Integración Vertical y Transmisión de Precios en el Mercado de la
Transcripción
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