Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 What Determines Productivity? Gracias a la infusión masiva de datos de actividad de producción detallados en las últimas dos décadas, los investigadores de muchos campos han aprendido mucho sobre cómo las empresas convierten los insumos en productos. La productividad, la eficiencia con la que ocurre esta conversión, ha sido un tema de particular interés. Los detalles de estos estudios han variado dependiendo de los intereses específicos de los investigadores, pero hay un hilo común. Han documentado, virtualmente sin excepción, enormes y persistentes diferencias de productividad medidas entre los productores, incluso dentro de industrias definidas estrechamente. Las magnitudes involucradas son sorprendentes. Chad Syverson (2004b) encuentra que dentro de las industrias SIC de cuatro dígitos en el sector manufacturero de EE. UU., La diferencia promedio en la productividad total de factores (PTF) registrada entre las plantas percentiles 90 y 10 de una industria es de 0.651. Esto corresponde a una relación de PTF de e0.651 = 1.92. Para enfatizar exactamente lo que implica este número, dice que la planta en el percentil 90 de la distribución de productividad genera casi el doble de producción con los mismos aportes medidos que la planta del percentil 10. Tenga en cuenta que este es el rango promedio de 90-10. La desviación estándar del rango en las industrias de cuatro dígitos es 0.173, por lo que varias industrias ven diferencias de productividad mucho más grandes entre sus productores. La fabricación de los EE. UU. No es excepcional en términos de dispersión de la productividad. De hecho, en todo caso, es pequeño en relación con la variación de la productividad observada en otros lugares. Chang-Tai Hsieh y Peter J. Klenow (2009), por ejemplo, encuentran diferencias de productividad aún mayores en China y la India, con ratios promedio de PTF de 90-10 sobre 5: 1.1 Estas diferencias de productividad entre los productores tampoco son fugaces. Al revertir la PTF actual de un productor en su PTF de un año, se obtienen coeficientes autorregresivos del orden de 0,6 a 0,8 (véanse, por ejemplo, Árpád Ábrahám y Kirk White 2006 y Foster, Haltiwanger y Syverson 2008). En pocas palabras, algunos productores parecen haber descubierto su negocio (o al menos están en camino), mientras que otros lamentablemente carecen de ellos. Mucho más que los derechos de fanfarronear están en juego aquí: otro hallazgo sólido en la literatura, prácticamente invariante para el país, el período de tiempo o la industria, es que los productores de mayor productividad tienen más probabilidades de sobrevivir que sus competidores de la industria menos eficientes. La productividad es literalmente una cuestión de supervivencia para las empresas. 1.1 Cómo la variabilidad y la persistencia de la productividad a nivel micro ha influido en la investigación El descubrimiento de diferencias de productividad ubicuas, extensas y persistentes ha dado forma a las agendas de investigación en una serie de campos. Aquí hay algunos ejemplos de esta influencia, aunque de ninguna manera pretende ser una contabilidad integral. Ellos hablan sobre la amplitud del impacto 2 que tendrían las respuestas a la pregunta del título de este documento. Los macroeconomistas están disecando el crecimiento agregado de la productividad -la fuente de casi todas las diferencias de ingreso per cápita entre los países- en varios microcomponentes, con la intención de comprender mejor las fuentes de dicho crecimiento. Foster, Haltiwanger y C. J. Krizan (2001), por ejemplo, describen el rol sustancial de las reasignaciones de la actividad económica hacia los productores de mayor productividad (tanto entre las plantas existentes como a través de la entrada y salida) para explicar el crecimiento agregado de la productividad. Hsieh y Klenow (2009) preguntan cuánto más grande es el chino y el indu, las economías serían si lograron la misma eficiencia en la asignación de insumos a través de unidades de producción como lo hace Estados Unidos. Los modelos de fluctuaciones económicas impulsadas por choques de productividad se enriquecen cada vez más para dar cuenta de los patrones de micro nivel, y se estiman y prueban utilizando datos de productividad a nivel de empresa o planta en lugar de agregados (por ejemplo, Jeffrey R. Campbell y Jonas DM Fisher 2004, Eric J Bartelsman, Haltiwanger y Stefano Scarpetta 2009 y Marcelo Veracierto 2008). Los datos de microproductividad también se han utilizado en cuestiones de crecimiento a largo plazo, convergencia de ingresos y derrames tecnológicos. Ofrecen un nivel de resolución inalcanzable con datos agregados. En la organización industrial, la investigación ha vinculado los niveles de productividad a una serie de características de la tecnología, la demanda y la estructura del mercado. Los ejemplos incluyen el efecto de competencia (Syverson 2004a y James A. Schmitz 2005), el tamaño de los costos irrecuperables (Allan Collard-Wexler 2010) y la interacción de la rivalidad del mercado de productos y los derrames tecnológicos (Nicholas Bloom, Mark Schankerman y John Van Reenen 2007). Otra línea de estudio ha analizado la interacción de las estructuras organizativas de las empresas con los niveles de productividad (por ejemplo, Vojislav Maksimovic y Gordon Phillips 2002, Antoinette Schoar 2002, y Ali Hortaçsu y Syverson 2007, 2011). Los economistas del trabajo han explorado la importancia del capital humano de los trabajadores para explicar las diferencias de productividad (John M. Abowd y otros 2005 y Jeremy T. Fox y Valérie Smeets 2011), los efectos de la productividad del pago de incentivos (Edward P. Lazear 2000), otros varias prácticas de recursos humanos (Casey Ichniowski y Kathryn Shaw 2003), talentos y prácticas gerenciales (Bloom y Van Reenen 2007), forma organizativa (Luis Garicano y Paul Heaton 2007), y conexiones sociales entre compañeros de trabajo (Oriana Bandiera, Iwan Barankay e Imran Rasul 2009). También se ha centrado la atención en el papel de la reasignación impulsada por la productividad en la dinámica del mercado de trabajo a través de la creación y destrucción de empleos (Haltiwanger, Scarpetta y Helena Schweiger, 2008). Tal vez en ningún otro campo los patrones de dispersión de la productividad indicados anteriormente tuvieron una mayor influencia en la trayectoria de la agenda de investigación que en la literatura comercial. Los marcos teóricos que utilizan firmas heterogéneas de producción como Jonathan Eaton y Samuel Kortum (2002) y Marc J. Melitz (2003) son ahora los lentes conceptuales dominantes a través de los cuales los economistas ven los impactos del comercio. En estos modelos, los impactos del comercio varían entre los productores y dependen de sus niveles de productividad en 3 particular. Las ganancias agregadas de productividad provienen de una selección mejorada y una mayor competencia que trae el comercio. Una gran cantidad de estudios empíricos han acompañado y estimulado estas teorías (por ejemplo, Nina Pavcnik 2002, Andrew B. Bernard, J. Bradford Jensen, y Peter K. Schott 2006, y Eric A. Verhoogen 2008). Han confirmado muchos de los patrones predichos y han planteado sus propias preguntas. 1.2 La pregunta de "¿Por qué?" Dado el importante papel que desempeñan las diferencias de productividad en estas literaturas dispares, los hechos anteriores plantean preguntas obvias y cruciales. ¿Por qué las empresas (o fábricas, tiendas, oficinas o incluso las líneas de producción individuales, para el caso) difieren tanto en sus capacidades para convertir los insumos en productos? ¿Es una suerte tonta o más bien algo, o muchas cosas, más sistemático? ¿Pueden los productores controlar los factores que influyen en la productividad o son productos puramente externos del entorno operativo? ¿Qué soporta tales grandes diferencias de productividad en el equilibrio? Hace una década, cuando Bartelsmany Mark Doms (2000) escribieron la primera encuesta del La literatura de productividad de microdatos para esta revista, los investigadores recién comenzaban a formular la pregunta "¿Por qué?". Gran parte del trabajo hasta ese momento se había centrado en establecer hechos como los mencionados anteriormente: el "¿Qué?" De la dispersión de la productividad. Desde entonces, la literatura se ha enfocado más intensamente en las razones por las cuales los niveles de productividad son tan diferentes en todas las empresas. Definitivamente ha habido progreso. Pero también hemos aprendido más sobre lo que no sabemos, y esto está guiando las formas en que se moverá la literatura de productividad. Este artículo está destinado a ser una guía y comentar esta investigación. Comienzo por establecer algunos límites. Tengo que. Una visión completa de la investigación de productividad microfundada no es posible en este formato ni deseable. Simplemente hay demasiados estudios para permitir una cobertura adecuada de cada uno. Primero, me enfocaré en el trabajo empírico. Esto no es porque lo veo más importante que la teoría. Por el contrario, ofrece una cobertura más profunda de esta importante faceta de una literatura gigante y refleja mejor mi experiencia. Dicho esto, esbozaré a continuación un modelo de industria de productividad heterogénea simple para centrar la discusión, y ocasionalmente mencionaré trabajos teóricos específicos con vínculos particularmente estrechos con los asuntos empíricos discutidos. Además, por razones obvias, me centraré en la investigación que se ha realizado desde que Bartelsman y Doms (2000) se escribieron. Incluso dentro de estos límites, hay más estudios de los que se pueden describir satisfactoriamente individualmente. Veo el papel de este artículo como el filtrado de las lecciones más amplias de la literatura a través de la lente de un subconjunto de estudios clave. Los trabajos en los que me enfoco aquí no son necesariamente elegidos porque son el primer o el único trabajo bueno en su tema, sino más bien porque tienen una cualidad arquetípica que me permite tejer una narrativa de la literatura. 