Evidencia de políticas públicas: modelo del BdE para la estimación de los efectos de las subidas del SMI.

20262704195_e5e0385b61_b

Nota técnica: las expresiones matemáticas en algunos navegadores de móvil no se reproducen bien, es recomendable usar la “versión de Escritorio” o copiar la URL y probar con otro navegador. Probablemente ocurra si esto NO se ve azul.

Introducción.

Los efectos de un salario mínimo en el mercado de trabajo son aún discutidos en el ámbito de la Economía, sin un consenso general. La publicación del archiconocido artículo, ver [3], de Card y Krueger (recientemente fallecido) en 1993 supuso, en mayor parte, el inicio de evidencia positiva a favor de esta política frente al consenso previo, que encajaba bien con los modelos básicos de microeconomía con competencia perfecta y un precio mínimo de venta superior al de equilibrio, se genera desempleo a costa de subir el salario a unos pocos trabajadores. Sin embargo, bajo un modelo de monopsonio, un salario mínimo puede tener un efecto positivo, al situarse el salario de equilibrio por debajo del precio en el que no hay deadweight loss. La resolución de este tema pasa, por tanto, por el análisis de la evidencia empírica (1).

Recientemente en España ha habido una subida del salario mínimo interprofesional (SMI) de magnitud considerable con respecto a otras ocasiones (véase aquí para más detalles). Esta subida tan fuerte puede tener los efectos negativos asociados al salario mínimo, por lo que parece irresponsable que se haya hecho sin un análisis previo de estos posibles efectos para evaluar su conveniencia o considerar políticas públicas alternativas en base a la evidencia empírica disponible, nada nuevo en el ámbito de la política, [2]. Afortunadamente, se disponen herramientas para evaluar, parcialmente, los efectos de esta propuesta en el mercado laboral español. El objeto de este artículo es explicar una de ellas, propuesta por los economistas del Banco de España (BdE).

El modelo.

FuncionLogistica

La mayor parte de los trabajos basados ​​en microdatos utilizan un modelo logit para estimar el impacto de los aumentos del salario mínimo en la probabilidad de perder el trabajo. Recordemos que la regresión logística es un  generalized linear model del tipo:

\mathbb {E} (\mathbf {Y} )={\boldsymbol {\mu }}=g^{-1}(\mathbf {X} {\boldsymbol {\beta }})

donde

g(x):=\log{\frac{x}{1-x}},

es decir, el inverso de la función logística representada arriba, que nos transforma una probabilidad, a un número real. En el caso de que Y esté distribuida como una variable aleatoria de Bernoulli, i.e., \mathbf {Y} \sim Bi(1,p), tenemos

p=\mathbb {E} (\mathbf {Y} )=g^{-1}(\mathbf {X} {\boldsymbol {\beta }}),

el modelo de regresión que va a ser usado.

Los detalles del modelo, que pasamos a explicar, se encuentran en [1]. Primero, se consideran las transiciones después de 12 meses, para evitar una posible estacionalidad. Segundo, el grupo tratado se define de manera “continua”.  Específicamente, el enfoque utilizado ahí define al grupo afectado en términos de una brecha entre el salario real de la persona y el salario mínimo real en el mes t+12, pero solo si el primero es menor que el segundo. En consecuencia, tenemos una variable continua (no podemos esperar un efecto similar para alguien que necesitaría un aumento significativo en su salario mensual como para alguien que necesitaría solo un pequeño aumento para cumplir con el nuevo mínimo) que mide la distancia del salario real al salario mínimo real en t+12. La variable que mide la diferencia del salario, wage wap, se define como:

wg_{i,t}:= \max\left(m_{i,t+12} - w_{i,t} , 0\right),

siendo m_{i,t+12} es el salario mínimo real para el individuo i  en el mes t+12 y  w_{i,t} su salario en el mes t. El grupo afectado tendrá wg>0 y el grupo de control wg=0.

El modelo propuesto es:

P\left(d_{i,t}=1\right)=\Lambda\left(\beta' x_{i,t}+\theta wg_{i,t} + \alpha w_{i,t} + \Phi 'g_{i,t} + \epsilon_{i,t}\right),

con:

