UNIVERSIDAD CENTROAMERICANA “JOSÉ SIMEÓN CAÑAS” Facultad de Ciencias Económicas y Empresariales Departamento de Economía PROYECCIÓN DE LA DEUDA PÚBLICA DE EL SALVADOR Modelos ARIMA Metodología Box-Jenkins Presenta: Ivan Antonio Claros Urbina 00189000 Econometría Aplicada Sección: 01 Catedrático: Dr. Mario César Sánchez Julio de 2014 1 Resumen El estudio Proyección de la Deuda Publica de El Salvador surge de la preocupación por los elevados niveles a los que ha llegado esta cuenta nacional, que repercute sobre todo en las posibilidades futuras de crecimiento y desarrollo del país. Como trasfondo de este problema está la crisis financiera del Estado, la cual presenta síntomas de ser estructural a partir de las políticas económicas implementadas en los últimos 25 años, las cuales lejos de impulsar la economía del país han ido deteriorando la sostenibilidad financiera del Estado. Por eso este estudio, presenta una análisis de la serie de tiempo de los saldos de la Deuda Pública Total, con el cual se establece que al igual que en los últimos 10 años ha tenido una tendencia al alza, en los próximos 6 meses (marzoagosto 2014) se espera que continúe esta tendencia, de forma más profunda y constante. El estudio presenta cada uno de los pasos realizados para hacer esta estimación. En la parte de anexos se incorpora un análisis donde se establece el efecto de la producción en el Consumo Privado y viceversa. 2 Contenido 1. Introducción 4 2. Fuentes y Datos Estadísticos 5 3. Antecedentes y Justificación. 6 4. Marco Teórico 10 5. Inferencia Estadística: Metodología Box Jenkins 16 6. Resultados Estadísticos y Económicos 27 7. Conclusiones. 28 8. Bibliografía. 30 9. Fuentes y datos estadísticos. 31 10. Anexos. 31 Datos Estadísticos 31 Modelo Keynesiano Simple de Determinación del Ingreso. Caso Estados Unidos 1970-2006 32 Notas Periodísticas 35 3 1. Introducción El nivel de endeudamiento de un país es un buen indicador de la salud de su economía. Un país con una economía con altos niveles de endeudamiento genera, varios problemas que afectan a sus habitantes; por un lado, el Estado cuenta con menos recursos para cubrir demandas y necesidades de sus ciudadanos, así como para generar inversiones, por cuanto debe destinar una mayor proporción de su presupuesto al pago o abono de sus deudas. Por otro lado, al tener un nivel de deuda mayor, aumenta su calificación de riesgo, reduce su capacidad de endeudamiento y los préstamos a los que es sujeto son cada vez más caros. Llegando incluso a situaciones extremas como la insolvencia o incapacidad de pago. En años recientes, en el marco de la crisis económica iniciada en 2008, muchos países especialmente de Europa sobrepasaron los límites admitidos para sus economías. Países como Grecia, Chipe, Portugal, España e incluso Italia, llegaron a contabilizar más del 100% de sus PIB en deudas. En el caso de El Salvador, recientemente ha vuelto a surgir la preocupación por los niveles a los que está llegando el endeudamiento público y la constante necesidad de recurrir a más deuda para poder dar liquidez al Estado. Incluso se ha llegado a plantear que se recure a más préstamos para pagar otras deudas o gastos corrientes. Esta tendencia no tiene un inicio reciente, se podría decir que arranca en la década de los noventa con la aplicación de las políticas neoliberales, que dieron lugar a las privatizaciones, reducción de impuestos y aranceles, pasando por la dolarización y los Tratados de Libre Comercio que han restado la capacidad de generar recursos propios al Estado. Sin embargo, este efecto ha sido más visible y sentido en los últimas 3 administraciones de gobierno: Flores, Saca y Funes. Por tanto, el presente trabajo busca determinar cuál será el comportamiento de la deuda pública de El Salvador en los próximos seis meses del año 2014. Para eso se hará uso del análisis de series temporales bajo la metodología Box-Jenkins, con los datos del saldo mensual de la deuda pública total, reportados por el Bancos Central de Reserva de El Salvador (BCR) desde enero del año 2002 hasta febrero del año 2014. Siendo así, encontraremos también, una descripción del método econométrico realizado para lograr la predicción con datos de series temporales, así como, el correspondiente análisis de los resultados obtenidos. Por último, se plantean algunas conclusiones respecto al proceso econométrico y las implicaciones económicas para el país, de las proyecciones estimadas. 4 2. Fuentes y Datos Estadísticos Para el presente estudio se ha hecho uso de los datos oficiales del Banco Central de Reserva de El Salvador (BCR), lo cuales se encuentran en su sitio web www.bcr.gob.sv . La serie de datos utilizada es la de los Saldos de la Deuda Pública Total de El Salvador a la cual para abreviar hemos dado en llamar DPT. Los datos disponibles para esta serie provienen desde enero del año 2002 hasta febrero del 2014, es decir, se cuenta con 146 observaciones con las cuales se realiza la proyección. Estos datos pueden encontrarse en el Anexo 2 de este documento. Para el caso del Modelo Keynesiano Simple de determinación del ingreso, se cuenta con datos anuales de Producción (Y), Consumo (C) e Inversión Interna Bruta Privada (I) desde el año 1970 al año 2006, y provienen del World Development Indicators (WDI) (Indicadores Mundiales de Desarrollo) del World Bank (Banco Mundial). Estos datos pueden consultarse en el Anexo 3. 5 3. Antecedentes y Justificación Antecedentes El Salvador es una economía pequeña, marcada en los últimos 20 años por tasas de crecimiento modestas o bajas. Entre el año 1995 y 2008 se presentaron tasas situadas alrededor del 2%, mientras que en 2009 el PIB se contrajo un 3.5%, desde ese año hasta la fecha la economía ha crecido por debajo del 2%.1 Bajo este escenario, otro elemento que denota la fragilidad de la economía del país, es el elevado nivel de endeudamiento del país y por ende la alta proporción que se destina del presupuesto nacional al pago de esta. En los últimos años ha sido cada vez más evidente la incapacidad del Estado de cubrir con recursos propios todas las necesidades y demandas de la sociedad. Por ello, los últimos 3 gobiernos, el de Francisco Flores y Antonio Saca del partido ARENA y Mauricio Funes del partido FMLN, se han visto obligados a recurrir cada vez más a préstamos tanto internos como externos. Los principales acreedores del Estado salvadoreño son organismos multilaterales como el Banco Mundial (BM), el Banco Interamericano de Desarrollo (BID), el Banco Centroamericano de Integración Económica (BCIE), países como Alemania, Estados Unidos, España y Japón, e inversionistas nacionales e internacionales privados que han adquirido títulos valores como bonos, Eurobonos y LETES. A la par de la incapacidad del país de generar más riqueza, se encuentra el crecimiento poblacional, que situado por encima de lo que crece la economía, provoca mayores necesidades y demanda de servicios, en salud, educación, infraestructura vial, transporte, seguridad, electricidad, agua potable, vivienda, etc. Aunado a eso, la precaria situación socioeconómica