4 Insto a los lectores cuyos intereses se han despertado a explorar más intensamente las literaturas pertinentes. Hay mucho más por aprender de lo que puedo transmitir aquí. Una advertencia: parte de mi discusión contiene elementos de comentario. Estas opiniones son solo mías y pueden no ser el consenso de los investigadores en el campo. Organizo este artículo de la siguiente manera. La siguiente sección esboza el trasfondo conceptual: qué es la productividad, cómo se mide a menudo en la práctica, y cómo las diferencias en la productividad entre los productores de bienes similares pueden mantenerse en equilibrio. La Sección 3 analiza las influencias en la productividad que operan principalmente dentro del negocio. Esto puede ser a nivel de empresa, nivel de planta o incluso en procesos específicos dentro de la empresa. Muchas de estas influencias pueden estar bajo el control de los actores económicos dentro del negocio. En otras palabras, pueden ser "palancas" que la gerencia u otras personas tienen disponibles para afectar la productividad. La Sección 4 se centra en la interacción de los niveles de productividad de los productores y los mercados en los que operan. Estos son elementos de los entornos externos de las empresas que pueden afectar los niveles de productividad. Este impacto puede no ser siempre directo, pero puede inducir a los productores a utilizar algunas de las palancas analizadas en la sección 3, influyendo indirectamente en los niveles de productividad observados en el proceso. También pueden ser factores que afectan la cantidad de dispersión de la productividad que puede mantenerse en equilibrio e influir en las diferencias de productividad observadas a través de ese canal.La Sección 5 discute lo que veo como las grandes preguntas sobre los patrones de productividad a nivel de negocios que aún deben ser respondidos. Una breve sección final sigue. 2. Productividad: qué es, cómo se mide y cómo se mantiene su dispersión Esta sección repasa brevemente qué es la productividad conceptualmente, cómo se mide en la práctica y cómo se pueden mantener en equilibrio las diferencias de productividad entre los productores de productos similares. Se pueden encontrar discusiones más profundas sobre la teoría de los índices de productividad en Douglas W. Caves, Laurits R. Christensen y W. Erwin Diewert (1982) y las referencias allí incluidas. Se pueden encontrar más detalles sobre cuestiones de medición en la gran cantidad de literatura sobre el tema; ver, por ejemplo, G. Steven Olley y Ariel Pakes (1996), Zvi Griliches y Jacques Mairesse (1998), Richard Blundell y Stephen R. Bond (2000), James Levinsohn y Amil Petrin (2003), y Daniel C. Ackerberg et al. (2007). Los ejemplos de modelos que derivan equilibrios industriales con productores de productividad heterogénea incluyen a Boyan Jovanovic (1982), Hugo A. Hopenhayn (1992), Richard Ericson y Pakes (1995), Melitz (2003), Marcus Asplund y Volker Nocke (2006), y Foster, Haltiwanger y Syverson (2008). 2.1 Productividad en concepto 5 En pocas palabras, la productividad es la eficiencia en la producción: la cantidad de producción que se obtiene de un conjunto determinado de insumos. Como tal, típicamente se expresa como una relación de salida-entrada. Las medidas de productividad de un solo factor reflejan las unidades de producción producidas por unidad de una entrada particular. La productividad laboral es la medida más común de este tipo, aunque ocasionalmente se usan medidas de productividad de capital o incluso materiales. Por supuesto, los niveles de productividad de un solo factor se ven afectados por la intensidad del uso de las entradas excluidas. Dos productores pueden tener niveles de productividad laboral bastante diferentes a pesar de que tienen la misma tecnología de producción si uno usa el capital de manera mucho más intensa, digamos porque enfrentan diferentes precios de factores. Debido a esto, los investigadores a menudo usan un concepto de productividad que es invariante a la intensidad del uso de factores observables. Esta medida se denomina productividad total de factores (PTF) (también se denomina productividad multifactorial). Conceptualmente, las diferencias de la PTF reflejan cambios en las isocuantas de una función de producción: variación en el producto producido a partir de un conjunto fijo de insumos. Los productores de mayor PTF producirán mayores cantidades de producción con el mismo conjunto de insumos observables que los negocios con menor PTF y, por lo tanto, tendrán ventajas que se desplazarán hacia arriba y hacia la derecha. La variación de los precios de los factores que impulsa las diferencias de intensidad de los factores no afecta a la PTF porque induce cambios a lo largo de las isocuantas en lugar de cambios en las isocuantas. La PTF se ve más fácilmente en la formulación de una función de producción que se usa con frecuencia, en la que la salida es el producto de una función de entradas observables y una palanca de cambios neutra en factores (alternativamente, Hicks-neutral): Yt = AtF (Kt, Lt, Mt) donde se emite Yt, F (·) es una función de las entradas observables capital Kt, trabajo Lt, y materiales intermedios Mt, y At es el factor de cambio neutral. En este tipo de formulación, PTF es At. Captura las variaciones en la producción no explicadas por los cambios en las entradas observables que actúan a través de F (·). PTF es, en esencia, un residuo. Como con todos los residuos, de alguna manera es una medida de nuestra ignorancia: es la variación en el producto que no se puede explicar en base a las entradas observables. Por lo tanto, es justo interpretar el trabajo discutido en esta encuesta como un intento de "ponerle cara" a ese residuo, o más exactamente, "ponerle cara",dadas las múltiples fuentes de variación de la productividad. La literatura ha progresado cuando puede explicar las influencias sistemáticas sobre el producto en las unidades de producción que no provienen de cambios en los insumos observables, como el trabajo estándar o las medidas de capital. 6 2.2 Medición de productividad Si bien la productividad es relativamente sencilla en concepto, surgen una serie de problemas de medición al construir medidas de productividad a partir de datos de producción reales. Irónicamente, aunque la investigación con datos de microproducción amplía enormemente el conjunto de preguntas respondibles y mueve el nivel de análisis más cerca de donde se toman las decisiones económicas que los datos agregados, también aumenta los problemas de medición y calidad de datos con mayor frecuencia. El primer conjunto de cuestiones se refiere a la medida de salida. Muchas empresas producen más de una producción. ¿Deberían agregarse a una sola medida de salida y cómo hacerlo? Además, incluso los microdatos detallados del productor no suelen contener medidas de las cantidades de salida. Por lo general, se observan los ingresos. Dada esta limitación de los datos, el enfoque estándar ha sido utilizar los ingresos (deflactados a valores reales de un año común utilizando series de deflactores de precios) para medir el producto. Si bien esto puede ser aceptable, e incluso deseable, si las diferencias en la calidad del producto se reflejan completamente en los precios, puede ser problemático siempre que la variación de precios represente diferencias en el poder de mercado entre los productores. En ese caso, los niveles de productividad medidos de los productores pueden reflejar menos sobre cuán eficientes son y más sobre el estado de su mercado de producción local. Los trabajos recientes han comenzado a profundizar en las consecuencias de asumir productores de un solo producto y utilizar los ingresos para medir el producto. Discutiré esto más abajo. Mientras tanto, avanzaré suponiendo que los ingresos deflactados reflejan con exactitud la producción del productor. El segundo conjunto de problemas de medición se refiere a las entradas. Para el trabajo, existe la opción de si usar la cantidad de empleados, las horas de los empleados o alguna medida laboral ajustada por la calidad (la nómina salarial a menudo se utiliza en este último rol, con la noción de que los salarios capturan productos marginales de unidades de trabajo heterogéneas). El capital generalmente se mide utilizando el valor en libros del establecimiento o de la empresa de su capital social. Esto plantea varias preguntas. ¿Qué tan bueno de un proxy es el stock de capital para el flujo de servicios de capital? ¿Debería ser el stock simplemente el valor contable del productor y cuáles son los deflactores? ¿O debería construirse el stock utilizando inversiones observadas y el método del inventario perpetuo, y qué asumir sobre la depreciación? Cuando se miden materiales intermedios, surge un problema similar al de la cuestión de los ingresos como producción, porque normalmente solo están disponibles los gastos totales en insumos del productor, no las cantidades de entrada. Más fundamentalmente, ¿cómo deben manejarse las entradas intermedias? ¿Debería uno utilizar una función de producción de 7 producción bruta e incluir insumos intermedios directamente, o deberían simplemente restarse los intermedios del producto para tratar con una función de producción de valor agregado? Además de todas estas consideraciones, uno toma estas elecciones de medición de entrada en el contexto de saber que cualquier salida impulsada por variaciones de entrada no medidas (debido a diferencias de calidad de entrada o capital intangible, por ejemplo) se mostrará como productividad. El tercer grupo de problemas de medición implica agregar múltiples entradas en una medida PTF. Como se describió