REVISIÓN DE LITERATURA

Existe un gran número de estudios que han buscado cuantificar los efectos de los precios de bienes minero-energéticos sobre diferentes agregados económicos, y se ha evidenciado que las variaciones de los precios de las fuentes de energía también son relevantes dentro de una economía, principalmente por la alta influencia que tienen sobre la actividad industrial y económica. De acuerdo con lo anterior, las diversas perturbaciones que genera la industria energética en diferentes sectores económicos están asociadas a la estructura productiva e innovadora de un país. Autores como ^{Ayres y Warr (2010)} y ^{Kümmel et al. (2010)}, han identificado que los precios de las diferentes fuentes de energía provenientes del sector minero-energético son variables fundamentales que ejercen presión sobre el crecimiento económico, ya que gran parte del desarrollo urbanístico e industrial depende de la volatilidad de dichos precios. Por otro lado, ^{Finn (2000)}, ^{Birol y Keppler (2000)}, ^{Wing (2008)}, ^{Valadkhani y Babacan (2014)} plantean que la intensidad energética que puede producir o comprar un país es una variable fundamental para las perspectivas de producción e innovación tecnológica. Mientras que ^{Amano (1990)}, IMF (2013), ^{Fei y Rasiah (2014)} y ^{Li y Lin (2014)} han relacionado las fluctuaciones de los precios de la energía con el consumo de esta y han encontrado que, a mayor precio, el consumo energético se reduce.

Al identificar que los precios de la energía son variables relevantes en el consumo, el desarrollo industrial y económico, es importante plantear que los efectos en la actividad económica no solo dependen de las condiciones de cada país, como lo expresan ^{Berk y Yetkiner (2014)} y ^{Bretschger (2015)}, sino también de la posición que tengan estos países respecto a la producción energética (^{Lin y Mou, 2008}). Para el caso de China, país en vía de desarrollo al igual que México, Chile, Brasil y Colombia, autores como ^{He et al. (2009)}, ^{Zhang (2006)} y Li y Lin (2014), analizaron los impactos del aumento de los precios de las distintas fuentes de energía en diferentes industrias, lo que les permitió concluir que un aumento de los precios tiene un impacto significativo sobre las empresas y, a su vez, encarece los productos. De igual manera, la magnitud del impacto depende de la intensidad energética de cada industria.

Bienes minero-energéticos

Al revisar el efecto derrame que generan los precios del petróleo, se han encontrado indicios de la capacidad que tienen ciertas economías o industrias para influir en el comportamiento de los mercados. ^{Griffin (1985)} observó que la OPEP (Organización de Países Exportadores de Petróleo) funciona como una firma dominante que trata de influir en los precios. De la misma forma, ^{Almoguera et al. (2011)}, ^{Spilimbergo (2001)}, ^{Smith (2005)}, ^{Boug et al. (2016)}, ^{Jones (1990)}, ^{Gülen (1996)}, ^{Brémond et al. (2012)}, ^{Cairns y Calfucura (2012)}, ^{Huppmann y Holz (2012)}, ^{Colgan (2014)}, ^{Kisswani (2016)}, ^{Okullo y Reynès (2016)} y Smith (2009) plantearon que la OPEP en ciertas situaciones se comporta como un cartel, ya que estos países buscan aliarse en ciertas circunstancias para controlar el mercado. Estos autores permiten identificar que existe un poder de mercado en la industria minero-energética, lo que hace que países que carezcan de este, se vean expuestos a un efecto derrame por decisiones externas.

