¿Qué explica la migración de retorno?

Los primeros estudios sobre la migración de retorno la explicaban como parte de flujos migratorios circulares, donde los individuos migran a zonas agrícolas y retornan a casa durante las temporadas de invierno ^{(Elkan, 1959)}.

Para otros flujos de retorno permanentes, los modelos tradicionales de migración basados en diferenciales salariales ^{(Sjaastad, 1962)} no podrían explicar los retornos en la ausencia de reversiones de diferenciales salariales. La primera explicación se basaba en la existencia de información incompleta. Una vez que se revelaba la información acerca de la verdadera naturaleza de los diferenciales salariales, los individuos no satisfechos retornaban a casa ^{(Herzog y Schottman, 1982)}. Bajo esta perspectiva, la migración de retorno implicaba una selección negativa de retornantes ^{(Borjas y Bratsberg, 1996)}, y no se esperaban efectos positivos en la productividad del país de origen ^{(Mestries, 2015}; ^{Contreras, 2018)}. Una segunda explicación argumenta que los individuos migran para acumular ahorros y, una vez que dichos objetivos se alcanzan, los individuos retornan a casa ^{(Borjas y Bratsberg, 1996)}. Bajo esta perspectiva, los retornados son seleccionados positivamente y se esperan efectos positivos en productividad al retornar al país de origen.

Otros estudios han clasificado a los retornados en cinco categorías: retornados permanentes que han alcanzado sus objetivos; trabajadores temporales que retornan cada temporada de invierno a casa; retorno transgeneracional, que es hecho por hijos de migrantes nacidos en Estados Unidos o por aquellos que fueron llevados como niños a dicho país; retorno forzoso, asociado a las deportaciones; y retorno debido al fracaso, el cual puede estar asociado a razones económicas o personales ^{(Durand, 2004)}.

La relación entre la migración de retorno y la productividad agrícola

La relación entre los flujos migratorios y la productividad agrícola es compleja, debido a que diferentes flujos migratorios tienen efectos diferentes sobre dicha productividad ^{(OCDE, 2017)}. En el modelo tradicional de migración urbano-rural ^{(Lewis, 1954)}, la emigración no genera efectos en productividad debido a que existe un exceso de mano de obra en la región de origen. El trabajo de ^{Schultz (1964)} mostró que aún en países menos desarrollados altamente poblados, grandes cambios en población generaban reducciones en productividad. Nuevas investigaciones argumentan que las reducciones en población en el país de origen pueden ser compensadas en el mediano plazo debido a que los emigrantes pueden vender sus tierras y los terratenientes pueden comprar dichos terrenos, incrementar su escala operativa y sustituir mano de obra por capital ^{(Black y Castaldo, 2009)}.

Otros autores afirman que la emigración no implica el abandono de tierras, dado que la migración es una estrategia de los hogares para diversificar sus fuentes de ingreso ^{(Lucas y Stark, 1985)}, de tal manera que los miembros del hogar que no emigraron pueden seguir cultivando la tierra o contratar mano de obra localmente ^{(FAO, 2016}; ^{OCDE, 2017)}. De hecho, algunos autores afirman que la emigración junto con la recepción de remesas puede generar aumentos en productividad agrícola ^{(Lucas, 1987}; ^{Chamberlin et al., 2020)}.

En lo concerniente a la migración de retorno, diferentes autores afirman que los retornados pueden traer nuevas tecnologías, habilidades, ahorros y redes que pueden aumentar la productividad agrícola ^{(Black y Castaldo, 2009}; ^{OCDE, 2017)}. Otros autores argumentan que los retornados no pueden aportar a la productividad debido a que los retornos están asociados al desempleo en el país anfitrión y a las deportaciones ^{(Durand, 2004)}, o porque los retornados tienen capital limitado y pocos apoyos del gobierno ^{(Mestries, 2015}; ^{Contreras, 2018)}. Para otros autores, la experiencia adquirida en Estados Unidos no es relevante en México ^{(Contreras, 2018)}.