anteriormente, las diferencias de PTF reflejan los cambios en la producción mientras se mantienen los inputs constantes. Para construir la relación salida-entrada que mide PTF, un investigador debe ponderar las entradas individuales de forma apropiada al construir un índice de entrada unidimensional. La ponderación correcta es más fácil de ver cuando la función de producción es Cobb-Douglas: En este caso, las entradas se agregan tomando el exponente de cada factor a su elasticidad de salida respectiva. Resulta que esto se cumple de manera más general como una aproximación de primer orden a cualquier función de producción. El índice de entrada en el denominador de PTF se puede construir de manera similar para las funciones de producción generales.3 Incluso después de determinar cómo construir el índice de entrada, se deben medir las elasticidades de salida αj, j ∈ {k, l, m}. Varios enfoques son comunes en la literatura. Uno se basa en supuestos de minimización de costos para construir las elasticidades directamente a partir de los datos de producción observados. Un productor de minimización de costos equiparará la elasticidad de salida de un insumo con el producto de la participación de costo de esa entrada y la elasticidad de escala. Si se pueden medir los costos compartidos (la obtención de costos de capital suele ser el punto de fricción práctico aquí) y la elasticidad de la escala, ya sea estimada o asumida, entonces las elasticidades de salida αj pueden construirse directamente. Si un investigador está dispuesto a hacer suposiciones adicionales, pero no inocuas, es decir, competencia perfecta y rendimientos constantes a escala, entonces las elasticidades equivalen a la proporción de los ingresos pagados a cada insumo. Esto hace que construir αj sea simple. Las acciones de materiales y mano de obra suelen ser fáciles de cobrar con los datos de los gastos de materiales y los salarios disponibles. La parte del capital se puede construir como el residual, obviando la necesidad de medidas de costo de capital. (Aunque hay un problema conceptual ya que, como señala el siguiente modelo, no está claro qué hace que el tamaño del productor sea finito en un mundo de rendimientos constantes y perfectamente competitivos). Una advertencia importante es que el enfoque de índice asume los costos de ajuste de los factores . Si están presentes, las condiciones de primer orden que vinculan las participaciones observadas del factor con las elasticidades del producto no se mantendrán. 8 Esto puede mitigarse en parte (pero al costo) mediante el uso de costos compartidos que se han promediado en tiempo o por productores para suavizar desajustes idiosincrásicos de costo de ajuste en niveles de entrada óptimos y reales, pero podrían mantenerse algunas mediciones erróneas. Un enfoque separado es estimar las elasticidades αj mediante la estimación de la función de producción. En este caso, la TFP (registrada) es simplemente la suma estimada de la constante y la residual. En el caso Cobb-Douglas (que de nuevo, recordemos, es una aproximación de primer orden a tecnologías más generales), la ecuación estimada es: Por lo tanto, la estimación de TFP sería α 0 + ω t, donde el primer término es común en las unidades de producción de la muestra (normalmente la tecnología se estima a nivel industrial) y el segundo es idiosincrásico para un productor en particular. Este enfoque plantea problemas econométricos. Como señalaron por primera vez Jacob Marschak y William H. Andrews (1944), es probable que las elecciones de insumos estén correlacionadas con la productividad del productor ωt: los productores más eficientes son, con igualdad de condiciones, más propensos a contratar más insumos. También existe un posible sesgo de selección cuando se utiliza un panel, ya que los productores menos eficientes, aquellos con bajo ωt, tienen más probabilidades de salir de la muestra. (Como se analizará más adelante, la correlación positiva entre productividady supervivencia es uno de los hallazgos más sólidos en la literatura). Luego está la cuestión de la variación de precios a nivel de productor mencionada anteriormente. Ha surgido una literatura sustancial para abordar estos problemas; ver Griliches y Mairesse (1998), Ackerberg et al. (2007) y Johannes Van Biesebroeck (2008) para los resúmenes. Existe un debate sobre cuál de los muchos métodos disponibles es el mejor. Al final, como lo veo, elegir un método es una cuestión de preguntarse a qué asunciones uno se siente cómodo. Ciertamente, uno no puede escapar al hecho de que algunas suposiciones deben hacerse al estimar la función de producción. Afortunadamente, a pesar de estas muchas preocupaciones, es probable que muchos de los resultados descritos en este documento sean bastante sólidos para las peculiaridades de medición. Cuando los estudios han probado la robustez directamente, generalmente encuentran poca sensibilidad a las elecciones de medición. La variación inherente en los microdatos a nivel de empresa o establecimiento suele ser tan grande como para cubrir cualquier pequeña diferencia inducida por la medición en las métricas de productividad. En pocas palabras, los productores de alta productividad tenderán a verse eficientes independientemente de la forma específica en que se mida su productividad. Usualmente uso números de índice de TFP basados en costo compartido como primer paso en mi propio trabajo; 9 son fáciles de construir y ofrecen la solidez de ser una aproximación de primer orden no paramétrica a una función de producción general. Dicho esto, siempre es aconsejable comprobar los resultados de uno para la solidez a los detalles del enfoque de medición. 2.3 Un modelo de dispersión de productividad dentro de la industria Dadas las grandes diferencias en la productividad dentro de una industria que discutí anteriormente, una pregunta natural es preguntar cómo podrían mantenerse en equilibrio. La ubicuidad de esta dispersión sugiere que debe haber alguna fuerza económica real en funcionamiento, en lugar de ser simplemente un artefacto de medición o una posibilidad extraña. Aquí, esbozo un modelo simple que muestra cómo eso es posible. El modelo también será útil para facilitar la discusión a lo largo de esta encuesta. Los productores industriales, indexados por i, obtienen ganancias dadas por π i = R (Ai, Li, D) - wLi - f. R (·) es una función de ingresos generales. Ai es el nivel de productividad del productor, y Li es su aportación de mano de obra. (Supongo que el trabajo es la única contribución de la empresa en aras de la simplicidad). Los niveles de productividad difieren entre los productores. La forma específica de R (·) depende de la estructura del mercado de salida y la función de producción. Los ingresos también pueden depender de un estado industrial D. Esto puede ser un vector o un escalar y, dependiendo de la estructura de la competencia del mercado de salida, puede incluir shocks de demanda en toda la industria, el número de productores de la industria, sus niveles de productividad y / o momentos de la distribución de la productividad Tanto la tasa salarial w como el costo fijo f son comunes en todos los casos, y se toman como dados para todos los productores. Supongo que R (·) es dos veces diferenciable con ∂ R / ∂ L> 0, ∂ 2R / ∂L2 <0, ∂ R / ∂ A> 0, y ∂ 2R / ∂A∂ L> 0. Si la industria está perfectamente competitivas, estas condiciones se satisfacen dada una función de producción que es similarmente diferenciable, cóncava en L, y donde la productividad y el trabajo son complementos. Además, bajo competencia perfecta, toda la información contenida en D se refleja en el precio de mercado P que iguala la oferta y la demanda total, que los productores, por supuesto, toman como dado. En mercados imperfectamente competitivos, las suposiciones sobre R (·) imponen restricciones a la forma de interacción competitiva (ya sea monopolísticamente competitiva u oligopólica) y, a través de esto, las formas de las curvas de demanda residual. El contenido de D también dependerá de los detalles de la estructura competitiva. Por ejemplo, en un oligopolio de Cournot de costo heterogéneo, D contendrá los parámetros de la curva de demanda de la industria y los niveles de productividad de los productores de la industria, ya que estos son suficientes para determinar los productos de equilibrio de Nash y por lo tanto los ingresos de cada productor i. A pesar de estas restricciones, esta configuración es razonablemente general. 