Los países latinoamericanos presentan una fuerte relación entre los precios de las materias primas y el crecimiento de sus economías, lo que ha generado que el bienestar de estos países dependa de variables externas a su control (^{Castillo & Salas, 2010}). El gran auge de las materias primas en la década del 2000, marcado por el crecimiento industrial de países como China e India, hizo que el precio de estas creciese significativamente hasta la crisis hipotecaria del 2008. Dicha crisis produjo una caída en la demanda que redujo los precios hasta en un 80 %, lo que desencadenó una disminución del crecimiento económico de Latinoamérica (FMI, 2008). A partir de esta situación, diferentes estudios en países latinoamericanos analizaron los efectos de los precios de las materias primas en la actividad económica e identificaron que el aumento de los precios de estos bienes genera crecimiento económico (^{Fernández et al. 2015}). Estos efectos se han identificado en países como Brasil, México, Chile, Colombia, Ecuador, Argentina, Venezuela y Perú (^{Ben-Zeev et al., 2016}; ^{Ahmed, 2003}; ^{Izquierdo et al., 2008}; Candelo, 2018; ^{Castillo & Salas, 2010}; ^{Peña, 2008}; 2015; ^{Mendoza & Vera, 2010}).

Los precios de las materias primas tienen un gran peso en el comportamiento de los términos de intercambio en países en vía de desarrollo, debido a que concentran sus exportaciones en este tipo de productos. Autores como ^{Schmitt-Grohe y Uribe (2015)}, ^{Mendoza (1995)}, ^{Broda (2004)} y ^{Spatafora y Warner (1999)}, identificaron que los países que concentran sus exportaciones en materias primas tienden a ser más susceptibles ante la variación de los términos de intercambio, debido a su poca diversificación productiva. Por ejemplo, en el caso de Colombia, los términos de intercambio tienen una alta correlación con el precio del petróleo. Autores como ^{Misas y Ripoll (1993)} y ^{Arteaga et al. (2013)} identificaron que un aumento en los términos de intercambio genera una revaluación de la moneda nacional. Igualmente, ^{Hernández (2013)} halló que un gran porcentaje de la variación del PIB colombiano depende del comportamiento de esta variable; mientras que ^{Oviedo y Sierra (2019)} determinaron efectos significativos y positivos de los términos de intercambio, ya que explican aproximadamente un 5 % de la variación de la actividad económica, un 8 % de la inversión, un 6 % de la balanza comercial y un 1 % del movimiento en el tipo de cambio real.

Debido a que la dinámica de los precios del petróleo está altamente correlacionada con los términos de intercambio, es importante mencionar los efectos del precio del petróleo sobre diferentes economías emergentes. Para Colombia, ^{Uribe y Ulloa (2011)} estimaron un vector autorregresivo estructural con variables exógenas (S-VARX) y un vector de corrección estructural de error con variables exógenas (S-VECX), que les permitió observar efectos positivos de un aumento en los precios del petróleo en indicadores macroeconómicos como el PIB, la producción industrial y el empleo, acompañado de un aumento en el índice de precios. Por su parte, ^{González y Hernández (2016)} y ^{Gómez (2015)} identificaron mediante un modelo de vectores autorregresivos (VAR) una relación positiva entre el aumento de los precios del petróleo, el crecimiento del PIB, el aumento de las exportaciones de crudo y la inversión extranjera directa. Mientras que Poncela et al. (2017) encontraron evidencia sobre la existencia de cointegración entre los precios de las materias primas, el tipo de cambio y la producción manufacturera. Igualmente, ^{Perilla (2010}) descubre que una fluctuación en el precio del petróleo genera efectos asimétricos en la economía colombiana, ya que un aumento no tiene un impacto significativo en el crecimiento económico, pero una disminución sí contrae significativamente el PIB.

