno De Menna
La productividad es un factor clave del crecimiento económico y la competitividad. Por ello, los indicadores de productividad comparables internacionalmente son fundamentales para evaluar el desempeño económico. Una medida de productividad ampliamente utilizada es la productividad multifactorial (PMF), que tradicionalmente refleja la eficiencia con la que una economía convierte la mano de obra y el capital producido, como maquinaria y edificios, en producción. Sin embargo, las métricas convencionales de la PMF no consideran las externalidades negativas de la producción, como las emisiones de gases de efecto invernadero y otros contaminantes, y descuidan el uso del capital natural, como los minerales.
Al omitir la sostenibilidad de las métricas de productividad, corremos el riesgo de tratar las operaciones con alta contaminación de la misma manera que las responsables con el medio ambiente. Imaginemos dos fábricas de ropa operadas por la misma marca global, cada una produciendo la misma cantidad de prendas con el mismo número de trabajadores y niveles similares de inversión en capital producido, como maquinaria y equipos. Una fábrica emplea tecnologías de bajas emisiones y recicla agua, mientras que la otra utiliza máquinas energéticamente ineficientes y vierte sustancias químicas tóxicas en los ríos locales. Las métricas tradicionales de productividad clasificarían a ambas fábricas como igualmente productivas, a pesar de sus huellas ambientales muy diferentes. Esta brecha en la medición presenta un panorama incompleto, lo que dificulta que los responsables políticos alineen las estrategias de crecimiento económico con los objetivos de sostenibilidad.
Existe un creciente reconocimiento de que la productividad media ajustada ambientalmente (PMA) tradicional conlleva una vulnerabilidad ambiental. En respuesta, se han impulsado iniciativas para incorporar las emisiones y el capital natural en la medición de la productividad, lo que ha dado lugar al desarrollo de una nueva métrica conocida como PMA ajustada ambientalmente (PMA-EA). La Figura 1 ilustra el marco de contabilidad del crecimiento aumentado utilizado para obtener la PMA-EA, que incorpora explícitamente dos dimensiones adicionales. En primer lugar, reconoce las emisiones como subproductos indeseables generados junto con los productos deseables. En segundo lugar, amplía el conjunto de factores de entrada para incluir el capital natural, complementando así los insumos tradicionales de mano de obra y capital producido. La PMA-EA se define entonces como el crecimiento residual de la producción ajustada a la contaminación, calculado como la diferencia entre el crecimiento de la producción deseable e indeseable, tras considerar las contribuciones de la mano de obra, el capital producido y el capital natural.Una mesa Flourish
Para poner en práctica este marco, se requieren datos sobre las dos adiciones a la medición tradicional del PFM. Si bien el capital natural se refleja cada vez más en las estadísticas oficiales, las emisiones siguen siendo difíciles de valorar, principalmente porque a menudo no existe un mercado que oriente las valoraciones.
Para abordar esto, los investigadores han propuesto varios métodos para incorporar las emisiones. Estos enfoques suelen implicar la conversión de las emisiones en costos monetarios, que posteriormente pueden integrarse en los cálculos del PFM. Sin embargo, en ausencia de mercados de emisiones explícitos, estas valoraciones monetarias, conocidas como «precios sombra», no pueden observarse directamente y deben estimarse. Dichas estimaciones suelen conllevar una incertidumbre significativa y pueden variar considerablemente según la metodología utilizada.
La literatura generalmente se basa en uno de dos enfoques principales: métodos de regresión y métodos de frontera eficiente. Ambos se centran en la perspectiva del productor, con el objetivo de capturar el costo implícito que las empresas incurren al reducir la contaminación en una unidad adicional. Los métodos de regresión se basan en funciones de producción y maximización de beneficios. Estiman la relación entre los productos deseables e indeseables y los insumos de los factores, lo que permite la derivación de los costos de la contaminación dentro de un marco económico estándar. Los métodos de frontera eficiente comparan empresas o economías con las de mejor desempeño que producen más con la menor contaminación, lo que ayuda a evaluar cuánto se quedan cortos otros. Dos de estos métodos son el Análisis Envolvente de Datos (DEA) y el Análisis de Frontera Estocástica (SFA), que difieren en cómo modelan la eficiencia de la producción en presencia de externalidades negativas.
