Aplicaciones y Casos de ALC - CIES · punto de corte definido Intuición: o Unidades alrededor del...
Transcript of 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
División de Competitividad e Innovación
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
División de Competitividad e Innovación
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
Diseño de Regresión Discontinua
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
Example 3: Research Public FundsFondos de Investigación
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
Example 3: Research Public FundsFondos de Investigación
.55
.6.6
5.7
.75
Gender
pro
port
ions (
Male
)
-2 -1 0 1 2 3Relative Standardized Ranking
h=global lpoly smooth: Gender (Male)
h=1 lpoly smooth: Gender (Male)
h=0.5 lpoly smooth: Gender (Male)
35
40
45
Age
-2 -1 0 1 2 3Relative Standardized Ranking
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
Example 3: Research Public FundsFondos de Investigación
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
-2 -1 0 1 2 3Relative Standardized Ranking
Frecuencia de Proyectos según ranking
Para testear la falta de manipulación de la variable de asignación.
31
Example 3: Research Public FundsFondos de Investigación
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
Diseño de Regresión Discontinua
División de Competitividad e Innovación
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
División de Competitividad e Innovación
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%
Principales Resultados
Main results - Gap
Figura 3. Brecha en empleo en turismo: Salta y Salta Sintetica
Δ = 750 forma
employees
Principales Resultados
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
División de Competitividad e Innovación
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.
División de Competitividad e Innovación
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).
Evaluación de Impacto en acción:
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)
Evaluación de Impacto en acción:
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.
Evaluación de Impacto en acción:
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.
Evaluación de Impacto en acción:
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)
División de Competitividad e Innovación
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]