Integración Vertical y Transmisión de Precios en el Mercado de la

Integración Vertical y Transmisión de Precios en el Mercado de la

Integración Vertical y Transmisión de Precios en el Mercado de la Merluza
Autores y e-mail de la persona de contacto: Eneko Martin* e Ikerne Del Valle**
([email protected])
Departamento: *Evaluación de la Gestión e Innovación Empresarial; **Economía
Aplicada V
Universidad: Universidad del País Vasco/Euskal Herriko Unibertsitatea
Área Temática: Energía y medioambiente
Resumen: El total admisible de capturas (TAC) para las principales especies de
pescado se ha reducido en la última década en las aguas de la Unión Europea (UE), lo
que disminuye los ingresos de la flota. Durante el mismo período, los precios se
incrementaron ligeramente, apenas compensando las reducciones de ingresos. Sin
embargo, los cambios en los precios dependen de la estructura del mercado y del
mecanismo de formación de precios, el cual determina el grado de integración vertical
en la cadena de comercialización. En este trabajo se analiza la transmisión de precios en
los mercados pesqueros a lo largo de la cadena de valor de las principales especies
desembarcadas en el País Vasco mediante el análisis de la evolución de los precios en
primera venta, los mercados al por mayor y al por menor. La metodología se basa en las
pruebas de raíces unitarias, prueba de cointegración de Johansen y la formulación de
modelos de vectores de corrección de error (VECM) para estudiar la causalidad de
Granger entre los precios. Finalmente, se discuten algunos posibles impactos de las
alternativas de estrategias de innovación comercial en la cadena de comercialización.
Palabras Clave: Evolución de las rentas, mercados pesqueros, transmisión de precios,
márgenes de comercialización, cointegración, modelo de corrección del error.
Clasificación JEL: C32; Q22
1
Introducción
El estudio de la transmisión vertical de precios permite analizar en profundidad
las potenciales distorsiones en la cadena de transmisión y el comportamiento del precio
en cada uno de los eslabones comerciales mediante la construcción de un modelo de
integración vertical y los consiguientes contrastes de hipótesis (exclusividad,
proporcionalidad, causalidad) que dicho modelo empírico permite efectuar.
Teniendo en cuenta el marcado interés comercial de la merluza en los mercados
vasco y estatal y que la mencionada especie es fundamental para la supervivencia de la
flota de altura al fresco, se ha construido un modelo micro-econométrico de integración
vertical para la merluza. Éste modelo permite analizar el peso de los diferentes
mercados en la cadena de distribución (pescadores, mayoristas y detallistas), explicar
los márgenes de comercialización y formular estrategias propias a los diferentes
intermediarios ante potenciales cambios en el margen de intermediación.
La cadena comercial de pescado fresco en general, y en de la merluza en
particular, está conformada por una serie de agentes participantes que aportan valor al
producto hasta llegar al consumidor. Se trata de una estructura compleja y dinámica que
comienza con la fase de extracción y en la que intervienen importadores, mayoristas en
origen y destino y empresas logísticas, entre otras, hasta culminar con la puesta a
disposición del producto a los consumidores.
La transmisión de precios de comercialización de los productos pesqueros ha
recibido una considerable atención, no solamente a nivel social y político, sino también
en los círculos académicos. Destaca en la literatura los trabajos de Asche et al. (2002,
2005, 2007), Hartmann et al. (2000), Jaffry (2004) y los de Amigo et al. (2009), Cruz y
Ameneiro (2007) y Jiménez y García del Hoyo (2006) para los mercados españoles.
Con la idea de ubicar su correspondiente aplicación empírica, este trabajo
comienza con una exposición sobre el contexto del sector y el funcionamiento de los
mercados pesqueros. Seguidamente, se examina de forma empírica la evolución de los
precios de la merluza, así como el grado de vinculación en la cadena de distribución de
dicha especie, con el objetivo de extraer reflexiones sobre los liderazgos de
determinados eslabones de la cadena de comercialización, para de esta manera
1
posibilitar la implementación de medidas que favorezcan el desarrollo del sector. Para
ello, se aplica la teoría de cointegración y diferentes pruebas relacionadas con la Ley de
Precio Único (LPU), a los datos de precios mensuales de la merluza en fresco para los
tres niveles de la cadena de comercialización durante el período 2004-2011.
El artículo se estructura de la siguiente manera. El apartado dos detalla la
descripción del marco institucional, en el tercer epígrafe se realiza el enfoque
metodológico, en la cuarta sección el análisis empírico y en la quinta figuran las
conclusiones.
2
Marco Institucional
El modelo organizativo de la comercialización del pescado fresco está
supeditado fuertemente a las propias características de vulnerabilidad del producto.
Teniendo en cuenta que el pescado fresco tiene una caducidad muy reducida, durante la
cadena de transmisión (desde los propios desembarcos hasta el consumo final) no solo
se tienen que cumplir unas condiciones especiales higiénico sanitarias y de control de la
temperatura, sino que, además, el proceso de distribución se ha de hacer en el menor
tiempo posible. La primera venta está regulada administrativamente (Real Decreto
1822/2009 de 27 de noviembre) y normalmente se realiza en las lonjas de las Cofradías
de Pescadores (flota artesanal y bajura) u Organizaciones de Productores (flota de
altura). Al igual que en el caso de otros productos frescos altamente perecederos (flores,
verduras o frutas), el mecanismo de determinación de los precios del pescado fresco en
origen se realiza a partir del procedimiento de subasta a la baja o subasta holandesa. El
funcionamiento de la subasta se canaliza mediante la presentación de un lote que parte
de un precio inicial máximo y uno mínimo, establecidos por el subastador; a partir del
punto de referencia superior, el precio va moviéndose en dirección descendente, hasta
que en esa trayectoria de rebaja, el comprador acepta el precio. A partir de ese punto se
paraliza la subasta de ese lote y se le adjudica al comprador. Eventualmente puede
suceder que se alcance el límite mínimo establecido por el subastador sin que intervenga
ningún comprador en cuyo caso se retira el lote.
