Los efectos de la corrupción en la economía

Esta sección presenta una visión variada sobre el concepto de corrupción. Algunos ejemplos incluyen la perspectiva de ^{Leff (1964)}, que la describe como “una influencia extralegal (si no criminal) en la formación e implementación de políticas”, o la definición de ^{Mauro (1995)}, que la relaciona con “el grado en que las transacciones de negocios incluyen pagos cuestionables”.

Estas definiciones abordan la corrupción desde diversas perspectivas, ya sea como ventas realizadas por agentes gubernamentales para su ganancia personal, como lo plantean ^{Shleifer y Vishny (1993)}, o como el abuso del poder público y/o autoridad para beneficio privado, según ^{Anokhin y Schulze (2009)}.

También se mencionan las dimensiones de la corrupción, que van desde grandes montos de dinero hasta pequeños sobornos, como lo señala el trabajo de ^{Habiyaremye y Raymond (2013)}. Otras definiciones, como la de ^{Cárdenas et al. (2018)}, enfatizan la toma de decisiones individual, ya sea en el ámbito público o privado, buscando un beneficio de cualquier tipo y que puede ser legalmente penalizado.

Se destaca que la corrupción se puede presentar tanto en el sector público como en el privado, como señala ^{Tomaszewski (2018)}. Además, se destaca su impacto negativo en las economías, como lo enfatizan ^{Riaz et al. (2018)}, al tiempo que se resalta su carácter perjudicial como institución, según ^{Riaz y Canter (2020)}.

Por último, Transparency International (^{Faraz y Canter, 2020}) la describe como “el abuso del poder encomendado para beneficio privado” y la clasifica en categorías de grande, pequeña y política. ^{Merino (2022)}, por su parte, sugiere que la corrupción es una consecuencia de la captura del Estado en sus diversas manifestaciones.

Esta revisión de literatura destaca que la corrupción puede ocurrir tanto en el ámbito público como en el privado, y se refiere al abuso de poder para obtener beneficios privados a través de sobornos, desvío de recursos y obtención de contratos. Esto implica secrecía y acuerdo entre dos agentes y, por lo general, ocurre cuando hay una alta inelasticidad de la demanda de los privados respecto a la provisión de bienes o servicios públicos (^{Habiyaremye y Raymond, 2013}).

De esta forma, se podría definir a la corrupción para el presente estudio como el acto de abusar del poder, a menudo de manera secreta, para obtener beneficios personales o privados a través de sobornos, desvío de recursos y obtención de contratos. Puede ocurrir tanto en el sector público como en el privado y puede involucrar transacciones ilegales o cuestionables. Por tanto, la corrupción implica la manipulación indebida de la autoridad para ganancia propia o de terceros.

Según el Foro Económico Mundial, la corrupción ha costado aproximadamente US$2.6 trillones por año, lo que equivale al 5% del PIB mundial (^{Iorio y Segnana, 2022}). Además, el ^{Banco Mundial (2020)} informa que las empresas y los individuos pagan más de US$1 trillón en sobornos cada año. En México, el costo promedio de un acto de corrupción es de MXN$2 799 por adulto víctima y de MXN$12 243 por empresa víctima, de acuerdo con ^{Deloitte (2021)}. La importancia de este tema se refleja en la inclusión de un capítulo de corrupción en el reciente Tratado entre México, Estados Unidos y Canadá (T-MEC), debido a su impacto en el comercio entre los tres países de América del Norte (^{Deloitte, 2021}). Los efectos incluyen la pérdida de empleos, la inhibición de la competencia y la inversión, y una asignación ineficiente de recursos, todo lo cual puede afectar el crecimiento económico de las empresas y las naciones (^{Habiyaremye y Raymond, 2013}; ^{Griffiths y Kickul, 2008}; ^{Sena et al., 2018}).

