Aplicaciones y Casos de ALC - CIES · punto de corte definido Intuición: o Unidades alrededor del...

División de Competitividad e Innovación

Evaluación del Impacto de Políticas de CTI

Aplicaciones y Casos de ALC

Gustavo CrespiDivisión de Competitividad e Innovación

Copyright © 2016 Banco Interamericano de Desarrollo. Esta obra está bajo una licencia Creative

Commons IGO 3.0 Reconocimiento-No Comercial-Sin Obra Derivada (CC-IGO BY-NC-ND 3.0

IGO) (http://creativecommons.org/licenses/by-nc-nd/3.0/igo/legalcode) y puede ser reproducida para

cualquier uso no-comercial otorgando crédito al BID. No se permiten obras derivadas.

Cualquier disputa relacionada con el uso de las obras del BID que no pueda resolverse

amistosamente se someterá a arbitraje de conformidad con las reglas de la CNUDMI. El uso del

nombre del BID para cualquier fin que no sea para la atribución y el uso del logotipo del BID, estará

sujeta a un acuerdo de licencia por separado y no está autorizado como parte de esta licencia CC-

IGO.

Notar que el enlace URL incluye términos y condicionales adicionales de esta licencia.

Las opiniones expresadas en esta publicación son de los autores y no necesariamente reflejan el

punto de vista del Banco Interamericano de Desarrollo, de su Directorio Ejecutivo ni de los países

que representa.

2

http://creativecommons.org/licenses/by-nc-nd/3.0/igo/legalcode


MATCHING

IdeaPor cada unidad tratada seleccionamos el mejoremparejamiento (best match) tomado de otro grupo notratado.

Como?Se selecciona a los “matches” (unidades no tratadas) en basea características observables similares con la unidad tratada(unidades equivalentes en términos observables.

Riesgo?Si hay características no-observables que afectan laparticipación Sesgo de Selección

Intuición

Firmas

TratadasGrupo

de

Control

Matching

Problema de Evaluación

Medium

Small

Big No observamos el escenario

contrafactual para las firmas tratadas.

Matching

Firmas

tratadasGrupo

de

Control

Matching

Una posible solución

Medium

Small

Big Emparejar firmas tratadas con firmas

similares no tratadas

Matching

Propensity score = P [participacion]

Dimentionality problem

Edad firma

# EmpleadosTipo de

Industria

Otros

0 10.30 0.35 0.40 0.45 0.950.800.79 0.81

Problema de la dimensionalidad

Propensity score densityD

ensid

ad

Propensity score0

ParticipantesNo - Participantes

Soporte Comun

Densidad de la Probabilidad de Participación

1. Necesita una muestra representativa de participantes y noparticipantes altamente comparables antes del tratamiento.

2. Unir las dos muestras y estimar una regresión logit (o probit) sobreuna variable dicotómica que representa la participación al programa.

3. Restringe la muestra al soporte común.

4. Por cada participante, busca no participantes con la probabilidad departicipación mas cercana.

5. Toma la diferencia en el resultado de cada participante y su par(es).La diferencia es el impacto estimado del programa para cada unidad.

6. Calcula el promedio de los impactos individuales y estima el impactopromedio del programa.

Propensity matching key pointsPuntos clave para el Matching

Ejemplo: Evaluación del Impacto de Corto Plazo deSENACYT en la Innovación de las EmpresasPanameñas

Preguntas que nos interesa responder

• El objetivo de esta evaluación es reportar una medida cuantitativaconfiable del impacto de SENACYT en la decisiones de gasto enI+D e innovación de las firmas beneficiarias

• Se requiere la utilización de metodologías que permitan laidentificación de una relación causal entre el apoyo público y lasdecisiones de las firmas beneficiarias.

• Las preguntas de investigación que guiarán este trabajo son:¿existe una relación causal entre recibir un subsidio y realizaractividades de innovación? ¿SENACYT genera cambios en elcomportamiento de la firma?

Método de Emparejamiento Estadístico (PSM)• Idea: Comparar (match) firmas que son similares basadas en un

set de características observables antes de la recepción delbeneficio.

• Como tenemos múltiples dimensiones para “parear” las empresas(sector, región, gasto en I+D al inicio, etc), construimos un índiceque resume todas estas dimensiones. Y comparamos empresascon índices similares.

• Existen varias formas de construir este índice, pero una de ellas esestimar la probabilidad de recibir el beneficio en función de lascaracterísticas de las empresas al inicio.

• Limitantes:

– Requiere de una buena caracterizacion de las empresas al inicio.

– No permite parear sobre base de características no medibles como la motivación o la habilidad.

Fuente y Foco de la Evaluación

• Los resultados se basan en la información suministrada en laEncuesta de Investigación, Desarrollo e Innovación al SectorPrivado, 2009, recogida por el Instituto Nacional de Estadísticas yCensos (INEC) dependiente de la Contraloría General de laRepublica.

• La encuesta sigue la metodología del Manual de Bogotá,cubriendo una muestra representativa del sector productivo depanameño. Adicionalmente, la muestra fue expandida coninformación de empresas beneficiarias de SENACYT a las que sele aplico la misma encuesta siempre por parte del INEC. En totalexisten 751 empresas en la muestra, de las cuales 41corresponden a las firmas beneficiarias.