2
La cadena de valor del pescado al fresco está compuesta por tres eslabones. En
el primer eslabón de la cadena de comercialización se encuentran los pescadores -de las
flotas artesanales o de las flotas industriales- que inmediatamente después de
desembarcar las capturas realizan la primera venta, en la cual intervienen
principalmente mayoristas, agentes de la industria conservera y transformadora y los
propios supermercados. Sin desestimar la relevancia de los canales independientes, los
mercas juegan un papel fundamental en el segundo eslabón de la cadena de
comercialización. En ellos se concentra una gran porción de la oferta, tanto la
procedente de los desembarcos de las flotas propias, como la procedente de la
importación. La organización de mercas se compone básicamente de un conjunto de 23
mercados centrales que se ocupan de centralizar la oferta y demanda de bienes
perecederos (pescado, frutas, hortalizas, carne y flores). Su objetivo es el de vertebrar el
sistema alimentario prestando el servicio mayorista a la distribución de alimentos
frescos, facilitando la comercialización de las producciones con procedencia de origen,
fomentando el comercio minorista en todos sus formatos, asegurando la provisión de
alimentos frescos a la hostelería independiente u organizada, o a las empresas de
restauración social. Finalmente, en el tercer eslabón de la cadena de comercialización
del pescado se encuentra el comercio tradicional, que junto con los supermercados y la
restauración conforman la oferta que llega al consumidor final.
Las grandes cadenas de supermercados merecen una atención especial en el
proceso de comercialización del pescado. Ciertamente se están erigiendo en uno de los
elementos centrales generadores de una progresiva transformación en los mecanismos
de formación de los precios de la pesca en origen, estableciendo, con creciente
frecuencia, sus propios métodos directos de contratación a precio fijo con los
armadores. Además, estas grandes superficies, aprovechando la característica
perecedera del pescado fresco, lo venden a precios muy bajos, utilizándolo como
reclamo para la venta de otros bienes. Estas circunstancias (precios bajos y contrato fijo
con los armadores) están, sin lugar a duda, alterando los equilibrios tradicionales en el
sector de la comercialización del pescado. Por una parte, están desplazando
paulatinamente al comercio minorista tradicional y por la otra, están reorganizando la
cadena de valor y, en consecuencia, la distribución de la renta generada en el sector.
3
3
Enfoque Metodológico
El estudio de la evolución de los precios de la pesca requiere la adopción de
técnicas econométricas que permitan realizar una batería de test microeconométricos
para abordar las distintas dimensiones de la definición empírica de los mercados y
simultáneamente estudiar la relación entre un conjunto de variables que presentan un
marcado carácter estacional. Frente a metodologías alternativas, como el análisis de
demanda, el enfoque de cointegración tiene la gran ventaja de que tan solo se necesita
disponer de series de precios para afrontar las múltiples preguntas de investigación a las
que dar respuesta. La relación que se analiza cuando se estudian relaciones entre precios
situados en eslabones diferentes de la cadena de valor viene representada mediante la
siguiente ecuación:
(1)
Expresando en logaritmos la ecuación (1), se obtiene:
(2)
donde P1 y P2 son los precios, ߝt es una perturbación aleatoria ruido blanco, α
representa un término constante que recoge las diferencias entre los precios en niveles
(i.e., el logaritmo de un coeficiente de proporcionalidad, α), β proporciona la elasticidad
de transmisión de los precios por el canal de comercialización (i.e., el incremento o
decremento que experimenta el precio del eslabón de la cadena de valor que se
considera variable dependiente ante un cambio de un 1 por ciento en el precio del
mercado establecido como variable independiente). Si β=1, los precios del mercado
situado en una posición más avanzada de la cadena de comercialización serían los del
mercado del otro nivel de la cadena más una comisión constante. En el caso de que esto
ocurra, se podría afirmar que la transmisión de la información a través de la cadena de
valor se produce completamente y sin distorsiones. Además, basándose en la teoría de la
demanda derivada (Asche et al., 2002), se podría establecer que los agentes en cada
nivel a lo largo de la cadena de valor están respondiendo a los mismos precios relativos,
es decir, los márgenes entre los mercados de los dos eslabones de la cadena son
constantes.
4
Con respecto a las metodologías utilizadas en el análisis de cointegración, en la
mayor parte de las aplicaciones empíricas realizadas se suelen emplear el método
bietápico de Engle-Granger (Engle y Granger, 1987) o el procedimiento de máxima
verosimilitud de Johansen (Johansen, 1988 y Johansen y Juselius, 1990). El enfoque
bietápico de Engle-Granger, a pesar de su simplicidad, presenta varios inconvenientes,
especialmente si se trabaja en un contexto multivariante. Siguiendo a Suriñach et al.
(1995), dos de los problemas que se deben destacar son la determinación de la
exogeneidad o endogeneidad de las variables de la relación de cointegración y la
imposibilidad de contrastar hipótesis sobre los parámetros estimados en la relación de
cointegración.
En este trabajo, se ha optado por utilizar el procedimiento de Johansen, debido,
entre otras razones, a que permite realizar contrastes de hipótesis sobre la/s relación/es
de cointegración del modelo. Por lo tanto, cuando se pretende estudiar las relaciones de
cointegración para más de dos variables (p > 2), no basta con el estudio de todas y cada
una de las posibles parejas de variables, ya que, se puede estar obviando el vínculo
existente entre dos de esas variables y el resto de variables. Es necesario por tanto, un
análisis de cointegración multivariante.
Antes de proceder al análisis de cointegración multivariante, es necesario
identificar las series de precios y contrastar la existencia de raíces unitarias. Y dada la
notable estacionalidad que presentan las series de precios en la pesca, se estudia la
presencia de raíces unitarias siguiendo el Método de HEGY (1990). Hylleberg, Engle,
Granger y Yoo proponen un procedimiento que permite contrastar la presencia de raíces
unitarias en cada una de las frecuencias estacionales por separado, así como en la
frecuencia cero.