de alrededor del 42% de la población que vive en situación de pobreza y hacia los cuales hay que destinar una importante cantidad de fondos para programas sociales y subsidios. La incapacidad del Estado salvadoreño de generar recursos suficientes para solventar sus obligaciones proviene del desmantelamiento sufrido en la década de los noventa a través del modelo neoliberal, con el cual se privatizaron casi todas las empresas estatales que generaban excedentes y se redujo el impuesto a la renta al 50%. Luego con la apertura comercial se eliminaron los aranceles 1 BCR, Base Económica. www.bcr.gob.sv 6 a las importaciones y finalmente con la dolarización se perdió la capacidad de manejar la política monetaria y el crédito en el país. No obstante, consideramos que el principal problema, es la baja tasa de tributaria del país, que es de las más bajas de Latinoamérica. En los últimos 5 años en el gobierno Funes-FMLN se ha hecho un esfuerzo por mejorar esta situación, pasando de 12% en 2009 ha 16% en 2013. Este problema tiene 3 aristas: la primera es la evasión fiscal, es decir, lo que los empresarios no pagan, que representa una tasa de 33% de evasión2. Según una investigación de la Unidad de Análisis del Presupuesto de la Comisión de Hacienda de la Asamblea Legislativa la evasión alcanzaría los $1,719 millones anuales.3 La segunda, es la exención fiscal, generada por los regímenes de zonas francas y estímulos a los inversionistas, una tercera, es que en definitiva la empresa privada paga muy pocos impuestos, entre el 10 y el 30% y una cuarta, es lo regresivo de la estructura tributaria, en donde, los que ganan más pagan relativamente menos. Grafica 1. Saldos Mensuales de la Deuda Pública Total de El Salvador. Enero 2002-Febrero 2014. En millones de dólares. 16000 15000 14000 Deuda Publica Total 13000 12000 11000 10000 9000 8000 7000 6000 5000 2002 2004 2006 2008 2010 2012 2014 Aсos Fuente: elaboración propia en base a datos del BCR. Ministerio de Hacienda, Dirección de Impuestos Internos, Unidad de Estudios Tributarios. Estimación de la Evasión del IVA en El Salvador 2012. Preliminar. 3 FESPAD, Impactos de la Evasión y la Elusión Fiscal en el Derecho a la Alimentación Adecuada. 2013. 2 7 Es por todo lo anterior que el endémico problema de déficit fiscal lleva aun mayor endeudamiento cada año. De $5,400 millones con que cerró la deuda pública total el año 2001 se ha pasado a $15,038.7 millones a febrero de 2014, es decir, se triplico en 12 años, representando el 58% del PIB. Como puede ver se en la Grafica 1, el comportamiento de la deuda publica presenta una tendencia hacia la alza, aunque sin mostrar ningún exabrupto, a partir del 2008 la pendiente de la gráfica es más prolongada, lo que indica que ha crecido más desde esa fecha. Lo importante de resaltar es que de seguir este patrón, se reducen más las posibilidades de inversión pública que incentiven la inversión privada, que se genere empleo, más actividad económica y más recaudación fiscal y por ende más crecimiento y desarrollo. Justificación A partir del escenario anterior, para el próximo gobierno que toma posesión el 01 de junio, se vuelve necesario no solo conocer la situación de las finanzas públicas, sino lo que se puede esperar de esta en los próximos meses, ya que será con lo que tendrá que lidiar hasta que adopte nuevas políticas y planes que cambiar esta situación. De lo contrario se seguirá con la misma tendencia, que en algún punto cercano será insostenible y generara una crisis que impactara en la calidad de vida de las y los salvadoreños. Por ello, es importante hacer una proyección de la Deuda Pública Total, que permita estimar a que nivel podríamos cerrar el año 2014 y plantear las correcciones necesarias en el marco del presupuesto 2015. Hipótesis Dado el comportamiento en los últimos 12 años y manteniéndose las mismas condiciones de las finanzas públicas de El Salvador, la hipótesis que se plantea es que la Deuda Pública Total (DP) tendrá un comportamiento creciente en los próximos 6 meses. Alcances del Estudio El estudio desarrollara el modelo ARIMA bajo la metodología Box-Jenkins para estimar las proyecciones de la serie de tiempo para el caso de la Deuda Pública Total, sin embargo, no desarrollará las razones o explicaciones del porqué la Deuda Publica mantiene ese comportamiento, ni analizara las variables que la determinan. Es una proyección suponiendo que todas estas variables que afectan directa o indirectamente a la Deuda se mantienen constantes o con variaciones muy mínimas. El estudio plantea la limitante de solo contar con datos desde el 2002 hasta febrero de 8 2014, es decir, no puede inferirse sobre una serie de tiempo más larga que pudiera dar más robustez a la proyección. Objetivos del Estudio. Objetivo General Explicar el comportamiento de la deuda pública de El Salvador durante el periodo de 2002 a 2014 y proyectar su comportamiento futuro. Objetivos Específicos Pronosticar la deuda pública para los meses marzo-agosto de 2014 aplicando la metodología Box-Jenkins. Comparar el grado de exactitud de y/o eficiencia de los modelos ARIMA para pronosticar series temporales. 9 Marco Teórico Deuda Pública Se entiende por deuda pública a los créditos (o préstamos) en los cuales participa algún organismo del sector público que puede ser una empresa estatal o una oficina del gobierno central (Barillas 2007). El objetivo por el que los gobiernos se endeudan son (Barillas 2007): Aumentar el volumen de la demanda efectiva. Impulsar el desarrollo económico por medio de inversiones productivas. Buscar el pleno empleo. Impulsar el desarrollo regional o sectorial. Desde el ámbito de la contabilidad nacional, se registra la Deuda Pública Interna y la Deuda Pública Externa. La Deuda Pública Interna, es la que posee el Estado con acreedores nacionales, como bancos, empresas e inversionistas que compran LETES. La Deuda Pública Externa, es la deuda contraída especialmente con préstamos con países u organismos multilaterales. El Saldo de la Deuda es el resultado de la suma de todos los créditos y préstamos contratados por un país, menos los abonos hechos al pago del servicios de la deuda, es decir, al capital mas los intereses. Metodología Box-Jenkins Este enfoque supone una alternativa a la construcción de modelos univariantes o de ecuaciones simultaneas pues supone admitir que las series temporales poseen un carácter estocástico lo que implica que deben analizarse sus propiedades probabilísticas para que estas “hablen por sí mismas” (Muñoz y Parra. 2007). Muñoz y Parra definen las cuatro fases de la metodología Box-Jenkins de la siguiente manera: 1. Fase de Identificación: esta es utilizada para poder determinar la estacionariedad de los datos mediante los siguientes instrumentos. - Representación gráfica de los datos. - A través del gráfico desviación típica media. 10 - Realizando la Prueba Dickey-Fuller. - Análisis del Correlograma. 