jueves, 2 de abril de 2015

Aproximación a la evolución del paro en España en 2015.


Ocupación y paro: momento del ciclo y predicción.

Ignacio Escañuela Romana.
29/03/2015.

La afiliación a la Seguridad Social es probablemente el indicativo más fiable de la evolución del empleo en España. Los datos desde 2002 son demoledores:

 
Casi tres millones de trabajadores dejaron de tener alta laboral entre septiembre de 2007 y junio de 2013. Un 15’5% de los afiliados pasaron al paro (una parte incuantificable a la economía “sumergida”).

Al indiciar el número de afiliados por la población o por la población activa, nos encontramos con la misma situación. Un descenso de un 17 a 18%. Es decir,la caída en la afiliación a la Seguridad Social es algo mayor cuando tenemos en cuenta el aumento en la población y en la población activa.

La Encuesta de Población Activa nos describe la misma situación. 

 
La tasa de actividad (TA) creció hasta marzo de 2009, estancándose después. La tasa de paro (TP) crece en el mismo período, desde marzo de 2007 a junio de 2013. Desde el 8’16% hasta el 26’1%. La tasa de ocupación (TO) desciende con algo de retraso, en el mismo período de la afiliación indiciada por la población, desde septiembre 2007 hasta septiembre 2013.

Es una evolución de pesadilla de seis años, que lleva a un paro masivo y de larga duración.

La evolución posterior nos lleva a una economía algo recuperada. Hasta diciembre de 2014, desde el mínimo, 328 mil nuevos afiliados, lo que es un 2% superior. Un 2’4% o un 3’12% superior sustrayendo el efecto de la evolución negativa de la población o la población activa. Como resultado, la tasa de paro se ha reducido levemente del 26’1 al 23’95% en seis trimestres. Una mejoría lenta.

¿Cómo evolucionará el paro y la afiliación en España?. ¿Se acelerará la mejoría o se estancará?. Voy a aplicar un enfoque aproximativo de series temporales para hacer una predicción inicial desde el primer trimestres 2015 hasta el último, diciembre 2015.

Me centro en la afiliación a la Seguridad Social, y en la tasa de paro.

Lo primero es conseguir una serie estacionaria sobre la que aplicar una predicción en el tiempo de la serie. Diferentes tests señalan que la serie de afiliados es no estacionaria. Igualmente para la tasa de paro. Lo que significa que existen movimientos permanentes no aleatorios, sean cíclicos y/o tendenciales.
Aplico una transformación típica: series en primeras diferencias. Al valor en t de la variable le restamos el valor en t-1. De esta manera obviamos el problema de las tendencias e intentamos detraer el impacto de variables no consideradas.

Intento estimar un modelo autorregresivo y usarlo para predecir el futuro:

Yt = a * yt-1 + b*t + Et

E es ruido blanco, es decir el residuo teóricamente aleatorio de la regresión.

Realizando la regresión tenemos: 

AFI(t) - AFI (t-1) = -6735,521 + 197,493 * t + 0,967 * Lag1[AFI(t) - AFI(t-1)] 

Observaciones utilizadas de 2003:1 a 2014:4 (datos trimestrales).

Utilizando el programa Easyreg, de acceso gratuito ( http://grizzly.la.psu.edu/~hbierens/EASYREG.HTM) gracias al trabajo de HJ Bierens; tenemos como estadísticos de la regresión:

Overall F test: F(2,45): 285.16
p-value = 0.00000
Significance levels: 10% 5%
Critical values: 2.42 3.2
Conclusions: reject reject
R-square: 0.926868
Adjusted R-square: 0.923618
Effective sample size (n): 48




 
Y también en el caso de la tasa de paro:

Model variables:
y = DIF1[TP]
x(1) = LAG1[DIF1[TP]]
x(2) = Time trend t (2002.3->t=1)
x(3) = 1

Available observations: t = 3(=2003.1) -> 50(=2014.4)
= Chosen

OLS estimation results for Y = DIF1[TP]
Variables OLS estimate t-value H.C. t-value(*) s.e. H.C. s.e.(*) [p-value] [H.C. p-value](*)
x(1) = LAG1[DIF1[TP]] .965336 
20.281 15.659 4.7598E-02 6.1648E-02 [0.00000] [0.00000]
x(2) = Time trend t (2002...  -.001446 
-.697 -.904 2.0739E-03 1.5987E-03 [0.48932] [0.36585]
x(3) = 1 .040826 
.679 .988 6.0084E-02 4.1310E-02 [0.50031] [0.32302]

Standard error of the residuals: 19.282257E-002
Residual sum of squares (RSS): 16.731244E-001
Total sum of squares (TSS): 17.710812E+000
Overall F test: F(2,45): 215.67
p-value = 0.00000
Significance levels: 10% 5%
Critical values: 2.42 3.2
Conclusions: reject reject
R-square: 0.905531
Adjusted R-square: 0.901332
Effective sample size (n): 48




 
Alargamos la serie para ver la predicción para 2015. Utilizar este método sólo es adecuado para el corto plazo.
La predicción que ofrece este modelo tan simple es:


AFI
TP
DAFI
DTP
01-03-15
16681177
23.4158738
90001.9598
-0.5307929
01-06-15
16771754
22.8691143
90577.0623
-0.5467595
01-09-15
16863084.8
22.3054956
91330.7497
-0.5636186
01-12-15
16955341.9
21.7241563
92257.1509
-0.5813394
Diferencia %
1.644
-7.225



El modelo predice una reducción en la tasa de paro hasta el 21’72%. Un –7’225% de reducción del valor final del año 2014. Asimismo, un aumento en los afiliados en la Seguridad Social en un 1’644%. Se trata de una ligera aceleración de la recuperación económica. El mercado laboral se activaría algo más.

[Condicionantes de la predicción: no he tomado en consideración retardos más largo, no he estudiado la existencia de media móviles, la predicción se basa en el comportamiento pasado exclusivamente, por lo que es a muy corto plazo.]

La predicción da una tasa de paro al final del año (diciembre 2015) del 21'72% y un aumento de la afiliación a la Seguridad Social de 274.000 personas. [22'5% paro predice la Comisión Europea, 23'6% para la OIT, por ejemplo). 

Una mejoría algo más rápida, pero todavía muy lenta. La predicción da entonces una perspectiva positiva pero una solución demasiado lenta para el problema planteado de paro masivo.


No hay comentarios:

Publicar un comentario