10 Las suposiciones sobre la forma de R (·) implican que, dado el estado industrial D, cada productor tiene un nivel de empleo óptimo único L * i que está aumentando en su nivel de productividad. Intuitivamente, el nivel óptimo de empleo del productor (al cual me refiero de aquí en adelante como su tamaño), que iguala los ingresos marginales y los costos marginales, se ve limitado por los crecientes costos marginales en mercados perfectamente competitivos y una curva de demanda residual con pendiente negativa (y posiblemente también aumentando los costos marginales) en mercados imperfectamente competitivos. Denote las ganancias del productor en su tamaño óptimo por π (Ai, L*i, D) = R (Ai, L*i, D) - wL * i - f. Mediante el teorema de la envolvente y las condiciones de la función de ingresos, las ganancias aumentan en el nivel de productividad Ai del productor. Esto implica que habrá un nivel crítico de productividad A tal que para Ai < A, los beneficios serán negativos. A dependerá en general de w, f, y del estado industrial D. Dado que D puede depender de la distribución de los niveles de productividad en la industria, necesitaremos una condición adicional para determinar el equilibrio de la industria. Esto proviene de una estructura de entrada de la siguiente manera. Un gran grupo de candidatos potenciales idénticos ex ante decide si ingresar a la industria. Primero eligen pagar un costo de entrada hundido para recibir un sorteo de productividad de una distribución con función de densidad de probabilidad g (A) sobre el intervalo [Al, Au] .4 Si un posible participante elige recibir un sorteo, determina después de observar si comenzar la producción en su tamaño óptimo y obtener los beneficios operativos correspondientes π (Ai, L * i, D). Solo los participantes potenciales con una productividad lo suficientemente alta como para generar ganancias operativas no negativas optarán por producir en equilibrio. Por lo tanto, el valor esperado de pagar s es el valor esperado de π (A, L *, D) sobre g (A), condicional al dibujo Ai ≥ A. Este valor esperado se ve obviamente afectado por el nivel de costo de corte A. condición de entrada clava este valor: A debe establecer el valor esperado neto de entrada en la industria V e igual a cero. La distribución de la productividad de equilibrio será un truncamiento de la distribución de productividad subyacente g (A). Específicamente, la distribución de equilibrio (denotada γ (A)) es: 11 Hay dos características notables de esta distribución. Primero, no es trivialmente degenerado; el modelo admite la heterogeneidad de la productividad en condiciones generales. Esto se debe a que los productores de alta productividad tienen una capacidad limitada para vender al mercado completo de la industria. Este tamaño finito del productor óptimo es una consecuencia de la concavidad de la función de ingresos. En mercados perfectamente competitivos, esta concavidad proviene del aumento de los costos marginales. En industrias con mercados de producción imperfectamente competitivos, la concavidad surge de las curvas de demanda con pendiente descendente (debido a la diferenciación del producto de cualquier fuente) y, posiblemente, del aumento de los costos marginales también. En cualquier caso, uno puede interpretar la productividad A como un factor de producción que difiere en cantidad o calidad entre los productores.Un nivel más alto de A relaja la restricción de tamaño pero no la elimina. En segundo lugar, el nivel de productividad promedio en la industria variará a medida que cambien los parámetros exógenos. Los aumentos en el nivel promedio de productividad en las plantas (provenientes de cambios en los parámetros que aumentan A) se traducirán, por lo tanto, en una mayor productividad agregada de la industria, la relación entre la producción total de la industria y los insumos totales de la industria.6 Por lo tanto, lo que sucede a nivel micro alimenta agregados . Esta característica refleja un impulso importante detrás de la agenda de investigación para comprender la microproductividad: nos enseña más sobre los movimientos agregados de productividad. Por supuesto, este modelo es muy simple y deja de lado muchas características observadas en el trabajo empírico sobre la productividad. Discutiré rápidamente dos de esas características. Como modelo de entrada y producción de dos etapas, el modelo se abstrae de la dinámica. Por lo tanto, puede interpretarse como una caracterización de los equilibrios de la industria a largo plazo. Dicho esto, las versiones del tipo de este modelo con dinámicas más complejas han sido elaboradas por, entre otros, Hopenhayn (1992) y Asplund y Nocke (2006). Además, incluso esta estructura simple insinúa cómo podría funcionar la dinámica de la reasignación, un enfoque de parte de la literatura que se analiza a continuación. Supongamos que la industria está inicialmente en equilibrio y luego cada productor recibe un impacto de productividad persistente e independiente. Aquellos que reciban choques favorables verán un aumento en su tamaño óptimo, mientras que aquellos afectados por choques negativos querrán encogerse. De hecho, algunos pueden sufrir golpes tan adversos que ya no serán rentables. Y si imaginamos todavía hay entrantes potenciales que podrían pagar el costo hundido a tomar un empate productividad, el medio ambiente después de las perturbaciones de la productividad puede ser lo suficientemente favorables para inducir a algunos de ellos a querer hacerlo. Cualquier ajuste a un nuevo equilibrio de postshock requerirá, por lo tanto, la reasignación de entradas desde sus ubicaciones iniciales. Los productores que se impacten favorablemente crecerán, los productores con una situación de shock desfavorable se reducirán o saldrán, y los nuevos productores 12 podrán ingresar a la industria a un nivel de productividad superior al de los exportadores. Estos patrones de reasignación son características sólidas de los datos. Una mayor limitación del modelo es que la productividad de un productor es exógena. La distribución de la productividad de equilibrio se endogeneiza solo mediante un efecto de selección: la determinación de quién produce en equilibrio a través de A. Si analizo a continuación que la selección es un mecanismo empíricamente importante, es muy claro que los productores a menudo toman medidas para tratar de elevar su nivel de productividad. . En este caso, el equilibrio esbozado anteriormente no se aplicará directamente, aunque sí lo harán muchos de sus elementos básicos. A pesar de la simplicidad y el alcance limitado del modelo, puede formar una base conceptual útil sobre la cual construir la discusión a continuación. 3. Productividad y la planta o empresa En esta sección se analizan los factores que afectan directamente la productividad a nivel micro operando dentro de la planta o empresa. Son "palancas" que la administración u otras personas pueden utilizar para afectar la productividad de su negocio. Son similares a las fuerzas que permitirían a las empresas en el modelo de la sección anterior aumentar su Ai, aunque probablemente a un costo. La Sección 4 a continuación se centrará en las influencias externas a la empresa: elementos de la industria o del entorno del mercado que pueden inducir cambios en la productividad o respaldar la dispersión de la productividad. He separado la discusión de los impactos directos de productividad por categoría por el bien de la exposición. Sin embargo, es bueno tener en cuenta que algunas fuerzas pueden superponerse a estas categorías y múltiples mecanismos pueden actuar en conjunto. Señalaré muchos de estos enlaces entre categorías a medida que avanza la discusión. 3.1 Práctica / talento gerencial Los investigadores han propuesto por mucho tiempo que los gerentes impulsen las diferencias de productividad.7 Ya sea que se trate de los talentos de los propios gerentes o de la calidad de sus prácticas, este es un argumento atractivo. Los gerentes son conductores de una orquesta de entrada. Coordinan la aplicación de trabajo, capital e insumos intermedios. Del mismo modo que un conductor pobre puede conducir a una cacofonía en lugar de una sinfonía, uno podría esperar que la mala gestión conduzca a operaciones de producción discordantes. Aún así, tal vez ningún impulsor potencial de las diferencias de productividad haya visto una relación más alta de especulación con el estudio empírico real. Las limitaciones de datos han sido el obstáculo. 13 La proliferación de microdatos de producción ha permitido un gran aumento en los detalles, pero tales datos raramente contienen información detallada sobre ningún aspecto de los aportes gerenciales. A veces puede haber una distinción entre empleados de oficina y empleados de producción y no producción, pero eso es lo que suele suceder. La identidad, y mucho menos las características, prácticas o asignación de tiempo de los gerentes individuales rara vez se conoce. Además, los aportes gerenciales pueden ser muy abstractos. No es solo la asignación de tiempo lo que importa, sino lo que el gerente hace con su tiempo, por ejemplo, cómo incentivan a los trabajadores o tratan con los proveedores. Un conjunto reciente de documentos ha realizado considerables esfuerzos para cerrar esta brecha de medición. Algunos se han centrado en casos de estudio de una sola industria o incluso de una sola empresa por necesidad, dado el detalle requerido en los datos. Sin embargo, se están llevando a cabo esfuerzos más amplios que cubren una sección transversal más amplia de la actividad económica. Bloom y Van Reenen (2007) ofrecen uno de los estudios más completos que relacionan las prácticas de gestión (aunque no gerentes en sí) con la productividad. Ellos y su equipo encuestó a gerentes de más de 700 empresas medianas en los Estados Unidos, el Reino Unido, Francia y Alemania. Encuestó a los gerentes de planta, por lo que las prácticas medidas giran en torno a las operaciones diarias y de primer plano en lugar de las opciones estratégicas más amplias realizadas a nivel ejecutivo. Las encuestas fueron realizadas por teléfono por un interrogador que compartía el idioma nativo del encuestado. La información fue probada sobre dieciocho prácticas de gestión específicas en cuatro áreas amplias: operaciones, monitoreo, objetivos e incentivos. Los entrevistadores calificaron a la empresa en sus prácticas en función de estas respuestas. Dado el elemento intrínsecamente subjetivo de este proceso de medición, Bloom y Van Reenen tomaron varias medidas para mejorar la precisión y la coherencia. A los gerentes no les dijeron que estaban siendo calificados. Se abrieron preguntas sobre prácticas (p. Ej., "¿Puede decirme cómo promociona a sus empleados?" En lugar de "¿Promociona a sus empleados en función de la tenencia?"). El desempeño financiero no fue discutido Las empresas eran lo suficientemente pequeñas para que los entrevistadores ya no estuvieran al tanto del desempeño de las empresas que encuestaron. Cada entrevistador realizó docenas de entrevistas, lo que permitió a Bloom y Van Reenen controlar los efectos fijos del entrevistador al relacionar los puntajes de gestión con los resultados. Además, más de sesenta empresas fueron encuestadas dos veces, por diferentes entrevistadores; la