|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Un enfoque no
compensatorio para medir el riesgo país
en los países de la OCDE
A non-compensatory approach to measure country risk in OECD countries |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Departamento de Ciencia Política Universidad de Génova. Piazzale Emanuele Brignole 1-3. Genova CP
16125. Italia enrico.ivaldi@unige.it; stani@parisi-vaselli.com; riccardo.soliani@unige.it; d.legnaro79@gmail.com Recibido: 20 febrero 2021 | Aceptado: 26 de marzo 2021 |
|
cÓMO CITAR
Ivaldi, E.,
Soliani, R., Parisi, P., & Legnaro, D. (2021). Un enfoque no
compensatorio para medir el riesgo país en los países de la OCDE. Cuadernos
Del CIMBAGE, 1(23), 85-115. Recuperado a partir de https://ojs.econ.uba.ar/index.php/CIMBAGE/article/view/2056
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
RESUMEN
Palabras clave: índice de riesgo
país, índice de Mazziotta-Pareto, países de la OCDE, riesgo político ABSTRACT
In
the last few years, a fast growth of international lending and foreign
investment has been happening. As a consequence of
the large flow of capital going towards new developing countries, the risk
exposure of the lenders and investors is rising, and country risk analysis
becomes more and more important for the international financial operators. In
the present paper we propose a non-compensatory index to reckon the country
risk in OECD countries: the Mazziotta-Pareto Index (MPI). It assumes the
‘‘non-substitutability’’ of the dimensions, all of them being considered of
the same importance, without any compensation possible among them. This
indicator classifies the countries into six main groups, according to their
high or low country risk. Although based on a small number of variables, the
MPI can assess quite correctly the pre-figurative “latent dimensions” of the
country risk in the short run. The proposed index sheds light particularly on
the risk linked to political-economical events and decisions, and on the
public finance. Our country risk Index allows to assess international country
risk ratings comparatively, and to single out the relevance of economic, financial and political risk as components of a general
risk rating. Keywords: country risk index, Mazziotta Pareto
Index, OECD Countries, Political Risk Códigos JEL: F21; F59 O57. |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
IntroducciónDados el rápido
crecimiento de la deuda externa de los países menos desarrollados en la
década de 1970 y el aumento de la incidencia de la reprogramación de dicha
deuda, a principios de la década de 1980, se produjo un crecimiento de la
preocupación de la comunidad financiera internacional por el riesgo país de
los estados deudores – el cual representa la capacidad y la voluntad de un
país para cumplir con sus obligaciones financieras (Cosset y Roy, 1991) – y
un incremento en la medición del riesgo crediticio que involucra a los
estados soberanos (Hoti y McAler, 2004). Las agencias de
calificación de riesgo utilizan diferentes métodos para calcular el riesgo
país, combinando una gran cantidad de información cualitativa y cuantitativa
relacionada con medidas alternativas de riesgo económico, financiero y
político. Pero, todas estas medidas son cuestionables. En la
actualidad, el "riesgo país", una vez más, asumió un papel
preponderante. En primer lugar, por el proceso de intensificación de la
globalización, que creó un nuevo entorno económico y político. En segundo
lugar, por las recientes crisis de la deuda soberana y privada en muchos de
los países europeos (tanto de la Unión Europea –UE- como de sus estados
miembro) incluidos algunos de los que forman parte de la zona euro y por las
secuelas de las crisis financieras que se extendieron por todo el mundo (San-Martín-Albizuri y Rodríguez-Castellanos, 2017). Los gobiernos también
están involucrados en este proceso, ya que sus acciones a menudo pueden
afectar directamente el riesgo país. El aumento del riesgo país (RP) a menudo
se traduce en una menor inversión extranjera en el país mismo, y conduce a un
menor crecimiento económico y a una posible agitación política. El RP cubre una
combinación de riesgos, que se pueden revelar insostenibles, que surgen
cuando se generan flujos de intercambio comercial o financiero, o cuando se
realizan inversiones en un país extranjero (Ivaldi 2013). Una definición tan
amplia del RP que abarca diferentes estrategias de inversión e incluye todas
las áreas en riesgo que surgen cuando una inversión se realiza fuera del
propio país, hace que su evaluación sea extremadamente compleja. Su cálculo implica
recopilar y elaborar informaciones generalizadas y datos cuantitativos, lo
cual vuelve relevante la presencia de una componente “subjetiva". El RP es
diferente del riesgo soberano, porque el RP evalúa los factores políticos y
económicos del país deudor que podría interrumpir el reembolso oportuno del
capital e intereses, mientras que el riesgo soberano consiste solamente en el
riesgo crediticio de un gobierno soberano (San-Martín-Albizuri
y Rodríguez-Castellanos, 2017) Los resultados
de un análisis del riesgo país pueden emplearse como herramientas para tomar
decisiones previas y posteriores al préstamo. Antes de prestar, la medida del
riesgo es la base para decidir si prestar o no, cuánto prestar y cuántos
intereses cobrar. Después de haber concedido el préstamo, el monitoreo de la
verificación periódica del riesgo proporciona un sistema de preaviso (Nath
2008). El análisis del
RP se remonta a finales de los años sesenta, cuando Avramovic y otros (1968)
en el Banco Mundial realizaron un análisis sistemático de los factores que
afectan la balanza de pagos de un país y, por lo tanto, su capacidad para
pagar la deuda externa, mediante el uso de una combinación de indicadores de
corto y largo plazo. Los métodos
aplicados al estudio histórico de las crisis de los países fueron muy
diversos: por ejemplo, la selección de variables mediante el análisis de
componentes principales, que permite la reducción de variables incluidas en el
índice en una nueva mezcla de recorridos variables "latentes" (Levy
y Yoon 1996); la construcción de un índice RP sobre el nivel de áreas