  • Λ es la transformación logit.
  • d_{i,t} un dummy tiene dos valores posibles: 0 cuando el trabajador continúa trabajando en t+12 como empleado y 1 si el trabajador ya no trabaja en t+12 como empleado.
  • Como control se introduce un vector x_{i,t} con características individuales, incluyendo género, permanencia en la empresa, nacionalidad, tipo de contrato (temporal o permanente), múltiples empleos, edad y tamaño de la familia. Se dividen los individuos en cuatro grupos de edad: grupo 1, de 16 a 24 años; grupo 2, de 25 a 32 años; grupo 3, de 33 a 45 años de edad y finalmente, grupo 4, de más de 45 años. Los umbrales están escogidos para tener más o menos el mismo número de trabajadores afectados en cada edad grupo. Para el tamaño de la familia, tenemos cuatro variables para controlar las diferentes edades de los dependientes en la familia: menores de 6 años, 7–15, 16–65 y mayores de 65 años. De esta manera, se captura el impacto de los bebés, niños y jubilados en decisiones de trabajo.
  • Finalmente, g_{i,t} es un conjunto de dummies, que incluyen mes, año, la interacción del grupo de edad y la variable wage gap (se utiliza esta interacción para medir las posibles diferencias del salario mínimo según la edad, razonable al ser distinto el crecimiento de la productividad, que si es suficientemente alto hace irrelevante el SMI), así como controles macroeconómicos y efectos estacionales.

Los resultados: 2017 y 2019.

Vamos ahora a analizar dos subidas del SMI, la de 2017 y la de 2019, nos basamos en [4].

Resultados para 2017.

Primero, en 2017, el SMI pasó de 655,20 euros/mes en 2016 a 707,60 euros/mes, un 6 % en términos reales. En los años anteriores había permanecido estable. Los datos se obtienen de la Muestra Continua de Vidas Laborales (MCVL), con ellos se puede conocer  los trabajadores que en 2016 obtenían un salario por debajo del SMI propuesto para 2017. El porcentaje de trabajadores afectados de la MCVL fue de un 2,4% (notemos que es un porcentaje reducido, luego intentar hacer estimaciones del empleo agregado por el SMI, como hemos visto en estos meses sin más análisis, es arriesgado). Aun así, este porcentaje varía significativamente según los grupos de edad, siendo hasta un 20% en los más jóvenes, de 16 a 24 años. Nuestro objetivo es medir la probabilidad de que los trabajadores que tiene un wage wap >0 pasen a estar desempleados, recordemos que esto definía el grupo afectado, frente al grupo de control donde era cero. Lo que no se mide es:

  • Cambios en las horas trabajadas derivadas de una reducción de la jornada laboral.
  • El efecto del SMI sobre la tasa de empleo, sino que se centra exclusivamente en las transiciones del empleo al desempleo.
  • Al no disponer de información necesaria, no se analizan las consecuencias de un aumento del SMI sobre las transiciones del desempleo al empleo y las probabilidades de reempleo tras ser despedido. Esta omisión puede ser relevante debido a los costes del despido, que pueden hacer que el ajuste laboral se realice en mayor medida disminuyendo las contrataciones.

Los resultados se muestran en la Figura 1 y la Figura 2.

Captura de pantalla 2019-05-31 a las 20.12.04
Figura 1. Fuente: [4].

En este primera figura podemos observar que el aumento de probabilidad depende del wage wap, en general, si este es mayor, mayor será el aumento de la probabilidad. El máximo de variación de la probabilidad se encuentra en un salario ligeramente superior al SMI de 2016. Es interesante desagregar los resultados para los distintos grupos de edad, que es lo que se hace en la Figura 2.

Cuadro2-SMI
Figura 2. Fuente [4].

Podemos observar como la incidencia del SMI es sobre todo en trabajadores jóvenes, pero que los efectos negativos de pérdida de empleo se concentran en los tramos de edad desde 33 a 64 años, donde el grupo de afectados es menor. En cualquier caso, al ser mayor número, las pérdidas de empleo, sobre el total, se concentran en los jóvenes. En cuanto a la masa salarial observamos que apenas hay incremento, concentrándose en los jóvenes. Es interesante notar como los posibles efectos en cuanto a reducción de pobreza, vía incremento de la masa salarial, pueden no darse. Esto es un fenómeno conocido, en palabras de D. Neumark,

The fundamental problem with using minimum wages to increase the incomes of poor and low-income families is that the policy targets low-wage workers, not low-income families, which are not necessarily the same.  In the US, the link between low wages and low family income is quite weak, for three reasons. First, over half (57%) of poor families with heads of household aged 18–64 have no workers (calculations based on 2014 Current Population Survey data). Second, some workers are poor because of low hours rather than low wages; in the same data, 46% of poor workers have hourly wages above $10.10, and 36% have hourly wages above $12. And third, because teenagers are highly overrepresented in the minimum wage workforce, many low-wage workers are not in poor families. As a result, back-of-the-envelope calculations suggest that when the minimum wage is increased, assuming no job loss, far more of the increase in income goes to families in the top half of the income distribution than to families below the poverty line

Ver [5].