correlaciónentre los puntajes de las prácticas de gestión separadas para las mismas empresas fue de 0,73. Gran parte de lo que se calificó como gestión de "mejores prácticas" en las entrevistas se basó en las recomendaciones de la industria de consultoría de gestión. Esto genera dudas sobre si estas prácticas están realmente relacionadas con el rendimiento, o simplemente con la moda de gestión del momento. Es importante destacar que Bloom y Van Reenen documentan que las prácticas de gestión de mayor 14 calidad (y puntajes más altos) se correlacionan con varias medidas de productividad y rendimiento de la empresa, incluida productividad laboral, PTF, rendimiento del capital, Q de Tobin, crecimiento de las ventas y la probabilidad de supervivencia.8 La correlación entre el puntaje de la práctica de gestión de una empresa y su productividad total de factores es estadísticamente fuerte y económicamente no trivial. Abarcando el rango intercuartil de la distribución del puntaje de manejo, por ejemplo, corresponde a un cambio de productividad de entre 3.2 y 7.5 por ciento. Esto es entre 10 y 23 por ciento del rango intercuartil del 32 por ciento de TFP en su muestra. Bloom y Van Reenen muestran que dos factores son predictores importantes de la calidad de la práctica administrativa en una empresa. Una competencia más intensa en el mercado de la empresa, medida de varias maneras, se correlaciona positivamente con la gestión de mejores prácticas. Además, los puntajes de práctica de gestión son menores cuando la empresa es propiedad de una familia y la primogenitura determinó la sucesión actual del CEO, es decir, es el hijo mayor del fundador de la empresa. (En la sección 4 analizaré más ampliamente el vínculo competencia-productividad. Curiosamente, el vínculo de la primogenitura con la productividad no se trata de propiedad familiar per se; de hecho, la propiedad familiar aisladamente se correlaciona positivamente con la buena gestión). Estos dos factores son responsables de explicando la mayor parte de la diferencia entre las puntuaciones de gestión promedio a nivel de país en la muestra. La variación en estos promedios es en gran parte el resultado de que el Reino Unido y Francia tienen una cola izquierda de empresas mal administradas. Ambos países tradicionalmente han favorecido la primogenitura por tradición y exenciones de empresas familiares en sus leyes de impuestos sobre sucesiones. Desenredar si estas correlaciones son causales es más desafiante. Quizás las consultorías de gestión basan sus recomendaciones en las prácticas observadas en las empresas exitosas, pero algunos factores excluidos impulsan la práctica y el rendimiento de la gestión. Bloom y Van Reenen, conscientes de este problema, calcularon una especificación en una versión anterior del artículo de trabajo que utilizaba las medidas de competencia y primogenitura para instrumentar los puntajes de gestión. La noción es que los entornos competitivos y legales son ortogonales a otros factores que impulsan las prácticas de gestión, al menos en el corto plazo. El efecto estimado de las prácticas de gestión en la PTF sigue siendo estadísticamente significativo y, de hecho, es mayor que el caso de mínimos cuadrados ordinarios. Esto puede sugerir que los terceros factores no observados tienen un papel modesto, si es que los hay, y que los puntajes de la práctica de gestión de Bloom y Van Reenen reflejan (aunque ruidosamente) una verdadera perspicacia gerencial. Desde entonces Bloom y Van Reenen han ampliado su programa de encuestas de prácticas administrativas para obtener una mayor cobertura de las prácticas comerciales en todas las economías. Bloom y Van Reenen (2010) y Bloom et al. (2010) revisaron los resultados de una extensión de este programa de encuestas a casi 6.000 empresas en diecisiete países, incluidos China, la India y Brasil, de rápido crecimiento. Los resultados más amplios se hacen eco de los anteriores. Un patrón 15 particularmente interesante que surge del análisis inicial es que los puntajes de práctica de gestión promedio mucho más bajos en China, India y Brasil son impulsados no tanto por una menor productividad en general (aunque esto está presente hasta cierto punto), sino en particular por una gran cola izquierda de empresas muy mal administradas. Esto tiene implicaciones obvias sobre cómo el crecimiento del comercio y su variedad de presiones competitivas podrían afectar la evolución de la productividad en estos y otros países. (Más información sobre los niveles de TFP de las empresas chinas e indias a continuación). Bloom y Van Reenen están ampliando aún más el programa de encuestas para incorporar un elemento de panel. Esto será extremadamente útil, ya que le permitirá a uno controlar la heterogeneidad fija no observable en todas las empresas, así como también ver cómo las prácticas de gestión de las empresas cambian cuando lo hace su entorno externo. Otro trabajo en este sentido incluye a James B. Bushnell y Catherine Wolfram (2009), quienes encuentran que los operadores de plantas de energía tienen impactos no triviales en la eficiencia térmica de las plantas de energía. Lo mejor puede aumentar la eficiencia de combustible de su planta en más del tres por ciento, ahorrando millones de dólares en costos de combustible por año. Lamentablemente, los datos son menos claros sobre qué acciones o atributos particulares predicen una buena gestión de la planta. Estas líneas de investigación estudian las acciones y políticas gerenciales en niveles inferiores a la suite ejecutiva. Otro trabajo se ha centrado en cómo los que están en los vértices de las jerarquías corporativas influyen en el rendimiento. Marianne Bertrand y Schoar (2003) estudian a altos ejecutivos (por ejemplo, directores generales, directores financieros, presidentes, etc.) que administran al menos dos empresas durante tres años cada una durante su período de muestreo de 1969-99. Los siguientes gerentes en varias empresas les permite probar si los ejecutivos individuales pueden explicar la variación en las medidas de rendimiento de las empresas. Si bien no miden la productividad específicamente, sí encuentran que los efectos fijos del administrador individual (particularmente para los CEO) tienen un poder explicativo significativo sobre el rendimiento de las empresas sobre los activos. Agregar estos efectos fijos a una regresión de los rendimientos de los efectos fijos de la empresa y del año aumenta el R2 ajustado de 0,72 a 0,77. Estos resultados reflejan diferencias de rendimiento que pueden explicarse por la identidad de los gerentes. Esto aún deja abierta la pregunta de qué hacen o saben los gerentes que afectan el desempeño. Bertrand y Schoar no tienen el tipo de datos detallados sobre la práctica de gestión de Bloom y Van Reenen, pero hacen una regresión de los efectos fijos calculados por el administrador en dos variables que observan para los ejecutivos en sus datos: edad y nivel de MBA. Encuentran que, si bien la edad no es un factor importante, los gerentes con MBA tienen un rendimiento significativamente mayor en los activos (en aproximadamente un 1 por ciento, en comparación con una media del 16 por ciento). Esto podría deberse a su comportamiento más agresivo, que se refleja en la inversión, el apalancamiento y las opciones de pago de dividendos (o la falta de ellas). Trabajos más 16 recientes (por ejemplo, Steven N. Kaplan, Mark M. Klebanov y Morten Sorensen 2008 y Ulrike Malmendier y Geoffrey Tate 2009) han comenzado a ahondar más en cómo las prácticas y filosofías particulares de los CEO están ligadas al desempeño de la empresa. Otro trabajo dentro de la firma ha sugerido que los componentes de recursos humanos de la administración, en particular, pueden afectar la productividad. Esta investigación, véase, por ejemplo, Ichniowski, Shaw y Giovanna Prennushi (1997), Lazear (2000), Barton H. Hamilton, Jack A. Nickersony Hideo Owan (2003), los documentos citados en Ichniowski y Shaw (2003), Bruce Shearer (2004) y Bandiera, Barankay y Rasul (2007 y 2009) utilizan datos altamente detallados y específicos de la línea de producción para vincular prácticas de gestión de recursos humanos no estándares como esquemas de pago por rendimiento, equipos de trabajo, capacitación cruzada y una comunicación rutinaria entre el trabajo y la gestión para el crecimiento de la productividad. Estos documentos han elucidado algunos detalles interesantes sobre los efectos de estas prácticas en la productividad. Por ejemplo, estas prácticas pueden ser complementos: si bien pueden tener un impacto modesto en la productividad cuando se implementan de forma aislada, su impacto total es mayor que la suma de sus partes cuando se usan en conjunto. Además, es probable que estas prácticas tengan efectos heterogéneos en las líneas de producción, incluso en la misma planta, si las diferentes líneas producen variantes de productos de diversa complejidad. Brent Boning, Ichniowski y Shaw (2007), por ejemplo, encuentran una interacción entre la complejidad del proceso de producción y la capacidad de gestión innovadora de los recursos humanos en el aumento de la productividad. Alexandre Mas (2008) muestra en un estudio de caso vívido cómo las malas relaciones entre la administración y el trabajo pueden tener efectos en la productividad. Analiza los valores de reventa de los equipos fabricados en las plantas y los tiempos en que Caterpillar estaba experimentando conflictos laborales durante la década de los 90. En comparación con productos por lo demás idénticos fabricados en plantas o en tiempos sin disturbios, estos productos tenían un 5% menos de valores de reventa. Este impacto sustancial en la productividad debido a la reducción implícita en los flujos de servicio ajustados por calidad del equipo fue de $ 400 millones. Con estos y otros estudios, la evidencia de que la gestión y la productividad están relacionadas está empezando a acumularse. Además, algunos de estos trabajos sugieren fuertemente que esta relación es causal. Aún así, establecer la causalidad definitivamente sigue siendo un tema clave para la investigación. Bloom, Benn Eifert, Aprajit Mahajan, David McKenzie y John Roberts (2011) intentan establecerlo al usar lo que muchos consideran el estándar de oro para establecer la causalidad: un experimento de campo aleatorizado. Proporcionan consultoría de gestión a un conjunto aleatorio de empresas indias y compararán el crecimiento de la productividad en este grupo de tratamiento con el observado en un grupo de empresas de control que no reciben la intervención. Este estudio podría recorrer un largo camino hacia el establecimiento de si existe o no un vínculo causal. Cualquier enlace de ese tipo generaría preguntas adicionales. En primer lugar, incluso si las intervenciones elevaron la 17 productividad, ¿fueron rentables? Es decir, ¿se pagarían ellos mismos en un entorno de mercado? En segundo lugar, dado lo que sabemos sobre las empresas indias en general, particularmente para la cola izquierda de la distribución de la productividad, si la consultoría de gestión fuera a ser efectiva en cualquier parte, sería en la India. Por lo tanto, ¿debería pensarse que el experimento mide el límite superior del efecto causal de las prácticas de manejo? 