• El foco de la evaluación está en la identificación de los cambiosen el esfuerzo innovador de las firmas, capturado tanto por lainversión en I+D como los resultados.

Balanceo de las Empresas Beneficiarias y las deControl.

n Mean Std. Dev Min Max

Propensity score 751 0.0546 0.0740 0.0002 0.5185

% Reduction

Variable Sample Treated Control % bias |bias| t p>|t|

Region Unmatched 0.585 0.694 -22.7 -1.470 0.143

Matched 0.585 0.624 -8.1 64.3 -0.360 0.723

Innovacion (t-1) Unmatched 2.160 1.942 5.2 0.320 0.746

Matched 2.160 2.276 -2.8 47.1 -0.120 0.902

I+D (t-1) Unmatched 1.656 0.404 41.7 3.670 0.000

Matched 1.656 1.516 4.7 88.8 0.170 0.863

% I+D (t-1) Unmatched 0.122 0.022 44.3 4.430 0.000

Matched 0.122 0.125 -1.2 97.3 -0.040 0.967

D(Innovacion)(t-1) Unmatched 0.220 0.185 8.7 0.560 0.576

Matched 0.220 0.232 -3.1 63.8 -0.140 0.892

D(I+D)(t-1) Unmatched 0.171 0.041 42.8 3.820 0.000

Matched 0.171 0.161 3.3 92.3 0.120 0.904

Manufactura Unmatched 0.268 0.373 -22.5 -1.360 0.176

Matched 0.268 0.361 -19.8 11.9 -0.890 0.374

Servicios Publicos Unmatched 0.122 0.279 -39.8 -2.200 0.028

Matched 0.122 0.184 -15.8 60.3 -0.780 0.44

Serv. Profesionales Unmatched 0.439 0.334 21.6 1.380 0.167

Matched 0.439 0.286 31.4 -45.2 1.440 0.154

Sample Pseudo R2 LR chi2 p>chi2

Unmatched 0.149 47.5 0.000

Matched 0.040 4.52 0.874

Mean t-testpstest

Resultados de SENACYT (2008)

16.1 17.6 17.6

46.3

23.222.0

30.1

63.4

Antes (GC) Antes (T) Después (GC) Después (T)

Hace I+D (%) Actividades de Innovación (%)

Después (2008): 2.63 y 2.88 veces mas empresas

en I+D y en AI en T (en relación a GC)

Antes (2006): GC y T idénticos

Resultados de SENACYT (2008)

Variable Sample Treated ControlsDifference S.E. T-stat

D(Innovacion) (t+2)Unmatched 0.634 0.289 0.345 0.073 4.72

ATT 0.634 0.301 0.333 0.084 3.95

Innovacion (t+2) Unmatched 7.215 3.146 4.069 0.827 4.92

ATT 7.215 3.147 4.068 0.979 4.15

D(I+D)(t+2) Unmatched 0.463 0.082 0.382 0.047 8.16

ATT 0.463 0.176 0.287 0.082 3.51

I+D (t+2) Unmatched 4.874 0.812 4.061 0.481 8.44

ATT 4.874 1.698 3.176 0.887 3.58

%I+D(t+2) Unmatched 0.238 0.037 0.201 0.028 7.25

ATT 0.238 0.100 0.138 0.054 2.57∆I+D Unmatched 3.218 0.408 2.810 0.368 7.64

ATT 3.218 0.183 3.035 0.780 3.89∆Innovación Unmatched 5.055 1.204 3.851 0.650 5.92

ATT 5.055 0.872 4.183 0.942 4.44∆%I+D Unmatched 0.116 0.015 0.101 0.025 4.04

ATT 0.116 -0.025 0.141 0.055 2.57∆AI (nueva) Unmatched 0.415 0.124 0.291 0.055 5.31

ATT 0.415 0.097 0.318 0.082 3.87∆I+D (nueva) Unmatched 0.293 0.042 0.250 0.036 6.99

ATT 0.293 0.026 0.267 0.074 3.62

Resultados de SENACYT (2008): adicionalidad en el gasto en I+D

Una empresa de control “promedio” invierte $6,779 en 2008. Si a ello leagregamos que según las empresas el subsidio “promedio” para ese añoasciende a $12,719, estaríamos esperando que las firmas beneficiariasinviertan en “promedio” como mínimo $19,498. En la actualidad observamosque invierten $27,724. Esto supone una “adicionalidad” de $8,226. Es decir deuna adicionalidad del 30%. Si a esto le sumamos el aporte que la empresahubiese hecho de todas formas ($6,779), estaríamos en una contribuciónprivada del 54% que es consistente con las estadísticas de proyectos deSENACYT.

6779

19498

12719

8226

0

5000

10000

15000

20000

25000

30000

Control Tratamiento

Adicionalidad

R&D que el grupo de control hubiera

gastado con el subsidioR&D

observada en el GC

SubsidiopromedioSENACYT

R&D observada

en el grupo tratamiento

Take Away

• El Matching requiere una línea de base con un numero grande deobservaciones para beneficiarios y no beneficiarios

• Optimo si la regla de selección de beneficiarios se conoce y puede serusada para encontrar los pares.

• Válido si todas las características observables con influenciapotencialmente importante en la selección son tomadas en cuenta.

• Invalido si hay características no observables que pueden afectar laselección y el resultado en forma importante.