2. Fase de Estimación: una vez identificado el modelo de series de tiempo apropiado se procede a la estimación definitiva de sus parámetros. Así mismo se tiene que verificar la siguiente hipótesis sobre el proceso estimado: - Que el término de error posee estructura de ruido blanco y sigue una distribución normal con media cero y varianza constante. 3. Fase de validación: en esta etapa se comprobará la capacidad de ajuste del modelo propuesto y estimado a los datos, en caso de que este modelo no funcione satisfactoriamente en esta fase es necesario reformularlo. Para la aceptación del modelo este debe cumplir los siguientes requisitos: - Análisis de los residuos mediante las siguientes herramientas: El estadístico Ljung-Box, Representación de las funciones de autocorrelación simple y parcial de los residuos, representación gráfica de los residuos. - Análisis de los coeficientes estimados: mediante su significancia con el estadístico t de student y condiciones de estacionariedad e invertibilidad. - Análisis de la bondad de ajuste: se usa el R2. - Análisis de la estabilidad: se aplica el test de estabilidad estructural de Chow. 4. Fase de predicción: una vez que el modelo ha superado la fase de diagnosis se convierte en un instrumento útil para la predicción. La realización de predicciones y el error cometido al realizar dicha predicción dependerá del tipo de modelo univariante que se esté considerando. Para realizar esta metodología se utilizara el programa informático libre: Gretl, el cual es un programa para desarrollar modelos econométricos. 11 Inferencia Estadística: Metodología Box Jenkins Fase I: Identificación Paso1: Tal como indica la metodología, pasamos a analizar el grafico de la serie DP enero 2002Febrero 2014, para determinar si es estacionaria o no. Grafica 1. Saldos Mensuales de la Deuda Pública Total de El Salvador. Enero 2002-Febrero 2014 En millones de dólares. 16000 15000 Deuda Publica Total 14000 13000 12000 11000 10000 9000 8000 7000 6000 5000 2002 2004 2006 2008 2010 2012 2014 Aсos Fuente: elaboración propia en base datos del BCR. Podemos inferir que posee una tendencia positiva, lo cual nos estaría indicando que no posee media constante, y aunque parece tener varianza constante, debemos realizar otras pruebas. Paso 2: realizamos en Gretl el análisis del gráfico de rango media para determinar si necesita que le apliquemos logaritmo natural. Como se observa en la Grafica 2 debemos aplicar logaritmo a la serie de datos por cuanto presenta una línea perpendicular, es decir creciente. 12 Grafica 2. Rango-Media de DP con Ajuste Mínimo Cuadrático de la serie DP 2002-2014. 1600 1400 rango 1200 1000 800 600 400 200 5000 6000 7000 8000 9000 10000 11000 12000 13000 14000 15000 media Fuente: elaboración propia con el programa Gretl en base datos del BCR. Paso 3: Al aplicar el logaritmo a la serie DP, obtenemos l_DP, cuyo gráfico de series temporales es el siguiente: Grafica 3. Serie Logarítmica de la Variable DP 200-2014. 9.8 9.6 l_DP 9.4 9.2 9 8.8 8.6 2002 2004 2006 2008 2010 2012 2014 Fuente: elaboración propia con el programa Gretl en base datos del BCR. Como se puede observar es muy parecida a la serie en nivel y sigue manteniendo tendencia, por lo que aplicamos primeras diferencias. Paso 4: Al aplicar primeras diferencias a la variable l_DP obtenemos el siguiente gráfico: 13 Grafica 4. Primera Diferencia de la Serie Logarítmica de la DP 2002-2014. 0.1 0.08 d_l_DP 0.06 0.04 0.02 0 -0.02 -0.04 2002 2004 2006 2008 2010 2012 2014 Fuente: elaboración propia con el programa Gretl en base datos del BCR. Como puede observarse, la media y su varianza parecen ahora constantes, por lo que la serie pudiera ser estacionaria. Para comprobar, realizamos la prueba Dickey-Fuller a la variable d_l_DP. Paso 5: Al analizar los resultados de la prueba de contraste aumentado Dickey-Fuller cuya hipótesis nula es que la serie tiene raíz unitaria, es decir, es no estacionaria, observamos que su valor de probabilidad es de 2.438e-012 con constante y 1.656e-011 con constante y tendencia, es decir, rechazamos la hipótesis nula, porque no tiene raíz unitaria. Cuadro 1. Salida de la Prueba Dickey-Fuller para la variable d_l_DP. Programa Gretl Contraste aumentado de Dickey-Fuller para d_l_DP incluyendo 2 retardos de (1 L)d_l_DP(el máximo fue 13, el criterio AIC modificado)tamaño muestral 142 hipótesis nula de raíz unitaria: a = 1 contraste con constante modelo: (1-L)y = b0 + (a-1)*y(-1) + ... + e Coef. de autocorrelación de primer orden de e: 0.026 diferencias retardadas: F(2, 138) = 4.831 [0.0094] valor estimado de (a - 1): -1.32817 Estadístico de contraste: tau_c(1) = -7.76327 valor p asintótico 2.438e-012 con constante y tendencia modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e Coef. de autocorrelación de primer orden de e: 0.026 Diferencias retardadas: F(2, 137) = 4.797 [0.0097] Valor estimado de (a - 1): -1.32885 Estadístico de contraste: tau_ct(1) = -7.71439 Valor p asintótico 1.656e-011 14 Ahora estamos seguros que nuestra serie es estacionaria. Paso 6: Ahora pasamos a ver el Correlograma de la serie para determinar qué tipo de modelo es. Grafica 5. Correlograma de la serie d_l_DP 2002-2014. FAC de d_l_DP +- 1.96/T^0.5 0.2 0.1 0 -0.1 -0.2 20 15 10 5 0 25 retardo FACP de d_l_DP +- 1.96/T^0.5 0.2 0.1 0 -0.1 -0.2 20 15 10 5 0 25 retardo Fuente: elaboración propia con el programa Gretl en base datos del BCR. Como puede apreciarse en el Correlograma de la serie d_l_DP estamos ante una modelo ARMA de orden (1,0,1). Por lo que luego de identificado el modelo pasamos a la siguiente Fase. -----------------------------------------------------------------------------------------------------------------------Función de auto correlación para d_l_DP RETARDO 1 2 3 4 5 6 7 8 FAC -0.2451 -0.1411 0.1992 -0.1023 -0.0529 0.1770 -0.0450 -0.0432 FACP *** * ** ** -0.2451 *** -0.2140 ** 0.1168 -0.0505 -0.0458 0.1194 0.0418 0.0066 Estad-Q. [valor p] 8.8901 11.8567 17.8114 19.3929 19.8182 24.6217 24.9344 25.2242 [0.003] [0.003] [0.000] [0.001] [0.001] [0.000] [0.001] [0.001] 15 9 -0.0061 10 0.0436 11 -0.0774 12 0.0296 13 -0.0081 14 -0.0166 15 0.0064 16 0.0177 17 -0.0424 18 0.0324 19 -0.1126 20 0.0055 21 -0.0063 22 0.1505 23 -0.0044 24 -0.0373 -0.0717 0.0402 -0.0591 -0.0056 -0.0446 0.0032 0.0014 0.0100 -0.0224 0.0181 -0.1224 -0.0508 -0.0632 0.1815 ** 0.0861 0.0266 * 25.2300 [0.003] 25.5305 [0.004] 26.4844 [0.005] 26.6252 [0.009] 26.6359 [0.014] 26.6809 [0.021] 26.6876 [0.031] 26.7395 [0.044] 27.0384 [0.058] 27.2144 [0.075] 29.3592 [0.061] 29.3643 [0.081] 29.3712 [0.105] 33.2951 [0.058] 33.2984 [0.076] 33.5439 [0.093] -------------------------------------------------------------------------------------------------------------------- Fase II: Estimación. Paso 7: Pasamos a estimar en el programa informático Gretl, con los parámetros del modelo que hemos identificado, parámetros que se aceptaran si y solo si el comportamiento de los errores son ruido blanco y mediante la significancia de los mismos. La salida de la regresión es la siguiente: Cuadro 2: Salida de la Regresión del Modelo Estimado para la serie l_DP -------------------------------------------------------------------------------------------------------------Modelo 1: ARMA, usando las observaciones 