Además, otro requisito previo a la realización de pruebas de cointegración, es
verificar que la serie sea no estacionaria y determinar el orden de integración de las
variables (no es estrictamente necesario que todas las variables tengan el mismo orden
de integración (Harris, 1995)). Para ello, se hace uso de la prueba de raíz unitaria NgPerron (Ng y Perron, 2001).
Una vez que se ha comprobado que todas las series son integradas del mismo
orden, y dado que el cumplimiento de la LPU requiere la presencia de, al menos, una
relación de cointegración, se debe contrastar el número de relaciones de cointegración
5
presentes en la cadena de valor. Para ello, se sigue el procedimiento desarrollado por
Johansen (1988) que presenta ventajas comparativas al superar todas las limitaciones
inherentes a la estimación MCO de la regresión de cointegración. Además, su ligazón a
los modelos VAR, siendo éste el siguiente, el punto de partida:
(3)
donde Pt es un vector de k variables, µ es la constante, Dt son variables
determinísticas (ficticias estacionales), ut el vector de perturbaciones aleatorias, Ai es
una matriz k x k de parámetros (i=1,...,n), siendo n el número de retardos.
Y su ligazón, en concreto a su formulación como MCE, permite la utilización de
las herramientas que de éstos se derivan. Por consiguiente, suponiendo que Pt sea un
vector que contenga k precios entre los cuales se desea analizar si existen o no una o
varias relaciones de cointegración, el modelo se podría escribir del siguiente modo:
(4)
donde Γi=-I+Π1+…+Πi, para i=1,…,n-1, Π=-I+Π1+…+Πn, I es una matriz
unidad de orden k, Dt es un vector de variables ficticias y, por último, µ es un vector de
constantes. Así, Π es la solución de equilibrio a largo plazo de la ecuación, es decir, la
matriz Π o matriz de impactos recoge las posibles relaciones de cointegración. El
número de relaciones de cointegración viene dado por el rango de la matriz Π, es decir,
r. Si r=n las variables en niveles son estacionarias; si r=0, lo que implica que Π=0,
ninguna de las combinaciones lineales es estacionaria. Cuando 0<r<n, existen r vectores
de cointegración o r combinaciones lineales estacionarias de Pt. En este caso Π=αβ´,
donde tanto α como β son matrices nxr. β contiene los vectores de cointegración y α los
parámetros de ajuste. Por lo que, αβ´=αXX-1β´=AB´ donde X es una matriz de rxr
dimensiones.
Las ventajas de este procedimiento se ven parcialmente neutralizadas por la
dificultad que entraña la interpretación económica de más de un vector de
cointegración. Por lo que, un número de vectores de cointegración superior a 1 significa
que las variables pueden estar ligadas de maneras distintas, siendo esencial la teoría
económica como guía para identificar cada una de las relaciones de equilibrio a largo
plazo.
6
Johansen sugiere dos contrastes equivalentes desde un punto de vista asintótico:
el contraste del valor propio máximo y el contraste de la traza. Ambos contrastes tienen
la hipótesis nula de un máximo de r vectores de cointegración, es decir, Ho: r=r0 frente a
Ha: r0<r≤r1. Asimismo, se debe destacar que el procedimiento de Johansen permite
contrastar hipótesis sobre los coeficientes α y β, usando test basados en la razón de
verosimilitud (Juselius, 2006).
En este estudio se contrastan cuatro tipos de hipótesis. En primer lugar, la
significatividad individual de los parámetros de β, en segundo lugar, la significatividad
individual de los parámetros de α, en tercer lugar, la proporcionalidad entre parámetros
de β y en último lugar, la nulidad de la suma de coeficientes β.
Con la hipótesis de significatividad individual de los parámetros de β se pretende
contrastar si todos y cada uno de los precios que inicialmente aparecen ligados por una
relación de equilibrio forman parte realmente del espacio de cointegración. Esta
hipótesis se contrasta conjuntamente en todos los vectores de cointegración y se formula
del siguiente modo:
La hipótesis de significatividad individual de los parámetros de α tiene por
objeto contrastar qué variables son débilmente exógenas respecto al largo plazo. Los
parámetros
proporcionan dos tipos de información atendiendo a su significatividad y
su magnitud. Así, un parámetro
igual a cero significa que la variable Pi no reacciona
ante desequilibrios transitorios en la posición de equilibrio definida por el vector de
cointegración j. La magnitud del parámetro
da cuenta de la velocidad de ajuste de la
variable Pi hacia la relación de equilibrio estimada, siendo ésta mayor cuanto mayor sea
la magnitud.
La hipótesis genérica de exogeneidad débil respecto al espacio de cointegración
es:
La hipótesis de proporcionalidad entre los parámetros de β tiene por objeto
averiguar si existe integración perfecta a largo plazo entre parejas de mercados,
entendiendo por tal que las variaciones en el precio de un mercado se transmiten por
7
completo al precio de otro mercado, generando un cambio del mismo sentido y
proporción. La perfecta integración entre los dos mercados se cumplirá si
.
La hipótesis genérica para cualquier par de precios, contrastada sobre los r
vectores de cointegración es:
Y por último, la hipótesis de la nulidad de la suma de los coeficientes β, con la
cual se contrasta si existe un elevado grado de integración a largo plazo.
Esta hipótesis del grado de integración es:
Posteriormente, y para concluir con el análisis de la relaciones a largo plazo, se
contrasta la causalidad en el sentido de Granger. En la literatura se pueden constatar
distintos procedimientos que permiten contrastar la causalidad en sentido de Granger.
No obstante, estas técnicas están diseñadas para ser aplicadas en modelos
uniecuacionales con dos o, a lo sumo, tres variables. En la metodología VAR se supera
esta limitación, al poder estimar sistemas multivariantes, mediante el estadístico de
Wald o con un contraste de razón de verosimilitud.
Por lo tanto, se puede contrastar la hipótesis nula de no-causalidad en el sentido
de Granger de un subconjunto de variables en el resto de variables del sistema. En este
caso, se contrastaría la causalidad de cada variable hacia el grupo formado por las
restantes, y el rechazo de la ausencia de causalidad implicaría que cada uno de los
precios incluidos en el sistema multivariante contribuiría a mejorar la predicción del
resto, por lo que la exclusión de uno de ellos conduciría a una pérdida de información
valiosa.