Temas importantes


REGRESION DISCONTINUA

20

Programas

sociales

Pensiones

Educación

Agricultura

Muchos programas se focalizan en beneficiarios en base a un índice continuo que determina la elegibilidad.

Focalizan en familias bajo cierto nivel de ingreso o línea de pobreza

Focalizan en adultos mayores

Becas para los mejores estudiantes en base a una prueba estandarizada

Fertilizantes para pequeños agricultores.

Método de la Regresión Discontinua

Example 1: Agricultural

Program

Mejorar la productividad entre pequeños agricultores.Objetivo:

o Farmers with ≤50 hectares are eligibleo Farmers with >50 hectares are not eligible

Metas:

Subsidiar la compra de fertilizantesIntervención:

21

Programa Agrícola

Pre-Intervention (Baseline)

Not Eligible

Eligible

22

Pre Intervención Línea de Base

Post-Intervention

IMPACT

23

Post Intervención

Regression Discontinuity

Design

Se necesita un índice de elegibilidad continua con un punto de corte definido.

Intuición:o Unidades alrededor del punto de corte son similares,

entonces el grupo no seleccionado hace un buencontrafactual.

• Esto implica que las características de los individuos/firmas NO SALTANalrededor del punto de corte, es decir no muestras discontinuidades (lavariable de resultados es una función de las características)

• Esto permite asumir que los individuos/firmas a ambos lados delumbral son similares.

24

Diseño de Regresión Discontinua

Regression Discontinuity

Design

Se necesita un índice continuo de elegibilidad con un punto de corte definido

Intuición:o Unidades alrededor del punto de corte son similares –

entonces el grupo no seleccionado es un buen contrafactual.

o Impacto estimado es valido en la vecindad alrededor del punto de corte.

25


Puro RD

• El tratamiento es una función determinística delpunto de corte todos los asignados al tratamientoobtienen el tratamiento, mientras aquellos noasignados no son tratados (“full compliance”)

Difusa RD

• Hay una posibilidad de recibir el tratamientocondicional al punto de corte algunos individuosasignados al tratamiento no son tratados mientrasque algunos individuos no asignados son tratados..

26

Types of Regression Discontinuity Design

Tipos de Regresión Discontinua

• Benavente, Crespi, Figal Garone y Maffioli (2012)evalúan el impacto de FONDECYT en la cantidady calidad de publicaciones por pare deinvestigadores Chilenos.

• Variable de asignación: posición en el ranking.

• RDD difusa: Variable de asignación no determinaexactamente la participación en el programa->posición en el ranking es usada como variableinstrumental

27

Example 3: Research Public FundsFondos de Investigación

Probabilidad del tratamiento según el ranking

0.2

.4.6

.81

Tre

atm

ent

Pro

babili

ty

-2 -1 0 1 2 3Relative Standardized Ranking

h=global lpoly smooth: Treatment probability

h=1 lpoly smooth: Treatment probability

h=0.25 lpoly smooth: Treatment probability

28


Variables de resultados según el nivel del ranking

2.5

33.5

44.5

Public

ations

-2 -1 0 1 2Relative Standardized Ranking

h=h*=1.37 lpoly smooth: Publications

h=1 lpoly smooth: Publications

h=0.5 lpoly smooth: Publications

45

67

89

Mean C

itations p

er

public

ation

-1 -.5 0 .5 1Relative Standardized Ranking

h=h*=0.88 lpoly smooth: Citations

h=0.5 lpoly smooth: Citations

h=0.25 lpoly smooth: Citations

29


.55

.6.6

5.7

.75

Gender

pro

port

ions (

Male

)


h=global lpoly smooth: Gender (Male)

h=1 lpoly smooth: Gender (Male)

h=0.5 lpoly smooth: Gender (Male)

35

40

45

Age


h=global lpoly smooth: Age

h=1 lpoly smooth: Age

h=0.5 lpoly smooth: Age

Características Observables según ranking

Para testear saltos o discontinuidades alrededor del punto de corte ya que ellos

pueden explicar la variable de interés.

30


0.2

.4.6

Density o

f P

roje

cts

-2 -1 0 1 2 3Relative Standardized Ranking = X

Density kdensity X

0.2

.4.6

Density o

f pro

jects


Frecuencia de Proyectos según ranking

Para testear la falta de manipulación de la variable de asignación.

31


Produces una estimación de impacto local:

o Efecto del programa alrededor del punto de corteo Importante para decidir

expandir o reducir la cobertura del programa

o No necesariamente generalizable a otras poblaciones.

Poder: o Se necesitan muchas observaciones alrededor del punto de corte.

o Cuidado con el modelo: A veces lo que parece una discontinuidad en un grafico es realmente algo mas (una relación no lineal)

32

Take Away



DIFERENCIA EN DIFERENCIA

• El estimador Antes/Después (BA) es un contrafactual

débil ya que confunde efectos tiempo.

• El estimados Con/Sin (WW) es un contrafactual débil ya

que el impacto se confunde con diferencias ex-ante de

ambos grupos.

• El estimados diferencia en diferencia (DD) combina el

estimador BA con el WW de forma de corregir los

sesgos de los dos estimadores anteriores.

• Supuesto que la tendencia del grupo de control es un

buen contrafactual de la tendencia del grupo de

tratamiento sin tratamiento.

