Introducción

El Acuerdo de Asociación Transpacífico o Trans-Pacific Partnership Agreement (TPP) es un acuerdo comercial suscrito el 4 de febrero de 2016 que originalmente involucró a 12 países y cuyo objetivo radica en acrecentar el comercio y la inversión entre las naciones signatarias, por la vía de la eliminación de barreras al libre comercio y de la cooperación entre los gobiernos. Incluye, asimismo, disposiciones para proteger la propiedad intelectual, los derechos de los trabajadores y el medio ambiente, así como un mecanismo de arbitraje internacional para resolver disputas entre gobiernos e inversionistas foráneos que vean vulnerados sus intereses.

Sin embargo, dicho acuerdo generó controversia porque favorecía a las empresas transnacionales en detrimento de la soberanía de las naciones, de los intereses de los trabajadores y del cuidado del medio ambiente. En el caso concreto de Estados Unidos, la firma del acuerdo no derivó en su ratificación debido a la oposición de legisladores tanto demócratas como republicanos, lo cual ocasionó un clima propicio para que, en enero de 2017, el presidente Trump retirara a los Estados Unidos del acuerdo, reduciendo su membresía a 11 naciones.

En este contexto, el objetivo de la presente investigación es estudiar los efectos de la pandemia de covid-19 en la producción manufacturera de nueve (de las 11) naciones pertenecientes al Acuerdo Transpacífico de Cooperación Económica: Australia, Canadá, Chile, Japón, Malasia, México, Nueva Zelanda, Perú y Singapur.¹ Este conjunto de naciones reviste tres ventajas para el análisis empírico. La primera es que incluye naciones distribuidas en cuatro diferentes regiones del planeta: dos en América del Norte (México y Canadá), dos en América del Sur (Chile y Perú), dos en Oceanía (Australia y Nueva Zelanda) y tres en Asia (Japón, Malasia y Singapur). La segunda ventaja es que las economías involucradas tienen diferentes niveles de desarrollo económico, por lo que la validez de los hallazgos y de las recomendaciones de política reviste un carácter más general. La tercera es que, mediante la búsqueda de lecciones comunes de política para las naciones de la región transpacífica, puede fortalecerse la cooperación y la coordinación de acciones entre éstas, especialmente en situaciones de crisis económica y sanitaria.

En este trabajo se contrastan dos importantes hipótesis. La primera es que la propagación del virus SARS-CoV-2² y las medidas de distanciamiento social surtieron un impacto negativo en la actividad manufacturera, mientras que los programas de vacunación constituyeron una medida efectiva para estimularla. La segunda es que las políticas no convencionales por el lado de la oferta, como lo subsidios a las unidades productivas condicionados a no despedir trabajadores y los créditos de bajo costo con aval gubernamental, pudieron contribuir a reflotar la producción manufacturera en tiempos de pandemia.

La industria manufacturera es relevante porque es intensiva en capital, tecnología, mano de obra especializada e insumos de diversos tipos. En la medida en que esta industria se expande y se diversifica, se sientan las bases para que pueda absorber una mayor proporción de la fuerza de trabajo, con lo que se incrementa el nivel de productividad promedio de la economía y su potencial tanto para crecer (^{Pandian, 2017}), como para exportar y generar empleos estables y bien remunerados.

Lo anterior puede ser particularmente beneficioso para las naciones en desarrollo, puesto que contribuye a reducir la brecha que las separa de las desarrolladas en materia de niveles de bienestar (^{Pandian, 2017}; ^{Firebaugh y Goesling, 2004}). En este contexto, la relocalización geográfica de diferentes etapas de los procesos de manufactura contribuye a que las naciones en desarrollo atraigan inversión extranjera directa y fortalezcan su base industrial, exploten mejor las economías de escala en la producción, y se integren a las economías más avanzadas a través de las cadenas globales de valor. Sin embargo, es importante hacer dos matices importantes: 1. Las naciones en desarrollo enfrentan el reto de establecer cadenas productivas eficientes que vinculen a la industria local con las manufacturas de exportación, para de este modo acrecentar el contenido nacional de lo exportado. 2. Las actividades manufactureras se están concentrando en determinados países en desarrollo. De allí que, aun cuando las manufacturas continúan siendo muy relevantes a nivel global como motor de crecimiento, de generación de valor agregado y de empleo (^{Haraguchi et al., 2017}), para algunas naciones en desarrollo representan una ruta más problemática hacia la industrialización (^{Rodrik, 2016}).