Evidencia sobre la relación entre migración de retorno y la productividad agrícola

Estudios empíricos han encontrado que los retornados aumentaron la inversión en capital en Burkina Fasso ^{(OCDE, 2017)}. Para el caso de Perú, estudios argumentan que los retornados son agentes de cambio tecnológico ^{(Chávez, 1995)}. Estudios para España argumentan que los retornados introdujeron nuevas tecnologías en Almería y Granada ^{(Jiménez-Díaz, 2010)}. En el caso de China, estudios muestran que los retornados aumentaron la cantidad de tierra cultivada ^{(Chen et al., 2020)}, así como la probabilidad de adopción de nuevas tecnologías ^{(Shi y Wuang, 2013)}, y aumentan el capital humano y financiero en el sector agrícola ^{(Quian et al., 2016)}.

Estudios en México muestran que los retornados trajeron maquinaria agrícola de Estados Unidos. Sin embargo, ^{Mestries (2015)} y ^{Contreras (2018)} encuentran que los retornados experimentaron desempleo en Estados Unidos y que no aportaron a la productividad en Veracruz e Hidalgo, respectivamente. ^{Contreras (2018)} afirma que la falta de apoyos gubernamentales y las pequeñas parcelas limitan los efectos de los retornados en Hidalgo. De igual forma, en el caso de Albania, ^{Carletto et al. (2010)} reportan que los retornados gastaron menos en insumos agrícolas.

Evidencia sobre la relación entre otros aspectos migratorios y la productividad agrícola

Estudios han encontrado que los hogares con emigrantes en otros países tienen mayor probabilidad de contratar trabajadores agrícolas y vender sus productos, y que los hogares que reciben remesas también invierten más en agricultura ^{(OCDE, 2017)}. Esto ha sido interpretado como evidencia de que las remesas compensan a los hogares por la emigración de algunos de sus miembros ^{(OCDE, 2017)}.

Los efectos positivos de las remesas sobre la productividad agrícola se han encontrado en Nepal ^{(Kapri y Ghimire, 2020)}, Bangladesh ^{Mendola, 2008)} y Ghana ^{(Tsegai, 2004)}. En Botswana, Malawi y Mozambique, las remesas aumentaron la productividad agrícola y la inversión en ganado ^{(Lucas, 1987)}. En Albania ^{(Carletto et al., 2009)} y Burkina Fasso ^{(Taylor y Wouterse, 2008)}, las remesas ayudaron a que se hicieran cambios en cultivos y ganado. En las Filipinas, las remesas aumentaron la producción de variedades de alto rendimiento, pero redujeron la diversificación de cultivos ^{(Gonzalez-Velosa, 2011)}.

En el caso de México, las remesas aumentaron la productividad agrícola, pero no la producción de ganado ^{(Böhme, 2015)}. Estudios para el Estado de México encontraron que la recepción de remesas aumentó la inversión en capital agrícola ^{(Chávez et al., 2019)}. Para el caso de Oaxaca, se encontró que las remesas redujeron el abandono de tierras e incrementaron la productividad agrícola ^{(Salas, 2012)}.

Para el caso de China ^{(Rozzelle et al., 1999)} y Nepal ^{(Khanal et al., 2015)}, se encontró que la emigración redujo los productores dedicados al cultivo de maíz, pero las remesas compensaron la pérdida en producción.

En el caso de Uganda, los estudios han encontrado que la emigración interna genera efectos positivos en productividad en pequeños productores ^{(Djuikom, 2013)}. En el caso de Zambia, los estudios han encontrado que la inmigración hacia zonas rurales ha incrementado la productividad en hogares rurales ^{(Chamberlin et al., 2020)}.

Evidencia sobre otros efectos de la migración de retorno

En Burkina Fasso, Costa Rica, Georgia y las Filipinas, los hogares con retornados tienen mayor probabilidad de iniciar negocios ^{(OCDE, 2017)}. En Albania, los retornados y las remesas se asocian con mayor inversión en sectores diferentes al agrícola ^{(Carletto et al., 2010)}.