Dif-in-Dif: Basic intuition Intuición Básica

2000

Tratamiento

Indicador

Beneficiarios

Grupo Control

BA = Impacto+ Efecto tiempoEfecto tiempo

Efecto tiempo

Contrafactual

1999

Antes

2001

Despues

Impacto

Before/After EstimatorEstimador Después-Antes (BA)

Indicador

Beneficiarios

Grupo Control

CS = Impacto + diferencia

entre grupos

Impacto

Differencia

entre grupos

Diferencia

entre

grupos

1999

Antes

2000

Tratamiento2001

Despues

With/Without program estimator

(self-s)

Estimador Sin – Con Programa (WW)

Indicador

Beneficiarios

Grupos Control

Impacto

2001

Despues

1999

Antes

El principal

supuesto del

método DD es

que las

tendencias del

grupo de

tratamiento y de

control son las

mismas antes del

tratamiento (no

observable es fijo

y no cambia en el

tiempo)2000

Tratamiento

Double Difference EstimatorMetodo de la Doble Diferencia (DD)

Indicador

TiempoTratamiento

Beneficiarios

Grupo Control

ATT

Verdadero efecto

tiempo (TTE)

Estimado efecto

tiempo (ETE)

t t’

DD = ATT + (TTE – ETE)

Datos pre – programa

permiten hacer este

supuesto básico mas

realista (dado que el

supuesto de igualdad

de tendencias no

puede ser testeado

Dif-Dif estimator assumptionSupuesto del Método DD.

Example 1: Panel Data – Dif-Dif

• Chudnovsky et al (2006) analizan el efecto de

FONCYT sobre la productividad y calidad de la

investigación científica.

• Indicadores: Números de publicaciones y factor

de impacto de las revistas científicas donde ellos

fueron publicados.

• Estrategia Empírica: DD para controlar por la

selección sobre no observables (factores no

observables que afectan la decisión de participar).

Evaluación del Impacto de Fondos de I+D.

• Chudnovsky et al (2006): resultados

Example 1: Panel Data – Dif-DifEvaluación del Impacto de Fondos de I+D.

• Evaluación del supuesto de identificación: tendencias

paralelas.

Example 1: Panel Data – Dif-DifEvaluación del Impacto de Fondos de I+D.

• PSM y DD tienen el objeto de controlar por

problemas de selección.

• PSM controla por sesgo asociado a las

características observables que afectan la

asignación al tratamiento.

• DD controla el sesgo asociado a características

observables y no observables que no varían a

lo largo del tiempo y que afectan la participación

en el programa.

PSM vs. Dif-DifCombinando DD con Matching.

• Esta combinación puede mejorar la estimación.

• DD mejora PSM porque controla por no

observables que no varían a lo largo del

tiempo.

• PSM mejora DD porque hace mas realista el

supuesto de las tendencias comunes.

• Como implementar PSM con DD:

• Estime PSM antes del tratamiento

• Defina el soporte común.

• Estime el modelo DD sobre el soporte

común.

Combining PSM with Dif-DifCombinando DD con Matching.

• De Negri et al. combina los métodos para evaluar un

programa de crédito publico en Brasil.

Example 2 – Panel Data – PSM + Dif-

Dif

Programa de Crédito Publico en Brasil.

Example 2 – Panel Data – PSM + Dif-

Dif

Programa de Crédito Publico en Brasil


CONTROL SINTETICO

The synthetic control method (SCM)

• Muchas políticas publicas y eventos de interés en ciencias sociales ocurren a nivel agregado y afectan unidades agregadas (países, regiones, provincias, municipalidades, etc.).

• Solo una o muy pocas unidades tratadas identificar el efecto causal puede ser difícil.

• Muchas veces se usan estudios de casos comparados..

• Dos principales problemas:• Ambigüedad sobre como se seleccionan las unidades

de comparación.

• Incertidumbre sobre la habilidad del control para reproducir la trayectoria del resultado del tratado.

Método del Control Sintético

The synthetic control method (SCM)• Idea Básica: una combinación de unidades de

comparación usualmente provee una mejor basede comparación para una unidad expuesta a laintervención que cualquier unidad individual porsi misma.

• Un control sintético es un promedio ponderadode las unidades de control disponibles,construido para aproximar las característicasmas relevantes de la unidad tratada.

• Se estima un vector de pesos que minimiza ladistancia entre los valores de la variable deresultado y las características pre- intervenciónde la unidad tratada y la unidad de controlsintética.

Método del Control Sintético

Example – Industrial policy and SCM

• Castillo, Figal Garone, Maffioli & Salazar(2015) evalúan el impacto sobre el empleo deuna Política de Desarrollo del Turismo (PDT) dela Provincia de Salta en Argentina.

• Objetivo de la PDT: expandir el sector como unmotor clave del desarrollo económico provincial.

• 3 pilares:1. Turismo e infraestructura de transporte.

2. Créditos fiscales para aumentar la inversión privadaen turismo.

3. Promoción del turismo y creación del Ministerio

• Préstamo del BID (Junio 2003)

Política Industrial y el Método del Control Sintético.