Para estudiar los efectos de la pandemia de covid-19 en la producción manufacturera de las naciones del TPP se especifica un modelo econométrico de datos en panel que comprende a las nueve naciones referidas, en la dimensión transversal, y a datos mensuales de enero de 2020 a diciembre de 2022, en la dimensión temporal. Desafortunadamente, el programa de seguimiento de la pandemia de covid-19 de la Universidad de Oxford (^{Oxford covid-19 Government Response Tracker, 2023}) dejó de proporcionar datos sobre dos variables importantes del modelo: el índice de apoyo a los ingresos y el índice de alivio a la deuda de los hogares, a partir de enero de 2023, por lo que el periodo muestral no puede ir más allá de diciembre de 2022.

Para especificar el modelo se parte de una función de producción tipo Cobb-Douglas similar a la de Hall y Jones (¹⁹⁹⁹), que posteriormente es ampliada para incorporar no sólo los efectos de la política fiscal, la política monetaria y las fluctuaciones cambiarias sino también el impacto de tres variables clave relacionadas con la pandemia de covid-19. El modelo se estima en la modalidad de efectos fijos, mediante el método de mínimos cuadrados en dos etapas (two-stage least squares, 2SLS). Este método permite corregir, bajo determinadas condiciones, el problema de la endogeneidad; es decir, permite eliminar la correlación entre las variables explicativas y los residuales, la cual ocasiona sesgos e inconsistencias en las estimaciones. Para corregir la endogeneidad, dicho método recurre a una serie de instrumentos que, para ser válidos, deben estar altamente correlacionados con las variables explicativas del modelo e incorrelacionados con los residuales. Asimismo, el método de 2SLS se complementa con mínimos cuadrados generalizados factibles (feasible generalized least squares, FGLS) y errores estándar corregidos para panel (panel-corrected standard errors, PCSE), con el fin de mejorar la eficiencia de las estimaciones.

Este trabajo se encuentra dividido en tres secciones. La primera contiene una breve revisión de la literatura reciente, tanto para explicar el contexto de la crisis sanitaria y económica, como para revisar algunos trabajos empíricos sobre el tema. La segunda incluye la especificación el modelo, la explicación del método econométrico utilizado, y la definición de las variables del modelo. La tercera presenta e interpreta la evidencia empírica. Finalmente, se formulan las conclusiones y las recomendaciones de política económica.

1. Revisión de la literatura reciente

2. Modelo, método econométrico, y definición de variables

Para arribar a una ecuación empírica apropiada para los fines de esta investigación, partimos de una función de producción tipo Cobb-Douglas similar a la de Hall y Jones (¹⁹⁹⁹). La ecuación 1 representa al modelo inicial:

donde Yit es la producción manufacturera del país i en el periodo t, dado que estamos trabajando con un panel de datos. En segundo lugar, Ai es simplemente un factor de escala que varía de un país a otro y que constituye un antecedente básico para poder estimar un modelo de datos en panel en la modalidad de “efectos fijos”. En tercer lugar, Kit es el stock de capital físico, y Hit es una medida de la oferta de trabajo potenciada por su grado de habilitación. Tomando logaritmos naturales a ambos lados de la ecuación y expresando la ecuación (1) en forma de regresión lineal, obtenemos la ecuación 2:

donde lnAi=α0i , de modo que el factor de escala cumple dos funciones: captura la heterogeneidad entre las naciones y evita que las variables estén restringidas a pasar a través del origen. Por otra parte, vit representa al término de error estocástico. En este contexto, después de revisar diferentes alternativas, se optó por utilizar la formación bruta de capital (FBC) como variable aproximada (o proxy) para el stock de capital físico, dado que no se dispone de datos directos para ésta última variable. En segundo lugar, se consideró que los costos laborales unitarios (CLU) constituyen una buena variable aproximada para Hit . Esto debido a que los CLU son iguales a los salarios (W) entre la productividad laboral (PL): CLU=W/PL.