2002:01-2014:02 (T = 146) Variable dependiente: l_DP Desviaciones típicas basadas en el Hessiano Coeficiente 9.11521 0.999383 -0.0584563 const phi_1 theta_1 Media de la vble. dep. media innovaciones Log-verosimilitud Criterio de Schwarz Desv. Típica 0.479141 0.000870095 0.0770059 9.140169 0.003889 373.8963 -727.8581 Real z 19.0240 1148.5901 -0.7591 D.T. de la vble. dep. D.T. innovaciones Criterio de Akaike Crit. de Hannan-Quinn Imaginaria Módulo Valor p <0.00001 <0.00001 0.44778 *** *** 0.281376 0.018272 -739.7926 -734.9433 Frecuencia AR Raíz 1 1.0006 0.0000 1.0006 0.0000 Raíz 1 17.1068 0.0000 17.1068 0.0000 MA Contraste de normalidad de los residuos Hipótesis nula: el error se distribuye normalmente Estadístico de contraste: Chi-cuadrado(2) = 5165.76 con valor p = 0 ----------------------------------------------------------------------------------------------------------------- 16 Observamos que todas las variables son estadísticamente significativas y el modelo de conjunto también, por cuanto pasamos a hacer las pruebas respectivas para su verificación. Fase III: Validación. Paso 8: Pasamos analizar el Correlograma de los residuos para verificar si el modelo es no estacionario. Grafica 6. Correlograma de los residuos de la regresión. FAC de los residuos 0.2 +- 1.96/T^0.5 0.15 0.1 0.05 0 -0.05 -0.1 -0.15 -0.2 0 5 10 15 20 25 retardo FACP de los residuos 0.2 +- 1.96/T^0.5 0.15 0.1 0.05 0 -0.05 -0.1 -0.15 -0.2 0 5 10 15 20 25 retardo Fuente: elaboración propia con el programa Gretl en base datos del BCR. Notamos que ningún rezago sale de las bandas, por lo que se comportan de manera normal, existiendo entonces lo que se conoce como “ruido blanco” es decir, que nuestro modelo tiene media cero, varianza contante y covarianza. Por tanto el modelo cumple y sirve para realizar el pronóstico. Paso 9: Por ultimo revisamos el text de normalidad por medio de la gráfica 7. En esta se muestra que la probabilidad es de 0.0000, por lo que rechazamos la hipótesis nula de que los residuos son normales. 17 Grafica 7. Text de Normalidad de los Residuos. Modelo 1 18 uhat1 N(0.0038892,0.045955) Estadнstico para el contraste de normalidad: Chi-cuadrado(2) = 5165.764 [0.0000] 16 14 Densidad 12 10 8 6 4 2 0 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 uhat1 Fuente: elaboración propia con el programa Gretl en base datos del BCR. Por lo tanto, se debe aplicar variables dicotómicas para eliminar valores muy extremos que no permitan una distribución normal. Luego de varias pruebas se logró establecer que los valores atípicos se encuentran en abril, mayo, julio, agosto y octubre de 2002, marzo y diciembre de 2003, junio de 2005, marzo de 2006, diciembre de 2009, febrero de 2011 y diciembre de 2012. También se incorporó una variable de tendencia tiempo. Por lo que se procede a realizar la regresión con las variables dicotómicas o dummys en el modelo. Cuadro 3: Salida de la Regresión del Modelo Estimado para la serie l_DP Modelo 15: ARMAX, usando las observaciones 2002:01-2014:02 (T = 146) Estimado usando el filtro de Kalman (MV exacta) Variable dependiente: l_DP Desviaciones típicas basadas en el Hessiano const phi_1 theta_1 Time Dum6 Dum7 Dum4 Dum9 Dum10 Dum11 Dum12 Coeficiente Desv. Típica z Valor p --------------------------------------------------------------8.63703 0.0245748 351.5 0.0000 *** 0.929346 0.0314638 29.54 9.66e-192 *** 0.116595 0.0961863 1.212 0.2254 0.00676314 0.000275380 24.56 3.44e-133 *** 0.0519632 0.00779139 6.669 2.57e-011 *** 12.3745 456.300 0.02712 0.9784 0.0387014 0.00774533 4.997 5.83e-07 *** 0.0441759 0.00941839 4.690 2.73e-06 *** 0.00675404 0.00774859 0.8716 0.3834 -12.3272 456.300 -0.02702 0.9784 0.0211201 0.00956457 2.208 0.0272 ** 18 Dum13 Dum14 Dum3 Dum5 Dum8 0.0220740 0.0342371 0.0213650 0.0214127 0.0266187 0.00774687 0.00775504 0.00774860 0.00774494 0.00774595 Media de la vble. dep. 9.140169 media innovaciones 0.000175 Log-verosimilitud 446.9108 Criterio de Schwarz -809.1004 2.849 4.415 2.757 2.765 3.436 0.0044 *** 1.01e-05 *** 0.0058 *** 0.0057 *** 0.0006 *** D.T. de la vble. dep. 0.281376 D.T. innovaciones 0.011248 Criterio de Akaike -859.8217 Crit. de Hannan-Quinn -839.2124 Real Imaginaria Módulo Frecuencia ----------------------------------------------------------AR Raíz 1 1.0760 0.0000 1.0760 0.0000 MA Raíz 1 -8.5767 0.0000 8.5767 0.5000 ----------------------------------------------------------Contraste de normalidad de los residuos Hipótesis nula: el error se distribuye normalmente Estadístico de contraste: Chi-cuadrado(2) = 3.98018 con valor p = 0.136683 La tabla anterior lo muestra, pero en el grafico también se pude observar que la probabilidad de la normal es de 0.1366, por lo que se acepta la hipótesis de la normalidad de los residuos. Grafica 8. Text de Normalidad de los Residuos. Modelo 2 50 uhat15 N(0.00017486,0.012253) Estadнstico para el contraste de normalidad: Chi-cuadrado(2) = 3.980 [0.1367] 45 40 Densidad 35 30 25 20 15 10 5 0 -0.04 -0.03 -0.02 -0.01 0 0.01 0.02 0.03 0.04 uhat15 Fase IV: Predicción. Paso 10: La última fase es donde pronosticaremos los próximos 6 meses de la variable DP. Para ello realizamos el proceso en Gretl, dando como resultado lo siguiente: 19 Cuadro 3: Salida del Pronóstico de 6 meses para l_DP Para intervalos de confianza 95%, z(0.025) = 1.96 Observaciones 2014:03 2014:04 2014:05 2014:06 2014:07 2014:08 l_DP indefinido indefinido indefinido indefinido indefinido indefinido predicción Desv. Típica 9.62465 0.0112482 9.63188 0.0162768 9.63907 0.0196082 9.64624 0.0220846 9.65337 0.0240189 9.66048 0.0255720 Intervalo de 95% (9.60260, 9.64670) (9.59998, 9.66378) (9.60064, 9.67750) (9.60295, 9.68952) (9.60629, 9.70045) (9.61036, 9.71060) Como se puede inferir en la gráfica 9, el pronóstico es muy cercano a la variable l_DP, por lo que pasaremos a aplicar el antilogaritmo para poder graficar la variable de nivel DP con su pronóstico. Grafica 9. Variable l_DP y predicción 9.8 Intervalo de 95 por ciento l_DP predicciуn 9.6 9.4 9.2 9 8.8 8.6 2002 2004 2006 2008 2010 2012 2014 Fuente: elaboración propia con el programa Gretl en base datos del BCR. 20 Paso 11: Añadimos una nueva serie pronostica y a la cual se le ha aplicado el antilogaritmo y la graficamos junto con la variable DP para compararla y ver su proyección. Todo esto lo hacemos en el programa Gretl. Cuadro 3: Pronostico del Saldo de la Deuda Publica Marzo-Agosto 2014. En millones de dólares. Mes 2013:10 2013:11 2013:12 2014:01 2014:02 2014:03 2014:04 2014:05 2014:06 2014:07 2014:08 Deuda Publica 14785.70 14830.60 14888.20 15050.40 15038.70 Pronóstico 14736.65 14887.58 14924.27 14987.76 15158.33 15133.26 15243.03 15353.08 15463.4 15574.20 15685.31 Fuente: elaboración propia con el programa Gretl en base datos del BCR Grafica 10. Deuda Pública Total y Proyección de la DP. Enero 2002-Agosto 2014. En millones de dólares 16000 Deuda Publica Total ProyeccDP 14000 12000 10000 8000 6000 4000 2002 2004 2006 2008 2010 2012 2014 Fuente: elaboración propia con el programa Gretl en base datos del BCR. 21 Las grafica 10 y 11 nos muestran como la variable pronosticada es