Para concluir con el análisis, se estudian las relaciones dinámicas a corto plazo
mediante modelos VECM. Los modelos VECM aportan información sobre la
transmisión y las relaciones dinámicas existentes entre las variables que lo integran a
partir del cálculo de las funciones impulso-respuesta (FIR) y de la descomposición de la
varianza del error de predicción (DVEP), obteniendo una idea de cómo se ajustan los
precios en el corto plazo hasta alcanzar la relación de equilibrio y el sentido de la
relación de causalidad a corto plazo entre ellos.
8
Las FIR permiten trazar la respuesta de una variable ante un impulso en otra
variable del sistema en cada momento del tiempo. Dicha reacción se puede interpretar
en términos de causalidad, de manera que si una variable responde ante el impulso o
shock sufrido por otra, significa que la segunda causa a la primera (Lütkepohl, 1993).
La descomposición de la VEP da cuenta de la fuerza relativa de las
interrelaciones entre las variables, posibilitando su caracterización en términos de
exogeneidad y endogeneidad. Así, una variable es exógena al sistema si un porcentaje
elevado de su VEP viene explicada por su propia innovación. Por el contrario, una
variable es endógena, cuando su propia innovación explica un porcentaje pequeño de
aquélla para diferentes horizontes temporales.
4
Análisis Empírico
4.1 Descripción de los datos y análisis univariante de las series
Las series utilizadas en el análisis empírico son los precios mensuales de la
merluza en los tres niveles de comercialización: precio en origen (Puerto de Ondarroa),
precio mayorista (MercaBilbao) y precio detallista o al consumo (Bizkaia). El período
base del estudio es el comprendido entre 2004 y 2011.
La elección de la merluza para el análisis de la trasmisión de los precios a lo
largo de la cadena de valor obedece a una doble motivación. Por una parte, la merluza
es una de las especies de mayor demanda en España. No solo su consumo ha seguido
una tendencia creciente, sino que, además, en los últimos años su participación en
relación
al
conjunto
de
las
demás
especies
consumidas
ha
aumentado
considerablemente. Tampoco hay que dejar de lado el hecho de que la merluza es la
principal especie objetivo para la flota vasca de altura o flota de arrastre al fresco
ubicada principalmente en el puerto de Ondarroa.
Seguidamente se muestran los gráficos de series temporales para las tres series
de precios estudiadas.
9
Figura 1. Series temporales del precio de la cadena de valor de Merluza
Precio Origen (Po)
Precio Merca (Pm)
Precio Destino (Pd)
Cadena de Distribución
En estos gráficos de series temporales se pueden comprobar los patrones de
comportamiento de las tres series (Po, Pm y Pd). Las tres series presentan una tendencia
similar durante el periodo de tiempo estudiado, produciéndose un notorio decrecimiento
en los precios a partir del año 2008. De la inspección visual se desprende una posible
vinculación entre los tres niveles de precios, lo que podría constituir una presencia de
relaciones a largo plazo entre ellas.
Es destacable el comportamiento del margen entre los tres eslabones. Los
precios en el nivel mayorista pueden, en determinados períodos, llegar a triplicarse
respecto al nivel anterior de la cadena, y los precios en destino pueden duplicarse con
respecto a los mayoristas. En particular, esta brecha parece ser más acusada a partir del
año 2008 entre los precios de destino y mayoristas, y menos acusada entre los precios
mayoristas y de origen.
Analizando los estadísticos descriptivos, concretamente la media de los precios
de la merluza, se observa que la media de precios es muy superior, como es habitual, en
los precios de la merluza en destino (15,70 €/Kg.), en el nivel mayorista (7,32 €/Kg.) y
en lonjas (2,64 €/Kg.), respectivamente. A su vez, el análisis pormenorizado de dichas
series, pone de manifiesto caídas de precios muy significativos, así como ascensos
notables, si bien la variabilidad se constata de mayor grado en el nivel mayorista (0,27),
10
en el origen (0,23) y en destino (0,14), respectivamente, lo que pone de manifiesto la
mayor variabilidad del nivel mayorista.
A continuación, se plantean los modelos econométricos de tipo serie temporal y,
en particular, centrados en metodologías de cointegración, con el objetivo de
profundizar sobre la vinculación existente entre los diferentes niveles de la cadena de
valor de la merluza. Las herramientas centrales utilizadas en este trabajo van a ser el
modelo VAR y el MCE. A partir del primero, se implementa un estudio de
cointegración en el sistema formado por los logaritmos de los tres precios de
comercialización de la merluza y, desde el modelo de corrección del error, se obtiene el
mapa de causalidades, la descomposición de la varianza del error de predicción y las
funciones impulso-respuesta. Finalmente, y con base en los estudios previos de
cointegración y causalidad, se analizan los mecanismos de transmisión de precios en la
cadena de valor de la merluza.
Para ello, en primer lugar, se realiza un análisis univariante de las tres series de
la cadena de distribución de la merluza, comenzando por un contraste de cambio
estructural.
Un cambio estructural en una serie de tiempo se presenta cuando hay
modificaciones instantáneas o permanentes, invariables e inesperadas en uno o más
componentes estructurales, debido a eventos específicos (Rodríguez, 2002) y (Hendry y
Clements 2001). La mayoría de los trabajos en el campo de cambios estructurales se han
concentrado en el caso donde los regresores y los errores son estacionarios; sin
embargo, en este trabajo, siguiendo a Perron y Yabu (2009), se considera el problema
de las pruebas de los cambios estructurales en la función de tendencia de una serie de
tiempo sin ningún conocimiento previo de si el componente estacionario es ruido blanco
o contiene una raíz unitaria autorregresiva.
Una vez aplicado el contraste de Perron y Yabu (2009) se filtran las series con
dummies de intervención en agosto de 2008 para Po, en abril de 2008 para Pm y en
diciembre de 2007 para Pd. Por lo tanto, existe un cambio de estructura sobre las
mismas fechas debido probablemente a la crisis global en la que estamos inmersos.