La productividad laboral refleja el grado de habilitación de la fuerza de trabajo, en tanto que los salarios proporcionan información “indirecta” sobre la disponibilidad de trabajadores. De este modo, los CLU constituyen un buen indicador de la competitividad laboral de cada nación, en tanto que la FBC constituye la variable de flujo que contribuye a incrementar el stock de capital físico por la vía de la adquisición de maquinaria y equipo industrial, equipo de transporte, tecnología e infraestructura.

Tomando en cuenta tanto la teoría como la disponibilidad de datos, la FBC y los CLU serían las principales fuerzas motrices de la producción manufacturera. Sin embargo, para evaluar empíricamente los efectos de la propagación del virus del SARS-CoV-2, de las medidas derivadas de distanciamiento social, y de las políticas gubernamentales instrumentadas para proteger la producción y el empleo, recurrimos a una versión extendida de la ecuación 2:

donde A_INGit y A_DEUDAit son los índices de apoyo a los ingresos y de alivio a la deuda, respectivamente, Rit es la tasa de interés de política a corto plazo, Qit es el índice de tipo de cambio real multilateral, COVIDit es el número de nuevos casos de covid-19 por millón de habitantes, IRit es el índice de rigurosidad (que captura las medidas de distanciamiento social), y PVit es la política de vacunación. Nótese que entre las variables incorporadas en la ecuación 3, únicamente el tipo de cambio real se encuentra expresado en logaritmos naturales. Esto no fue posible con el resto de las variables por diferentes razones. La tasa de interés ( Rit ) es un porcentaje, por lo que no reviste sentido expresarla en logaritmos naturales. En segundo lugar, el índice de rigurosidad ( IRit ) y el número de nuevos casos de covid-19 ( COVIDit ) llegan a asumir valores iguales a cero, por lo que no es factible tomar logaritmos. Finalmente, como se explica en el apéndice 1, las tres variables restantes ( A_INGit , A_DEUDAit y PVit ) son de carácter ordinal y también llegan a asumir valores iguales a cero.

Vale asimismo destacar que, en la ecuación 3, hay tres variables de carácter epidemiológico-sanitario: una para medir el impacto y los alcances de la pandemia ( COVIDit ), y dos para capturar las medidas gubernamentales orientadas a frenar los contagios ( IRit y PVit ). En segundo lugar, como se precisa con mayor detalle líneas abajo, A_INGit , A_DEUDAit y Rit capturan las políticas fiscales y monetarias enfocadas a contrarrestar los efectos negativos de los confinamientos sobre la producción y el empleo, mientras Qit refleja los efectos de los choques externos sobre la relación de precios entre cada una de las economías estudiadas y sus principales socios comerciales.

Al partir de la base de que las nueve naciones de la muestra no son homogéneas, el intercepto puede asumir dos formas: efectos fijos (EF) o efectos aleatorios (EA). En el caso del modelo de EF, la heterogeneidad se captura mediante un conjunto de variables dicótomas transversales (^{Greene, 2008}). Es decir, α0i=α0+∑i=29λiDij , donde α0 es el intercepto del país que sirve como punto de referencia (digamos, el país 1), Dij es una variable dicótoma transversal y λi es un coeficiente “diferencial” de intercepto, en tanto que i= 2,3,…,9. De esta manera, D2j asume el valor 1 cuando se trata del país 2 y el valor 0 en cualquier otro caso, D3j toma el valor 1 cuando se trata del país 3 y el valor 0 en cualquier otro caso, y así sucesivamente. Finalmente, α0+λ2 sería el intercepto del país 2, α0+λ3 del país 3, y así seguidamente.

En el caso del modelo de EA, se asume que α0i=α0+εi , donde εi tiene un valor esperado igual a cero y una varianza constante, de modo que E(α0i)=α0 y E[(α0i-α0)]2=σ2 (^{Kmenta, 1986}). Por lo tanto, el valor esperado del intercepto es una constante y la heterogeneidad se expresa aquí como una desviación puramente aleatoria ( εi ).