casi la misma que la variable DP. Luego para los meses de Marzo a Agosto de 2014 se espera que incremente al ritmo que ha venido haciéndolo en los últimos 6 meses. Por tanto la Hipótesis que la Deuda Publica mantendrá su ritmo de crecimiento se acepta y se demuestra lo formidable de la herramienta predictiva. Grafica 11. Zoom de la Deuda Pública Total y Proyección de la DP. Enero 2002-Agosto 2014. En millones de dólares Deuda Publica Total ProyeccDP 15500 15000 14500 14000 13500 13000 12500 2012.5 2013 2013.5 2014 2014.5 Fuente: elaboración propia con el programa Gretl en base datos del BCR. A continuación para probar la idoneidad del modelo, se plantearon 2 modelos alternativos más, uno por Mínimos Cuadrados Ordinarios (MCO) y otro por Auto Regresión Vectorial (VAR). Modelo MCO Nuevamente utilizando Gretl, estimamos el modelo por medio de Mínimos Cuadrados Ordinarios. Para ello incorporamos una variable de tiempo y manteniendo las 11 variables dummys utilizadas con el modelo ARMA. 22 Cuadro 4: Salida de la Regresión del Modelo Estimado para la serie l_DP Modelo 16: MCO, usando las observaciones 2002:01-2014:02 (T = 146) Variable dependiente: l_DP Coeficiente 0.0947933 7.83282 8.31623 -2.93128 8.05992 6.5964 7.94563 4.94202 4.0874 -0.993648 0.221146 7.39593 time Dum6 Dum7 Dum4 Dum9 Dum10 Dum12 Dum13 Dum14 Dum3 Dum5 Dum8 Media de la vble. dep. Suma de cuad. residuos R-cuadrado F(12, 134) Log-verosimilitud Criterio de Schwarz rho Desv. Típica 0.00413414 4.14224 4.14206 4.17783 4.14213 4.14322 4.14216 4.14567 4.14761 4.16692 4.161 4.1425 9.140169 2298.961 0.811695 48.13430 -408.3973 876.5978 0.838400 Estadístico t 22.9294 1.8910 2.0078 -0.7016 1.9458 1.5921 1.9182 1.1921 0.9855 -0.2385 0.0531 1.7854 Valor p <0.00001 0.06079 0.04668 0.48413 0.05377 0.11372 0.05721 0.23533 0.32616 0.81189 0.95769 0.07646 D.T. de la vble. dep. D.T. de la regresión R-cuadrado corregido Valor p (de F) Criterio de Akaike Crit. de Hannan-Quinn Durbin-Watson *** * ** * * * 0.281376 4.142032 0.796237 1.31e-42 840.7945 855.3422 0.296910 Al analizar la salida de la regresión podemos observar que el modelo posee poca significancia, pese a contar con un R-cuadrado de 0.811695 y un valor F de 1.31. Aun así creemos que el modelo puede servirnos Luego hacemos la predicción para los próximos 6 meses con un nivel de confianza del 95%. Cuadro 5: Salida del Pronóstico de 6 meses para l_DP. Modelo MCO Para intervalos de confianza 95%, z(0.025) = 1.96 Observaciones 2014:03 2014:04 2014:05 2014:06 2014:07 2014:08 l_DP indefinido indefinido indefinido indefinido indefinido indefinido predicción 13.9346 14.0294 14.1242 14.2190 14.3138 14.4086 Desv. Típica 4.18638 4.18698 4.18758 4.18820 4.18881 4.18943 Intervalo de 95% (5.65469, 22.2145) (5.74829, 22.3105) (5.84188, 22.4065) (5.93547, 22.5025) (6.02905, 22.5985) (6.12262, 22.6945) 23 Modelo VAR Ahora estimamos el modelo por medio de Vectores Auto Regresivos (VAR). Previamente hacemos la selección del orden VAR, para conocer cuáles son las variables regresoras que utilizaremos en nuestro modelo. Resultando las variables 1 y 2 como regresoras. Realizamos la regresión utilizando la variable regresora 1 y más una tendencia de tiempo y 6 variables dicotómicas. Cuadro 6: Salida de la Regresión del Modelo Estimado para la serie l_DP Sistema VAR, orden del retardo 1 Estimaciones de MCO, observaciones 2002:02-2014:02 (T = 145) Log-verosimilitud = 439.30144 Determinante de la matriz de covarianzas = 0.00013677035 AIC = -5.9352 BIC = -5.7504 HQC = -5.8601 Contraste Portmanteau: LB(36) = 47.6733, gl = 35 [0.0749] Ecuación 1: l_DP Coeficiente 0.894878 0.896902 0.00070047 0.0512626 0.0548353 0.0847963 0.0655587 0.05149 0.0171637 const l_DP_1 time Dum3 Dum4 Dum6 Dum7 Dum8 Dum10 Media de la vble. dep. Suma de cuad. residuos R-cuadrado F(8, 136) rho Desv. Típica 0.251049 0.0290251 0.00019297 0.0121506 0.012202 0.0122488 0.0123497 0.0122208 0.0122661 Estadístico t 3.5645 30.9009 3.6299 4.2189 4.4939 6.9228 5.3085 4.2133 1.3993 9.143830 D.T. de la vble. dep. 0.019832 D.T. de la regresión 0.998229 R-cuadrado corregido 9580.649 Valor p (de F) -0.140771 Durbin-Watson Contrastes F de restricciones cero: Todos los retardos de l_DP F(1, 136) = 954.87 [0.0000] Valor p 0.00050 <0.00001 0.00040 0.00004 0.00001 <0.00001 <0.00001 0.00005 0.16400 *** *** *** *** *** *** *** *** 0.278841 0.012076 0.998125 4.3e-183 2.278500 Los resultados nos muestran que existen diversos tipos de problemas, sin embargo posee la suficiente significancia en el modelo. Luego hacemos la proyección de las seis observaciones siguientes, resultando el siguiente cuadro: 24 Cuadro 7: Salida del Pronóstico de 6 meses para l_DP. Modelo VAR Para intervalos de confianza 95%, z(0.025) = 1.96 Observaciones 2014:03 2014:04 2014:05 2014:06 2014:07 2014:08 l_DP indefinido indefinido indefinido indefinido indefinido indefinido predicción 9.62459 9.63086 9.63718 9.64355 9.64997 9.65642 Desv. Típica 0.0116949 0.0157096 0.0183112 0.0201617 0.0215353 0.0225797 Intervalo de 95% (9.60146, 9.64772) (9.59979, 9.66192) (9.60097, 9.67339) (9.60368, 9.68342) (9.60738, 9.69255) (9.61177, 9.70107) Ahora que tenemos los pronósticos de los tres modelos: ARMA, VAR y MCO, los comparamos para determinar cuál es el más exacto o cercano al comportamiento real de la deuda pública y por cuanto quien puede predecir de mejor forma su comportamiento. Comparación de los Pronósticos de los Tres Modelos: ARMA, VAR y MCO. En el Cuadro 8, tenemos los pronósticos de los modelos ARMA, VAR y MCO comparados con los valores reales de la Deuda Publica con los últimos 5 meses registrados. Como puede notarse son los modelos ARMA y VAR los que se acercan mucho más a los datos reales de la DP. Podría decirse que ambos presentan datos muy similares a los presentados entre octubre 2013 y febrero 2014, por lo que es difícil decir cuál es más exacto. Por el contrario modelo MCO se encuentra muy alejado de los datos reales, por lo que desde ya lo descartamos como método de predicción. Cuadro 8: Pronostico del Saldo de la Deuda Publica Marzo-Agosto 2014. Modelos ARMA, VAR Y MCO En millones de dólares. DP 2013:10 2013:11 2013:12 2014:01 2014:02 2014:03 2014:04 2014:05 2014:06 2014:07 2014:08 14785.7 14830.6 14888.2 15050.4 15038.7 ARMA 14736.65 14887.58 14924.27 14987.76 15158.33 15133.26 15243.03 15353.08 15463.46 15574.20 15685.31 MCO 701267 770995 847656 931940 1024604 1126482 1238490 1361635 1497025 1645876 1809528 VAR 14724.35 14862.12 14913.03 14975.46 15132.30 15132.34 15227.49 15324.07 15422.01 15521.25 15621.75 25 En la gráfica 13 puede verse como el modelo VAR y el ARMA casi se sobreponen a la línea de la DP, por lo que ambas son muy buenos pronósticos. Grafica 12. Deuda Pública Total y Proyección de la DP. Modelos ARMA, VAR y MCO. Enero 2002-Agosto 2014. En millones de dólares 16000 2e+006 Deuda Publica Total (izquierda) ProyeccDP_ARMA (izquierda) ProyeccDP_MCO (derecha) ProyeccDP_VAR (izquierda) 1.8e+006 14000 1.6e+006 1.4e+006 12000 1.2e+006 10000 1e+006 800000 8000 600000 400000 6000 200000 4000 0 2002 2004 2006 2008 2010 2012 2014 Un acercamiento a los