geográficas (Carment 2001); el análisis de Discriminación jerárquica
multigrupo (MHDIS) de Doumpos y Zopounidis (2002) que compara diferentes
métodos de análisis para países en desarrollo; los dos modelos diferentes de
Hammer y otros (2004), uno basado en la regresión lineal múltiple, y otro que
utiliza un análisis lógico de la técnica de datos (LAD). En las décadas
de 1960 y 1970 los métodos de cálculo del RP fueron sólo de tipo cualitativos,
pero a partir de la década de 1980 los estudios se han vuelto eminentemente cuantitativos
para pronosticar el peligro de incumplimiento o las crisis financieras. No
obstante, debe tenerse en cuenta que los enfoques cuantitativos también pueden
ser incapaces de explicar fenómenos no descritos con precisión (Ivaldi y Di
Gennaro 2011). De hecho, el RP debe interpretarse sobre la base de un enfoque
multidimensional, considerando tanto los riesgos conocidos como la fragilidad
macroeconómica y los riesgos geopolíticos (Meldrum 2000). Nath (2008)
argumenta la necesidad de ampliar el campo de análisis, de crear modelos más
adecuados y enfrentar nuevos desafíos, Cukier y Mayer-Schoenberger (2013) remarcan
la capacidad de las técnicas de "big
data". En el presente
trabajo proponemos un índice no-compensatorio para calcular el RP en los
países de la OCDE: el Índice Mazziotta-Pareto (IMP). El cual supone la
"no-sustituibilidad" de las dimensiones, considerando a todas de la
misma importancia, sin ninguna compensación posible entre ellas. Este indice
no sólo considera variables cuantitativas, sino también elementos
cualitativos, que juegan un papel clave. Aunque se base en un pequeño número
de variables, el IMP puede evaluar con suficiente precisión las
"dimensiones latentes" pre-figurativas del RP a corto plazo y proporcionar
algunas consideraciones adicionales sobre el año de análisis. SELECCIÓN DE VARIABLES
La literatura
está dividida sobre los algoritmos a utilizar para seleccionar las variables a
incluir en el análisis, teniendo en cuenta que la elección también se retroalimenta
a través de la obtención de datos. El procedimiento de selección obviamente
impacta en la composición del indicador (Ivaldi y otros 2016a, Ivaldi y otros
2016b), y en la finalidad del mismo (Soliani y otros
2011a, 2011b, Testi e Ivaldi 2009, Carstairs 2000, Gordon y Pantazis 1997,
Carstairs et Morris 1991, Jarman 1983). En general, el estudio debe evitar el
riesgo de considerar por separado dimensiones que son realmente similares e incurrir
en solapamientos. En primer
lugar, es necesario que el índice se base en los datos disponibles
actualmente que no requieren encuestas "ad
hoc", a fin de evitar la generación de costos adicionales y poder
actualizar los índices de manera simple y continua, basando las decisiones
sobre datos objetivos y transparentes procedentes directamente de fuentes
certificadas (Jarman 1983, 1984; Forrest y Gordon, 1993; Gordon y Pantazis
1997, Townsend 1987). Para definir el
campo de investigación hemos realizado una primera prueba con datos aportados
por organismos oficiales de investigación e instituciones estadísticas
(Ivaldi y Testi 2010). El estudio se concentró en una combinación de
variables habitualmente seleccionadas en la literatura (Carment 2001, Doumpos
y otros 2001, Hammer y otros 2004; Doumpos y Zopounidis 2002; Levy y Yoon
1996, Ivaldi y Di Gennaro 2011).
Tabla 1. Variables seleccionadas (Origen de las
variables : *World Bank, **Marsh 2015) MÉTODO
Para seleccionar los indicadores se ha aplicó el análisis de componentes
principales (ACP), que permite dividir la variabilidad total aplicando en
primer lugar la combinación lineal de las variables que explica la mayor
proporción de la varianza: donde es el primer componente principal (Johnson
y Wichern, 2002). El paso
siguiente consiste en definir una segunda combinación lineal, no correlacionada
con la primera, de manera que explique la siguiente mayor proporción de la
variación que resulta como residuo de la aplicación de la primera combinación
del sistema. La ecuación del segundo componente es: El procedimiento continúa de la misma forma,
operando en forma iterativa. De este modo, el uso de componentes principales
permite crear un conjunto de variables no correlacionadas (las componentes)
mediante la transformación de un conjunto de variables correlacionadas. De
modo que el coeficiente de Pearson entre las componentes es igual a 0 (Pituch
y Stevens, 2016). El análisis del componente principal tiene como
objetivo resumir la información contenida en una matriz de correlación o de varianzas
y covarianzas y tratar de identificar estadísticamente sus dimensiones
latentes y no directamente observables (Stevens 1986). Si dos variables están
altamente correlacionadas con el mismo componente, una proporción
significativa de la correlación entre las dos variables se explica por el
hecho de tener factores comunes (Dillon, Goldstein 1984). En una solución
de no rotación, cualquier variable se explica por dos o más factores comunes,
mientras que en una solución de rotación, cualquier
variable se explica por un solo factor común (Johnson y Wichern, 2002). Se han desarrollado varios métodos de
rotación analítica (Krzanowski y Marriott, 1994, Fabrigar y otros, 1999)
dependiendo de si se cree que los factores están correlacionados - oblicuos -
o no correlacionados - ortogonales - (Gorsuch 1983, Abdi 2003). Las pruebas
posteriores de algoritmos de extracción y rotación revelaron la estabilidad
de los componentes extraídos, así como la efectividad particular del método
de rotación Varimax (Kaiser 1958). Una vez que se
han llevado a cabo la extracción y la rotación, es importante seleccionar qué
factores, es decir, qué variables, se utilizarán en el indicador. Esto se
realiza teniendo en cuenta simultáneamente tres criterios de selección: 1. Criterio de
Kaiser: es necesario para retener todos los factores extraídos que tienen un
valor propio superior a uno (Kaiser, 1960). 2. Criterio de
varianza explicada: la base para la selección es la varianza explicada
acumulada. Un nivel de varianza explicada del 70% se considera significativo
(Stevens, 2002). 3. Prueba de
pantalla: tiene como objetivo proporcionar una representación gráfica de los