Dado que los países no sólo se ubican en distintas regiones geográficas, sino que difieren en cuanto a nivel de desarrollo económico, se opta por especificar un modelo que capture la heterogeneidad entre ellos. La pregunta es si el modelo de EF es preferible al de EA, o viceversa. Técnicamente, cuando la heterogeneidad entre las naciones está correlacionada con los regresores, el modelo de EF es preferible. Por otra parte, cuando la heterogeneidad entre los países no está correlacionada con los regresores, entonces esta puede expresarse mediante un término de error transversal ( εi ) sin generar sesgos en las estimaciones (es decir, sin ocasionar un problema de endogeneidad), por lo que el modelo de EA sería el más apropiado (^{Greene, 2008}).¹¹ Sin embargo, este es un supuesto particularmente difícil de satisfacer (^{Greene, 2008}), puesto que los países de la muestra tendrían que haber sido seleccionados de manera aleatoria de una gran población (^{Wooldridge, 2001}). En virtud de que los países de la muestra no fueron seleccionados aleatoriamente, en este trabajo se opta por el modelo de EF.

Luego de concluir que el modelo de EF es el más apropiado, se procede a estimarlo mediante mínimos cuadrados en dos etapas (2SLS). Este método se apoya en una serie de variables instrumentales para corregir otra posible causa de endogeneidad: la correlación entre las variables explicativas y el término de error del modelo ( vit ). En este contexto, el empleo de 2SLS garantiza que las estimaciones serán insesgadas y consistentes, siempre que los instrumentos sean válidos; esto es, siempre que los instrumentos estén altamente correlacionados con las variables explicativas y, al mismo tiempo, incorrelacionados con los residuales del modelo. Esta condición se verifica mediante un análisis de correlación. Por último, para acrecentar la eficiencia de las estimaciones, 2SLS se complementa con mínimos cuadrados generalizados factibles (FGLS) y con errores estándar corregidos para panel (PCSE).

Habiendo explicado tanto el modelo como el método econométrico, procedemos a definir con precisión las variables del modelo. La variable dependiente es el índice de producción manufacturera Yit . Las variables explicativas se definen de la siguiente manera:

Ahora bien, para cada variable de cada nación se recabó información estadística mensual de enero de 2020 a diciembre de 2022. Dado que, en el panel de datos, se tienen nueve países o unidades de corte transversal (es decir, N= 9) y 36 observaciones temporales (T= 36), se dispone de un total de 324 observaciones para cada variable. Este es un número adecuado para estimar eficientemente los parámetros del modelo. Por otra parte, cuando se trabaja con un modelo de EF, en términos generales es preferible que T>N, como ocurre en este caso específico. A este respecto, Baltagi (²⁰⁰⁸) señala que el estimador de mínimos cuadrados ordinarios del modelo de EF es consistente para todos los parámetros cuando T>N. Contrariamente, cuando N>T, Baltagi señala que la consistencia ya no se verifica para los coeficientes diferenciales de intercepto, puesto que el número de éstos crece junto con el número de unidades de corte transversal. De este modo, se procedió a estimar el siguiente modelo de EF:

Vale señalar que la única diferencia entre la ecuación 3 y la ecuación 4 radica en la incorporación del intercepto que sirve como punto de referencia y de las variables dicótomas transversales para estimar los coeficientes diferenciales de intercepto (es decir, α0+∑i=29λiDij ). En este contexto, las siguientes cinco variables con fluctuaciones estacionales fueron desestacionalizadas: la producción manufacturera, la FBC, los CLU, la tasa de interés, y el tipo de cambio real multilateral.

Las variables que no fueron ajustadas estacionalmente fueron las siguientes: el índice de apoyo a los ingresos, el índice de alivio a la deuda, el índice de rigurosidad, la política de vacunación, y el número de nuevos casos de covid-19 por millón de habitantes, aunque para esta variable se tomó la versión suavizada que proporciona el programa de seguimiento de la pandemia de covid-19 de la universidad de Oxford.