El DEA compara la eficiencia con la que las empresas o países convierten insumos en productos con respecto a una frontera de referencia derivada de datos observados, sin requerir suposiciones sobre la forma de la función de producción. Sin embargo, atribuye todas las desviaciones de la frontera a la ineficiencia, ignorando el papel del ruido o los errores de medición. El SFA, por otro lado, evalúa la eficiencia de la producción con base en una función de producción predefinida. Este método requiere suposiciones sobre la estructura de la tecnología de producción, pero tiene la ventaja de distinguir la ineficiencia de los shocks aleatorios o las imperfecciones de los datos.
Muchos estudios ofrecen una visión limitada de por qué se eligió un método en particular. A menudo, se selecciona un método basándose en una sola consideración, sin sopesar todas sus ventajas y desventajas. Por ejemplo, se suele preferir el DEA porque evita la necesidad de especificar una forma funcional para la producción, mientras que los métodos basados en SFA y la regresión suelen elegirse por su capacidad para respaldar la comprobación de hipótesis. Esta limitada base de selección limita la capacidad de evaluar qué herramientas son las más adecuadas para alcanzar objetivos de investigación específicos.
En este artículo del blog, identificamos cinco criterios para evaluar posibles enfoques para producir estimaciones entre países que puedan fundamentar la formulación de políticas:
Compatibilidad : ¿Es el método compatible con el marco de contabilidad del crecimiento de la OCDE para la estimación del PFM?
Robustez : ¿Qué tan sensibles son los resultados a pequeños cambios en los datos?
Replicabilidad : ¿El método es transparente y reproducible?
Disponibilidad de datos: ¿Están disponibles los datos requeridos en los países de la OCDE y las principales economías emergentes?
Comunicabilidad : ¿Son fáciles de transmitir los resultados a los responsables políticos y otras partes interesadas?
Con base en este marco, el análisis de regresión ofrece varias ventajas. Es relativamente fácil de comunicar, transparente en sus supuestos y altamente replicable. Sin embargo, presenta dificultades para separar causa y efecto (problemas de endogeneidad), lo cual puede comprometer la precisión de las estimaciones de precios sombra.
La DEA a menudo conduce a precios sombra inverosímiles y no admite pruebas de hipótesis, lo que genera inquietudes sobre la confiabilidad e incertidumbre de sus hallazgos.
Por el contrario, el análisis de factores de producción (AFS) evalúa la eficiencia especificando una frontera de producción, lo que requiere suposiciones sobre su forma funcional y propiedades estadísticas. Sin embargo, ciertas características, como las propiedades de traducción, son difíciles de considerar plenamente en el proceso de estimación dentro de un marco AFS tradicional. Por lo tanto, a menudo es necesario verificar ex post si los resultados estimados satisfacen estas restricciones.
La combinación del análisis de factores estadísticos (AFS) con la estimación bayesiana —un enfoque aún novedoso en este campo— ofrece una forma prometedora de abordar estos desafíos. Este método híbrido tiene el potencial de generar estimaciones robustas y consistentes de precios sombra, mitigar los problemas de endogeneidad que presentan los enfoques basados en regresión e incorporar el error de medición y el ruido aleatorio, lo que facilita la comprobación de hipótesis.
A pesar de su potencial, el AFS bayesiano aún no se ha probado exhaustivamente en diversos contextos nacionales y sectoriales. En comparación con el AFS clásico, su complejidad técnica plantea desafíos tanto para la implementación como para la comunicación. Por ejemplo, el AFS bayesiano requiere especificar supuestos previos y utilizar métodos computacionales para estimar los resultados. Estas estimaciones podrían ser sensibles, especialmente al trabajar con muestras pequeñas o datos limitados. Además, el método se basa en algoritmos de Monte Carlo de cadenas de Markov, que requieren un ajuste y una comprobación minuciosos para garantizar la estabilidad de los resultados. De cara al futuro, será esencial probarlo en diversos contextos para evaluar sus fortalezas y limitaciones en la práctica.