factores a tener en cuenta. El gráfico muestra el
valor propio en el eje vertical y el número de valores propios en el eje
horizontal. Vinculando los puntos de este gráfico se obtiene una línea. De
acuerdo con el método de Cattell, la selección de los factores debe limitarse
al punto donde se produce una nivelación de la pendiente de la línea (Cattel,
1966), correspondiente a una asíntota (en términos de análisis matemático). Si bien sería
aconsejable ponderar los factores considerados, no es posible definir un
sistema de ponderaciones confiable (Myer y Jencks, 1989, Testi e Ivaldi
2009). Una solución consiste en asignar la misma ponderación a todos los
factores (Nardo, Saisana, Tarantola, Hoffman y Giovannini, 2005). La
agregación de las variables seleccionadas permite obtener un Índice del
Riesgo País (IRP). El método
seleccionado es el del índice no compensatorio de Mazziotta-Pareto (IMP) (De
Muro y otros 2007, Mazziotta and Pareto, 2012). De acuerdo con Munda y Nardo
(2005), el uso de un índice no compensatorio es importante "…si se
quiere que las ponderaciones impliquen orden de importancia” (o la
importancia simétrica equivalente de las variables). El IMP supone la "no-sustituibilidad"
de las dimensiones, es decir, atribuye la misma ponderación a todas las
dimensiones sin ninguna compensación entre ellas. El IMP se ha
aplicado en la última década para discutir los “Objetivos de Desarrollo del
Milenio” (ODM) (De Muro y otros 2007), para identificar la desigualdad social
en las regiones italianas (Mazziotta y otros 2010a, 2010b), para medir la
infraestructura sanitaria italiana (Mazziotta y Pareto 2011), para evaluar la
calidad de vida en las provincias italianas (Mazziotta y Pareto 2012) y para
medir la utilización política en las regiones italianas (Ivaldi y otros,
2016b). Por lo tanto, se
agregaron los cuatro indicadores siguiendo el método IMP que requiere la
estandarización de los indicadores individuales y su agregación por algoritmo
aritmético con función de penalización basada en la variabilidad horizontal,
medida por el coeficiente de variación, de modo tal de resultar más
penalizadas las unidades con mayor desequilibrio entre los valores de los
indicadores. La utilización
de la desviación estandarizada para el cálculo del índice sintético permite
obtener una medida robusta y no muy sensible a la eliminación de un indicador
elemental (Mazziotta y otros 2012). De acuerdo con
este proceso de normalización resulta: (2) Donde: denota el valor estandarizado del j-émo
indicador del i-ésimo país. denota el valor de la j-ésima
variable del i-ésimo País . denota el promedio del j-ésimo indicador. es la desviación estandar del j-ésimo indicador. Para cada país se calcula el valor medio de los , su desvío estándar y el coeficiente de
variación (CV).
De modo que el
índice IMPi para el país i-ésimo, queda definido por: Este resultado
considera una función de penalización a las unidades proporcional al
desequilibrio de los índices compuestos parciales, basada en el CV y que se
anula si todos los valores son iguales. El objetivo de este criterio es
privilegiar las áreas que, al ser iguales, tienen un mayor equilibrio entre
las diferentes dimensiones de la privación (Mazziotta y Pareto 2012). Por lo tanto,
el IMP se construye con la agregación de los indicadores de cada dimensión y
con la suma de los índices compuestos parciales. Para completar el análisis es
útil dividir los países en clases para facilitar la comparación entre los dos
índices. En este trabajo
se aplica un análisis por conglomerados, el cual permite agrupar la
información sobre los países (Nardo, Saisana, Tarantola, Hoffman y
Giovannini, 2005). Como señala
Berkhin (2006): “la agrupación es una división de datos en grupos (clusters) de
objetos similares; son similares entre ellos, pero son diferentes a los
elementos de otros grupos. Las técnicas de agrupamiento tradicionalmente se
dividen en jerárquica y de partición. En este caso, dado que el conjunto de
datos es pequeño, es preferible la primera, ya que la segunda técnica
perdería optimalidad. La agrupación
jerárquica genera un árbol de agrupaciones, también conocido como
dendrograma. Hay dos categorías de métodos de agrupamiento jerárquico:
aglomerativo (ascendente) y divisivo (descendente). Si es necesario fusionar
o dividir los subconjuntos de puntos, entonces se debe generalizar la distancia
entre puntos individuales a la distancia entre subconjuntos. Dicha medida de
proximidad derivada se denomina “métrica de vinculación”. Los algoritmos
jerárquicos se ven significativamente afectados por este tipo de métrica ya
que esta última refleja un concepto particular de cercanía y conectividad
(Berkhin, 2006). Las métricas de
vinculación entre clusters
prominentes son de enlace único, promedio y completo. La medida de
disimilitud subyacente (que generalmente es la distancia) se calcula para
cada punto del primer conjunto respecto de cada punto del segundo. Las
medidas de disparidad de a pares: permite especificar un mínimo (enlace único), un promedio
(enlace promedio) o un máximo (enlace completo). Los métodos que
emplean distancias de a pares entre grupos definidos en dos subconjuntos, se
conocen con el nombre de "métodos gráficos". Estos métodos se
pueden resumir en los llamados métodos geométricos, en los que un grupo está
representado por su punto central. Los resultados pueden ser métricas de
vinculación centroide, que utilizan la mediana y la mínima varianza. En este trabajo se utiliza el método de Ward (1963),
según el cual la distancia entre dos grupos, 1 y 2, viene dada por el aumento
de la suma de los cuadrados obtenidos cuando son fusionados. Con la
agrupación jerárquica, la suma de los cuadrados comienza en cero y luego
aumenta a medida que se fusionan los grupos. El método de Ward consiste en limitar
este crecimiento tanto como sea posible. RESULTADOS
A partir de las variables enumeradas en la Tabla 2, se
aplicó el análisis de componentes principales para evaluar cuáles variables
se deben considerar, siguiendo los tres criterios mencionados anteriormente:
el método de Kaiser, la prueba de detección y el criterio de varianza
explicada.