3.2 Insumos generales de mano de obra y capital de mayor calidad La administración es una entrada no medida en la mayoría de las funciones de producción y, por lo tanto, está incorporada en la medida de la productividad. De manera similar, los efectos productivos de los insumos como mano de obra (no administrativa) y capital también pueden ingresar a la productividad si existen diferencias en la calidad de los insumos que las medidas de entrada estándar no capturan.9 Existe, por supuesto, una enorme literatura sobre capital humano, demasiado grande para abarcar aquí, que ha vinculado varios factores a la calidad del trabajo, incluida la educación, la formación, la experiencia general y la permanencia en una empresa. Gran parte de este trabajo en economía laboral se ha centrado en los salarios como resultado de interés. Un conjunto de trabajo más pequeño ha analizado el impacto del capital humano en la productividad. Un trabajo más reciente que utiliza conjuntos de datos de empleados combinados, que permiten rastrear a los trabajadores individuales a través de plantas o empresas a lo largo del tiempo, ha ofrecido evidencia sobre la importancia de la calidad del trabajo. Abowd et al. (2005) ofrecen una amplia encuesta de las primeras pruebas de estos tipos de conjuntos de datos, que tienden a ser de nueva construcción y, por lo tanto, aún tienen historias cortas de panel. Su aplicabilidad para estudiar la productividad, aunque limitada ahora, aumentará enormemente con el tiempo. Aún así, se ha logrado algún progreso con tales datos. Pekka Ilmakunnas, Mika Maliranta y Jari Vainiomäki (2004), por ejemplo, usan datos finlandeses de plantas de trabajadores coincidentes para mostrar que (no sorprendentemente) la productividad está aumentando en la educación de los trabajadores, así como en la edad. A pesar del gran potencial que tal información pueda contener, los resultados de Fox y Smeets (2011) sugieren que los datos emparejados entre el empleador y el empleado no responderán a todas las preguntas candentes de la literatura. Usan registros combinados de empleadores y empleados de la economía danesa para controlar la educación de los trabajadores, el género, la experiencia y la tenencia de la industria en la estimación de la función de producción. Si bien estas medidas de calidad de la mano de obra tienen coeficientes significativos en la función de producción, la explicación de su influencia solo disminuye la relación de productividad percentil dentro de la industria 90-10 de 3.74 a 3.36. Hay una gran cantidad de variación de productividad que queda por explicar. En un hallazgo algo alentador 18 para los investigadores que usan conjuntos de datos más limitados, encuentran que incluir solo la nómina salarial como una medida de los insumos laborales -datos que casi siempre están disponibles- casi incluye la gama completa de sus medidas de capital humano, aunque advierten que los salarios están sujetos a problemas de endogeneidad, como se discutió anteriormente. Este hallazgo de solo un modesto rol para las mejores habilidades laborales para explicar las diferencias de productividad se repite en la investigación de Fernando Galindo-Rueda y Jonathan E. Haskel (2005) con datos similares en el Reino Unido. (Incidentalmente, usar la disminución de la dispersión de la productividad como una medida de la importancia de un nuevo factor medido para explicar la productividad -o una medida tipo R2 como lo usan Bertrand y Schoar- es una buena idea. Los estudios que buscan explicar la dispersión de la productividad deberían esforzarse por informe ejercicios similares). El capital también puede variar en calidad de formas no capturadas con medidas estándar. Si las añadas de capital difieren entre sí en cuanto al progreso tecnológico que incorporan, las medidas de stock de capital comunes basadas en el valor del libro tenderán a pasar por alto las variaciones en las cosechas promedio de capital entre los productores. Varios estudios han tratado de medir la tasa de progreso tecnológico incorporado al capital mediante la construcción cuidadosa de medidas de la distribución de añadas de capital dentro de las plantas o empresas. Plutarchos Sakellaris y Daniel J. Wilson (2004) hacen exactamente esto utilizando el historial de inversión anual de las plantas en la Encuesta Anual de Manufacturas de EE. UU. Y las medidas de depreciación específicas del año industrial. Estiman una función de producción que es estándar en todos los aspectos, excepto que, en lugar de medir los insumos de capital con accionescon un solo valor en dólares, utilizan una suma ponderada de las inversiones anteriores de la planta. Las ponderaciones combinan la depreciación acumulada de la inversión de una cosecha en particular y un multiplicador de progreso tecnológico que estiman. Suponen que las unidades de eficiencia de capital crecen a una tasa constante por año, que se estima entre 8 y 17 por ciento por año, dependiendo de la especificación. Estas cifras son sorprendentes en cuanto a las implicaciones sobre cuánto crecimiento de la productividad puede derivarse solo de la inversión. (Tenga en cuenta que, a diferencia de los efectos de profundización del capital estándar de la inversión que solo sirven para cambiar la productividad laboral, el progreso tecnológico incorporado al capital también aumenta la PTF). Otros estudios que utilizan metodologías diferentes (por ejemplo, Jason G. Cummins y Giovanni L. Violante 2002) encontró valores algo más pequeños, del orden del cinco por ciento por año. Esta parece ser un área desesperada por más pruebas, dada su posible importancia. Van Biesebroeck (2003) mide el impacto de la productividad de las plantas de ensamblaje automotriz cambiando a tecnologías "lean", que en ese contexto involucran capital nuevo más una serie de prácticas complementarias (trabajo en equipo, pedidos justin time, etc.). Esto también está claramente relacionado con la discusión de la práctica gerencial anterior. Él descubre que tanto la entrada de nuevas plantas magras como la transformación de las plantas vintage más antiguas son responsables de la aceleración de la industria en el crecimiento de la productividad del trabajo a fines de los años ochenta y principios de los noventa. Curiosamente, sus estimaciones de los parámetros de cada 19 tecnología sugieren que la productividad que aumenta el capital es el principal impulsor del crecimiento de la productividad del trabajo en procesos lean, mientras que la productividad del TFP neutral de Hicks impulsa el crecimiento en las plantas de tecnología tradicionales. Por supuesto, no solo el capital físico puede tener diferencias de calidad inobservables. Ciertos tipos de capital pueden ser invisibles, es decir, capital intangible. Dicho capital puede incluir cualquiera de una serie de conceptos, como la reputación de una empresa, su know-how o su base de clientes leales, por nombrar solo algunos. A pesar de la dificultad de cuantificar estos tipos de capital, pueden tener efectos de salida muy reales que, como tales, darán como resultado diferencias de productividad medidas. Discutiré algunos casos específicos de capital intangible en operación a continuación, pero toda la amplitud y profundidad del rol de los intangibles en la explicación de las diferencias de productividad todavía son preguntas muy abiertas. 