Simple comparison: Salta vs. Rest of

provFigura 1. Trayectoria del empleo en el turismo: Salta vs. Resto de las Provincias

Simple comparación: Salta vs. Resto de las Provincias

Main resultsTabla2. Media de los predictores del empleo en el

turismo antes de la PDT

Tabla 1. Pesos de la Salta Sintetica

Province Weights

Buenos Aires -

Autonomous City of Buenos Aires -

Catamarca 0

Córdoba -

Corrientes 0

Chaco 0

Chubut 0

Entre Ríos 0

Formosa 0.114

Jujuy 0.393

La Pampa 0

La Rioja 0

Mendoza 0

Misiones 0

Neuquén 0.064

Río Negro -

San Juan 0

San Luis 0

Santa Cruz 0

Santa Fé 0.222

Santiago del Estero 0

Tucumán 0.207

Tierra del Fuego 0

Salta Average of rest of

Real Sinthetic Provinces NOA

Tourism sector level

Employment 617 615 750 459

Number of firms 77 75 93 46

Average wage 510 512 557 515

Firms size 8 8 8 10

Firms age 7 8 8 7

Log of GDP 17 17 17 17

Province level

Log of Employment 11 11 12 11

Log of # of firms 9 9 9 8

Average wage 608 645 664 619

Firms size 11 11 9 11

Firms age 12 12 12 13

Log of GDP 22 22 23 22

Informality 0.52 0.49 0.46 0.52

Log of population 13 13 14 13

University level 0.02 0.02 0.02 0.02

Road paving 0.52 0.54 0.59 0.49

Public lighting 0.85 0.85 0.84 0.82

Principales Resultados

Main results

Figura 2. Trayectoria del empleo en el turismo: Salta vs. Salta Sintetica

ta

112%

185%

SCM

effect

Naif

B-A

effect

Average yearly effect

of 11%


Main results - Gap

Figura 3. Brecha en empleo en turismo: Salta y Salta Sintetica

Δ = 750 forma

employees


Provinces placebo

Figura 6. Brecha en empleo en turismo en Salta y Placebos.

Provincias Placebo

Sectors placeboFigura 10. Brecha en empleo del sector turismo y and 36 placebos sectors in Salta

Sectores Placebo


EXTERNALIDADES

Spillover effect

• En el contexto de una evaluación, una externalidad

aparece cuando el grupo de comparación resulta

afectado por el tratamiento, aun cuando el

tratamiento no ha sido provisto directamente al

grupo de comparación.

57

Externalidades

Four types of spillover effects

Externalidades:

Los efectos del programa se transfieren directamente desde los

beneficiarios a los no-beneficiarios.

• Uso de pesticidas de los agricultores beneficiarios ayuda a reducir las

plagas también en los agricultores no-beneficiarios.

Efectos de Equilibrio General

Los efectos del programa se transmiten a la economía local

• Expansión y mejoramiento de sistemas de irrigación

Agricultores se diversifican hacia cultivos de alto valor agregado e

intensivos en trabajo.

Aumento de la demanda de trabajo, aumenta los salarios de los

trabajadores agrícolas, llevando a beneficios a trabajadores no

participantes.

58

Tipos de Externalidades

Interacciones

No-beneficiarios se benefician (o perjudican) debido a unainteracción con beneficiarios.

• Programa sobre el uso eficiente del agua que provee volantes conasesoramiento para reducir el consumo de agua a los participantes.

Participantes comparten la información con los no participantes.

No Participantes también implementan el asesoramiento.

Efectos Demostración

No beneficiarios imitan el cambio de comportamiento de losbeneficiarios.

• Agricultores participantes aprenden sobre la toxicidad de los pesticidasen escuelas agrícolas.

Agricultores participantes modifican la forma en que ellos manejan, almacenany usan pesticidas.

Agricultores no participantes imitan este comportamiento y mejoran el manejode pesticidas tóxicos.

59

Four types of spillover effectsExternalidades

Motivación En ALC diversos estudios muestran evidencia de efectos positivos

directos de subsidios a I+D en las inversión en I+D y la productividad delas empresas beneficiarias (Hall and Maffioli, 2008; Castillo et al. 2011;Crespi, Maffioli and Melendez, 2011; Crespi, Solis and Tacsir, 2011)

En el caso especifico del FONTAR, evaluaciones previas encuentranefectos directos del programa en la inversión en I+D de las empresas(Binelli and Maffioli, 2007 and Chudnovsky et al. 2008).

Estos estudios dejan dos preguntas sin responder : (i) Cuales son losefectos de largo plazo de los subsidies a I+D (FONTAR) sobre laperformance de la empresa? (ii) Existen externalidades asociadas con elFONTAR?

Maffioli, et.al atacan estas dos preguntas:

(i) Efectos de largo plazo del FONTAR sobre elempleo, supervivencia, productividad laboral yexportaciones;

(ii) Externalidades sobre las firmas que no sebeneficiaron directamente del programa.

60

El Programa FONTAR

61

Dos tipos de beneficiarios

62

Beneficiarios Directos:

Firmas Tratadas, i.e., firmas que

recibieron apoyo del programa

Externalidades vía movilidad de trabajadores

Beneficiarios Indirectos:

Firmas no tratadas que contrataron

trabajadores que han trabajado en firmas

tratadas.

Datos para la evaluacion

Dos fuentes de datos:

Datos Administrativos del programa FONTAR.

Datos Administrativos del Sistema de SeguridadSocial y Aduanas adaptados y manejado por elOEDE.