[Método de extracción: Análisis de
componentes principales. Método de rotación: Varimax con normalización de
Kaiser. La rotación convergió en 8 iteraciones] Tabla
2. Matriz de componentes rotados (a)
[Método de extracción: Análisis de
componentes principales.] Tabla 3. Variación total explicada Figura 1. Gráfico de pantalla La Figura 1
muestra el gráfico de pantalla y la Tabla 3 muestra los valores de la
varianza explicada. Dado que el segundo componente explica solo el 62% de la
varianza, tenemos en cuenta los tres componentes y no excluimos ninguna
variable, como lo sugieren también los otros dos métodos. De acuerdo con
las consideraciones expresadas en el texto, en el cálculo se utilizó el IMP. Por último, se
agruparon los valores de los índices en categorías para identificar las áreas
con condiciones socio-económicas similares.
Aplicando el análisis de conglomerados al IRP, se obtuvieron seis clases en
las cuales agrupar los países. La Tabla 4 y la Figura 2 muestran los
dendrogramas resultantes de esta clasificación.
Tabla 4.
Índice de riesgo país (IRC)
Tabla 4
(cont.). Índice de riesgo país (IRC) Figura
2. Análisis jerárquico de conglomerados - Dendrograma utilizando método Ward Del cálculo de los puntajes y de las correspondientes las clasificaciones, se obtuvo, para
Suiza, un valor del índice igual a 107.50, que corresponde al RP más bajo y,
para Grecia, un valor del índice igual a 90,28 que corresponde al RP más
alto. Si bien las
clasificaciones en la parte superior e inferior seguramente no son
inesperadas, al observar toda la clasificación podemos ver resultados que
aparentemente contrastan las tendencias históricas o la calificación basada
en un solo criterio. Suiza y
Luxemburgo están incluidos en la primera clase. Estos dos pequeños países se
caracterizan históricamente por mercados eficientes y economías estables,
altos niveles de vida y buenas condiciones socio-económicas
generalizadas. Suiza posee un alto nivel de vida, productividad industrial y una
alta calidad de los sistemas de educación y atención médica y su PIB per
cápita se encuentra entre los más altos de Europa. La economía de Luxemburgo
se caracteriza por un sistema fiscal eficiente y un alto nivel de apertura
internacional. El principal recurso impulsor es el sistema financiero
(representa alrededor de 36% del PIB) pero también la industria y la
exportación son componentes importantes. La clase
siguiente incluye países no muy afectados por la crisis financiera. Islandia
puede explotar las fuentes de energía renovables y exportar productos
pesqueros, por lo que su perspectiva económica es positiva: posee un pequeño
superávit presupuestario, la deuda pública está cayendo (aunque permanezca por
encima de sus niveles anteriores a la crisis) y, en 2015, pudo pagar el
préstamo otorgado por el Fondo Monetario Internacional en 2008. Otro país
emergente es la República Checa, cuya economía, basada casi exclusivamente en
la industria del automóvil y el turismo, es una de las más desarrolladas en
Europa Central y Oriental. Presenta una economía muy dinámica, con bajo nivel
de desempleo y salarios crecientes; a partir de 2015 su economía crece,
principalmente gracias al consumo interno y a la inversión pública. En la segunda
clase también están Noruega y Suecia, un par de sociedades postindustriales
altamente desarrolladas: ambas tienen un PIB per cápita muy alto y se
encuentran entre los niveles más altos de impuestos en el mundo, junto con un
estado de bienestar excepcional. Sin embargo, la economía noruega depende de
los ingresos generados por el petróleo del Mar del Norte, y Suecia es
sensible a las conmociones externas debido a su dependencia de la
exportación. Por lo tanto, ambos se contrajeron durante la crisis financiera
mundial, que golpeó fuertemente también a la zona euro. En la tercera
clase figuran países emergentes y poderes económicos bien establecidos. Los
países de transición (República Eslovaca y Estonia) se convirtieron en una
economía de mercado dinámica en la década de 2000. Corea del Sur e Irlanda
participan bien en el comercio internacional con su producción específica:
productos de alta tecnología y circuitos integrados, respectivamente. Además,
en los últimos años, la República Eslovaca e Irlanda implementaron un sistema
tributario ligero que les dio importantes ventajas competitivas. Países ricos
como Alemania, Austria, Canadá sufrieron la crisis económica mundial y la
disminución de la demanda europea, que afectó el desempeño de su economía. En
particular, Alemania, cuyo comercio exterior representa aproximadamente el
84% del PIB, exporta automóviles, componentes de automóviles, medicamentos, y
esto la vuelve muy sensible a los shocks externos, es decir, a la caída de la
demanda europea. Austria,
después de un período de estancamiento, tiene una recuperación en términos de
crecimiento del PIB, pero su tasa de desempleo aumenta, ofreciendo un ejemplo
impresionante y extremo de disminución de la tasa de desempleo. Canadá, líder
en la exportación de zinc, uranio y otros productos básicos, con un comercio
exterior que representa alrededor del 65% del PIB, sufre las consecuencias
del bajo precio del petróleo. La economía
danesa es muy abierta y financiera; pero, a pesar de su alto PIB per cápita y
su desigualdad social casi insignificante, sufre de baja productividad. Fuera de
Europa, la economía de Nueva Zelanda se basa en el turismo y la agricultura. Se
vió afectada por la caída del precio de la leche en el mercado internacional,
ya que es el mayor exportador mundial de leche. Reinició su crecimiento sólo
en 2016. En la cuarta
clase hay una fuerte heterogeneidad. Podemos encontrar a los dos países muy
afectados por la crisis financiera mundial y a los países que en los últimos