Por otro lado, ^{Kilian y Vigfusson (2011)} hallaron para los Estados Unidos, bajo un modelo de vectores autorregresivos (VAR), una respuesta asimétrica a las fluctuaciones de los precios del petróleo, puesto que los choques positivos generan un impacto mucho mayor que los negativos. Lo anterior es reafirmado por ^{Hamilton (2003)}, ^{Lee y Ni y Ratti (1995)}, ^{Davis y Haltiwanger (2001)}, ^{Bernanke (1983)}, Hamilton (1983), ^{Pindyck (1991)}, ^{Balke et al. (2002)}. Ahora bien, estas investigaciones coinciden en que un aumento en los precios del petróleo puede ser una de las causas generadoras de una recesión económica, debido al incremento de los costos de producción y de la incertidumbre. Por otro lado, los autores que comparan los impactos de los precios de las materias primas en las economías desarrolladas y en vía de desarrollo, evidencian que los efectos de las fluctuaciones de estos precios son menores en las economías desarrolladas. Estas declaraciones se pueden validar en las investigaciones de ^{Andrews y Rees (2009)}, ^{Karagedikli y Price (2012)}, ^{Charnavoki y Dolado (2014)}. Por tanto, se puede plantear que las fluctuaciones de los precios de las materias primas afectan de forma diferenciada a los países en vía de desarrollo y desarrollados.

Metodología para la medición del efecto derrame

Para identificar la dirección de desbordamiento de los productos energéticos se utiliza la metodología propuesta por ^{Diebold y Yilmaz (2012)}. Esta metodología se caracteriza por el uso de vectores autorregresivos generalizados, donde la descomposición de la varianza no varía según el orden de las variables, lo que permite medir los efectos de contagio de la volatilidad total y direccional. Entonces, ^{Diebold y Yilmaz (2012)} consideran un modelo VAR generalizado descrito por ^{Koop et al. (1996)} y ^{Pesaran y Shin (1998)}, que produce descomposiciones invariantes de varianza al orden. En lugar de intentar ortogonalizar las perturbaciones, el enfoque generalizado permite perturbaciones correlacionadas, pero las explica adecuadamente utilizando la distribución de errores observada históricamente.

Se parte de los modelos VAR propuestos por ^{Sims (1980)}, que resuelven el problema de endogeneidad de las variables, donde se escribe el sistema de ecuaciones de forma reducida y matricial, lo que permite observar el efecto de un choque de una variable sobre las demás, volviendo todas las variables endógenas y exógenas. A continuación, se describirá el modelo usando la notación de Candelo (2018). Así que se parte de las siguientes ecuaciones de primer orden, en donde u _t y z_t son variables I(1) y sus errores ε _xt y ε _zt son choques que representan un proceso ruido blanco con media cero y varianzas constantes. En esa misma línea, se inicia con el siguiente sistema de ecuaciones.

Donde se muestra un modelo de ecuaciones simultáneas con la particularidad de que sus variables son endógenas y exógenas a la vez. De forma matricial el modelo VAR se escribe como:

Ahora, representando el sistema en N variables.

La media móvil del proceso se representa en la siguiente ecuación:

Donde el número de periodos se define por t = 1,2,3, ...N y et, representa un proceso de ruido blanco con media cero y varianza constante. La representación de la media móvil está dada por la ecuación [7] donde Ai, es una matriz de NxN, que se describe por Ai = θ1Ai + θ1Ai-2 +…+ θpAp-N, donde i = 1,2,3 ....N, es el número de rezagos. Para obtener la descomposición de la varianza, se deben identificar las innovaciones en los modelos VAR, además de restringir las perturbaciones del modelo MA, como lo describen ^{Koop et al. (1996)} y ^{Pesaran y Shin (1998)}.

La participación de varianza propia se define como una fracción de H de la variación del error en la predicción x¡, lo que está relacionado con el choque de otras variables en el sistema j De manera que i ,j = 1,2,3,4... N, tal que i ≠ j.