Seguidamente, se analizan los contrastes para verificar la estacionariedad de las
series. En primer lugar se transforman todas las variables en logaritmos. Este es un
procedimiento habitual y, además, como señaló Hamilton (1994), la transformación
11
logarítmica actúa en la serie amortiguando la amplitud de las oscilaciones y, por tanto,
permite alcanzar más fácilmente la estacionariedad en varianza tras una primera
diferenciación. Existe una segunda razón de tipo más económico. Para cambios
pequeños, la primera diferencia del logaritmo de una variable es aproximadamente igual
a la tasa de variación de la serie original, de este modo, si una variable en logaritmos es
integrada de orden uno, la tasa de variación de la variable original es estacionaria.
En el ámbito de este planteamiento, se abordan previamente algunas cuestiones
necesarias en el análisis y modelización de series temporales. En concreto, hay que
determinar el orden de integración de las series individuales, es decir, la serie Po del
precio en origen, la serie Pm del precio en merca y la serie Pd del precio en destino.
Primeramente se analiza el contraste de raíces unitarias estacionales (HEGY) propuesto
por Hylleberg, Engle, Granger y Yoo (1990) y adaptado a series mensuales por Franses
(1991).
Tabla 1. Contraste de HEGY
Estadístico
Po
Pm
Pd
π1
-0,99
-1,30
-0,17
π2
-2,50***
-2,60**
-2,38*
π3 π4
2,35*
7,42***
6,95***
π5 π6
3,49**
7,73***
6,97**
π7 π8
3,07**
5,09*
8,79***
π9 π10
2,73*
7,93***
6,20**
π11 π12
2,71*
5,99**
9,81***
π2 π12
3,73***
15,70***
66,26***
π1 π12
3,56**
14,54***
67,97***
Significativo al 10%*, al 5%**, al 1%***
En la tabla 1, se describen los resultados de los contrastes HEGY, donde la
hipótesis nula de raíz unitaria no estacional no puede rechazar para ninguno de los tres
eslabones de la cadena de comercialización de la merluza, sin embargo, la hipótesis nula
12
conjunta de que todas las frecuencias estacionales poseen una raíz unitaria
rechazada en los tres casos. Por tanto, al no poderse rechazar que el estadístico
es
de las
tres series de precios sea igual a cero, se llega a la conclusión de que las tres series
analizadas presentan únicamente una raíz unitaria en la frecuencia cero.
En segundo lugar, y con el fin de completar el análisis del orden de integración
de las series, se lleva a cabo el contraste Ng-Perron (2001) sobre las series de precios en
niveles.
Tabla 2. Contraste Ng-Perron sobre las series en niveles
Constante+Tendencia
MZa
MZt
MSB
MPT
Po
lag=4
-1,91
-0,54
-0,28
24,72
Pm
lag=12
-2,22
-0,96
0,43
36,47
Pd
lag=3
-10,46
-2,22
0,21
9,01
Nº máximo de retardos=15 mediante el criterio modificado de Akaike (MAIC)
Significativo al 5%**, al 10%*; Valores críticos de Ng y Perron (2001)
La tabla 2 contiene los resultados del contraste Ng-Perron (2001) en niveles. El
orden óptimo de retardos ha sido elegido en base al criterio de información modificado
de Akaike. Teniendo en cuenta los resultados se puede afirmar que las tres series son
I(1), es decir, han de ser diferenciadas una vez para convertirlas en estacionarias, lo cual
añade una mayor evidencia a los resultados obtenidos con los contrastes de raíces
unitarias estacionales.
Una vez realizado el análisis univariante de las tres series de la cadena de valor
de la merluza se procede al análisis de las relaciones verticales a largo plazo.
13
4.2 Análisis de las relaciones verticales a largo plazo
Tras concluir en el apartado anterior que las series son I(1), se procede dentro
del enfoque de cointegración de Johansen, a seleccionar el número óptimo de retardos
del esquema VAR mediante los criterios de Akaike y Schwarz, considerándose la
inclusión de un término constante y de variables ficticias estacionales como
componentes deterministas del modelo. Para ello se ha considerado 12 como número
máximo de retardos y se ha obtenido que el modelo debe incluir 2 retardos.
Seguidamente, y previo análisis del número de relaciones de cointegración se
comprueba que el modelo no presente problemas estadísticos. Para ello, se presenta en
la tabla 3 los contrastes sobre los residuos del modelo.
Tabla 3. Contrastes de ausencia de autocorrelación, normalidad, estabilidad y ausencia
de heterocedasticidad de los errores del VAR(2)
LMF
Po
1,227
Pm
0,920
Pd
0,576
Doornik-Hansen
16,145**
Harvey-Collier
ARCH
0,672
15,807
0,227
9,330
-0,313
7,177
Nº máximo de retardos=12; Significativo al 5%**, al 10%*
En primer lugar, se observa un contraste LM en cada una de las ecuaciones cuya
hipótesis nula es de no autocorrelación, frente a la alternativa de autocorrelación hasta
de orden 12, que es el retardo máximo elegido. Hay evidencia de no autocorrelación en
los residuos de las ecuaciones del VAR para las tres ecuaciones. En segundo lugar, se
realiza un contraste multivariante (Doornik-Hansen) de la hipótesis nula de normalidad
donde se rechaza conjuntamente dicha hipótesis de normalidad. En tercer lugar, se
presentan los resultados del contraste CUSUM de estabilidad paramétrica cuya hipótesis
nula de estabilidad es aceptada para las tres ecuaciones. Y finalmente, se muestran los
contrastes univariantes en los residuos de cada ecuación para detectar efectos ARCH.
En este caso, se acepta la hipótesis nula concluyendo que no hay efecto ARCH para
14
ninguna de las tres ecuaciones. Por consiguiente, los resultados obtenidos en la tabla 3
indican que el modelo está correctamente especificado.
Una vez verificada la correcta especificación del modelo, se determina el
número de vectores de cointegración mediante los contrastes sobre el rango de
cointegración.
