Pronóstico de Crecimiento Económico basado en Complejidad Económica (2032)

Una aplicación clave de la complejidad económica es predecir el crecimiento económico a largo plazo.¹ Esta aplicación se basa en el hecho de que los ingresos nacionales tienden a converger entre países con un nivel de complejidad similar.²⁻¹⁰ Aquí puedes encontrar pronósticos de crecimiento económico para 87 países estimados usando un marco de complejidad económica multidimensional.¹¹ Este es un marco que utiliza datos sobre la composición de las exportaciones, patentes y publicaciones de investigación de un país, proporcionando una visión más completa del potencial de crecimiento de una economía.

Tabla de Pronóstico de Crecimiento Económico

TCAC anualizada esperada entre 2022 y 2032

Posición	País	Crecimiento anual previsto del PIB per cápita	ECI Comercio	ECI Investigación	ECI Tecnología	PIB per cápita (en PPA, USD constantes 2021)	Crecimiento previsto del ECI Comercio
No records to display

Rows per page

0-0 of 0

Proyecciones de crecimiento regional

Según nuestras proyecciones, el Sur de Asia liderará el crecimiento global durante la próxima década con una tasa de crecimiento esperada del 2.62%. La región será impulsada por el crecimiento de India (4.20%), que se espera sea un líder mundial. También esperamos alto potencial de crecimiento en Asia Oriental y Pacífico, con países como Filipinas (3.79%), Vietnam (3.04%) y China (2.93%) contribuyendo a la tasa de crecimiento promedio de la región del 1.88%. Se espera que Asia Central muestre un crecimiento más modesto liderado por el crecimiento de Uzbekistán (2.42%).

Figura 1. Proyecciones de crecimiento del ECI Multidimensional promedio por región para 2032.

Figura 2. Proyecciones de crecimiento del ECI Multidimensional por país para 2032.

Se espera que el crecimiento económico de América Latina promedie 2.07%, liderado por Brasil (2.97%), México (2.65%) y Colombia (2.69%). En Centroamérica, Panamá (1.70%) y Costa Rica (1.60%) se esperan como los principales actores, reflejando sus esfuerzos por diversificarse más allá del comercio tradicional.

En África, el Sahara y el África Subsahariana presentan una imagen contrastante. El crecimiento del Norte de África será liderado por Marruecos (2.82%), que de alguna manera ha transitado hacia una economía manufacturera. El África Subsahariana muestra un potencial de crecimiento aún más fuerte, con un 2.29% para la región, liderado por Uganda (3.18%) y Sudáfrica (3.14%) como principales actores.

En Europa, se espera que Europa del Este supere a Europa Occidental en términos de crecimiento económico, con una tasa de crecimiento promedio del 1.95% en comparación con el 1.20% de Europa Occidental. Países como Bosnia y Herzegovina (2.59%) y Serbia (2.28%) parecen tener niveles de complejidad económica que soportan mayores ingresos. En Europa Occidental, Portugal (1.74%) y España (1.70%) muestran el mayor potencial de crecimiento.

FAQ

¿Cuáles son los beneficios de usar un marco de complejidad económica multidimensional para pronósticos?

Si bien las medidas de complejidad económica basadas en el comercio son valiosas, tienen limitaciones. Por ejemplo, los altos niveles de complejidad económica (ECI (comercio)) a veces reflejan la integración de un país en cadenas de valor globales, como en el caso de Eslovaquia o México, que están integrados, respectivamente, con los sectores manufactureros de Alemania y Estados Unidos.¹² De manera similar, los países geográficamente distantes de los mercados globales pueden exhibir baja complejidad comercial porque es más conveniente para ellos especializarse en la exportación de recursos naturales (por ejemplo, Australia, Chile). Los datos detallados sobre patentes, artículos de investigación y software pueden superar algunas de estas limitaciones, ya que son formas de producción económica menos restringidas por la distancia geográfica. Al integrar múltiples fuentes de datos en un enfoque multidimensional, podemos obtener una estimación más precisa del potencial de crecimiento de una economía.

¿Qué enfoque están utilizando para pronosticar el crecimiento?

Estamos siguiendo el método de Stojkoski et al. (2023)¹¹, que consiste en calcular tres métricas separadas de Complejidad Económica: ECI (comercio) usando datos de exportación, ECI (tecnología) usando datos de solicitudes de patentes, y ECI (investigación) usando datos de publicaciones de investigación, y usarlos como variables explicativas en regresiones que explican el crecimiento anualizado del PIB per cápita (en USD PPA 2021). Incluimos el PIB per cápita inicial para tener en cuenta la convergencia económica y efectos fijos por período para capturar factores globales que influyen en el crecimiento durante estas décadas. Después de un paso de selección de modelo, encontramos que el modelo que incluye solo ECI (comercio) y ECI (tecnología) es el mejor para explicar el crecimiento económico a largo plazo (funcionando parcialmente como sustitutos, ya que exhiben un término de interacción negativo entre ellos). Llamamos a este modelo el modelo multidimensional final. Calibramos este modelo usando datos de dos períodos de 11 años (1999-2010 y 2010-2021) y luego usamos datos de 2021 para crear la línea base desde la cual predecimos tasas de crecimiento anual hasta 2032 (asumiendo que las condiciones globales permanecerían similares a los efectos fijos estimados para 2010).