Hay muchos estudios empíricos que han encontrado que los retornados tienen mayor probabilidad de autoemplearse debido al capital humano y ahorros adquiridos en el exterior ^{(McCormick y Wahba, 2001}; ^{Cassarino, 2004}; ^{Durand, 2004}; ^{Cobo, 2008}; ^{Whaba y Zenou, 2012}; ^{Krasniqui y Williams, 2018)}. Otros estudios han mostrado que los retornados traen experiencia trabajando con tecnologías más avanzadas y dentro de organizaciones más complejas, lo que aumenta su probabilidad de autoemplearse ^{(Riddle et al., 2010}; ^{Hausman y Nedelkoska, 2018)}. De igual manera, se ha encontrado entre retornados que los conocimientos técnicos y administrativos, así como la experiencia laboral aumentan la probabilidad de volverse emprendedores ^{(Williams, 2018}; ^{Cuecuecha et al., 2022)}.

Modelos logarítmicos

Para estudiar las diferencias en productividad entre productores con y sin retornados, se siguieron modelos basados en funciones de producción Cobb-Douglas, usando como variable dependiente el logaritmo del producto promedio por trabajador ^{(Debertin, 2012)}:

Donde es el producto, es el capital, es el trabajo total, incluyendo familiares y empleados, es el área cultivada, indica la existencia de retornados, y es un vector de variables de control, entre las que se incluye si se renta tierra, si el producto es para la venta, así como una dicotómica para la producción de café y dicotómicas para los municipios. Aquí es importante señalar que estas variables son endógenas y se incluyen con el fin de captar el efecto de la migración de retorno por encima y más allá de las variables de control.

En el caso de la función de costos promedio, se siguieron modelos logarítmicos de funciones de costo ^{(García y Randall, 1994)}, haciendo algunos ajustes debido a que las variaciones en precios de insumos no son tan importantes como las variaciones en insumos, pues solamente se usaron datos para cuatro municipios:

Donde es el costo total, es la producción total, y K, T, Ti, mig, y X fueron definidas anteriormente.

En el caso de la función de beneficios, se usó el logaritmo de la razón ingresos a costos como sigue:

La ecuación 3 no sigue la práctica de emplear el logaritmo de las ganancias ^{(Sidhu y Baanante, 1981)} debido a que algunos de los productores operan con pérdidas. De igual manera, no se sigue la convención de usar los precios de insumos ^{(Kumbhakar, 2001)} y se usan las demandas de insumos por las razones ya explicadas.

Debido a las razones explicadas anteriormente, esta estimación se toma como punto de referencia, pero se interpreta con cuidado debido a que las estimaciones son sesgadas.

Modelos semiparamétricos

En esta sección se presentan estimaciones semiparamétricas para obtener el efecto causal de la migración de retorno con base en el supuesto de que, usando la probabilidad de tener emigrantes retornados, es posible identificar dicho efecto ^{(Rosenbaum y Rubin, 1983)} sobre la productividad, los costos y los márgenes de ganancia.

Para cada uno de los efectos causales estimados, se define el siguiente modelo del resultado potencial:

Donde es la variable de resultados para productores sin retornados, es un vector de coeficientes para dichos productores, es el resultado para productores con retornados, es un vector de coeficientes para estos segundos productores, es el vector que determina la productividad, y t toma el valor de 1 para los retornados. Se asume que el conjunto de retornados cumple la siguiente regla:

Donde es el vector de variables que determina la participación en el conjunto de retornados. La estimación requiere tres supuestos: i. Independencia condicional, lo cual implica que, condicionando en las variables de control, los resultados potenciales no están correlacionados con el tratamiento; ii. Soporte común, lo cual implica que las observaciones tienen una probabilidad diferente de cero tanto para participar en el tratamiento como de no participar en el tratamiento ^{(Rosenbaum y Rubin, 1983)}; iii. Muestra aleatoria de la población, con observaciones de productores con y sin retornados ^{(Imbens y Wooldridge, 2009)}.