Tabla 4. Contraste de Johansen
Rango
Valor
Estad. Traza
Estad. Lmáx
Propio
0
0,60484
218,49***
86,347***
1
0,55791
132,15***
75,910***
2
0,45377
56,239***
56,239***
Estad.traza=Contraste de la traza. Estad LMax=Contraste del máximo valor propio.
Significativo al 1\%***. Los valores críticos proceden de Osterwald-Lenum (1992).
La tabla 4 contiene los resultados del test de cointegración de Johansen, para
contrastar y estimar las posibles conexiones estables a largo plazo existentes en los
precios de la cadena de valor de la merluza. De los resultados de los test de la traza y del
máximo autovalor se deriva la existencia de dos relaciones de cointegración para un
nivel de significación del 1 por ciento. Esta evidencia implica que los precios de la
cadena de valor de la merluza se mueven conjuntamente en el largo plazo, aunque en el
corto plazo puedan producirse distorsiones de naturaleza transitoria de la situación de
equilibrio.
A continuación, se estiman las dos relaciones de cointegración obtenidas como:
(9)
(10)
Teniendo en cuenta que las variables están expresadas en logaritmos, los
parámetros de la relación de cointegración representan elasticidades. Por lo tanto, los
resultados obtenidos indican en (9) que un aumento de un 1% en el precio de destino
15
implicaría un incremento de un 1,181% en el precio de origen y en (10) que un aumento
de un 1% en el precio de destino implicaría un incremento de un 1,859% en el precio de
merca. Estos resultados indican que no se produce una transmisión de información
perfecta entre los eslabones de la cadena de comercialización de la merluza, por lo que
la información se transmite con distorsiones.
A continuación, se realizan diferentes contrastes sobre los parámetros a largo
plazo. En primer lugar, en la tabla 5 se presentan los resultados de los contrastes sobre
la significatividad individual de los parámetros de las matrices β (Ho: βi=0) y α (Ho:
αi=0).
Tabla 5. Contrastes sobre la significatividad individual
(Ho: βi=0)
(Ho: αi=0)
Po
27,98***
28,12***
Pm
15,34***
13,80***
Pd
13,09***
4,78
Significativo al 1%***, al 5%**
Todos los parámetros β significativamente distintos de cero y, por tanto, los
precios de los tres eslabones de la cadena de valor intervienen en el espacio de
cointegración. La exclusión de un precio del espacio de cointegración se podría
interpretar como una falta de integración entre este eslabón y el resto, en el sentido de
que este precio evolucionaría en el largo plazo desligado de los demás. Por el contrario,
la significatividad de todos los precios en el espacio de cointegración significa que no se
puede prescindir de ninguno de ellos en todos los vectores de cointegración
simultáneamente, lo que no impide que un precio en un vector en concreto resulte no
significativo. En los contrastes sobre significatividad individual de los parámetros α se
puede concluir que la variable Pd es débilmente exógena, lo que implica que incide
sobre el resto de mercados y no se ve afectado por los shocks específicos que se
producen en ellos, siendo por tanto el precio líder.
16
Asimismo, en segundo lugar, en la tabla 6 se ha contrastado la proporcionalidad
entre parejas de parámetros β (Ho: βi=- βj), con el fin de averiguar si existe perfecta
transmisión de precios entre parejas de precios.
Tabla 6. Contrastes sobre la proporcionalidad
(Ho: βi=- βj)
Po • Pm
86,17***
Po • Pd
84,05***
Pm • Pd
87,69***
Significativo al 1%***, al 5%**
Siguiendo a Sanjuán y Gil (2001) se contrasta la integración perfecta de los tres
eslabones de la cadena de valor. Los resultados correspondientes a los contrastes de
proporcionalidad rechazan la hipótesis nula de proporcionalidad de los precios para un
nivel de significación del 1 por ciento entre las parejas de precios, lo que indica una
transmisión imperfecta de precios.
Por último, en la tabla 7 se ha contrastado la nulidad de la suma de coeficientes
(Ho: ∑βi=0), cuyo cumplimiento podría interpretarse como un resultado que apoya un
elevado grado de integración a largo plazo.
Tabla 7. Contrastes sobre la nulidad de la suma de coeficientes
(Ho: ∑βi=0)
Po • Pm • Pd
10,35***
Significativo al 1%***, al 5%**
La hipótesis sobre la nulidad de la suma de coeficientes se rechaza, lo que debe
interpretarse como un indicador de ausencia de integración plena. Esta conclusión se ve
apoyada por el rechazo de la hipótesis sobre perfecta integración entre todas las parejas
de la tabla 6.
17
Para finalizar con el análisis a largo plazo, en la tabla 8 se presentan los
contrastes de causalidad en sentido de Granger, contrastándose la causalidad de cada
variable hacia el grupo formado por las dos restantes.
Tabla 8. Resultados de los test de no causalidad
Ho
Estadístico F
Po no → Pm & Pd
86,17***
Pm no → Po & Pd
84,05***
Pd no → Po & Pm
87,69***
Significativo al 1%***, al 5%**, al 10%*
La hipótesis nula de ausencia de causalidad se rechaza en todos los casos salvo
en el del precio de origen que no causa al precio merca y destino. Por lo que se afirma la
existencia de causalidad en el sentido de Granger para los otros dos casos (el precio
merca y el precio destino). Si bien se puede concluir que la relación de causalidad del
precio destino hacia los precios origen y merca es más fuerte que la causalidad del
precio merca sobre el precio origen y destino.
4.3 Análisis de las relaciones verticales a corto plazo
Una vez analizadas las relaciones de equilibrio existentes en la cadena de valor
de la merluza, en este apartado lo que se pretende es analizar las relaciones dinámicas a
corto plazo existentes entre los diferentes eslabones de la cadena de valor. Es decir, se
trata de determinar cuál es el impacto en los precios de cada eslabón de un cambio en el
precio en un eslabón determinado. Se trata, por tanto, de determinar cómo el resto de
eslabones responden ante este incremento imprevisto de los precios. Para realizar este
análisis se ha especificado un modelo de corrección de error (MCE), con los elementos
determinísticos y con el número de vectores de cointegración previamente
seleccionados utilizando para ello la equivalencia entre parámetros. A partir de éstos se
han estimado las FIR y la descomposición de las VEP.