3.3 Tecnología de la información e I + D Si bien la investigación descrita anteriormente indica que la heterogeneidad de entrada importa, los efectos de productividad de un tipo particular de tecnología de información de capital (TI) han sido objeto de un intenso estudio. Esto es correcto; muchos han planteado la hipótesis de que la TI estuvo detrás del resurgimiento del crecimiento de la productividad agregada de EE. UU. a mediados de la década de 1990 después de veinte años de bajo rendimiento, y que la TI ha influido de forma más general en los patrones de productividad en múltiples industrias y países. Dado el gran tamaño de la variación del PIB per cápita que puede ser impulsado incluso por un modesto cambio en el crecimiento tendencial de la productividad durante un período sostenido, no sorprende que las fuentes de tales cambios reciban una considerable atención de investigación. Debido a esta atención, discuto el trabajo realizado en este tipo de capital en particular por separado aquí. En Dale W. Jorgenson, Mun S. Ho y Kevin J. Stiroh (2005, 2008) y Stephen D. Oliner, Daniel E. Sichel se puede encontrar una descripción general de los amplios impactos de productividad del capital de TI, particularmente en la conducción del resurgimiento del crecimiento. y Stiroh (2007). Estos estudios documentan que las ganancias de productividad relacionadas con TI -tanto el crecimiento espectacular de la productividad en las industrias productoras de TI como los cambios más modestos en las industrias que usan TI- juegan un papel importante al explicar el crecimiento agregado de la productividad en EE. UU. En las últimas décadas. Al mismo tiempo, Bart van Ark, Mary O'Mahony y Marcel P. Timmer (2008) muestran que el crecimiento comparablemente lento de la productividad de la Unión Europea durante el mismo período puede explicarse en gran parte por la aparición posterior y un tamaño más pequeño de TI inversión en las economías europeas. Bloom, Sadun y Van Reenen (en prensa) sugieren que no es la geografía per se lo que importa, sino la ubicación de la empresa propietaria. Muestran que las multinacionales basadas en 20 Estados Unidos que operan en la Unión Europea son más productivas que sus contrapartes de la UE, y esta ventaja de productividad se deriva principalmente del capital de TI. Vinculan sus datos de prácticas de gestión discutidos anteriormente con los datos sobre el uso de TI para probar mecanismos particulares a través de los cuales se obtiene esta ventaja de productividad. Su evidencia apunta a una complementariedad entre el capital de TI y las prácticas de recursos humanos, explicando la ventaja de productividad de las multinacionales estadounidenses en la Unión Europea. Estos patrones generales plantean la cuestión de qué mecanismos micro específicos subyacen realmente a la relación agregada entre las TI y el crecimiento de la productividad. Varios estudios han explorado este problema con datos detallados de producción. Thomas N. Hubbard (2003) muestra cómo las computadoras a bordo elevan las tasas de utilización promedio de los camiones en los que están instaladas. Las computadoras proporcionan a los despachadores información en tiempo real sobre las ubicaciones y el estado de carga de los camiones, lo que les permite adaptarse mejor a la capacidad de acarreo disponible. a innovaciones en demanda.10 Ann Bartel, Ichniowski y Shaw (2007) muestran cómo los mejores centros de mecanizado controlados numéricamente (CNC) -dispositivos automatizados que dan forma a las piezas del stock de materia prima- aumentan la productividad en la industria de fabricación de válvulas al acortar los tiempos de preparación, aumentar las velocidades de producción, e incluso permite inspecciones más rápidas. El elemento atractivo del enfoque empírico del estudio es que tanto los productos como el proceso de producción, a excepción de las piezas particulares de capital de TI cuya contribución es de interés, permanecen constantes a través de las observaciones. El documento también muestra que las herramientas de diseño de productos con uso intensivo de TI, como los paquetes de diseño asistido por computadora, facilitan el diseño de piezas personalizadas, y los menores tiempos de configuración hacen que las tiradas de producción múltiples sean menos costosas. Ofrecer una gama más amplia de piezas permite a las empresas adaptar mejor sus capacidades de producción a los deseos de sus clientes, aumentando el excedente de sus ventas. Tal ganancia en el excedente de la especialización del producto plantea un punto importante más amplio sobre la medición de la productividad. Una mejor personalización de TI puede elevar los precios promedio de los productos de las empresas. Las medidas de productividad en unidades físicas de producción (por ejemplo, número de válvulas por unidad de entrada) pueden, por lo tanto, no capturar completamente el excedente ganado. Este es un caso en el que el límite de la mayoría de los conjuntos de datos a nivel de productor a medidas de producción basadas en los ingresos no plantea un problema de medición porque este tipo deaumento de la productividad se reflejaría en ingresos pero no en cantidades físicas. (Dicho esto, la preocupación acerca de las variaciones de los precios debido al poder del mercado local o los shocks de demanda que crean una medición errónea de la productividad todavía se aplica a los entornos de productos diferenciados). 21 Erik Brynjolfsson et al. (2008), Bartelsman, Pieter A. Gautier y Joris de Wind (2010), y Giulia Faggio, Kjell G. Salvanes y Van Reenen (2010) dibujan cada uno, de maneras relacionadas pero distintas, líneas más amplias que conectan TI y productividad. Brynjolfsson et al. documentar estudios de casos en que las TI mejoren la velocidad con la que las empresas pueden replicar las prácticas que consideran productivas en una de sus líneas de negocios en toda la organización. Esta capacidad de aumentar la ventaja de productividad significa que las empresas innovadoras exitosas desplazan a los competidores menos productivos más rápidamente. Por lo tanto, aumenta la volatilidad del rendimiento de la empresa. Brynjolfsson et al. probar y encontrar esta mayor volatilidad en una muestra de firmas de Compustat en sesenta y una industrias. En el contexto del modelo en la sección 2, Brynjolfsson et al. esencialmente argumentan que TI reduce la concavidad de la función de ingresos de la empresa, lo que les permite aprovechar mejor (y en un mundo dinámico, hacerlo más rápidamente) cualquier ventaja de productividad inherente (aumentos en Ai) que desarrollan o tropezar. Bartelsman, Gautier y de Wind (2010) desarrollan aún más la noción de que la tecnología de la información no solo cambia la media de la distribución de los resultados de la innovación, sino también su varianza. Debido a que los resultados pobres son truncados por la opción de salir, de nuevo en el lenguaje del modelo anterior, las empresas que dibujan un nivel de productividad por debajo de A no necesitan producir a pérdida: una mayor varianza aumenta el valor de innovaciones arriesgadas. Sin embargo, Bartelsman, Gautier y de Wind señalan que los costos de salida (ausentes en el modelo de la sección 2) reprimirán la voluntad de las empresas de innovar porque dificultan descartar los resultados no exitosos. Argumentan que la legislación de protección laboral, como los costos de despido, encarece la salida y, por lo tanto, reduce la disposición de las empresas a adoptar TI. Demuestran que los sectores intensivos en TI son, de hecho, más pequeños en los países con mayores restricciones legales sobre la capacidad de las empresas para cerrar líneas de negocios fallidas. Citan la legislación de protección del empleo como uno de los principales contribuyentes a la brecha de TI documentada por van Ark, O'Mahony y Timmer (2008). (Más adelante analizaré el papel de la flexibilidad en los mercados de insumos en la sección 4 a continuación). Faggio, Salvanes y Van Reenen (2010) documentan que la dispersión de la productividad dentro de la industria en el Reino Unido ha tendido a una tendencia ascendente durante las últimas décadas. Relacionan esta mayor dispersión con el crecimiento en la dispersión salarial que se produjo en el mismo período en el Reino Unido y en casi todas las demás economías desarrolladas. Sería interesante ver si se produce una expansión similar de la productividad de acuerdo con el crecimiento de la dispersión salarial en estas otras economías. Más directamente aplicable al tema de esta sección, sin embargo, es que Faggio, Salvanes y Van Reenen muestran que las industrias que experimentaron el mayor crecimiento en la dispersión de la productividad también experimentaron los mayores incrementos en la intensidad de capital de TI. Esto es aún más evidencia que vincula TI a una mayor varianza de productividad. 22 Existe una larga literatura que vincula la I + D y la productividad, y las últimas incorporaciones se han centrado en explorar los vínculos a nivel micro. Al igual que con muchas historias de diferencias de productividad basadas en insumos, la dificultad está en separar la correlación de la causalidad. Existen muchas razones por las cuales las empresas más productivas podrían hacer más I + D, lo que sugiere que parte de la causalidad puede ir en la dirección opuesta. Ulrich Doraszelski y Jordi Jaumandreu (2009) modelan el crecimiento de la productividad de la empresa como consecuencia de los gastos en I + D con resultados inciertos. Al estimar su modelo utilizando un panel de empresas españolas, encuentran que la I + D parece explicar una cantidad sustancial de crecimiento de la productividad. Sin embargo, y retomando el tema de mayor varianza vinculada al capital de TI discutido anteriormente, también encuentran que la incertidumbre a nivel de empresa en el resultado de I + D es considerable, mucho más que con respecto al rendimiento de la inversión de capital físico. De hecho, sus estimaciones sugieren que participar en I + D aproximadamente duplica el grado de incertidumbre en la evolución del nivel de productividad de un productor. Bee Yan Aw, Mark J. Roberts y Daniel Yi Xu (2008) destacan la causalidad bidireccional entre la I + D y la productividad en su estudio de los exportadores taiwaneses de productos electrónicos. Encuentran que las empresas que eligen exportar tienden a ser más productivas que sus contrapartes nacionales (más sobre esto en la sección de comercio más abajo), pero la decisión de exportar suele ir acompañada de grandes inversiones en I + D. Estas inversiones elevan aún más los niveles de productividad de los exportadores, destacando tanto la selección como los efectos causales que vinculan la productividad con la I + D. El momento de este bombardeo de I + D es consistente con un mundo en el que los exportadores están más dispuestos a innovar en el margen porque pueden diseminar las ganancias potenciales del crecimiento de la productividad en un mercado más grande. 