Panel de datos empleado-empleador con la totalidad de firmas ytrabajadores formales desde 1996.

Mediante una rutina especifica se puede trazar la movilidad de lostrabajadores a través de las diferentes empresas.

Datos del empleado: salarios, tiempo en el trabajo, genero, edad.

Datos a nivel de empresa: sector, localización, empleo, salaries,exportaciones, edad de la firma, promedio de años que los trabajadorestienen en la empresa (experiencia de los trabajadores).

63

Beneficiarios Directos del FONTAR

64

359

beneficiarios

directos(cohorte que entra

en el programa en

2003 y 2004.)

271 de ellos

han estado

activos

desde el

2000(Consideran estas

firmas porque la

identificación

requiere conocer las

tendencias en las

variables de

resultado en ambos

grupos.

Entered FONTAR

1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006

Ente

red

th

e m

arke

t

1994 40 8 10 56 67 45 60 22 64 118 58 13

1995 1 3 1 5 4 4 13 8 1

1996 5 4 3 4 6 9 6 1

1997 3 1 4 9 1 6 15 3 1

1998 6 1 3 4 12 9

1999 1 6 4 10 10 5 1

2000 7 1 5 22 4 1

2001 6 1 6 11 6 2

2002 1 2 12 6 4

2003 7 23 5 5

2004 5 5

2005 1 2

2006 1

La movilidad de los trabajadores de

los beneficiarios

121,924 trabajadores trabajaron en unaempresa beneficiaria del FONTAR entre 1995y 2006.

Hay movilidad suficiente para considererexternalidades.

63,581 trabajadores que estaban en unaempresa FONTAR generaron mas de 117,000transiciones (Se movieron mas de una vez).

65

Years in a FONTAR firm

Less than 1 1 a 3 4 a 5 5 a 10 More than 10 Total

Move to other firm 41,896 15,201 4,627 1,834 23 63,581

Stay in the firm 16,533 14,457 13,250 12,335 1,768 58,343

Total 58,429 29,658 17,877 14,169 1,791 121,924

Quien es un beneficiario indirecto?

Se requiere una regla. La movilidad es demasiado alta y no se espera que cadatransición genere externalidades..

Alta movilidad puede reflejar pobres destrezas. Firmas buscan retener sustrabajadores calificados por largos periodos de tiempo.

Para restringir la definición de movilidad existen varias alternativas. Se considerandos:

Empleados tienen que permanecer a lo menos dos años en la firma de origenluego que la firma entro al programa (i.e. aprendieron algo sobre el ProyectoFONTAR).

Empleados estaban en el quintil superior de la distribución de salaries de lafirma de origen.

Entonces, beneficiarios indirectos son aquella firmas que:

No participaron en el FONTAR.

Emplearon trabajadores calificados (quintil superior en la distribución desalaries de la firma) que estuvieron trabajando en una firma que recibióFONTAR en 2003 o 2004 (cohorte de interés).

Contrataron estos trabajadores en 2006 o 2007.

Se tienen 307 beneficiarios indirectos de una cohorte de 271 beneficiarios directos.66

Estrategia Empírica

Participación en el programa no fue aleatoria. Firmas seautoseleccionaron en el programa.

Se usa la estructura de panel de los datos para explotar lavariabilidad dentro y entre empresas para estimar el impacto.Asumiendo una heterogeneidad no observada constante a lolargo del tiempo, el sesgo de selección se mitiga mediante unmodelo de efectos fijos.

Usan matching para encontrar firmas con características similaresen:

Beneficiarios directos: 2003 (se asume que no hay impacto enel primer año)

Beneficiario indirecto: 2006 (se asume que no hay impacto enel primer año)

Se incluyen tendencias ex-ante en las variables de resultados (3años antes que la línea de base en cada cohorte)

67

Estrategia Empírica

Estiman el siguiente modelo de efectos fijos:

yit = d Tj,i,t-1 + aj xit + mt + mi + ej,it, i in CSj, j=(D,I) (1)

Tj,i,t es 1 luego que la firma i recibe apoyo j (D=direct, I=indirect); xit son

variables de control; mt son dummies por anio que capturan efectos

temporales no observables que afectan todas las empresas (a veces

interactuando con dummies industriales; mi capturas características de la

firma no observables pero que no varían con el tiempo.

El supuesto clave (heterogeneidad no observada constante en el tiempo)

es menos probable si las firmas tratadas y no tratadas son muy

heterogéneas pueden diferir en tendencias no observadas.

Para mitigar este posible sesgo, se estima (1) sobre un soporte común de

firmas con características ex-ante similares además de tendencias

similares en la variable de resultados.68

Resultados

69

log(N. of Employees) log(Wage) Dummy Exporter

(A) Impacto Directo

FONTAR Direct (t-1) 0.217*** 0.0651*** 0.0665***

[0.040] [0.022] [0.020]

N. of firms 576 576 576

N. of Obs 4227 4227 4227

R-squared 0.114 0.871 0.007

(B) Impacto Indirecto (spillovers)

FONTAR Indirect (t-1) 0.128*** 0.0341** 0.0184

[0.036] [0.014] [0.016]

N. of firms 744 744 744

N. of Obs 3532 3532 3532

R-squared 0.021 0.784 0.002

Note: All regressions estimated on the common support including year dummies and fixed effects at the firm level.