años pudieron invertir sus recursos para obtener un mayor nivel de
competitividad. El Reino Unido
se vio afectado por la crisis, particularmente en su mercado financiero, pero
ahora se está recuperando, aunque el alto déficit público y la tasa
significativa de desempleo juvenil, junto con las secuelas del Brexit, son en
parte impredecibles. Los Países
Bajos tienen una economía muy abierta, son la sexta potencia económica más
grande de la zona euro y el quinto mayor exportador de bienes; pero su fuerza
se transformó en debilidad, porque la caída de la Eurozona contrajo la
demanda de exportación. Finlandia es
uno de los países líderes en nuevas tecnologías, pero también es el país de
la zona euro más afectado por la crisis. Sufre de un aumento del desempleo y
la desigualdad, a pesar de su alto nivel de vida. La gran
economía de los Estados Unidos está creciendo gracias al paquete de estímulo
fiscal y monetario. Por otra parte, la relación deuda pública / PIB también
está creciendo, las exportaciones industriales se desploman y la desigualdad
se está profundizando. La economía estadounidense en constante
crecimiento confirma la solidez de un mercado laboral ya robusto. Los datos
de empleo estadounidenses en enero de 2020 muestran 225,000 nuevos empleos,
mientras que las expectativas de los economistas y analistas financieros eran
de un aumento en el empleo en América de sólo 164,000 unidades en el mismo
mes. Los sueldos y salarios
aumentaron en promedio un 3,1% en comparación con el mismo mes de 2019. Hungría, Eslovenia, Letonia (antiguo país de transición) y
México son países en desarrollo, con economías abiertas, caracterizadas por
una profunda desigualdad y una pobreza generalizada. Hungría es el país
anfitrión de varias divisiones de I + D o sedes de empresas internacionales,
gracias a su política fiscal ligera; además, una política eficaz contra el
desempleo produjo una disminución en su tasa de desempleo. Eslovenia
completó su transición económica con éxito, siguiendo y consolidando su larga
tradición de integración económica con los países vecinos, particularmente
Alemania, Austria e Italia, obteniendo los beneficios de una fuerza laboral
calificada y productiva, logrando una tasa de desempleo comparativamente
baja. Debido a su posición geográfica estratégica, en la economía de Letonia,
la logística, especialmente el transporte de petróleo y materias primas entre
la CEI y Europa es el sector más importante. México tiene
una economía orientada a la exportación, estrictamente dependiente del ciclo
económico de los Estados Unidos, y también es un mercado financiero
emergente. Su ingreso per cápita es el más alto en América Latina, pero está
afectado por una profunda desigualdad: el 45% de su población vive por debajo
de la línea de pobreza. En la economía
australiana el comercio internacional representa aproximadamente el 41% del
PIB (2015), principalmente con China. El país tiene materias
prima, y reservas naturales, y su estructura económica se basa en la
exportación de productos básicos, turismo y servicios. Australia es el único
país de la OCDE que no cayó en recesión durante la crisis financiera. Bélgica,
después de 2013, ha tenido una recuperación lenta, gracias a sus políticas
económicas, pero sufre un alto desempleo juvenil. El mercado
financiero de Israel se vuelve cada vez más importante y tiene un alto nivel
de inversión en investigación y desarrollo. En los últimos años la tasa de
desempleo disminuyó drásticamente, pero la integración social y económica de
las minorías árabes y haredi (judías ultraortodoxas) sigue siendo el gran desafío a enfrentar. El quinto grupo
incluye a países europeos devastados por la crisis financiera, con desempleo
e incertidumbre económica y países en desarrollo que están construyendo sus
estructuras económicas. En Portugal hay
una disminución en la inversión, particularmente en la construcción, y una
desaceleración en el consumo privado y la exportación. Sin embargo, hay
señales débiles de recuperación en el mediano y largo plazo, que se
manifiestan en una pequeña disminución de la tasa de desempleo. Francia es una
de las potencias mundiales de exportación más importantes, pero sufrió la
disminución de la demanda extranjera. Su desempleo aumentó mucho, así como su
deuda pública. La economía
española, basada en el turismo y los servicios financieros, después de seis
años de recesión se recuperó en 2016 cuando, con el aumento de la demanda
interna, la economía comenzó a crecer, reduciendo el nivel de desempleo. Es
el país europeo donde la integridad del estado está en mayor riesgo Los puntos
débiles de Italia son la deuda pública, el desempleo juvenil (15-24 años), el
estancamiento y la inestabilidad política. Otro problema duradero es la
desigualdad territorial entre el norte bastante moderno y el sur atrasado,
donde el crimen organizado constituye una plaga secular. Polonia es el
único país de la UE que ha mantenido un crecimiento positivo a lo largo de la
crisis económica mundial, y logró un crecimiento significativo que lo
convirtió en un jugador importante en el mercado europeo. Pero todavía está
afectado por una alta desigualdad, desempleo y desequilibrios territoriales. Chile, una de
las naciones más prósperas de América del Sur, debe luchar ahora contra las
desigualdades socioeconómicas generalizadas. La reciente política de
inversión en energías renovables debería garantizar una energía suficiente
para cubrir el 20% de sus requerimientos en los próximos años. Turquía sufre
la inestabilidad política y el bajo nivel de consumo de los hogares debido a
la desigualdad. Una contribución significativa al ingreso nacional proviene
de la construcción y de la inversión pública en proyectos de infraestructura.