Además de que estas variables no exhiben fluctuaciones estacionales, resulta que tres de ellas (el índice de apoyo a los ingresos, el índice de alivio a la deuda y la política de vacunación) son variables ordinales y el ajuste estacional ocasiona que asuman valores fuera del rango de medición establecido. Por otra parte, sólo se expresaron en logaritmos naturales las siguientes variables: la producción manufacturera, la FBC, los CLU, y el índice de tipo de cambio real multilateral. Las demás variables del modelo no se expresaron en logaritmos naturales porque llegan a tomar valores iguales a cero, o bien, porque se trata de porcentajes. Por lo tanto, la interpretación de los parámetros estimados se da en términos de su signo y de su significancia estadística. En el apéndice 1 se detallan tanto las unidades de medición de cada variable como las fuentes de información.

3. Análisis empírico

El primer paso consiste en estimar la ecuación 4 mediante mínimos cuadrados ordinarios (OLS, por sus siglas en inglés). El resultado de este ejercicio se presenta en la tabla 1. A reserva de interpretar más adelante los hallazgos econométricos con detenimiento, conviene señalar que todos los coeficientes estadísticamente significativos tienen signos consistentes con la teoría económica. Esto es, la formación bruta de capital, el índice de apoyo a los ingresos, el índice de alivio a la deuda y la política de vacunación surten un impacto positivo y estadísticamente significativo (a un nivel de 1%) sobre la producción manufacturera. En segundo lugar, un aumento en los costos laborales unitarios genera un efecto negativo sobre la producción de las manufacturas, el cual es estadísticamente significativo a un nivel de 5%. Finalmente, la tasa de interés de política monetaria a corto plazo y el índice de rigurosidad (que captura las medidas de distanciamiento social) tienen un impacto negativo sobre la producción manufacturera, el cual es estadísticamente significativo a un nivel de 1%. Los coeficientes de las variables dicótomas transversales no aparecen por razones de espacio; sin embargo, en el rubro correspondiente a la “especificación de efectos”, se hace constar que se están incluyendo estas variables.

La estimación del modelo por mínimos cuadros ordinarios es un paso necesario para validar la heterogeneidad de los países de la muestra y, por ende, la idoneidad del modelo de EF. En la tabla 2 aparecen los resultados de la prueba de significancia para los coeficientes diferenciales de intercepto. En este caso, se parte de la hipótesis nula de que las naciones de la muestra son homogéneas y, por ende, los coeficientes diferenciales de intercepto son todos iguales a cero (es decir, Ho: λ2=λ3=,…,=λ9=0 ). Como puede verse, el valor de probabilidad para esta prueba de hipótesis conjunta es igual a cero, por lo que se rechaza con un 100% de confianza. La conclusión es, entonces, que los países de la muestra son heterogéneos.

En la tabla 3 se reportan los resultados de la estimación del modelo mediante mínimos cuadrados en dos etapas (2SLS, por sus siglas en inglés). Los instrumentos empleados son los rezagos de las variables explicativas, los cuales cumplen con la condición de estar altamente correlacionados con éstas e incorrelacionados con los residuales, como se demuestra más adelante. En este contexto, procede concluir que las estimaciones son, en lo fundamental, insesgadas y consistentes. Al realizar la estimación mediante mínimos cuadrados en dos etapas se demuestra que los signos de los coeficientes estadísticamente significativos continúan siendo consistentes con la teoría económica. Sin embargo, se observan dos diferencias con respecto a la estimación por mínimos cuadrados ordinarios: 1) los costos laborales unitarios han perdido su significancia estadística, y 2) los nuevos casos de covid-19 por millón de habitantes adquieren significancia estadística a un nivel de 10%, teniendo, como cabría esperar, un efecto negativo sobre la producción manufacturera. Para el resto de las variables del modelo se observan coeficientes del mismo signo que, en lo fundamental, conservan su significancia estadística.