¿Cuánto mejores son los pronósticos de ECI multidimensional comparados con los pronósticos de ECI (comercio)?

En la Tabla 2, mostramos los resultados de los modelos de regresión de complejidad económica multidimensional. Encontramos que el mejor modelo de complejidad económica multidimensional (incluyendo ECI (comercio), ECI (tecnología) y su interacción) es casi 4 puntos porcentuales mejor para explicar variaciones internacionales en el crecimiento económico que los modelos basados únicamente en la complejidad comercial. Es decir, el R-cuadrado ajustado, una medida del desempeño del modelo, para el modelo de ECI multidimensional final es 0.306 (columna 9 de la Tabla 2), mientras que para el modelo de ECI (comercio) es 0.268 (columna 2 de la Tabla 2).

Tabla 2. Resultados de Regresión de Crecimiento Económico basado en Complejidad Económica Multidimensional.

Pero las diferencias entre el modelo multidimensional y el modelo de ECI (comercio) van más allá del desempeño predictivo.

Considera China. Al comparar las predicciones del ECI multidimensional con las basadas únicamente en datos comerciales, China destaca como un caso de consistencia notable. Sus predicciones de crecimiento permanecen casi sin cambios entre los dos modelos, con 2.91% en comercio y 2.93% en el modelo multidimensional. Esta estabilidad refleja la integración equilibrada de China del comercio y la tecnología dentro de su estrategia económica. Pero China es una excepción más que la norma al comparar los enfoques multidimensional y solo de comercio.

Figura 3. Diferencias entre las predicciones del ECI Multidimensional y las predicciones del ECI (comercio).

Considera Uganda e India. Por un lado, Uganda emerge como el mejor performer en el modelo basado en comercio con una tasa de crecimiento prevista del 3.99%, pero esta cifra cae al 3.18% en el modelo multidimensional. Esta disminución resalta la complejidad tecnológica relativamente baja de Uganda, sugiriendo que sus fuertes actividades comerciales por sí solas podrían no ser suficientes para sostener un crecimiento más alto a largo plazo. Por otro lado, India demuestra la tendencia opuesta. Mientras que su predicción basada en comercio ya es fuerte con 3.65%, sube a 4.20% en el modelo multidimensional, convirtiéndolo en el líder global. Este aumento subraya el papel crítico de los avances tecnológicos de India en impulsar su potencial económico general.

Considera también Australia y Alemania, que ilustran aún más cómo el enfoque multidimensional puede alterar significativamente las predicciones de crecimiento. Australia experimenta un aumento sustancial en su tasa de crecimiento prevista, pasando de -0.54% en el modelo de comercio a un positivo 1.02% en el modelo multidimensional, impulsado por su fuerte énfasis en la innovación tecnológica. Por el contrario, el potencial de crecimiento de Alemania disminuye de 1.82% en el modelo de comercio a 1.19% en el modelo multidimensional, sugiriendo que si bien Alemania sobresale en comercio, su portafolio de patentes puede no ser tan avanzado como su desempeño comercial podría indicar. Estos ejemplos resaltan la importancia de incorporar múltiples dimensiones de la actividad económica para obtener una comprensión más precisa y matizada del potencial de crecimiento futuro.

Pero incluso el enfoque multidimensional no está exento de limitaciones. Es decir, mientras nuestro método sobresale en resaltar el potencial de crecimiento estructural, es importante reconocer que no tiene en cuenta las interrupciones a corto plazo como la inflación, pandemias o conflictos. Estos factores, aunque impactantes a corto plazo, son típicamente transitorios y tienden a equilibrarse con el tiempo. Debido a que nuestro análisis no incorpora estas interrupciones, las estimaciones podrían diferir de las realidades actuales en situaciones donde ocurren eventos significativos (por ejemplo, guerras). Como resultado, mientras nuestro enfoque ofrece percepciones robustas sobre el potencial de crecimiento a largo plazo, es crucial considerar que factores externos podrían llevar a desviaciones de estas proyecciones.

En conclusión, el enfoque multidimensional de la complejidad económica equipa a los formuladores de políticas con una herramienta poderosa para proyectar el crecimiento futuro. Al integrar aspectos clave de la complejidad de una economía, podemos identificar mejor los impulsores del desarrollo económico hasta 2032, asegurando que las estrategias estén alineadas con la resiliencia a largo plazo y el potencial de crecimiento de las naciones en una economía global cada vez más compleja.