meses pronosticados, lo encontramos en la gráfica 13 y notamos que el modelo VAR podría ser un poco más exacto para pronosticar. Sin embargo, ambos reflejan un incremento futuro de la DP con una pendiente más grande y constante. Lo cual concordaría con las manifiestas necesidades de recursos que presenta el Estado Salvadoreño. Grafica 13. Zoom Deuda Pública Total y Proyección de la DP. Modelos ARMA, VAR y MCO. Enero 2002-Agosto 2014. En millones de dólares 2e+006 Deuda Publica Total (izquierda) ProyeccDP_ARMA (izquierda) ProyeccDP_MCO (derecha) ProyeccDP_VAR (izquierda) 15600 1.8e+006 15500 15400 1.6e+006 15300 1.4e+006 15200 15100 1.2e+006 15000 1e+006 14900 800000 14800 14700 600000 2013.8 2013.9 2014 2014.1 2014.2 2014.3 2014.4 2014.5 2014.6 26 Resultados Estadísticos y Económicos Estadísticamente se puede decir que el pronóstico es confiable ya que cumple con todas las pruebas necesarias, además la diferencia entre la deuda pública real y la deuda pública pronosticada en los modelos ARMA y VAR no es significativa; ya que su porcentaje de variación es alrededor del 1% respecto al valor real. Económicamente se puede establecer que la Deuda Publica presentara un comportamiento incremental, empeorando las condiciones económicas del país, lo cual supone un gran reto para el nuevo gobierno, que debe implementar una política para su manejo y sostenibilidad, que reduzca su dependencia y mejore los indicadores económicos y las clasificaciones de riesgo del país. Cabe decir, que la proyección lograda no concuerda con las estimaciones hechas por el gobierno saliente al inicio del año 2014, como parte de su proyecto de presupuesto. Esto ha quedado demostrado por las contantes solicitudes de más endeudamiento y refinanciamiento de la deuda, como los $1,200 millones en mayo junio pasado para pagar los Bonos con los que se crearon los Fideicomisos del 2006. 27 Conclusiones. La primera conclusión es que se acepta la hipótesis que la Deuda Publica del país mantendrá un comportamiento creciente durante los próximos 6 meses, si se mantienen las condiciones actuales. Esta situación repercutirá aún más en la ya precaria condición económica en que se encuentra el país, aumentara la relación de la Deuda con respecto al PIB, debilitara las calificaciones de riesgo, aumentando el costo del endeudamiento y reduciendo posibilidades en préstamos futuros y pondrá una carga más pesada sobre los futuros presupuestos nacionales que deberán destinar más recursos a su pago. Es necesario que el país defina una política para el manejo responsable de la Deuda Publica que vaya aparejada con una política de generación de más recursos propios que reduzcan la necesidad de fondos externos. Por lo anterior, se desprende que es más que necesario en estos momentos una política fiscal de carácter progresivo, en la que la clase social rica y propietaria de los medios de producción contribuya más, elevando la vergonzosa carga tributaria actual a niveles entre el 25 y 30%. Así mismo esta política fiscal debe tener un carácter sectorial, cargando más a los sectores que generan y se apropian de mayores tasas de ganancia. Así mismo se debe promover el crecimiento económico planificado, es decir, priorizando en los sectores que generan mayor empleo y riqueza al país, promoviendo además una reconversión de la estructura económica productiva. Los modelos de series temporales permiten realizar estimaciones muy certeras de variables con un comportamiento histórico, lo cual a su vez posibilita pronosticar comportamientos futuros. 28 La metodología Box Jenkins es una buena herramienta para hacer pronósticos, aunque la Fase de Identificación se complica cuando existen problemas de normalidad y estacionalidad en las series, lo cual obliga a realizar muchas estimaciones y pruebas hasta encontrar el modelo que más se ajuste a nuestros requerimientos. Para el caso estudiado, los modelos ARMA y VAR demostraron ser más precisos para realizar pronósticos, no así los modelos MCO. Las proyecciones o pronósticos económicos por la vía econométrica son una potente herramienta que permiten sobre la base de datos reales e históricos brindar información para la elaboración de políticas económicas. 29 Bibliografía. Barillas, A y Olivare, C. (2007). Sostenibilidad de la Deuda Externa en El Salvador, periodo 1995-2005. Tesis de Licenciatura. El Salvador. Departamento de Economía. Universidad Centroamericana José Simeón Cañas. [En Línea]. Disponible en: http://www.uca.edu.sv/deptos/economia/?art=112. Muñoz, A y Parra, F. (2007). Econometría Aplicada. Primera Edición. Madrid. Gujarati. D y Portter D.Econometria 5ta Edición, MacGraw Hill. Ministerio de Hacienda, Dirección de Impuestos Internos, Unidad de Estudios Tributarios. Estimación de la Evasión del IVA en El Salvador 2012. Preliminar. FESPAD, Impactos de la Evasión y la Elusión Fiscal en el Derecho a la Alimentación Adecuada. 2013. EDH, Gobierno Incremento la deuda en $4456 millones, 20 de abril de 2014. EDH, El Salvado Deuda pública alcanzó el 60% del PIB. 04 de febrero de 2014. EDH, El Salvador recibe crédito de $20,55 millones para educación. 19 de febrero de 2014. Ministerio de Hacienda, “Ministerio de Hacienda planea recolectar $4,200 millones en 2014”. Diciembre de 2013. www.mh.gob.sv. EDH, “FMI recomendó a gobierno subir IVA del 13% al 16%”. 26 de abril de 2013. 30 ANEXOS Anexo II: Datos de la Serie Deuda Pública Total. 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 ENERO 5483.1 6398.9 7147.6 7273.8 7771.0 8335.6 8829.1 9752.0 11173.7 11815.8 12997.7 14250.8 15050.4 FEBRERO 5512.5 6403.3 7186.3 7266.5 7755.6 8344.1 8885.8 9771.1 11020.6 12501.6 13070.1 14366.2 15038.7 MARZO 5546.8 6753.6 7243.2 7281.6 7795.2 8305.6 8878.0 9909.4 10876.5 12682.0 13232.8 14452.4 ABRIL 5975.4 6755.4 7296.8 7263.3 8239.1 8422.8 8971.0 10091.4 10965.3 12776.0 13230.7 14552.7 MAYO 5852.6 6759.5 7241.9 7182.0 8128.0 8434.6 8942.8 10387.4 10892.1 12845.9 13187.2 14541.9 JUNIO 5861.9 6753.3 7303.5 7505.1 8168.0 8411.2 9031.9 10371.7 11005.7 12827.5 13267.0 14546.9 JULIO 6145.5 6811.7 7280.6 7503.4 8397.7 8607.1 9112.3 10403.6 11086.2 12507.9 13381.7 14579.4 AGOSTO 6026.8 6909.1 7344.0 7433.0 8237.4 8600.6 9121.9 10464.3 11246.0 12534.4 13354.3 14607.7 SEPTIEMBRE 5943.2 6970.0 7493.8 7540.0 8161.1 8603.2 9187.2 10382.0 11298.5 12663.3 13389.9 14644.4 OCTUBRE 6507.8 7007.5 7340.3 7589.3 8285.3 8676.6 9413.5 10722.5 11669.3 12865.3 13514.1 14785.7 NOVIEMBRE 6415.3 7013.4 7384.2 7596.5 8337.3 8692.1 9436.8 10698.0 11693.8 12910.2 13641.0 14830.6 DICIEMBRE 6391.9 7125.5 7305.0 7722.0 8374.0 8652.4 9723.6 11173.5 11778.3 12951.2 14493.1 14888.2 31 Anexo II: Modelo Keynesiano Simple de Determinación del Ingreso. Caso Estados Unidos 1970-2006 Sistema de Ecuaciones Simultáneas Planteamiento del Problema Con los datos anuales en billones de dólares del periodo 1970-2006 de la Economía de Estados Unidos provenientes del World Development Indicators (WDI) del World Bank (Ver Anexo 4) establecemos el siguiente sistema de ecuaciones: C= b0 + b1 Y + u1 Y= C + I + u2 0<b1<1 (1) (2) Dónde: C: Gastos de Consumo