Estudios clásicos como los de ^{Rose-Ackerman (1975)}, ^{Shleifer y Vishny (1993)} y ^{Mauro (1995)} han modelado la corrupción como una estructura de mercado que surge de las imperfecciones institucionales y de mercado. En estos estudios se concluye que la corrupción inhibe el crecimiento económico y distorsiona los mercados de manera más significativa que un impuesto adicional. ^{Mauro (1995)} introduce análisis econométricos, demostrando que la corrupción en algunos casos puede tener efectos positivos, como la eliminación de barreras burocráticas y el trabajo más ágil de los agentes de gobierno involucrados en actividades corruptas.

La corrupción afecta los derechos de propiedad, constriñe las instituciones políticas y dificulta su combate debido a la secrecía involucrada (^{Hodge et al., 2011}). Existen posturas diferentes sobre los efectos económicos de la corrupción, algunos estudios indican que esta práctica puede facilitar el desempeño económico GTW (^{Leff, 1964}; ^{Huntington, 1968}), mientras que otros proponen el STW (^{Mauro, 1995}; ^{Tanzi, 1998}). Adicionalmente, países con mayor dependencia de exportaciones, altas regulaciones y falta de control de la inflación son más propensos a sufrir de problemas de corrupción (^{Hodge et al., 2011}). Un canal de transmisión de la corrupción es la incertidumbre, ya que disminuye la inversión en capital físico y humano (^{Hodge et al., 2011}). ^{Aghion et al. (2016)} proponen que, elaborar el análisis de este problema, como un impuesto a empresas y consumidores no es adecuado, ya que los impuestos desincentivan a emprendedores y empresas de alta tecnología. Además, concluyen que los efectos marginales de un impuesto sobre el crecimiento en países con altos niveles de corrupción son mínimos.

Desde el 2000 aumentaron los estudios empíricos sobre los efectos de la corrupción respecto al desempeño económico, con información de Transparencia Internacional, en particular, el Índice de Percepción de Corrupción (IPC). Aunque este índice es el principal en estos estudios, también existen otros índices como el International Country Risk Guide (ICRG) Index, o el World Governance Indicators (WGI), que han sido menos utilizados en la literatura académica (^{Gründler y Potrafke, 2019}). De hecho, México se encuentra en los niveles medio-alto en el IPC, pues registra niveles entre 65 y 73%. De acuerdo con este indicador, los países que reciben mayor inversión extranjera directa están asociados a menores niveles de corrupción en el IPC (^{Gründler y Potrafke, 2019}).

En Latinoamérica se ha encontrado que, si bien se avanzó en la lucha contra la corrupción, ésta no muestra resultados concluyentes de mejoría en competitividad o crecimiento del PIB (^{Useche y Reyes, 2020}). También se ha encontrado que la desigualdad y la corrupción tienen una relación inversa, por lo que las políticas aplicadas para el combate a la corrupción podrían no ser las más adecuadas (^{Andres y Ramlogan, 2011}), pues esta relación inversa, podría deberse a la gran participación del sector informal en estas economías (^{Dobson y Ramlogan, 2012}).

^{Ramírez y Sánchez (2013)} realizaron un estudio en México para probar la hipótesis STW, pero no encontraron suficiente evidencia debido a la falta de datos disponibles. Por otro lado, ^{Ruiz y García (2020)} sugieren que la percepción de corrupción afecta el crecimiento económico de manera positiva cuando tanto la tasa de crecimiento como la percepción de corrupción son bajas, pero de manera negativa cuando ambas son altas, lo que respalda la existencia de las dos hipótesis, no obstante, en diferentes momentos.

Los efectos de la corrupción en la innovación

Según ^{Iorio y Segnana (2022)}, aunque la relación entre corrupción e innovación es bien conocida, aún no se ha establecido su naturaleza exacta. El aumento en la disponibilidad de datos permitió un aumento en los estudios que abordan este problema (^{Doan et al., 2022}). Estos estudios se pueden dividir en dos niveles de análisis: el de empresa, donde se analiza el efecto de la corrupción en la innovación en empresas, y el de nivel país o regional.