18
La matriz de varianzas y covarianzas de los residuos de los modelos VAR se ha
diagonalizado utilizando la descomposición de Choleski. Previamente ha sido necesario
decidir una ordenación de causalidad instantánea entre las variables, puesto que
ordenaciones diferentes pueden dar lugar a descomposiciones diferentes. En este caso,
las implicaciones de las respuestas de las FIR y las proporciones de la VEP son muy
similares, aun así, tan solo se muestran los resultados obtenidos de las variables
ordenadas de mayor a menor exogeneidad.
Comenzando con las funciones de impulso-respuesta, éstas proporcionan una
idea de cuál es el efecto o respuesta que provoca un cambio o impulso en el periodo t de
una variable sobre otra variable en el periodo t y sucesivos (en cuanto a su magnitud,
duración y dirección), permaneciendo el resto de las variables constantes. En las
siguientes figuras se observa que al aumentar el periodo temporal que separa a las series
del momento en que se produce el shock, las respuestas tienden a aproximarse a la
posición de equilibrio que en el caso del VECM puede encontrarse alejado de cero.
Como se observa en la figura 2, las respuestas de Pm y Pd ante shocks en Po son muy
pequeñas, especialmente en el caso de Pd. En la figura 3, la respuesta de Po ante shocks
en Pm es un poco más notoria, pero no así en el caso de Pd que es muy débil. Pese a
ello, Pd responde más ante shocks de Pm que ante shocks de Po. Finalmente, en la
figura 4 se puede observar que los shocks que más repercuten son los de Pd, ya que
tanto Pm como Po responden con mayor intensidad, volviendo al equilibrio de forma
más alejada de cero que en los casos anteriores. Con respecto al peso específico de los
precios, en cuanto a la influencia que ejercen sobre el resto de los precios del sistema, se
podría decir que las relaciones más estrechas se configuran entre los precios de merca y
destino, y los precios origen y destino, ya que provocan respuestas más significativas y
responden significativamente ante shocks sufridos por éstos.
Figura 2. Shock en el precio origen de la cadena de valor de Merluza
19
Respuesta del precio merca
Respuesta del precio destino
Figura 3. Shock en el precio merca de la cadena de valor de Merluza
Respuesta del precio origen
Respuesta del precio destino
Figura 4. Shock en el precio destino de la cadena de valor de Merluza
Respuesta del precio origen
Respuesta del precio merca
Ulteriormente, y para concluir con el análisis del corto plazo, en la figura 5 se
presenta la descomposición de la VEP para cada una de las variables, en un horizonte de
predicción máximo de 24 meses. En todos los casos, conforme aumenta el horizonte
temporal disminuye la importancia relativa de las innovaciones en la propia variable
para explicar su VEP, permitiendo que el resto de variables aumente su cuota
explicativa. Este comportamiento, común a todas las variables, es característico tanto de
sistemas estacionarios como cointegrados (Lütkepohl, 1993). Atendiendo a la
proporción del VEP explicada por las innovaciones propias en horizontes temporales
largos, se observa que el precio más exógeno es el de destino, puesto que en los doce
primeros periodos, las innovaciones del precio de destino explican el 89,45%, en tanto
que las del precio de origen contribuyen un 75,73% y las del precio de merca un
20
30,28%. Este porcentaje más elevado del precio de destino indica que las variaciones de
este precio vienen explicadas por su propio pasado más que por el pasado del resto de
variables. En el periodo 24, el precio en origen es explicado en un 8,71% por el precio
de merca y en un 26,08% por el precio de destino. Como ya se ha comentado
anteriormente, Pd es el precio más exógeno, ya que solo es explicado en un 2,37% por
el precio de origen y en un 8,58% por el precio merca. Finalmente, destaca la elevada
capacidad explicativa de los shocks del precio en destino a la explicación de la VEP del
precio de merca. En el caso de Pm, conforme avanza el horizonte temporal aumenta la
contribución del precio de destino, alcanzando en el periodo 24 un 76,40% y tan solo un
2,46% del precio origen. Por lo tanto, se observa que en el corto plazo los precio en
destino afectan en gran medida a los precio merca y en menor medida también a los
precio de origen, mientras que los precios en origen y merca apenas influyen de forma
determinante en los precios de destino.
Figura 5. Descomposición de la varianza de predicción de la cadena de valor de
Merluza
VEP del Precio Origen
VEP del Precio Merca
VEP del Precio Destino
5 Conclusiones
21
En este trabajo se describen las relaciones existentes entre los precios de la
merluza en la cadena de comercialización. Se analiza la integración entre dicha cadena y
el grado de interdependencia entre los precios de los diferentes eslabones. El análisis se
aborda mediante la formulación de un enfoque agregado y de un modelo de corrección
de error (MCE) multivariante, de manera que la visión de largo plazo aportada por la
cointegración se complementa con las interrelaciones a corto plazo, descritas por las
funciones impulso-respuesta (FIR) y la descomposición de la varianza del error de
predicción (VEP). Este estudio de integración vertical se lleva a cabo desde 2004 hasta
2011.
Los resultados obtenidos mediante el modelo de integración vertical permiten
asegurar que los precios de los tres eslabones de la cadena de distribución de la merluza
siguen una trayectoria similar en el largo plazo y no se desvían sistemáticamente en el
tiempo. Pese a ello no existe integración perfecta y la información sobre los precios se
transmite con distorsiones entre los diferentes eslabones. Por lo tanto, no existe un
mercado único con un precio representativo y la respuesta de los precios ante cambios
en otros precios es parcial.
Los resultados nos permiten concluir que el precio de destino es el precio líder,
incidiendo sobre el resto de mercados y determinando en mayor medida a los dos
restantes. Esto no significa que los ofertantes y demandantes de este eslabón (destino)
establezcan los precios de los dos restantes, sino que los shocks que afecten a la oferta o
demanda en destino afectarán a los precios en origen y merca. Por consiguiente, el
precio detallista de la cadena de distribución de la merluza es el precio que marca con
mayor fuerza a los otros dos.