La descomposición de la varianza del error de pronóstico se indicará como Ǿijy(H), tal como se describe a continuación:

Donde Σ es la matriz de covarianza del error, σij es el término de error de la desviación estándar para la variable i y e¡ es un vector de unos con i-esimos elementos y ceros. Mientras que Σnj=1Ǿij debe ser diferente de 1 y la descomposición de la varianza se normaliza de la siguiente manera:

Donde

Finalmente, el índice² de derrame se describe por:

Para medir la dirección del impacto desde la variable j hacia la variable i, se usa la siguiente ecuación, que es una extensión del índice descrito anteriormente:

De forma contraria

Así que el índice de desbordamiento neto es:

Mientras que el índice Net Pairwise Spillovers permite observar cómo el choque de una variable afecta la volatilidad sobre otra, identificando qué variable es receptora o transmisora neta de choques en cada periodo. Esto se describe mediante la ecuación [14]:

ESTIMACIÓN EMPÍRICA

El modelo que se estimará hace referencia a unas economías pequeñas, abiertas e interrelacionadas. ^{Chen et al. (2002)}, ^{Fernández-Serranoa y Sosvilla-Rivero (2003)} y ^{Pagan y Soydemir (2000)} encuentran cointegración entre las economías de Brasil, Colombia, Chile y México. De la misma forma, autores como ^{Tokarick (1995)}, ^{Kose y Riezman (1999)} plantean los términos de intercambio como variable exógena que afecta las exportaciones e importaciones. Igualmente, ^{Castillo y Salas (2010)} proponen la relación entre el comportamiento económico de las economías latinoamericanas y los precios de las materias primas. Por su parte, ^{Oviedo y Sierra (2019)} identificaron relaciones significativas entre los términos de intercambio y las distintas variables económicas en una economía latinoamericana. De acuerdo con lo anterior, como proxy de la actividad económica se utiliza la actividad industrial y los precios de las materias primas representan los términos de intercambio.

DATOS

La Tabla 1 muestra las variables utilizadas para la estimación del modelo y el nombre asignado. Para analizar la dinámica de la actividad económica de las economías de México, Brasil, Chile y Colombia, se usó la actividad industrial de cada país. Las razones de la elección de estos países giraron en torno al tamaño de sus economías, la fuerte dependencia en la producción de bienes minero-energéticos y a la disponibilidad de los datos. De igual manera, para identificar el impacto de las materias primas energéticas se emplearon los precios del petróleo crudo WTI, los precios spot del gas natural Henry Hub y los precios del carbón australiano obtenidos de la base de datos FRED Data. Los datos presentan frecuencia mensual y el periodo está comprendido entre enero del 2000 y noviembre del 2018³.

Por su parte, la Tabla 2 muestra las estadísticas descriptivas y el coeficiente de correlación de las variables descritas previamente. Inicialmente se puede observar que la actividad industrial con el índice promedio más alto es la de Brasil, seguida de México, Colombia y Chile respectivamente. De igual manera, se puede notar que en promedio el carbón ha tenido el precio más elevado, seguido del precio del petróleo. Por último, respecto a los índices de producción, el índice promedio más alto es el de petróleo, seguido de su similar de carbón.

Tabla 2 Resumen estadístico de las variables 

Fuente: elaboración propia.

Respecto a los coeficientes de correlación vale resaltar que las actividades industriales de estas economías están correlacionadas fuerte y positivamente; excepto el caso de México y Brasil, donde su correlación es positiva pero débil. En esa línea, se identifica que existe una correlación positiva y fuerte entre las industriales de estos países y los precios del petróleo y el carbón. Respecto a los precios del gas existe una correlación negativa y débil con las industrias de México, Colombia y Chile, y positiva y débil con Brasil.

La Figura 1 muestra el comportamiento de las series utilizadas para la investigación. Se observa que el auge de las materias primas en la década del 2000 hizo que los precios de estos productos y la actividad industrial de los países de estudio crecieran significativamente hasta la crisis hipotecaria en 2008. Después de la crisis hipotecaria, a diferencia del carbón y el petróleo, el gas tuvo un cambio estructural y siguió otra senda de comportamiento. Este hecho evidenció que la variación de los precios de los productos básicos es una variable importante en el ciclo económico de Colombia, Chile, Brasil y México. Por otro lado, se observa que la actividad industrial chilena cae significativamente en el 2010, lo que está asociado a la crisis de varias economías europeas y coletazos de la crisis financiera del 2008. Respecto a la caída en el precio del petróleo en 2014, los países de estudio reaccionaron con una leve desaceleración hasta el año 2016, cuando el precio repuntó. Por su parte, el gas tuvo una gran caída debido a la crisis hipotecaria y su valor se mantuvo en niveles bajos, posteriores al auge de las materias primas.