A pesar de estos puntos positivos, el alto nivel de desempleo, los salarios
muy bajos y el gran sector informal son dificultades persistentes en Turquía. Japón tiene una
fuerte dependencia de la importación de petróleo y materias primas y de la
exportación de manufacturas, luego está expuesto a shocks externos. Otras
preocupaciones que Japón tendrá que abordar en el futuro cercano son el
envejecimiento de la población y las tensiones políticas con Corea del Sur y
China. En la última clase, Grecia tiene una economía muy precaria, que experimentó
muchos años de recesión, niveles crecientes de desempleo y una crisis ambiental
(un problema que recibe menor atención). En 2010, cuando se encaminaba a la
quiebra, un incrementeo de su endeudamiento con Europa y el FMI, generó tensiones
políticas y económicas y el riesgo concreto de Grexit por parte de la UE. CONCLUSIONES
En la actualidad la mayoría de las grandes
corporaciones consideran prioritario comprender, analizar e incorporar el
riesgo país, ya que su éxito en un mercado global depende cada vez más del
crecimiento en los mercados extranjeros. Los riesgos a nivel país, que a menudo son complejos,
integrados y de cambio rápido, junto con sus impactos acumulativos
representan desafíos o problemas molestos para empresas, organismos
gubernamentales, ONG y otros tipos de organizaciones, así como para
investigadores y estudiantes. Los pensadores estratégicos que tienen objetivos específicos, necesitan
herramientas interactivas, dinámicas, bien conceptualizadas y holísticas para
identificar, evaluar, investigar y responder a los desafíos a nivel de país
(Brown y otros 2015). Sin embargo, es posible
cuestionar la precisión de cualquier agencia de calificación de riesgo para
determinar cualquiera de estas medidas. El índice
propuesto en este trabajo puede contribuir a obtener con mayor rapidez, sobre
la base de un número limitado de variables, la existencia de riesgos
potenciales para los operadores. De este modo, los operadores podrán obtener una
mejor estimación cuantitativa y cualitativa de los eventos en curso durante
un corto período. Sin duda una visión rápida desempeña un papel de gran
importancia, especialmente con respecto a los eventos que tienen lugar y
evolucionan actualmente. Por lo tanto, la información anticipada representa
un valor agregado, que además necesita un análisis adicional para comparar y
completar con las opiniones que surgen del procedimiento de "creación de
consenso" establecido por expertos de las principales agencias y
evaluadores de las instituciones de evaluación de riesgos. En general, es
apropiado considerar que, además de los riesgos emergentes del intercambio
comercial, que pueden estar parcialmente cubiertos por un seguro financiero,
hay otros riesgos que apenas están protegidos, o incluso sin ninguna
protección. Ellos son, por
ejemplo, los riesgos que
dependen de eventos geopolíticos, o derivados de la insolvencia a nivel de la
deuda soberana, de restricciones tales como los obstáculos financieros y
monetarios, de variaciones excesivas de precios, tasas de interés y aumentos
o caídas del valor de las divisas. El indicador que
aquí se analiza clasifica a los países Ocse en seis grupos principales, de
acuerdo con el valor de su RP. En cuanto a la clasificación completa, se
obtuvieron resultados novedosos y, en gran medida, en contraste con las
tendencias históricas o la clasificación basada en un criterio único. En la primera
clase figura un par de países con altos estándares de vida y mercados
eficientes y estables. La segunda clase incluye países apenas afectados por
la crisis financiera. Islandia, que explota fuentes de energía renovables y
exporta productos pesqueros, tiene una perspectiva económica positiva. El crecimiento de la República Checa,
basado en la industria automotriz y en el turismo, se debe
en gran medida al consumo interno y la inversión pública. Noruega y Suecia
son países post-industriales, con un alto PIB per cápita, fuertes impuestos
y, quizás, el mejor estado de bienestar en los países de Ocse. Sin embargo,
ambos se contrajeron durante la crisis global. En la tercera
clase hay países emergentes (República Eslovaca y Estonia, un par de ex países
de transición, y Corea del Sur e Irlanda) y estados ricos y sólidos, como
Alemania, Austria, Dinamarca y, fuera de Europa, Nueva Zelanda y Canadá, que
se han visto afectados por la crisis y han reducido su exportación. También el
cuarto grupo es heterogéneo. En él figuran el Reino
Unido, afectado por la crisis financiera, y los Países Bajos, que tienen una
economía muy abierta y que sufren la caída de las exportaciones. Finlandia es
líder en las nuevas tecnologías, pero fue muy dañado por la crisis. Inesperadamente,
el RP de los EE. UU.