En la tabla 4 se presentan los resultados de la estimación de la ecuación 4 por 2SLS con medidas remediales para acrecentar la eficiencia. En un modelo de datos en panel existen cuatro causas esenciales de ineficiencia en las estimaciones: la correlación serial, la heterocedasticidad temporal, la correlación contemporánea y la heterocedasticidad espacial. Como ya se dijo, el empleo de 2SLS es útil sólo para corregir problemas de endogeneidad. De allí que deba complementarse con mínimos cuadrados generalizados factibles (FGLS) y con errores estándar corregidos para panel (PCSE), en aras de robustecer la eficiencia y la solidez de los resultados. Los coeficientes estimados resultantes aparecen en el panel 1 de la tabla 4. Ahora bien, tanto en el panel 2 como en el 3 de la tabla 4 se emplean mínimos cuadrados generalizados factibles con ponderaciones transversales (cross-section weights FGLS), con lo cual se corrige la heterocedasticidad espacial. Sin embargo, en los paneles 2 y 3, este método se refuerza con dos diferentes tipos de errores estándar corregidos para panel (PCSE). Es importante precisar que el empleo de un tipo u otro de errores estándar corregidos para panel modifica los valores de probabilidad, pero no los parámetros estimados. De allí que, en los paneles 2 y 3 se reporten solamente los valores de probabilidad resultantes en cada caso. En el panel 2, concretamente, FGLS se refuerza con errores estándar corregidos para panel en la modalidad de ecuaciones aparentemente no relacionadas con ponderaciones transversales (cross-section SURE PCSE), con lo que se corrigen la correlación espacial y la heterocedasticidad transversal. En el panel 2, FGLS se refuerza con errores estándar corregidos para panel con ponderaciones temporales (period weights PCSE), con lo que se corrigen tanto la heterocedasticidad espacial como la temporal. De este modo, la única fuente de ineficiencia que no se logra enmendar es la correlación serial porque el software disponible no lo permite. En este contexto, el parámetro estimado asociado al índice de apoyo a los ingresos es estadísticamente significativo a un nivel de 1% o de 5%, dependiendo del tipo de errores estándar corregidos para panel empleado. En el caso de todos los demás parámetros estimados, los niveles de significancia estadística son los mismos con independencia del método remedial utilizado.

La tabla 4 presenta el cuerpo de la evidencia empírica de este trabajo. Sin embargo, antes de interpretar los resultados de dicha tabla, debe señalarse que, mediante 2SLS, corregimos el problema de endogeneidad; esto es, corregimos la correlación entre los regresores y los residuales. Esto obedece, precisamente, a que los instrumentos utilizados son válidos; es decir, se encuentran altamente correlacionados con los regresores e incorrelacionados con los residuales. En este contexto, en la tabla 5, se demuestra que los instrumentos están incorrelacionados con los residuales, con independencia del tipo errores estándar corregidos para panel que se haya utilizado. Asimismo, los instrumentos se encuentran altamente correlacionados con las variables explicativas puesto que se trata de los rezagos de las éstas.

Como puede constatarse en la tabla 5, ninguno de los coeficientes de correlación estimados es estadísticamente significativo, ni siquiera a un nivel de significancia de 10%. Esto se debe a que los valores de probabilidad asociados a los coeficientes de correlación son muy elevados en todos los casos. Cabe recordar que cada valor de probabilidad está asociado a la hipótesis nula de que el coeficiente de correlación respectivo es igual a cero, por lo que dicha hipótesis no se rechaza en caso alguno. Por otra parte, se comprobó que los instrumentos se encuentran altamente correlacionados con las variables explicativas. De hecho, los coeficientes de correlación entre cada variable y el instrumento respectivo (que es, por cierto, su rezago) son todos positivos y estadísticamente significativos a un nivel de 1%.¹² De esta manera, se trata de instrumentos válidos, que son exógenos con respecto a los residuales (puesto que no están correlacionados con éstos) y que exhiben una muy elevada correlación con las variables explicativas.¹³ En este contexto, se concluye que las estimaciones son, en lo fundamental, insesgadas y consistentes. Enseguida procedemos a interpretar la evidencia de la tabla 4 que, de hecho, es consistente con los resultados de las tablas 1 y 3. Dicho de otro modo, se están presentando resultados econométricos que, en esencia, no varían con las medidas remediales utilizadas. En este contexto, las conclusiones que emanan de la tabla 4 son las siguientes:

Finalmente, los costos laborales unitarios surten un efecto negativo y estadísticamente significativo a un nivel de 5% solamente cuando se utiliza el método de mínimos cuadrados ordinarios. Sin embargo, bajo el método de mínimos cuadrados en dos etapas, el coeficiente asociado a esta variable deja de ser estadísticamente diferente de cero. Este resultado puede ser atribuible a que, para calcular la productividad laboral que constituiría el denominador de los costos laborales unitarios, simplemente se relacionan los cambios en la producción con los cambios en las horas hombre que se laboran. De este modo, el cálculo realizado no alcanza a distinguir si los incrementos en la producción provienen de una mayor productividad laboral o de una mayor productividad del capital. Aunque se requiere investigar más al respecto, este error en la metodología de medición podría estar dificultando la estimación de los efectos reales de esta variable.

Otro efecto que no alcanza significancia estadística es el correspondiente al tipo de cambio real multilateral (lnQ _it ). Esto podría deberse parcialmente a que una depreciación real surte efectos contrapuestos sobre las manufacturas. Por una parte, estimula la producción manufacturera por la vía del abaratamiento de las exportaciones. Por otra parte, la desestimula al encarecer los insumos intermedios importados. El segundo efecto se fortalece con la fragmentación global de la producción, puesto que esta acentúa la dependencia de las manufacturas de un país respecto de las partes y componentes importados. De este modo, el efecto negativo de la depreciación sobre la producción manufacturera podría estar contrarrestando al efecto positivo. Por último, resulta que el número de nuevos casos de covid-19 por millón de habitantes tampoco alcanza significancia estadística. La explicación aquí podría residir en que, en todas las naciones, se produjo inicialmente un subregistro de casos. En segundo lugar, el número de nuevos de casos detectados continuó aumentando incluso después del arribo de las vacunas, lo cual fue consecuencia de la mayor disponibilidad de pruebas y de las campañas de información al público y no de un agravamiento de la pandemia.

Conclusiones

La evidencia empírica presentada demuestra que la FBC es un importante motor de crecimiento de la producción manufacturera, toda vez que contribuye a ampliar el stock de maquinaria y equipo industrial, equipo de transporte, tecnología e infraestructura de diversa índole. En segundo lugar, el índice de apoyo a los ingresos y el índice de alivio de la deuda tienen un impacto positivo y estadísticamente significativo a un nivel de 1% sobre la producción manufacturera. Como podrá recordarse, el índice de apoyo a los ingresos captura no sólo medidas de estímulo a la demanda como las transferencias directas de efectivo a las familias necesitadas sino también medidas de oferta “no convencionales”, como los subsidios a las empresas bajo la premisa de que no despedirán trabajadores.

El índice de alivio a la deuda refleja también medidas no convencionales de oferta, como los créditos de bajo costo con aval del gobierno y la recalendarización del pago de impuestos y servicios públicos. Por lo tanto, la evidencia empírica es consistente con una de las hipótesis de esta investigación, en el sentido de que ciertas medidas de estímulo a la oferta (como los programas de retención de trabajadores y los créditos a tasa preferencial con respaldo gubernamental) pueden contribuir a reflotar al sector manufacturero en tiempos de pandemia.

Los subsidios a las empresas orientados a proteger el empleo son relevantes porque evitan dos consecuencias indeseables desde el punto de vista económico, político y social: 1) que las empresas tengan que prescindir de trabajadores experimentados que más adelante serían difíciles de reclutar de nueva cuenta, y 2) que la productividad laboral decrezca debido a la migración de trabajadores hacia otras industrias, en las que presumiblemente tendrán que recorrer una nueva curva de aprendizaje (^{Céspedes et al., 2020}). En otras palabras, la pérdida de la experiencia laboral acumulada puede acarrear una baja en la productividad laboral de la economía, que no lograría revertirse en el corto plazo. En segundo lugar, las transferencias directas de efectivo no sólo contribuyen a proteger a grupos sociales vulnerables, sino que permiten reactivar el consumo, sobre todo el consumo de manufacturas basadas en recursos naturales como alimentos y bebidas.