Fuente: elaboración propia.

Figura 1 Dinámica de la producción industrial de las economías de Colombia, México, Brasil y Chile y de los precios del petróleo, el gas y el carbón, para el periodo 2000-2018. 

Índice de Spillover

Se estimó el índice de desbordamiento de la volatilidad total para el periodo 20 00-2018⁴, a través de un modelo VAR con una ventana móvil de treinta observaciones, un horizonte de pronóstico de cinco meses y tres rezagos en el caso de la volatilidad y un retardo en el caso de las estadísticas del modelo VAR. En la Figura 2 se observa el índice de volatilidad total, que permite evaluar que los meses antes de la crisis del 2008, donde la actividad industrial de Colombia, Brasil, México y Chile, al igual que los precios del gas, el petróleo y el carbón, aumentan exponencialmente su volatilidad y desbordamiento. En el 2004, cuando los precios de las materias primas comenzaron a incrementarse gradualmente, la volatilidad y el efecto derrame entre estas cuatro actividades también aumentó. De igual forma, el efecto derrame entre las industrias de los países se incrementó entre 2011 y 2012, ya que los precios de las materias primas como el petróleo volvieron a tener un repunte significativo.

Fuente: elaboración propia.

Figura 2 Índice de desbordamiento de la volatilidad total. 

A partir de lo descrito, se estimaron cuatro modelos VAR generalizados propuestos por ^{Koop et al. (1996)} y ^{Pesaran y Shin (1998)}, para luego abordar la metodología creada por ^{Diebold y Yilmaz (2012)}. Se crea un modelo para cada producto energético, lo que permite identificar la posición de trasmisor o receptor de las fluctuaciones del carbón, el petróleo y el gas. En cada modelo se incluyen los indicadores de actividad industrial de México, Colombia, Chile y Brasil.

El modelo 1 se usa para identificar la predicción de la descomposición de varianza de todas las variables de estudio y se describe por las siguientes variables: / (BRA, MEX, COL, CH, OIL, POIL, GAS, PGAS, COAL, PCOAL). Los siguientes modelos se usan para identificar el derrame financiero respecto a cada economía. En esa línea, el modelo 2 está descrito por las siguientes variables: f (BRA, MEX, COL, CH, OIL, POIL). Mientras que el modelo 3 está descrito por / (BRA, MEX, COL, CH, GAS, PGAS), y el modelo 4 por f (BRA, MEX, COL, CH, COAL, PCOAL). Con fin de dar a conocer de manera detallada los modelos descritos, en anexo 1 se describe la estructura de las ecuaciones simultáneas que componen los modelos 2, 3 y 4, para una longitud de un rezago.

Por su parte, la Tabla 3 muestra la predicción de la descomposición de varianza a un horizonte de cinco meses. La entrada i-ésima en dicha tabla es la contribución estimada a la variación del error de pronóstico del mercado i y las contribuciones de las innovaciones en el mercado j (ver la ecuación [9]). Los elementos diagonales (i = j) representan los efectos indirectos del mercado propio, mientras que los que están fuera de la diagonal, los elementos (i = j) miden los derrames direccionales de la volatilidad por pares. Además, la columna con la etiqueta "todos para i" (ver ecuación [12]) informa los efectos indirectos de la volatilidad total (recibidos por) de cada mercado del resto del sistema y, la fila con la etiqueta "i para todos" (consulte la ecuación [13]), informan los efectos colaterales de la volatilidad total desde (transmitidos por) cada mercado al resto del sistema. El índice de derrame de volatilidad total definido en la ecuación [10] está en la esquina inferior derecha, y se expresa en puntos porcentuales.