3.4 Aprender haciendo El solo hecho de operar puede aumentar la productividad. La experiencia permite a los productores identificar oportunidades para mejorar los procesos. Este crecimiento de la productividad, a menudo llamado aprendizaje práctico, tiene una larga y rica historia de estudio en la literatura, pero recientemente se ha investigado con más detalle dados los datos de producción de micro niveles recientemente disponibles. C. Lanier Benkard (2000) estudia la caída precipitada en las horas de trabajo que Lockheed necesitaba para ensamblar su avión de fuselaje ancho L-1011 TriStar. Las primeras unidades fuera de la línea requirieron más de un millón de horas por persona (lo que equivale a tres turnos al día de 2.500 trabajadores cada uno durante cincuenta días laborales). Esto se redujo a la mitad en el trigésimo plano, y se redujo a la mitad nuevamente en el centésimo. Benkard estima tanto la tasa de aprendizaje -cuán rápido la producción pasada aumenta la productividad (disminuye los requisitos de mano de obra 23 unitaria) - y la tasa de "olvido", que es la velocidad con la que se deprecia el stock de conocimiento generado por el aprendizaje. Olvidar es cuantitativamente importante en este contexto: Benkard estima que casi el 40 por ciento de las existencias de conocimiento se deprecia cada año. Esto puede no ser un olvido literal, sino que podría reflejar principalmente la rotación laboral. Un factor adicional en "olvidar" fue el cambio a una nueva variante del avión después de aproximadamente 130 unidades. Esta nueva variante era lo suficientemente diferente como para que la capacidad de sustitución imperfecta de las existencias de conocimiento entre las variantes originales y nuevas condujera a un aumento temporal pero sustancial de los requisitos laborales. Rebecca Achee Thornton y Peter Thompson (2001) investigan qué tipos de experiencia importan en el crecimiento de la productividad a partir del aprendizaje práctico. Sus datos incluyen requisitos laborales unitarios paravarias variantes de diseño de 4.000 naves Liberty producidas por múltiples astilleros durante la Segunda Guerra Mundial. La naturaleza multidireccional / multisensorial de los datos les permite estimar las contribuciones de productividad relativa de cuatro medidas diferentes de experiencia de producción pasada: la experiencia de producción pasada del astillero con un diseño particular, la producción pasada del mismo patio de otros diseños, la experiencia de otros astilleros con el particular diseño y producción de otros patios de otros diseños. No es sorprendente que la producción pasada de un patio de un modelo en particular sea lo más importante para el crecimiento de la productividad en ese mismo modelo. Después de eso viene la experiencia del astillero con otros diseños de barcos, a un 60 por ciento del tamaño del efecto de diseño propio. Los efectos indirectos en el patio son considerablemente más pequeños, solo entre el cinco y el diez por ciento del impacto del aprendizaje propio en el propio patio. Estos efectos de aprendizaje entre plantas, si bien son relativamente modestos aquí, muestran que los productores pueden volverse más productivos aprendiendo de otras empresas. Discutiré los efectos de contagio entre empresas más abajo. Steven D. Levitt, John A. List y Syverson (2011) encuentran derrames de aprendizaje de crossmodel más limitados dentro de una planta de ensamblaje de automóviles. Utilizando datos detallados sobre cientos de operaciones individuales durante el montaje de miles de automóviles, estudiaron las causas y los efectos de los defectos de fabricación. Esta planta en particular comenzó la producción de tres variantes de modelo (placas de identificación) de una plataforma común en tiempos escalonados durante un año de producción. Cada vez que un nuevo modelo aumentaba, la planta comenzaba una nueva curva de aprendizaje. Se observó un contraste interesante al observar lo que sucedió con las tasas de defectos cuando un nuevo turno comenzó a producir un modelo dado. En ese caso, volver a aprender no era necesario. El nuevo turno comenzó a funcionar con tasas de defectos aproximadamente al mismo nivel que el cambio anterior después de que ya se había agotado la mayor parte de la curva de aprendizaje. Ryan Kellogg (2009) analiza la perforación de petróleo y gas en Texas para estudiar cómo se produce el aprendizaje cuando un productor de aguas arriba y aguas abajo trabaja en conjunto a lo largo del 24 tiempo. Sigue los esfuerzos de pares de productores y perforadores. Los primeros son compañías activamente involucradas en la exploración, extracción y venta de petróleo, mientras que las últimas firmas se especializan en taladrar los pozos que los productores esperan que produzcan petróleo. Dado que los productores generalmente trabajan con múltiples perforadores y viceversa, y trabajan en diferentes campos, Kellogg puede medir por separado los impactos de productividad de la experiencia de los productores por sí solos (es decir, independientemente de las empresas de perforación con las que trabajan), solo perforadores y la experiencia conjunta de pares productor-perforador. Él encuentra que la experiencia acumulada entre un par productor-perforador aumenta la productividad por encima y más allá de los niveles de experiencia general de cada empresa. Esta experiencia específica de relación es un tipo de capital que se pierde si las empresas se separan, lo que les da incentivos para preservar su entorno de contratación. 3.5 Innovación de producto Las innovaciones en la calidad del producto no necesariamente aumentan la cantidad de producción (medida en una unidad física) por unidad de entrada, pero pueden aumentar el precio del producto y, por lo tanto, los ingresos de la empresa por unidad de entrada. Si uno piensa en la productividad como unidades de calidad entregadas por unidad de entrada, la innovación del producto puede mejorar la productividad. Esto se refleja en medidas de productividad basadas en ingresos estándar, ya que reflejan las variaciones de precios en las plantas o empresas de una industria. (Aunque como se mencionó anteriormente y se analiza más adelante, la productividad de los ingresos también puede ser engañosa cuando existe variación de precios debido a las diferencias de poder de mercado entre los productores). La innovación de productos puede tener como objetivo ingresar a nuevos mercados o reorientar los esfuerzos de una empresa documentado en Daron Acemoglu y Joshua Linn (2004). Los efectos de productividad de la innovación del producto han sido estudiados en varios artículos recientes. Como se mencionó anteriormente, uno de los mecanismos detrás del crecimiento de la productividad basado en TI que Bartel, Ichniowski y Shaw (2007) señalan es una mejor capacidad para personalizar productos. Otros insumos mencionados anteriormente, como I + D y empleados de mayor calidad, también pueden estimular la innovación. Rasmus Lentz y Dale T. Mortensen (2008) utilizan los datos daneses a nivel de empresa para estimar un modelo de esfuerzos de innovación de productos de las empresas en el estilo escalera de calidad vertical de Tor Jakob Klette y Kortum (2004). Encuentran que aproximadamente el 75 por ciento del crecimiento agregado de la productividad proviene de la reasignación de insumos (empleo en su configuración) a empresas innovadoras. Alrededor de un tercio de esto proviene de los canales de entrada y salida. Las otras dos terceras partes se producen a medida que los insumos se mueven hacia las empresas en crecimiento (y, por lo tanto, las empresas innovadoras, como se ve a través del lente 25 de su modelo) desde empresas que pierden participación de mercado cuando se quedan atrás de la frontera de calidad. Natarajan Balasubramanian y Jagadeesh Sivadasan (2011) vinculan datos detallados y amplios sobre las actividades de patentamiento y producción de las empresas (fusionan la base de datos de patentes NBER con el Registro Empresarial del Censo de EE. UU.) Para ver qué ocurre cuando una empresa patenta. Encuentran evidencia clara de que las nuevas concesiones de patentes están asociadas con aumentos en el tamaño de la empresa (por cualquiera de una serie de medidas), el alcance (la cantidad de productos que fabrica) y la PTF (aunque la evidencia es más débil aquí). No está claro si estas correlaciones reflejan los efectos causales de las patentes; la actividad de patentamiento podría ser solo una parte del impulso coordinado de una empresa hacia nuevos mercados. Sin embargo, dada la amplitud de la cobertura del estudio y su resultado de que existen correlaciones, más investigación en esta área valdría la pena. Bernard, Stephen J. Redding y Peter Schott (2010) muestran que la PTF de una empresa se correlaciona positivamente con la cantidad de productos que produce. Esto se mantiene tanto en la sección transversal como dentro de las empresas a lo largo del tiempo. Por lo menos, estos resultados indican que el crecimiento de la productividad acompaña a la expansión de la variedad de productos que ofrece una empresa. No está tan claro si la actividad innovadora impulsa tanto la productividad como el crecimiento de variedad de productos o si las empresas que experimentan crisis generales de productividad "golpean mientras el hierro está caliente", expandiendo sus ofertas de productos en respuesta. El papel de los cambios en el alcance del producto en el tamaño de la empresa y el crecimiento de la productividad es uno que recién está empezando a obtener la atención que merece en las agendas de investigación. 3.6 Decisiones de estructura firme Muchas de las publicaciones de microproductividad utilizan el establecimiento (por ejemplo, fábrica, tienda u oficina) como unidad de análisis. Esto es en parte impulsado por datos; muchas encuestas se llevan a cabo en este nivel. Además, las plantas a menudo incorporan la unidad indivisible más pequeña
Compartir