Personal. Y: PIB. I: Inversión Interna Bruta Privada. b1: Propención Marginal a Consumir. b0: Consumo Autónomo. La ecuación 1 nos muestra que el Consumo se define como la suma del Consumo Autónomo, la Propensión Marginal a Consumir multiplicado por la Producción más un término de error. Por su parte la ecuación 2 se define como la Producción en función del Gasto de Consumo Personal sumado a la Inversión Interna Bruta Privada más un término de error. Identificación del Sistema: Como primer paso luego de planteado el problema y el modelo se pasa a identificar el sistema de ecuaciones, lo cual nos permitirá seleccionar posteriormente el mejor modelo para resolver ecuaciones simultaneas. Para identificar el modelo usaremos el método de Orden cuya expresión es: K-k > m-1 Dónde: K son todas las variables exógenas del Sistema 32 k son todas la variables exógenas de una ecuación dada. m son las variables endógenas de la ecuación. Por tanto, para la ecuación 1 tenemos que: 1-0 > 2-1 1 = 1 Exactamente Identificada Para la Ecuación 2: 1-1 > 2-1 0 < 1 Sobre Identificada Prueba de Pindyck y Rubenfield Al realizar la prueba de Pindick y Rubenfield por medio de Ewiews obtenemos la siguiente salida de regresión: Dependent Variable: C01 Method: Least Squares Date: 07/10/14 Time: 02:32 Sample: 1 37 Included observations: 37 Variable Coefficient Std. Error t-Statistic Prob. C -359.4988 1.48E-05 -24361476 0.0000 Y 0.730441 2.02E-09 3.61E+08 0.0000 U1 1.000000 5.72E-08 17485866 0.0000 R-squared 1.000000 Mean dependent var 4718.041 Adjusted R-squared 1.000000 S.D. dependent var 1659.352 S.E. of regression 2.75E-05 Akaike info criterion -18.08638 Sum squared resid 2.57E-08 Schwarz criterion -17.95577 Log likelihood 337.5981 Hannan-Quinn criter. -18.04034 F-statistic 6.55E+16 Durbin-Watson stat Prob(F-statistic) 0.000000 2.304980 33 Comprobamos que existe simultaneidad por cuanto el t-stadistic de los errores es mayor mucho mayo al 5%, por lo que es estadísticamente significativo, existiendo una relación endógena. Método de Estimación: Para estimar el modelo utilizamos Mínimos Cuadrados en Dos Etapas (MC2E) y realizamos la estimación en Gretl, dando la siguiente salida: Modelo 5: MC2E, usando las observaciones 1970-2006 (T = 37) Variable dependiente: C Instrumentos: const Y U1 const Y U1 Coeficiente -359.499 0.730441 1 Media de la vble. dep. Suma de cuad. residuos R-cuadrado Desv. Típica 0 0 0 4718.041 0.000000 1.000000 z indefinido indefinido indefinido Valor p indefinido indefinido indefinido D.T. de la vble. dep. D.T. de la regresión R-cuadrado corregido 1659.352 0.000000 1.000000 Pronóstico: El modelo arroja el siguiente resultado: Proyección del Modelo MC2E Para intervalos de confianza 95%, z(0.025) = 1.96 Observaciones 2004 2005 2006 C 7561.40 7803.60 8044.10 predicción 7561.40 7803.60 8044.10 Desv. Típica 0.00000 0.00000 0.00000 Intervalo de 95% (7561.40, 7561.40) (7803.60, 7803.60) (8044.10, 8044.10) 34 Anexo III: Notas periodísticas sobre el tema de la Deuda Pública Total. Anexo II. a Gobierno incrementó la deuda en $4,652 millones Ese monto representa el 44.8 % de la deuda total de $15,039 Mlls. More Sharing ServicesCompartir: | Share on facebook Share on myspace Share on twitter Share on delicious Share on yahoomail Eugenia Velásquez [email protected] Domingo, 20 de Abril de 2014 La deuda adquirida por el actual gobierno del FMLN desde 2009 a febrero de 2014 es de $4,652 millones, lo que representa el 44.8 % de la deuda total que tiene el país, la cual asciende a $15,039 millones, según datos del Banco Central de Reserva (BCR). La deuda pública ha ido al alza desde 2009. El BCR registra que en mayo de ese año inició con $10,387 millones y en diciembre llegó a $11,174 millones, lo que implicó un incremento de $787 millones. Luego en junio de 2010 la deuda bajó a $11,006 millones pero en diciembre de ese año creció a $11,778 millones, es decir, $772 millones más. En junio de 2011 el monto es de $12,508 millones y al cerrar ese año se registró una deuda de $12,951 millones, lo que significó $443 millones adicionales. En junio de 2012 inició con $13,267 millones y terminó diciembre con $14,493 millones, es decir, $1,226 millones más en deuda. Entre diciembre de 2012 y diciembre de 2013, la deuda se incrementó en $395 millones, ya que el BCR refleja que al terminar el año pasado la deuda del gobierno era de $14,888 millones. Y a febrero de 2014 la deuda final es de $15,039 millones, es decir que se incrementó en más de un año en $151 millones. 35 Esto pese a que la Asamblea Legislativa autorizó al gobierno la emisión de $800 millones en títulos valores que se preveía podrían ser cobrados por los inversores en enero de 2013, como parte de su derecho al PUT, es decir, la opción de redimirlos en esa fecha, ya que vencen en 2023. Al no ser cobrados el Estado pidió permiso a los diputados para ocupar el dinero en otros gastos que no fueron contemplados en el presupuesto general de 2013, entre ellos, el complemento del pago al subsidio del gas, el transporte público y, además, los $40 millones que se gastaron en las pasadas elecciones de 2014. Aún así a partir de diciembre de 2012 la emisión de los $800 millones en bonos significó que la tarjeta de crédito del Estado quedó a cero, pero de acuerdo con datos del sitio de Internet del ministerio de Hacienda, el gobierno volvió a endeudarse en Letes (Letras del Tesoro del Estado). Iniciando en enero de 2013 con $561 millones; ya en febrero de ese año la deuda había subido a $640 millones y terminó en diciembre de 2013 con $628 millones, pero en enero de 2014 subió a $700 millones y a marzo de este año la deuda en Letes asciende a $784 millones. El Congreso avaló los fondos bajo un "acuerdo para la sostenibilidad fiscal", que establecía que solo $400 millones de los $800 millones que se captarían en la nueva emisión de bonos podían usarse para pagar deuda de corto plazo. Dentro de los compromisos que adquirió el gobierno cuando la Asamblea le avaló el uso de los $800 millones en bonos fueron bajar el déficit fiscal del 3.3 % al 2.7 % del Producto Interno Bruto (PIB) y bajar la deuda flotante de un 40 % a un 20 % de los ingresos corrientes del Estado. Pero a juzgar por los datos de Hacienda, el gobierno aumentó el gasto corriente del Estado en casi $2,000 millones desde 2009 a la fecha y en ese mismo periodo la deuda subió en $4,652 millones. Anexo I. b El Salvado Deuda pública alcanzó el 60% del PIB El Gobierno sigue gastando más de lo que recauda, en crecimiento continuo de la deuda pública, que en el 2013 superó los $14 mil millones. Martes 4 de Febrero de 2014 36 inShare El saldo de la deuda pública total de El Salvador, que contempla el endeudamiento de las entidades públicas financieras y no financieras ascendió a $14,888.2 millones, lo que representa un aumento de 2,7% respecto al año anterior. Del total, $11.282,5 corresponden a deuda asumida por el sector público no financiero y el monto restante a empresas públicas financieras y el Banco Central de Reserva. La deuda externa, es decir, las obligaciones asumidas por el Estado en los mercados