Las medidas de alivio a la deuda también son relevantes por distintas razones. Cuando una empresa accede a un crédito de bajo costo con aval gubernamental, se genera un efecto positivo por el lado de la oferta. Cuando se aligeran los pasivos de las familias, el consumo de éstas tiende a subir, se robustece la demanda, y se aminoran los estragos económicos y sociales de la pandemia. Tanto el canal de transmisión de la oferta como el de la demanda explicarían la repercusión positiva del índice de alivio a la deuda sobre la producción manufacturera. En este contexto, es importante explicar que tanto la propagación del virus de covid-19 como las políticas de distanciamiento social provocaron menores ventas e ingresos en muchas industrias.

Esto, a su vez, derivó en problemas de financiamiento del capital de trabajo en infinidad de empresas; es decir, en dificultades para pagar trabajadores, proveedores, y acreedores de diverso tipo. Por ello, en aras salvaguardar capacidades productivas y empleos durante la etapa de confinamiento, es recomendable proporcionar liquidez a las unidades productivas por canales menos convencionales, como los aquí mencionados.

En cuanto al índice de rigurosidad, la evidencia indica claramente que éste reduce la producción manufacturera. Este hallazgo se verifica a altos niveles de significancia en todas las estimaciones. Por otra parte, independientemente de la inmunidad natural que desarrolla la población frente al virus del SARS-CoV-2, los programas de vacunación de gran alcance ayudan a consolidar la recuperación económica, toda vez que la política de vacunación tiene en todas las estimaciones realizadas un coeficiente positivo y estadísticamente significativo a un nivel de 1%. Esto convalida parcialmente la otra hipótesis de esta investigación, según la cual las medidas de cierre y contención desalientan la actividad manufacturera, mientras que los programas de vacunación la estimulan al contribuir a la reapertura de la economía y a la normalización de los procesos de trabajo.

También podría argumentarse que los programas de vacunación fortalecen la confianza de productores y consumidores y, por esta vía, contribuyen a reactivar el consumo y la inversión privada. No debe perderse de vista que la recesión económica del pasado reciente provino de la emergencia sanitaria y de las medidas de distanciamiento social tomadas para enfrentarla. Por lo tanto, en tiempos de pandemia, la recuperación del crecimiento económico depende en gran medida tanto de la coherencia y solidez de la política de salud, como de una adecuada canalización de recursos a este sector.

Lo que no logra validarse del todo es el efecto negativo de la propagación del virus, medido a través del número de nuevos casos de covid-19 por millón de habitantes. Esta variable, cuyo signo es negativo en todos los casos, solamente alcanza significancia estadística a un nivel de 10% en la tabla 3. Como se señaló con anterioridad, esto puede deberse tanto al subregistro de casos que tuvo lugar sobre todo al inicio de la pandemia, como al hecho de que los nuevos casos de covid-19 por millón de habitantes continuó creciendo incluso después de la llegada de las vacunas, lo cual se debió a la mayor disponibilidad de pruebas y a las campañas de información por parte de los gobiernos y no al agravamiento de la pandemia.

Por otra parte, como indica la teoría económica convencional, la relación entre la tasa de interés de política a corto plazo y la producción manufacturera es negativa. Esto, a su vez, es consistente con el hallazgo de que los programas de alivio a la deuda redundan en mayor producción. Por último, las medidas de cierre y contención operan claramente en detrimento del sector manufacturero. Esto obedece básicamente a tres razones. La primera, es que los mandatos de permanecer en casa y las restricciones a la movilidad desalientan el consumo. La segunda, es que el cierre total o parcial de fábricas conduce a la disrupción de las cadenas locales y globales de suministro. La tercera, es que los contagios y los confinamientos desembocan en una contracción abrupta de la oferta laboral, sobre todo en industrias que requieren mano de obra especializada. Asimismo, cabe reiterar que las conclusiones anteriores derivan de una muestra de nueve naciones pertenecientes al TPP, las cuales se encuentran distribuidas en cuatro áreas geográficas: Norteamérica, Sudamérica, Oceanía y Asia. Además, se trata de naciones con diferente nivel de desarrollo, por lo que los hallazgos realizados y las recomendaciones de política revisten una mayor generalidad.