¿Cómo está funcionando el modelo ECI comparado con modelos basados en otras métricas de sofisticación?

Comparamos el desempeño de un modelo base de ECI (comercio) con un modelo que usa otra medida de sofisticación exportadora, conocida como EXPY. La métrica EXPY es esencialmente el ingreso per cápita promedio de los países que exportan un conjunto similar de bienes.

Nuestros hallazgos revelan que el modelo ECI es significativamente mejor para explicar el crecimiento económico (como se muestra en la columna 2 de la Tabla 3), mientras que el logaritmo de EXPY no demuestra el mismo poder explicativo (como se ve en la columna 3 de la Tabla 3). Cuando ambas medidas se incluyen en un modelo combinado, el ECI claramente supera al logaritmo de EXPY (columna 4 de la Tabla 3).

Esta diferencia surge porque EXPY está más correlacionado con el PIB per cápita inicial, ya que se construye usando datos de PIB per cápita, lo que lleva a una alta multicolinealidad entre EXPY y el PIB per cápita en el modelo. La complejidad económica es, por lo tanto, mejor para capturar información sobre la composición de una economía que aún no está expresada en su nivel de ingresos (Figura 4).

Tabla 3. Comparación base de ECI y EXPY para explicar el crecimiento económico.

Figura 4. Gráficos de dispersión mostrando la correlación entre ECI (comercio), logaritmo de EXPY, y PIB per cápita en nuestros datos.

¿Son estos resultados robustos a posibles problemas de endogeneidad?

En Stojkoski et al.¹¹, intentamos abordar las preocupaciones de endogeneidad sustituyendo la complejidad de cada país con la complejidad promedio de sus tres países más similares no vecinos. Por ejemplo, Japón comparte una estructura de exportación similar con el Reino Unido, Alemania y Chequia. Este enfoque nos proporciona una medida que no está influenciada por factores únicamente japoneses (como idioma, cultura o historia), pero que aún está estrechamente relacionada con la estructura productiva de Japón. Si bien esta no es una estrategia de identificación perfecta, ayuda a probar la robustez de estos hallazgos. Los modelos de crecimiento de complejidad económica multidimensional permanecen consistentes al usar las complejidades de no vecinos similares, indicando que los resultados probablemente están impulsados por aspectos relacionados con la composición de exportaciones, tecnología e investigación. Más sobre este enfoque se puede encontrar en Stojkoski et al.¹¹, donde discutimos estos métodos y sus implicaciones con mayor detalle.

Referencias

Hidalgo, C. A. & Hausmann, R. The building blocks of economic complexity. Proceedings of the national academy of sciences 106, 10570–10575 (2009).
Hausmann, R., Hidalgo, C. A., Bustos, S., Coscia, M. & Simoes, A. The Atlas of Economic Complexity: Mapping Paths to Prosperity. (Mit Press, 2014).
Chávez, J. C., Mosqueda, M. T. & Gómez-Zaldívar, M. Economic complexity and regional growth performance: Evidence from the Mexican Economy. Review of Regional Studies 47, 201–219 (2017).
Domini, G. Patterns of specialization and economic complexity through the lens of universal exhibitions, 1855-1900. Explorations in Economic History 83, 101421 (2022).
Koch, P. Economic Complexity and Growth: Can value-added exports better explain the link? Economics Letters 198, 109682 (2021).
Ourens, G. Can the Method of Reflections help predict future growth? Documento de Trabajo/FCS-DE; 17/12 (2012).
Stojkoski, V. & Kocarev, L. The relationship between growth and economic complexity: evidence from Southeastern and Central Europe. (2017).
Stojkoski, V., Utkovski, Z. & Kocarev, L. The impact of services on economic complexity: Service sophistication as route for economic growth. PloS one 11, e0161633 (2016).
Tacchella, A., Cristelli, M., Caldarelli, G., Gabrielli, A. & Pietronero, L. A new metrics for countries’ fitness and products’ complexity. Scientific reports 2, 1–7 (2012).
Cristelli, M., Gabrielli, A., Tacchella, A., Caldarelli, G. & Pietronero, L. Measuring the intangibles: A metrics for the economic complexity of countries and products. PloS one 8, e70726 (2013).
Stojkoski, V., Koch, P. & Hidalgo, C. A. Multidimensional economic complexity and inclusive green growth. Communications Earth & Environment 4, 130 (2023).
Salinas, G. & Muñoz, S. Proximity and Horizontal Policies: The Backbone of Export Diversification and Complexity. IMF Working Papers 2021, (2021).
Hausmann, R., Hwang, J. & Rodrik, D. What you export matters. Journal of economic growth 12, 1–25 (2007).