es bastante alto debido a su creciente
índice de deuda pública / PIB, la caída de las exportaciones y la creciente
desigualdad. La pobreza
generalizada y la profunda desigualdad caracterizan también a un grupo de países,
en parte países de transición Ex: Hungría, Eslovenia, Letonia y México, con alto
desempleo juvenil y riesgo político. Bélgica e Israel también son parte de la
cuarta clase, junto con Australia. En la quinta
clase hay grandes países de la UE (Francia, España, Italia), junto con
Polonia y Portugal, y, fuera de Europa, Chile, Turquía y Japón. La inestabilidad política, la delincuencia,
la desigualdad social y territorial, la deuda pública, el desempleo, la caída
del consumo de los hogares afecta más o menos a todos ellos. Japón debido a su bajo puntaje por la apertura
de su economía que lo expone a shocks externos. Además, la edad promedio de la población es
alta y está desarrollando tensión política con China y Corea del Sur. Finalmente,
Grecia está en el último nivel. Ha estado experimentando recesión y desempleo
y también crisis ambiental. En 2010, cuando el país se acercaba a la
bancarrota, la deuda con Europa y el FMI se disparó, provocando tensión
política interna y el riesgo concreto de Grexit por parte de la UE. Debe tenerse en
cuenta que el proceso de medición del riesgo país es un proceso en continuo
progreso. El índice propuesto arroja luz particularmente sobre el riesgo
vinculado a eventos y decisiones político-económicas, y sobre las finanzas
públicas y permite evaluar comparativamente las clasificaciones internacionales
de riesgo país y destacar la relevancia del riesgo económico, financiero y
político como componentes de una clasificación general de riesgo. A medida
que cambia el entorno económico y financiero global, se hace imperativo considerar
nuevas variables, y la evaluación del RP es clave. Por otra
parte, debido al almacenamiento digital los investigadores tienen acceso a
una enorme cantidad de datos. Por lo
tanto, junto con una capacidad informática mejorada, se pueden aplicar
mejores técnicas a modelos más amplios de evaluación de riesgo país. ·
Abdi, H. (2003). Factor rotations in factor
analyses. Encyclopedia for
Research Methods for the Social Sciences. Sage: Thousand Oaks, CA,
792-795. ·
Avramovic, D.; Husain, S.S.; de Weille, J.; Froland,
J.; Hayes, J. P.; Wyss, H. (1964). Economic Growth and External Debt.
Washington, D.C.: The World Bank. ·
Berkhin, P. (2006). A Survey of Clustering Data Mining
Techniques. In J. Kogan, C. Nicholas, & M. Teboulle, Grouping
Multidimensional Data: Recent Advance in Clustering (p. 25-71). Springer. ·
Brown Christopher L. Cavusgil Tamer, Lord A. Wayne
(2015) Country-risk measurement and analysis: A new conceptualization and
managerial tool. International Business
Review ·
Volume 24, Issue 2,
April 2015, Pages 246-265 ·
Carment D. (2001); “Assessment Country Risk:
Creating and Index of Severity”; Discussion Paper prepared for CIFP Risk Assessment Template. May 2001 ·
Carstairs V. (2000), Socio-economic factors at area
level and their relationship with health: In Elliott, P., Wakefield, J.,
Best, N., Briggs, D. (Eds.). Spatial
Epidemiology methods and applications (pp. 51-68). Oxford University Press. ·
Carstairs V. Morris R. (1991) Deprivation
and Health in Scotland. Aberdeen University
Press. ·
Cattel, R. (1966). The scree test for the number of
Factors. Multivariate behavioural research, Vol.1, Issue 2, 245-276. ·
Cosset, J.C. and J. Roy, (1991) The determinants of country
risk ratings, Journal of International
Business Studies, 22(1), 135-142. ·
Cukier, Mayer-Schoenberger (2013) The rise of big data: How
it's changing the way we think about the world Foreign Affairs (2013) ·
De Muro, P., Mazziotta,
M., & Pareto, A. (2007). Composite
indices for multidimensional development and poverty: An application to MDG
indicators. In Wye City Group Meeting. Held in Rome, Italy: June.
http://www.fao. org/es/ess/rural/wye_city_group. ·
Dillon W., Goldstein M.
(1984), Multivariate analysis method
and application, New York, Wiley. ·
Doumpos M., Pentaraki
K., Zopounidis C., Agorastos C., (2001) Assessing country risk using a
multi-group discrimination method: a comparative analysis, Managerial Finance, Vol. 27 Iss: 8,
pp.16 -34 ·
Doumpos
M, Zopounidis C. (2002) On the use of a multi-criteria hierarchical
discrimination approach for country risk assessment. Journal of Multi-Criteria Decision Analysis, 11(4-5):279-289 ·
Fabrigar, L., Wegener, D., MacCallum, R., & Strahan, E.
(1999). Evaluating the Use of Exploratory Factor Analysis in Psychological
Research. Psychological Methods, Vol. 4, n° 3, 272-299. ·
Forrest R., Gordon D. (1993) People and Places: a 1991
Census atlas of England, SAUS, University of Bristol. ·
Gordon D., Pantazis C. (1997) Breadline Britain in the
1990s, Ashgate, Ashgate Publishing Limited. ·
Gorsuch, R. (1983). Factor Analysis (2nd ed.).
Hillsdale, NJ: Lawrence Erlbaum Associates. ·
Hammer P. L., Kogan A., Lejeune M.A. (2004), Country
risk ratings: Statistical and Combinatorial non-recursive Models,
Rutcor Research Report 8-2004. ·
Hoti S., McAleer M. (2004) An Empirical Assessment
of Country Risk Ratings and Associated Models, Journal of Economic Survey Vol
18(4):539-588 ·
Ivaldi E. (2013) A Proposal of a Country Risk Index
Based on a Factoral Analysis: An Application to South Mediterranean and
Central-East European Countries International Economics v.66 I2 Genoa ·
Ivaldi E., Bonatti G., Soliani R. (2016a) The
construction of a synthetic index comparing multidimensional well-being in
the European Union, Social Indicators Research. January 2016, Volume 125, Issue 2, pp 397-430. DOI. 10.1007/s11205-014-0855-8 ·
Ivaldi E., Bonatti G., Soliani R. (2016b) An
indicator for the measurement of political participation: the case of Italy
Social Indicator Research online DOI :10.1007/s11205-016-1303-8 ·
Ivaldi E., Di
Gennaro A. (2011) Il rischio paese e la sua misurazione: una proposta di
indicatore, Collana Percorsi di Scienze Economiche e Sociali n.7 Impressioni
Grafiche, Acqui Terme ISBN 978-88-6195-105 ·
Ivaldi E., Testi A. (2010) Genoa Index of Deprivation (GDI): An Index of Material Deprivation
for Geographical Areas in Social Indicators: Statistics, Trends and
Policy Development editors Candace M. Baird, Nova Publisher ISBN:
978-1-61122-841-0). ·
Jarman B. (1983) Identification of
underprivileged areas, British Medical Journal, 286, pp.