La brecha abierta entre el precio destino y origen está llevando al primer eslabón
(origen) de esta cadena a trabajar con márgenes más pequeños en beneficio del último
eslabón (destino). Siendo este sector extractivo el que comienza a cargar con la mayor
parte de los costes del proceso.
La parte más importante del valor añadido en la cadena de distribución del
pescado en general, y de la merluza en particular, se está trasladando hacia las grandes
empresas de distribución y venta final.
El segundo eslabón (merca) de la cadena de valor, en cambio, se coloca entre los
dos restantes. Es decir, que aunque no incide sobre el resto de eslabones como lo hace el
22
destino, tiene una mayor importancia que el precio de origen. Este menor grado de
incidencia, puede ser debido a que las grandes superficies están estableciendo sus
propios métodos de contratación, solapando nuevas fórmulas de contratos sobre las
tradicionales, generando un paulatino cambio en el sistema de generación de precios en
los mercados de primera venta de pescado fresco.
Sin lugar a dudas se están alterando los equilibrios tradicionales en el sector de
comercialización del pescado fresco, incluido en la comercialización de la merluza, en
relación al peso relativo y el papel que han representado hasta tiempos recientes los
mayoristas, el pequeño comercio y los productores.
6 Referencias
Amigo, L., Garza, MªD. y Varela, M. (2009): Transmisión de precios en la cadena
comercial de la pesca costera gallega. El caso del pulpo, Revista Española de Estudios
Agrosociales y Pesqueros, Núm. 222, Pág. 1-24.
Asche, F., Flaaten, O., Isaksen, J.R. y Vassdal, T. (2002): Derived Demand and
Relationships Between Prices at Different Levels in the Value Chain: A Note, Journal of
Agricultural Economics, Núm. 53, Pág. 101-107.
Asche, F., Guttormsen, A. G., Sebulonsen, T. and Sissener, E. H. (2005): Competition
between farmed and wild salmon: the Japanese salmon market. Agricultural
Economics, Núm. 33, Pág. 333-340.
Asche, F.; Jaffry, S. y Hartmann, J. (2007): Price transmission and market integration:
vertical and horizontal price linkages for salmon, Applied Economics, Vol. 39, Núm.
19, Pág. 2535-2545.
Cruz, I. y Ameneiro, M. (2007): Transmisión vertical de precios en el mercado
nacional de los productos pesqueros frescos, Revista de Economía Aplicada, Vol. 15,
Núm. 44, Pág. 85-107.
23
Engle, R. F. y Granger, C. W. J. (1987): Co-integration and Error Correction,
Representation, Estimation and Testing, Econometrica, Núm. 55, Pág. 251-276.
Franses, P. H. (1991): Seasonality, non-stationary and the forecasting of monthly time
series, International Journal of Forecasting, Núm. 7, Pág. 199-208.
Hamilton, I.D. (1994): Time Series Analysis, Princeton University Press, Princeton,
New Jersey.
Harris, R. (1995): Using Cointegration Analysis in Econometric Modelling, Prentice
Hall, Harvester Wheatsheaf London.
Hartmann, J.; Jaffry, S. y Asche, F. (2000): Price Relationships Along the Value Chain:
An Analysis of the Hake Market In France, IIFET Proceedings.
Hendry, D. y Clements, M. (2001): Economic forecasting: Some lessons from recent
research, Technical report, U.K. Economic and Social Research Council.
Hylleberg, S.; Engle, R.; Granger, C. y Yoo, B. (1990): Seasonal Integration and
Cointegration, Journal of Econometrics, Núm. 44: Pág. 215-238.
Jaffry, S. (2004): Asymmetric Price Transmission: A Case Study of the French Hake
Value Chain, Marine Resource Economics, Núm. 19, Pág. 511-523.
Jiménez-Toribio R. y García del Hoyo J.J. (2006): Evidence of market price leadership
in the Spanish red seabream value chain: implications for fisheries management,
Fisheries Research, Núm. 81: Pág. 51-59.
Johansen, S. (1988): Statistical analysis of cointegrating vectors, Journal of Economic
Dynamics and Control, Vol. 12, Pág. 231-254.
Johansen, S. y Juselius, K. (1990): Maximum likelihood estimation and inference on
cointegration - with applications to the demand for Money, Oxford Bulletin of
Economics and Statistics, Núm. 52(2): Pág. 169-210.
24
Juselius, K., (2006): The Cointegrated VAR Model, Methodology and Applications,
Oxford, Oxford University Press.
Lütkepohl, H. (1993): Introduction to Multiple Time Series Analysis, Berlin, SpringerVerlag.
Ng, S. y Perron, P. (2001): Lag length selection and the construction of unit root tests
with good size and power, Econometrica, Núm. 69, Pág. 1519-1554.
Osterwald-Lenum, M. (1992): A Note with Quantiles of the Asymptotic Distribution of
the Maximum Likelihood Cointegration Rank Test Statistics: Tour Cases, Oxford
Bulletin of Economics and Statistics, Núm. 54, Pág. 461-472.
Perron, P. and Yabu, T. (2009): Testing for Shifts in Trend With an Integrated or
Stationary Noise Component, Journal of Business \& Economic Statistics, Núm. 27,
Pág. 369-396.
Rodríguez, G. (2002): Modelos estructurales en el contexto de las series temporales
económicas, Documento de trabajo, Universidad de La Laguna y Universidad de Las
Palmas de Gran Canaria.
Sanjuán, A.I. y Gil, J.M. (2001): Price transmission analysis: A flexible methodological
approach applied to European pork and lamb markets, Applied Economics, Núm. 33,
Pág. 123-131.
Suriñach, I.; Artís, M.; López, E. y Sansó, A. (1995): Análisis Económico Regional
Nociones Básicas de la Teoría de la Cointegración, Antoni Bosch Editor, Barcelona.
25