Dados los tres supuestos anteriores, se aplican los estimadores emparejados aleatorizados como sigue:

m es el número de emparejamientos deseado

El efecto promedio sobre los tratados se estima por:

Donde:

Para obtener la varianza, se sigue a ^{Abadie e Imbens (2016)}.³

Modelos no paramétricos

Los modelos previos solamente obtienen efectos promedio de los retornados; sin embargo, el efecto se puede encontrar a lo largo de toda la distribución de productividad, costos promedio o márgenes. Se sigue a ^{DiNardo et al. (1996)} para mostrar la estimación no paramétrica de dicho efecto. La estimación se realiza usando densidad por núcleo, la cual está definida por:

Donde x son los valores de la variable de resultados, y son las frecuencias encontradas en los datos utilizados, h es el ancho de banda obtenido mediante el método de ^{Parzen (1962)}. La función de núcleo utilizada es la de Epanechnikov:

Siguiendo a ^{DiNardo et al. (1996)}, se estiman las distribuciones contrafactuales para los productores sin retornados, imponiendo en ellos la distribución de los productores con retornados. Esto se hace al multiplicar cada observación por la probabilidad de tener retornados, , y dividir cada observación por la probabilidad de no tener retornados, , como sigue:

Con los anteriores pesos, se estima la distribución contrafactual dada por:

Al comparar las masas de probabilidad obtenidas de las distribuciones de no retornados con la contrafactual descrita anteriormente, se puede observar el efecto de tener retornados sobre la distribución ^{(DiNardo et al., 1996)}.

Los cuatro municipios estudiados

El estado de Puebla tiene una migración de retorno de .67 por ciento, por debajo del promedio nacional de 1.23 por ciento ^{(CONAPO, 2022)}. En el caso de los municipios estudiados, Chignahuapan tiene 1.09 por ciento de hogares con retornados; en tanto que Zacatlán, Huachinango y Xicotepec tienen porcentajes de retornados por debajo del promedio, en .34 por ciento, .38 por ciento, y .18 por ciento, respectivamente ^{(CONAPO, 2022)}. La encuesta realizada en este artículo encontró más migrantes retornados de los sugeridos por ^{CONAPO (2022)}, probablemente porque se enfoca en la zona rural de dichos municipios. Resultados que no se muestran por falta de espacio, toda vez que tomar en consideración esta anomalía no altera cualitativamente los resultados que se presentan en las secciones siguientes.

En 2018, el estado de Puebla produjo 53 700 toneladas de maíz y cultivó 515 000 hectáreas, con lo que es el noveno productor de maíz en México ^{(SIAP, 2023)}. En el caso del café, el estado de Puebla es el tercer productor de dicho producto, con 135 600 toneladas y 69 000 hectáreas cultivadas ^{(SIAP, 2023)}. Algunos reportes señalan que hasta 30 por ciento de la producción de Puebla se dedica a la exportación ^{(Olano, 2022)}. Para el caso del maíz, los productores pequeños y medianos dedican gran parte de su producción al autoconsumo y venden pequeños excedentes en mercados locales ^{(Ávila et al., 2014)}.

Hay estudios que han mostrado que productores de maíz encuentran problemas para adoptar variedades híbridas que se adapten al clima, aplican poca tecnología y la organización entre ellos es débil ^{(Ávila et al., 2014)}. En el caso del café, existe un uso intermedio de tecnología; algunos productores aplican nuevas variedades y técnicas de cultivo, mientras que otros utilizan métodos tradicionales de cultivo ^{(Benítez-García et al., 2015)}. En algunos municipios se cultivan variedades orgánicas de café y se venden los productos mediante cooperativas ^{(Benítez-García et al., 2015)}. Dadas las diferencias mencionadas entre productos, en la estimación se introduce una variable dicotómica para la producción de café.