Robust standard errors in bracket. ***, **, * means significant at 1, 5, and 10%, respectively.


MULTITRATAMIENTOS

Evaluación de Impacto en acción:

Multitratamientos

1. No existe un único programa de innovación.

2. Hay múltiples instrumentos: Créditos Tributarios,

Subsidios, Extensión, etc.

3. Las empresas pueden postular a mas de un instrumento

e inclusive varias veces al mismo instrumento.

4. Supongamos que hay dos programas Créditos Tributarios

y Subsidios.

5. Hay cuatro tratamientos:

1. Los que no usan instrumentos (0).

2. Los que usan créditos tributarios solamente (1)

3. Los que usan subsidios solamente (2)

4. Los que usan subsidios y créditos tributarios (3).


Multitratamientos

5. Posibilidad de explorar sinergias y complementariedades

entre instrumentos.

6. Se aplica también a la interacción entre políticas de

desarrollo productivo en general y no solamente a

políticas de innovación!!!

7. Hay que hacer todos estos ejercicios para cada una de

las distintas sub-muestras:

1. Crédito vs Control (1-0)

2. Subsidios vs Control (2-0)

3. Crédito y Subsidios vs Control (3-0)

4. Crédito vs Subsidio (3-2)

5. Subsidio vs Crédito (3-1)


Multitratamientos Un espacio importante de políticas son las complementariedades

entre políticas de innovación y “otras” políticas.

En el caso de Chile, miramos si existen estas complementariedades

entre las políticas de innovación y las políticas de promoción a las

exportaciones. Por que?

Las políticas de promoción a las exportaciones corrigen la falla de

mercado que se origina en las externalidades de búsqueda. Es

decir cuando las empresas exploran un mercado y experimentan

generan información para otras empresas que pueden hacer lo

mismo sin los costos de experimentar.

De la misma forma las políticas de promoción de la innovación

corrigen las externalidades del conocimiento.


Multitratamientos

Si ambas fallas de mercado están presentes al momento de

exportar, entonces apoyar a las empresas con solamente un tipo de

instrumento puede no ser suficiente.

Sin embargo, al momento de plantear múltiples tratamientos

aparece otro problema, que es el de la secuencia. Es decir:

Uno puede entregar los dos tratamiento en forma simultanea, o bien

se puede entregar primero innovación y luego promoción de

exportaciones o bien al revés.

En Chile juntamos los datos de INNOVA con los de PROCHILE para

ver si existe complementariedad y si la secuencia importa.


Complementarity between PROCHILE and FONTEC-

INNOVA/FONDEF, 2002-2010

Innovation Promotion

t t-1 t-2

Ex

po

rt P

rom

oti

on

t -0.056 0.190* -0.114

(0.704) (0.062) (0.848)

t-1 -0.025

(0.630)

t-2 -0.036

(0.732)


MULTITRATAMIENTOS

Exenciones Tributarias para I+D+i en Argentina.

.

1998 1999 2000 2002 2003 2004 2005 2006 2007 2008 2009 2010

Monto de Inversión

Presentado (miles de U$S)137,800 241,900 156,300 75,488 50,009 45,093 130,569 51,246 51,249 117,488 86,353 68,995

Monto de Inversión

Aprobado (miles de U$S)58,043 73,392 92,621 9,528 20,102 25,065 32,791 27,976 24,930 48,264 39,422 36,687

Monto de Crédito Fiscal

Adjudicado (miles de U$S)18,563 20,000 20,000 4,767 6,544 6,797 6,842 6,506 7,239 14,361 10,723 10,223

Tasa de CorteNo

hubo40% 30% No hubo No hubo No hubo No hubo No hubo No hubo No hubo No hubo No hubo

Cant. de Proyectos

Presentados194 363 296 133 137 195 264 196 205 330 271 200

Cant. de Proyectos

Adjudicados94 137 128 46 86 103 103 100 109 145 126 122

Cant. de Empresas

Presentadas124 187 140 78 107 160 213 168 186 286 228 179

Cant. de Empresas

Adjudicadas79 107 87 35 77 89 96 91 98 129 109 111

Fuente: Agencia Nacional de Promoción Científica y Tecnológica.

sd: sin dato.

Nota: durante el año 2001 no hubo asignaciones de crédito fiscal.

En promedio se adjudicaron US$11M de Crédito Fiscal por año, por un total de US$

132M, con un promedio de 232 proyectos financiados y 108 adjudicados. Que en

términos de empresas representan en promedio 171 y 92 beneficiarias por año. En

términos regionales 48% de los proyectos están en Buenos Aires, 30% en Centro y 11%

en Cuyo. En términos sectoriales un 25% de los proyectos en sectores Químicos y

Maquinas y Equipos.

Estrategia Empírica.

• Cada empresa tiene una demanda de I+D+i que depende de una serie

de factores tales como el sector, tamaño, etc. Y, sobretodo, del “precio”

de esta I+D+i (el costo del uso del capital intangible que la I+D+i

genera).

• Este costo depende de la tasa de interés, la tasa de depreciación, la

tasa de inflación, la tasa del impuesto a las ganancias y de como estas

tasas resultan afectadas por los incentivos tributarios a la I+D.