Finalmente podemos calcular la elasticidad del aumento SMI deflactado con respecto a la pérdida de empleo al grupo de afectados (2), que corresponde a un -0.5.

Estimaciones para 2019.

En 2019, la subida del SMI hasta los 900 euros en 14 pagas, como comentábamos al inicio, supondrá un gran aumento de la incidencia con respecto a la subida de 2017. Esto podemos observarlo en la Figura 3.

Figura 3. Fuente: [4].

Lo que se ha seguido aquí es la proyección de los resultados estimados en 2017 a la distribución de afectados por la nueva subida para 2019. Nótese que, como dijimos al inicio de esta entrada, un aumento del 22,3 %, como el aprobado para este año, no tiene precedentes en nuestro país, por lo que esta proyección realizada tiene un alto grado de incertidumbre, aunque sirve como primera estimación. La estimación de pérdida de empleo debido al SMI sobre los trabajadores afectados es de el 12,7 %, muy por encima del 3,1% observado en el caso de 2017, no todo se debe a que la magnitud de la subida sea mayor, ya que la elasticidad definida anteriormente pasa ahora al -0.6. En cuanto a grupos de edad observamos el mismo patrón que en 2017, sin apenas variación de la masa global, pero ahora con pérdidas netas de masa salarial para colectivos de mayor edad. Esto implica un aumento de la desigualdad, en particular, un aumento adicional del índice Gini en 0.2% (teniendo en cuenta los aumentos salariales de los afectados por el SMI que no pierden el empleo como las pérdidas salariales de los afectados que ya no conservan su empleo).

Conclusiones.

El SMI se plantea como una medida para aumentar las rentas de las familias con menores ingresos, con la ventaja de su facilidad administrativa y sin gastos para las cuentas pública. Sin embargo, hay dudas razonables sobre su efectividad, lo que obliga a considerar otras alternativas cuya evidencia es más favorable, como los complementos salariales, ver [5], que por un lado aumentan los ingresos por hora trabajada y, por otro lado, aumentan la oferta laboral, uno de los problemas de los individuos pobres, como hemos comentado arriba.

Se han presentado los resultados del modelo planteado por economistas del BdE para 2017 en España, que muestra un efecto negativo sobre la probabilidad de mantener el empleo entre los trabajadores afectados, estos efectos son particularmente graves para los trabajadores de mayor edad. La subida del SMI para 2019, cuyo aumento es muy superior a las anteriores, elevará el grupo de trabajadores afectados de manera considerable. La simulación planteada de las consecuencias de la subida, utilizando como base el caso de 2017 (con las precauciones discutidas arriba) sugiere un impacto claramente superior al de 2017. Por tanto, habría convenido analizar de manera detallada los posibles efectos de la medida antes de ser aprobada por parte del ejecutivo. Como esto no se realizó a priori, conviene que a posteriori haya un seguimiento de los resultados para poder solucionar los posibles efectos adversos.

Referencias.

[1] Galán, Sofía, and Sergio Puente. “Minimum wages: do they really hurt young people?.” The BE Journal of Economic Analysis & Policy 15.1 (2015): 299-328.

[2] Huemer, Michael. “Why people are irrational about politics.” Philosophy, politics, and economics (2015): 456-67.

[3] Card, David, and Alan B. Krueger. Minimum wages and employment: A case study of the fast food industry in New Jersey and Pennsylvania. No. w4509. National Bureau of Economic Research, 1993.

[4] Lacuesta, A., Izquierdo, M., & Puente, S. (2019). Un análisis del impacto de la subida del salario mínimo interprofesional en 2017 sobre la probabilidad de perder empleo (No. 1902). Banco de España & Occasional Papers Homepage.

[5] Neumark, D. Employment effects of minimum wages. IZA World of Labor 2018: 6 doi: 10.15185/izawol.6.v2

Notas.

(1). Conviene recordar que no tener opiniones formadas en base a la evidencia es uno de los problema de irracionalidad política de la mayoría de las personas. En palabras de Huemer (ver [2]):

If you have beliefs about an empirical question prior to gathering empirical data—or if your beliefs about some question do not change when you gather much more data—then you are probably biased about that question.

Ver [2].

(2). En la definición de elasticidad en otros trabajos cambia el grupo sobre el que se calcula el desempleo.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out /  Change )

Google photo

You are commenting using your Google account. Log Out /  Change )

Twitter picture

You are commenting using your Twitter account. Log Out /  Change )

Facebook photo

You are commenting using your Facebook account. Log Out /  Change )

Connecting to %s