El marco muestral está constituido por 7 554 productores de maíz, 4 712 en Chignahuapan y 2 842 en Zacatlán. También incluye 1 824 productores de café, 784 en Huachinango y 1 040 en Xicotepec. Todos los productores pertenecen a la lista de beneficiarios del Programa de Producción para el Bienestar (PPB) ^{(Secretaría de Agricultura y Desarrollo Rural [SADER], 2019)}. Chignahuapan y Zacatlán cultivan 12 000 y 8 900 hectáreas de maíz, respectivamente ^{(SIAP, 2023)}. Huachinango y Xicotepec cultivan un total de 440 hectáreas y 7 100 hectáreas, respectivamente ^{(SIAP, 2023)}.

La muestra se estratificó por municipio y se obtuvo el tamaño de la muestra siguiendo la fórmula para una proporción ^{(Lohr, 2022, p. 86)}, dado que se tomó como medida a estimar la proporción de hogares con retornados que puede obtenerse a nivel municipal del censo de 2020 ^{(CONAPO, 2022)}. El único criterio de selección para ser incluido en la muestra fue el encontrarse en la lista de beneficiarios del PPB. Se logró una muestra de 281 productores, repartida de la siguiente manera: 64 de Chignahuapan, 81 de Huachinango, 88 de Xicotepec y 48 de Zacatlán. Se fijó el nivel de confianza en 95 por ciento, lo que genera un error de muestreo de 1.3 por ciento, de acuerdo con la fórmula para el error de muestreo mostrada en ^{Lohr (2022, p. 97)}.

Para generar los factores de inflación para la encuesta, se siguió a ^{Manski y Lerman (1977)} para obtener la razón entre la probabilidad de encontrarse en el marco muestral, dada por p _s , y la probabilidad de ser encontrado en el muestreo realizado, dada por e _s . La razón p _s /e _s permite estimar cuántos productores de cada municipio representa cada productor encuestado ^{(Lohr, 2022, p. 87)}. Esta corrección es necesaria debido a que originalmente se había planeado tener un muestreo proporcional a la participación de productores en el marco muestral, y se llamó dicha proporción para el estrato s, p _s ; estableciendo un nivel de confianza de 95 por ciento y un error de muestreo de 1.6 por ciento, se hubiera necesitado una muestra de 271 individuos de acuerdo con las fórmulas 3.18 en ^{Lohr (2022, p. 96)} y 3.7 ^{(Lohr, 2022, p. 87)}. En la práctica, se lograron 281 observaciones repartidas como se mencionó anteriormente. Estas proporciones generan una probabilidad de encontrarse en la muestra por estrato, la cual se llamó e _s . Dicha proporción genera un error de muestreo de 1.3 por ciento, de acuerdo con la fórmula 3.17 en ^{Lohr (2022, p. 96)}. Debido a que la tasa de muestreo e _s es diferente de p _s , es necesario recuperar las probabilidades ex post de participación en la muestra. Para lograrlo, se siguió a ^{Manski y Lerman (1977)}, que sugieren generar la razón p _s /e _s de tal modo que las probabilidades de muestreo e _s sean reemplazadas por las probabilidades de pertenecer al marco muestral p _s . Esto permite identificar el número de individuos que cada observación en la muestra representa ^{(Lohr, 2022, p. 87)} y, por lo tanto, lograr estimaciones representativas del marco muestral. Se usaron estos pesos como ponderadores en las diferentes estimaciones que así lo indican en las siguientes secciones.

Tanto los productores de café como los productores de maíz recibieron subsidios del gobierno del estado de Puebla en 2022.⁴ En el caso de los productores de maíz, también existe el Programa de Precios de Garantía ^{(Gobierno de México, 2022)}. Una variable dicotómica para la recepción de subsidios se incluye en las estimaciones.

En 2015, Chignahuapan tenía un índice de desarrollo humano medio, mientras que Huachinango, Xicotepec, y Zacatlán tenían índices de desarrollo humano alto ^{(PNUD, 2015)}. Estas diferentes condiciones económicas llevaron a incluir variables dicotómicas para los municipios en las estimaciones.

Otro factor considerado en la estimación fue si los productores dedican su producción para venta en mercados, lo cual se integró en una variable dicotómica. La dedicación al mercado se ha correlacionado con mayor productividad ^{(Kamara, 2004}; ^{Tsegaye et al., 2017)}.