internacionales, ascendió a $8.069,7 millones, equivalente al 54% del total Anexo I. c Ministerio de Hacienda planea recolectar $4,200 millones en 2014 El Gobierno calcula que este año recolectarán $4,272 millones en ingresos por impuestos y contribuciones. La meta se aprobó junto al presupuesto general y es 8.4 % superior a la meta establecida para 2013, según lo indica el documento “Comportamiento y evolución de los ingresos tributarios”, del Ministerio de Hacienda. El cálculo sobre los ingresos se hizo a partir de la actividad económica. Por ejemplo, se espera que la economía crezca 2.6 % en 2014 y que los precios al consumidor suban 3.2 %. El consumo total incrementaría un 3 % y las importaciones de bienes y servicios, 6.8 %. También se tomó en cuenta el precio del petróleo, con un valor promedio de $105.3 el barril y las remesas familiares, que aumentaron 8 %. La meta de Hacienda para el año en curso busca superar el monto recibido durante 2013 que, según está consignado en un documento del portal web de Transparencia Fiscal del MH, fue de $4,084.6 millones. La cifra refleja que no ingresaron $146.8 millones que ya habían sido presupuestados por el Ministerio de Hacienda, pues las proyecciones eran captar en total $4,231.4 millones. Anexo I. d FMI recomendó a gobierno subir IVA del 13% al 16% Ministro de Hacienda afirmó que no están de acuerdo con la recomendación 37 Karla Argueta [email protected] Viernes, 26 de Abril de 2013 El Fondo Monetario Internacional (FMI) quiere que el gobierno aumente el IVA en tres puntos, y que llegue al 16%, afirmó ayer el Ministro de Hacienda, Carlos Cáceres. El titular del Fisco explicó que esa es una de las recomendaciones más agresivas del Fondo para lograr rebajar el déficit fiscal, que el año pasado cerró en el orden del 4% respecto al Producto Interno Bruto (PIB), y que el FMI en su última visita al país, en marzo pasado, solicitó bajara al 3%, en 2013. No obstante, la petición de aumentar el tributo es inviable a juicio de Cáceres. "Nosotros no estamos de acuerdo para nada en que se suba el IVA, ni la administración ni el presidente Funes", recalcó. Al cobrar tres puntos porcentuales más, las arcas del Estado podrían ajustarse con más o menos $600 millones, "pero es un ajuste que la población no resistiría", argumentó el funcionario. No es la primera vez que el Fondo le pide a El Salvador un incremento del IVA. El analista económico y exdirector de Fitch Ratings en el país, Mauricio Choussy, dijo que el organismo internacional ha tenido por años la inquietud de nivelar el IVA en Centro América en alrededor del 15%. "Ya en varias ocasiones, el FMI ha planteado la necesidad de incrementar en dos puntos el IVA, por ser el impuesto más eficiente en términos de recaudación", explicó el analista. Solo el año pasado, Hacienda recaudó más de $1,800 millones en concepto de este tributo, mientras que con el impuesto sobre la renta recibió $1,316.3 millones. Analistas económicos y el sector privado han cuestionado que a pesar de contar con $900 millones adicionales entre 2010 y 2012 producto de dos reformas tributarias -el Gobierno no ha solventado sus problemas de caja y ha incrementado en un estimado de $4,000 millones la deuda pública total y la ha situado en 55% del PIB. Choussy opinó que el aumento del IVA es poco factible en estos momentos por dos razones: el periodo pre-electoral y una economía débil. La Comisión Económica para América Latina y el Caribe (Cepal) dijo esta semana que mientras la región crecerá a un ritmo del 3.5% este año, El Salvador tendrá un crecimiento de hasta el 2%. La proyección del FMI fue menos optimista y aseguró, después de su visita de marzo, que el país crecerá a una tasa de 1.5% en 2013 y 2014. Dado el efecto que la subida de tributos tiene en el desempeño económico, explicó el exdirector de Fitch Ratings, "los Gobiernos deberían buscar impuestos que dañen menos la actividad económica (...) y que sean lo menos regresivos posibles", remarcó el también expresidente del Banco Central de Reserva (BCR). A juicio del analista, gravar las llamadas telefónicas o implementar un impuesto predial podrían ser alternativas menos dañinas para rebajar el déficit por el lado de los ingresos. 38 El Gobierno cocinó el año pasado un tercer paquete fiscal con el fin de recaudar $50 millones anuales; pero, en lugar aumentar el IVA, ha planeado gravar las transacciones financieras, los bienes suntuarios y una modificación a la ley de imprenta. Cáceres dijo ayer que solo están esperando la aprobación del paquete de leyes para atraer la inversión para continuar la gestión de la tercera reforma. Pero sobre el impuesto a las operaciones bancarias, analistas consultados han dicho que aunque es un mecanismo usado en Europa, podría ser contraproducente si afecta los ahorros de los salvadoreños. Mas ingresos y más gasto La creatividad oficial para rebajar la brecha entre gastos e ingresos se ha limitado al cobro de impuestos, pero se ha quedado corta en cuanto a la disminución de gastos, a pesar de que también ha sido una recomendación del FMI. "Un objetivo deseable sería reducir la deuda pública en relación al PIB a los niveles a anteriores a la crisis global para fines de esta década. Esto implicará reformas para flexibilizar y reducir el gasto corriente", declaró Mario Garza, jefe de misión del FMI para El Salvador, según un comunicado de la organización. Para el analista económico, Claudio De Rosa, el Gobierno es "un gastador compulsivo", que no vería resuelto su problema de deuda con un aumento del IVA si no ordena la manera en que gasta los fondos públicos. El economista afirmó que el buen juicio indica que en una situación de caos fiscal como la que vive el país lo sensato es combinar la subida de impuestos con la reducción de gastos, una postura que en ocasiones anteriores también han defendido tanques de pensamiento como la Fundación Nacional para el Desarrollo (Funde). Por cada dólar de impuestos, por ejemplo, $0.65 sirven solo para el pago de salarios, afirmó De Rosa, quien añadió que hasta la fecha tampoco ha notado claridad en el recorte de subsidios, a pesar de que fue contemplado en un balance fiscal del sector público no financiero que Hacienda compartió con los diputados, en diciembre del año pasado. En ese documento, el Ejecutivo anunció que rebajaría en 46% el subsidio del gas licuado, al pasar de $34.8 a $29.8 millones, dijo De Rosa; sin embargo, han transcurrido cuatro meses y el Ministerio de Economía continúa con el proceso de actualización de datos y la licitación de un nuevo mecanismo, que según advertencias de numerosos economistas tendrá repercusiones en los negocios que se dedican a la venta del producto. Para economistas como Luis Membreño y Ricardo Esmahan, el Gobierno arriesga miles de empleos en el sector de venta de gas con tal de obtener financiamiento para pagar ese asistencialismo. 39 El fisco también planteó una drástica baja del subsidio a la energía. La ayuda estatal pasaría de gastar $201.4 Mlls. a $95.9, pero "de esa reducción nadie ha dicho absolutamente nada", dijo el analista. 40