• Es decir se trata de estimar:

• Donde rit es la inversión en I+D+i de la empresa, pit es el costo del uso

del capital, Yit son las ventas y xit son variables de control. Los

incentivos tributarios operan reduciendo pit, entonces para que sean

efectivos se espera que ɣ<0. Pit esta dado por:

u

vup

1

1

it it it it t itr Y p x e

Resultados.

• Se construyó un panel con las Encuestas Nacionales sobre Innovación

y Conducta Tecnológica de las Empresas Industriales (ENIT), para los

años 1996 (ENIT96), 2001(ENIT01) y 2004 (ENIT04).

• Los datos de inversión en I+D se deflactaron con un deflactor que es

un promedio ponderado del IPM y el Índice de Salarios Nominales por

hora por rama a dos dígitos.

• Las encuestas contienen información detallada a nivel de firma sobre

sus actividades de innovación, empleo, ventas, capital humano y

componentes del gasto en I+D+I (completamente comparables solo

desde 1998).

• Del total de firmas, unas 1,770 declararon gasto en I+D+i en al menos

1 año, durante el periodo considerado.

• Se construyo un panel desbalanceado de empresas para el periodo

1998-2004 y otro para el periodo 1992-2004.

• El promedio del gasto en I+D es de US$27,000 para empresas de

menos de 50 trabajadores y US$740,000 empresas de mas de 50

trabajadores. Considerando solamente empresas que gastan en I+D

estos valores suben a US$88,000 y US$1,200,000 respectivamente.

Resultados.

• Algunos resultados interesantes por tamaño de empresa:

• Las empresas pequeñas invierten menos que las grandes, sin embargo

cuando gastan, las empresas pequeñas gastan mas que las grandes

(en términos relativos).

• En términos sectoriales las mayores intensidades están en fabricación

de otros productos minerales no metálicos (5%), actividades de

producción e impresión (5%) y productos químicos (3%).

Resultados.

• Evolución del costo de uso del capital :

• La componente impositiva del costo de capital presenta una caída del

10% desde 1997 a 1998 (cuando se instala el programa) y luego se

mantiene estable en este nivel menor. Este es el efecto del incentivo en

el costo de hacer I+D.

Costo del uso del capital

destinado a I+D+i (p)

Componente impositiva del

costo del uso del capital

destinado a I+D+i (pτ)

Año Media Coeficiente

de Variación Media

Coeficiente

de Variación

1992 0.40 0.35 0.58 0.21

1993 0.62 0.22 0.58 0.21

1994 0.67 0.20 0.58 0.21

1995 0.68 0.20 0.58 0.21

1996 0.69 0.19 0.58 0.21

1997 0.66 0.28 0.61 0.28

1998 0.55 0.36 0.54 0.32

1999 0.62 0.35 0.56 0.32

2000 0.64 0.34 0.56 0.32

2001 0.66 0.36 0.57 0.34

2002 0.37 0.61 0.56 0.32

2003 0.45 0.49 0.55 0.33

2004 0.48 0.40 0.55 0.30

Total 0.57 0.39 0.57 0.28

Resultados.• Estimación de la Demanda por I+D+i (periodo 1992-2004) :

• Se presentan estimaciones con diferentes métodos que controlan por la

endogeneidad del costo de uso de I+D. En todo los caso el coeficiente es

negativo, significativo y menor que 1. Es decir un reducción de un l% en el

costo de uso genera un aumento de la inversión en I+D+i de un 1.1% en el

corto plazo y de un 2.1% en el largo plazo.

Resultados.

• Estimación de la Demanda por componentes de I+D+i :

• Se observa una respuesta mas rápida del componente de bienes de

capital del gasto en I+D+i. Tanto en el corto plazo, como en el largo

plazo. El componente de I+D reacciona en forma mucho mas lenta y el

efecto de largo plazo aunque efectivo, lo es menos que para bienes de

capital.

Resultados.

• Resultados por intensidad en la inversión en I+D (periodo 1992-2004):

• Se observa una respuesta en sectores considerados tradicionales y

donde el sesgo de la inversión en I+D se encuentra en maquinas y

equipamiento.

Resultados.

• Resultados por tamaño (periodo 1992-2004) :

• Si bien las elasticidades son menores que uno para todos los tamaños

de empresas, los efectos se aprecian muy superiores en el caso de las

empresas mas grandes. Esto implica un aumento del US$10,000 en el

gasto en I+D+i de las empresas pequeñas y de US$180,000 en el caso

de las grandes.

Conclusiones.

• El crédito fiscal del FONTAR ha provocado una

reducción en el costo de llevar a cabo proyectos

de I+D+i.

• Esta reducción parece haber tenido un efecto

significativo con elasticidades de largo plazo

mayores 1.

• El crédito fiscal estaría explicando un aumento

del 15% del gasto en I+D+i del sector

empresarial en Argentina.

• En términos monetarios, por cada $1 de CF, el

gasto en I+D+i habría subido en un $1.28 en el

corto plazo y $1.90 en el largo plazo, lo cual

sugiere un efecto de “crowding in”.

Conclusiones.

Email: [email protected]

[email protected]

88

Aplicaciones y Casos de ALC - CIES · punto de corte definido Intuición: o Unidades alrededor del...

Documents

Transcript of Aplicaciones y Casos de ALC - CIES · punto de corte definido Intuición: o Unidades alrededor del...