Valores promedio para las variables usadas en el modelo

Para aplicar el modelo empírico, la producción se mide en toneladas, los costos y el ingreso se miden en pesos mexicanos, el capital se mide por una proxy construida con variables cualitativas para uso de fertilizantes, fungicidas y herbicidas. El uso de dichos insumos se correlaciona con mayor inversión en capital físico ^{(Paul et al., 2022)}. La decisión de usar esta proxy de capital se debió a que, en trabajo exploratorio, los productores se negaban a contestar la encuesta si se les preguntaban montos invertidos en pesos mexicanos.

En el caso de los fertilizantes, la variable cualitativa toma el valor de cero si solo utilizan estiércol, el valor de uno si usan composta y estiércol, el valor de dos si añaden fertilizante químico, y el valor de tres si solamente usan fertilizante químico. Para fungicidas y herbicidas se usaron variables binarias. Las tres variables se suman linealmente. La variable de trabajo incluye familiares y trabajadores que laboran en los campos. El resto de las variables se explica por su nombre: hombre, edad, años de educación, recepción de subsidios agrícolas, producción de café, migrante retornado, años en Estados Unidos, años en la agricultura, tierra rentada, más de un cultivo y el uso dado a la producción.

El Cuadro 1 muestra los valores promedio para las variables usadas en el análisis. El 7 por ciento de los productores es un retornado, lo cual es mayor al porcentaje que se puede inferir en los datos de ^{CONAPO (2022)}. La producción es de 1.9 toneladas, los costos son de 17 000 pesos, los ingresos de 30 000 pesos, el número de trabajadores es de 6, el valor para la proxy de capital es 3, el área cultivada es de 1.6 hectáreas, 73 por ciento de los productores son hombres, la edad es de 53 años, la educación es de 7 años, 62 por ciento recibe subsidios, 54 por ciento cultiva café, la experiencia en Estados Unidos es de .2 años, la experiencia cultivando es de 11 años, 85 por ciento renta tierras, 63 por ciento cultiva más de un producto, 58 por ciento usa la producción para el autoconsumo, 4 por ciento para autoconsumo y ganado, 19 por ciento para autoconsumo y vende excedentes, 19 por ciento vende toda su producción.

El Cuadro 1 también muestra los promedios para productores con y sin retornados. No hay diferencias significativas, excepto en tres casos. Los productores con retornados tienen más producción, tienen mayor probabilidad de ser hombres y tienen mayor educación. Estas diferencias deben tomarse con cautela debido a la endogeneidad de tener retornados.

Resultados para modelos logarítmicos

El Cuadro 2 muestra las estimaciones de las ecuaciones (1), (2) y (3), ponderadas por los pesos adecuados a la encuesta realizada. La ecuación para el producto promedio muestra una R² de 47 por ciento, se encuentra que un aumento de 1 por ciento en capital incrementa la productividad en .33 por ciento, un aumento de 1 por ciento en el trabajo reduce la productividad en .69 por ciento, lo cual muestra que los productores trabajan en la segunda fase de la producción, un aumento de 1 por ciento en la tierra aumenta la productividad en .69 por ciento. La migración de retorno aumenta la productividad en .55 por ciento, lo cual confirma la mayor producción observada en el Cuadro 1.

En el caso de los costos promedio, los productores de café tienen costos más altos en 1.22 por ciento, los años de educación aumentan la producción en .01 por ciento, un aumento de la producción en 1 por ciento reduce costos en 1 por ciento, lo cual muestra la existencia de retornos constantes a escala. En el caso de los márgenes de ganancia, los productores de café tienen márgenes que son 1.21 por ciento más bajos, un incremento en la educación reduce .01 por ciento los márgenes, mientras que un aumento en producción de 1 por ciento aumenta en 1 por ciento los márgenes. El efecto de tener retornados no es significativo ni en los costos ni en los márgenes. Estos resultados deben tomarse con precaución por las razones ya mencionadas.