1705-09. ·
Jarman
B. (1984) Underprivileged areas: validation and distribution of scores, British Medical Journal, 289, pp.
1587-1592. ·
Johnson R.A., Wichern D.W., (2002). Applied
Multivariate Statistical Analysis. 5th Edition, Prentice-Hall, Englewood
Cliffs, ISBN: 0131219731, pp: 767. ·
Kaiser H. F. (1958), "The varimax criterion for
analytic rotation in factor analysis." Psychometrika
23: 187–200. ·
Kaiser, H. (1960). The Application of Electronic Computers
to Factor Analysis . Educational and Psychological Measurement, Vol. 20,
141-151. ·
Krzanowski A., Marriott F. (1995), Classification, covariance, structures and
repeated measurements, part 2 Kendall’s Library of Statistics 2,
Multivariate Analysis. ·
Levy J.B., Yoon E (1996).; “Methods of Country Risk
Assessment for International Market – Entry Decision”; University of
Massachusetts Lowell ISBM Report 11 – 1996 ·
Mazziotta, C.,
Mazziotta, M., Pareto, A., & Vidoli, F. (2010a). La sintesi di indicatori
territoriali di dotazione infrastrutturale: metodi di costruzione e procedure
di ponderazione a confronto. Rivista di economia e statistica del
territorio, 1, 1-33. ·
Mazziotta,
M., Pareto, A., & Talucci, V. (2010b). La costruzione di indicatori di disuguaglianza sociale: il caso delle
regioni italiane. XXXI Conferenza italiana di scienze regionali. http://www.grupposervizioambiente.it/aisre_sito/doc/papers/Mazziotta_Pareto_Talucci_AISRE.pdf ·
Mazziotta, M.,
Pareto, A. (2011). Un indice sintetico non compensativo per la misura della
dotazione infrastrutturale: un’applicazione in ambito sanitario. Rivista
di statistica ufficiale, 13(1), 63-79. ·
Mazziotta, M., Pareto, A. (2012). A Non-compensatory
Approach for the Measurement of the Quality of Life. In Maggino F. and
Nuvolati G. (Ed.), Quality of life in Italy (pp. 27-40). Social
Indicator Research Series 48, Springer Netherlands. ·
Meldrum D.H. (2000) Country risk and Foreign Direct
Investment, Business Economics July
34; 30-7 ·
Munda, G., & Nardo, M. (2005). Constructing
consistent composite indicators: the issue of weights. EUR 21834 EN., European Commission. ·
Myer, S., & Jencks, C. (1989). Poverty and the
distribution of material hardship. Journal of Human Resources, Vol. 24. ·
Nath H.K. (2008) Country risk analysis: A survey of
the quantitative methods, Working Paper Series, Sam Houstan State University,
Huntsville, TX pp. 1-31 ·
Nardo, M., Saisana, M., Tarantola, S., Hoffman, A.,
& Giovannini, E. (2005). Handbook on constricting composite indicators:
methodology and user guide. N° 2005/3. Paris: OECD Publishing. ·
Pituch, K., & Stevens, J. (2016). Applied
Multivariate Statistics for the Social Sciences. New York: Routledge. ·
San-Martín-Albizuri, N., Rodríguez-Castellanos, A.
(2017) Measuring country risk: A topic
of renewed interest in Managerial strategies for business sustainability
during turbulent times eds by Leon, R.-D. Business Science Reference,
Hershey, PA, USA ·
Soliani R., Di Gennaro A., Ivaldi E. (2011a) How deprivation affects life expectancy in
France and Italy: comparative evidence from a factorial analysis, in Socioeconomic
Status and Health Implications eds. by Reibert S. and Jannings A. Nova
Publisher ISBN: 978-1-62100-675-6 ·
Soliani
R., Di Gennaro A.,
Ivaldi E. (2011b) An Index of the quality of life for European Country:
evidence of deprivation from EU-Silc data – Proceeding of the Vienna 2011
Conference on Schumpeter’s Heritage: the evolution of the Theory of
Evolution, 27-30 October 2011 ·
Stevens
J. (1986), Applied multivariate statistics for the social sciences,
Hillsdale, Lawrence Erlbaum A ·
Stevens J. (2002), Applied Multivariate Statistics
for the Social Sciences, 4th Edition, Mahwah, NJ Lawrence Erlbaum Associates. ·
Testi A., Ivaldi E.
(2009), Material versus social deprivation and health: a case study of an
urban area, The European Journal of Health Economics: Volume 10, Issue3; pp 323–328 ·
Townsend P. (1987) “Deprivation”, Journal of Social Policy, 2, pp.
125-146. ·
Ward, J. (1963). Hierarchical Grouping to Optimize an
Objective Function. Journal
of the American Statistical Association, Vol. 58, Issue 301, 236-244.
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
ISSN 1666-5112 | eISSN 1669-1830 Registro DNDA 71798851 Editor Responsable: Javier I. García Fronti Propietario: Universidad de Buenos Aires - Facultad de Ciencias Económicas - Instituto de Investigaciones en Administración, Contabilidad y Métodos Cuantitativos para la Gestión (IADCOM) - Centro de Investigación en Metodologías Básicas y Aplicadas a la Gestión (CIMBAGE) ccimbage@econ.uba.ar - ccimbage@fce.uba.ar Rector: Alberto Edgardo Barbieri Av. Córdoba 2122, 2º piso, CP 1120, Ciudad Autónoma de Buenos Aires, República Argentina Revista Interdisciplinaria de Economía Política está bajo una licencia de Atribución-NoComercial-SinDerivadas CC BY-NC-ND. |
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|