Tabla 3 Derrames de volatilidad entre los mercados de los commodities (petróleo, gas y carbón) y la actividad industrial de Brasil, Colombia, México y Chile⁶  

Fuente: elaboración propia.

Dado lo anterior, el mercado que transmite el choque se muestra en las columnas, mientras que el mercado que lo recibe se muestra en las filas. Por tanto, se puede observar que las variaciones de los precios del petróleo pueden explicar hasta un 34.75 % la volatilidad direccional de la actividad industrial brasilera, un 7.99 % la volatilidad direccional de la actividad industrial mexicana, un 1.73 % la volatilidad direccional de la actividad industrial colombiana y un 1.39 % la volatilidad direccional de la actividad industrial chilena. De la misma forma, las fluctuaciones de los precios del petróleo pueden explicar un 38.72 % de la volatilidad direccional de los precios del gas y un 17.01 % de los precios del carbón. Este resultado inicial muestra los primeros indicios de que los precios del petróleo son emisores de efecto derrame frente a la mayoría de las variables de estudio.

Por otro lado, las fluctuaciones de los precios del gas tienen poco efecto ante las variables de estudio; además, la actividad industrial de Colombia y Chile genera efectos en la volatilidad direccional de la producción del gas en un 3.41 % y un 1.37 %, respectivamente. Lo que da indicios de que los precios del gas son receptores de derrame financiero. Por último, los precios del carbón explican un 17.47 % de la volatilidad direccional de la actividad industrial brasilera, un 3.02 % de la volatilidad direccional de la actividad industrial mexicana, un 4.98 % de la volatilidad direccional de la actividad industrial colombiana, un 2.40 % de la volatilidad direccional de la actividad industrial chilena. De la misma forma, las fluctuaciones de los precios del carbón pueden explicar un 11.68 % de la volatilidad direccional de los precios del petróleo y un 8.97 % de los precios del gas.

La estimación del modelo 1 se describe por medio de la Figura 3, que muestra los efectos secundarios entre los precios del petróleo y las industrias de los países estudiados. La transmisión en red de la volatilidad está dada por la ecuación [14], lo que permite establecer que las columnas, en la figura, representan los transmisores del choque, mientras que las filas se denominan receptores⁵. Por lo tanto, se observa que el precio del petróleo es un transmisor de choques frente a la industria de Brasil, México, Colombia y Chile.

Fuente: elaboración propia con datos de FRED Data.

Figura 3 Dirección neta de la volatilidad del derrame entre el precio del petróleo y la actividad industrial de Chile, Colombia, Brasil y México. 

Por otro lado, en la Figura 4 se evidencia el resultado del segundo modelo, donde es posible observar la dispersión neta de la volatilidad del derrame entre los precios del gas y la actividad industrial de las cuatro economías de interés, para una ventana móvil de treinta observaciones y un horizonte de seis meses.

Se logra inferir que las economías de Brasil, México y Colombia generan un efecto derrame ante las fluctuaciones en el precio del gas en la mayoría de los períodos, dado que son pequeños productores de gas; pero se debe aclarar que el país que recibe un mayor impacto es Brasil.

Fuente: elaboración propia con datos de FRED Data.

Figura 4 Dispersión neta de la volatilidad del derrame entre los precios del gas y la actividad industrial de Chile, Colombia, Brasil y México. 

Por último, la Figura 5 describe el resultado del modelo 3 que contiene la información del derrame financiero entre los precios del carbón y la actividad industrial de las economías descritas, para una ventana de treinta observaciones y un horizonte de pronóstico de cinco meses. Se observa que los precios del carbón tienen un comportamiento similar al de los precios del petróleo, por lo que emiten un efecto derrame contra Brasil, México, Colombia y Chile, lo que se debe a la correlación entre los precios del carbón y el petróleo.

Fuente: elaboración propia con Datos de FRED Data.

Figura 5 Dispersión neta de la volatilidad del derrame entre el precio del carbón y la actividad industrial de Chile, Colombia, Brasil y México.