Resultados para análisis semiparamétrico

El Cuadro 3 presenta los resultados para el modelo Probit estimado para obtener la propensión a tener migrantes retornados. La edad incrementa en .002 por ciento la probabilidad de tener migrantes retornados, la educación incrementa en .02 por ciento dicha probabilidad, el ser hombre aumenta en .11 por ciento la mencionada probabilidad, la pseudo R² es 5 por ciento.

El Cuadro 4 muestra los resultados para el modelo semiparamétrico. Los productores con migrantes retornados tienen una productividad .67 por ciento mayor que los productores sin retornados. Este efecto se encuentra por hectárea (.77 %) y por trabajador (.98 %). El efecto es mayor que el mostrado por el modelo logarítmico, por lo que se puede decir que dicho modelo tenía sesgo de atenuación. En el caso de los costos promedio, se encuentra que los productores con retornados tienen costos 37 por ciento menores. En el caso de la razón ingreso sobre costos, los retornados tienen una razón .09 por ciento menor.

¿Qué explican los resultados?

En esta sección se presentan diferentes estimaciones realizadas para distintas submuestras. Se genera una submuestra diferente para cada una de las siguientes condiciones: que el producto se venda al mercado, que el producto sea para autoconsumo, que reciban remesas, que no reciban remesas, que produzcan café, que produzcan maíz, que tengan un uso alto de fertilizantes y que tengan un uso bajo de fertilizantes.

El Cuadro 5 muestra que, para los agricultores que venden al mercado, producen café, con y sin remesas, alto y bajo uso de fertilizantes, los resultados son que la migración de retorno genera mayor productividad por trabajador, menores costos promedio y más márgenes de ganancia. Los efectos son mayores para los agricultores que venden al mercado, los que reciben remesas y los que usan más fertilizantes. En el caso de los dedicados al autoconsumo, se observa que la migración de retorno genera una reducción en productividad, costos promedio y un aumento en márgenes. Esto parece indicar que usan un proceso productivo más intenso en mano de obra. Para productores de maíz, la migración de retorno causa menos productividad, mayores costos promedio y menores márgenes de ganancia.

El Cuadro 6 presenta estimaciones para otro conjunto de submuestras basadas en la renta de tierra, el área cultivada, la experiencia cultivando y la recepción de subsidios. Los resultados muestran que para los agricultores que no rentan tierra, para los que rentan tierras, los que cultivan áreas pequeñas, tienen alta experiencia y los que reciben subsidios, la migración de retorno causa más productividad, menores costos promedio y mayores márgenes. Los efectos son mayores para los productores que no rentan tierra y los que reciben subsidios. Para productores con grandes áreas cultivadas, la migración de retorno genera menor productividad, mayores costos promedio y mayores márgenes. Esto parece indicar un uso de métodos de producción más intensivos en mano de obra. Para productores con baja experiencia, la migración de retorno causa menor productividad, mayores costos promedio y menores márgenes. Entre productores sin subsidios, la migración de retorno causa mayor productividad y márgenes, así como mayores costos promedio.

Resultados para el análisis no paramétrico

La Gráfica 1 muestra las distribuciones de productividad por trabajador para productores con y sin retornados. La distribución de los retornados se encuentra desplazada hacia la derecha, pues muestra más masa de probabilidad en el centro y en niveles por encima de la media. Esto confirma que el efecto de la mayor productividad se observa no solo en promedio, sino a lo largo de toda la distribución.

Fuente: Cálculos propios con datos de trabajo de campo.

Gráfica 1 Diferenciales de productividad 

La Gráfica 2 muestra qué ocurre si se impone sobre la distribución de los no retornados la distribución de los retornados. Los resultados muestran que la distribución de los no retornados reduce su masa en la base de la distribución e incrementa la masa en algunos puntos por encima del promedio. Estos resultados señalan que los factores no observados en la distribución de productividad de los retornados aumentarían la productividad de los no retornados. Esto puede indicar que los retornados utilizan mejor calidad de insumos, mejor tecnología, más esfuerzo, un mejor acceso al crédito o mejores prácticas organizacionales. Algunos de estos elementos podrían haber sido adquiridos en Estados Unidos.

Fuente: Cálculos propios con datos de trabajo de campo.

Gráfica 2 Diferenciales de productividad 

En las Gráficas 3a y 3b se analizan los mismos ejercicios contrafactuales realizados para los costos promedio y las ganancias. En el caso de los costos promedio se observa que la distribución contrafactual se desplaza a la izquierda. Esto revela que los factores no observados de la distribución de los retornados generan una reducción de costos en la distribución de los no retornados. El desplazamiento es mucho más claro que en la distribución de productividad, lo cual sugiere que es la gestión de los insumos lo que reduce los costos y no necesariamente el uso de mejores tecnologías, pues el impacto más importante se observa en la reducción de los costos y no en la productividad por trabajador. Se requiere mayor trabajo de campo para conocer estas prácticas utilizadas por los retornados.

Fuente: Cálculos propios con datos de trabajo de campo.

Gráfica 3a Diferencias en costos promedio 

Fuente: Cálculos propios con datos de trabajo de campo.

Gráfica 3b Diferencias en márgenes 

En el caso del ejercicio con los márgenes de ganancia, no se observan diferencias importantes entre los retornados y los no retornados, excepto por que los retornados tienen menor masa en los márgenes de ganancia más bajos. Lo anterior indica que tal vez los retornados no tienen que vender a precios tan bajos como algunos no retornados. Esto puede sugerir un mejor acceso al crédito. También muestra que los retornados no necesariamente logran diferenciar sus productos de los no retornados. Estos resultados son consistentes con el tamaño de los productores encuestados, pues difícilmente se esperaría que alguno de ellos tuviera poder de mercado.

Discusión de resultados

Los resultados positivos de la migración de retorno sobre la productividad agrícola coinciden con los resultados en Burkina Fasso ^{(OCDE, 2017)}, China ^{(Chen et al., 2020}; ^{Quian et al., 2016}; ^{Shi y Wang, 2013)}, España ^{(Jiménez-Díaz, 2010)}, Perú ^{(Chávez, 1995)} y el Estado de México ^{(Chávez et al., 2019)}. Los resultados positivos contrastan con los resultados negativos encontrados en Albania ^{Carletto et al., 2010)} y los estados mexicanos de Veracruz ^{Mestries, 2015)} e Hidalgo ^{Contreras, 2018)}. Estos resultados manifiestan la importancia de realizar estudios específicos para regiones, así como la importancia de utilizar técnicas que identifiquen efectos causales.

Los resultados positivos de la migración de retorno coinciden con los resultados positivos encontrados para las remesas en Botswana, Malawi y Mozambique ^{(Lucas, 1987)}, Ghana ^{(Tsegai, 2004)}, Bangladesh ^{(Mendola, 2008)}, Burkina Fasso ^{(Taylor y Wouterse, 2008)}, Albania ^{(Carletto et al., 2009)}, Filipinas ^{(González-Velosa, 2011)}, Nepal ^{(Kapri y Ghimire, 2020)}, así como para el estado mexicano de Oaxaca ^{(Salas, 2012)} y todo México ^{(Böhme, 2015)}. Estos resultados indican que la emigración puede tener efectos positivos sobre la productividad, tanto en el período en el que los hogares reciben remesas y tienen miembros en el exterior, como en el período en el que los familiares en el exterior han retornado.

Encontrar que existen factores que ayudan a que la migración de retorno sea positiva, incluyendo la orientación al mercado, la especialización en venta para exportación, el cultivo de pequeñas áreas, la experiencia cultivando y el recibir subsidios, lleva a dos implicaciones: primera, subraya la heterogeneidad de los resultados y el hecho de que la migración de retorno no es una estrategia que genere necesariamente un éxito, pues depende de otros factores; segunda, también resalta que la migración de retorno puede ser una fuente que aumente la desigualdad en las regiones de origen de migrantes, toda vez que no todos los retornados serán exitosos.