La corrupción puede tener efectos negativos sobre la innovación. Por ejemplo, empresas con altas tasas de crecimiento y márgenes de utilidad, pueden estar asociadas a mayores niveles de innovación. Además, las empresas que realizan mayores inversiones suelen requerir niveles de certidumbre institucional para llevar a cabo actividades innovadoras (^{Karaman y Sylwester, 2020}; ^{Ross et al., 2012}; ^{Riaz y Canter, 2020}; ^{Habiyaremye y Raymond, 2013}).

Estos efectos se observan tanto en MIPYMES, como a nivel de empresa grande, se tiene registro de estudios académicos de estas afectaciones en empresas como Samsung, Siemens, Wal-Mart, entre otras (^{Iorio y Segnana, 2022}).

También existen estudios a nivel macro, y pueden referirse a un país, un conjunto de países, o un conjunto de estados dentro de un país. Han llegado a hallazgos un poco distintos de los estudios a nivel de empresa. En la Tabla 2 se describen algunos de ellos.

La propiedad intelectual como variable proxy de innovación

El conocimiento se compone de elementos inobservables y puede ser medido a través de enfoques tales como integrado, codificado y tácito. El primero se refiere a software y computadoras, el segundo a patentes y manuales, y el tercero al capital humano (^{Aboites y Soria, 2008}). Las patentes han sido consideradas como factores de investigación y desarrollo en algunas funciones de producción de conocimiento (^{Griliches, 1990}).

Las patentes han sido la medida más importante para los estudios de conocimiento codificado y la innovación (^{Aboites y Soria, 2008}; ^{Hall, 2007}; ^{Encaoua et al., 2006}; ^{Foray, 2004}; ^{Cohen et al., 2000}; ^{Granstrand, 1999}; ^{Griliches, 1990}), aunque existen otras medidas como modelos de utilidad: diseños industriales, secretos industriales, circuitos integrados, derechos de autor, etcétera.

Algunas críticas al uso de indicadores cuantitativos a nivel macro, como el gasto público en I+D, es que dicen poco sobre los vínculos y los impactos observados en el desempeño. Además, sólo pueden evaluarse a largo plazo (^{Molas-Gallart y Davies, 2006}). Los indicadores cuantitativos no revelan la calidad de la investigación. Por ejemplo, un presupuesto de investigación es un insumo, más que una medida de desempeño (^{Donovan, 2007}). También se ha sugerido que las medidas típicas del desempeño de ciencia y tecnología, como patentes, publicaciones, citas, son indicadores finales, que no dan cuenta precisa de los avances en la investigación (^{Mote et al., 2007}).

Variables y fuentes de información

Las variables se agruparon por entidad federativa y se analizaron sólo las correspondientes a 2015, 2017 y 2019 debido a la disponibilidad de datos. A continuación, se describen las variables y sus fuentes.

Todas estas variables y sus fuentes de información se resumen en la Tabla A1 del Anexo.

Análisis de Componentes Principales (ACP)

Este análisis descompone la varianza total para evaluar la pérdida de información al eliminar componentes. Se aplica la técnica de ACP para reducir el número de variables asociadas a la innovación, y otro número de componentes asociados a la corrupción. En la Tabla A1 se tienen 21 variables asociadas a la corrupción, y en cuanto a la innovación son nueve, mismas que se pueden reducir mediante esta técnica de ACP.

En el diagnóstico del ACP, el estadístico KMO (Kaiser Meyer) indica la idoneidad de la matriz para el análisis. Se descartan KMO menores a 0.5, ya que las variables tienen un aporte limitado. Además, se consideran valores propios mayores a 1 o una contribución a la varianza superior al 70% para determinar el número necesario de componentes principales.

Con los componentes principales de variables relacionadas con la innovación y la corrupción, se generan tablas descriptivas con los cuartiles de cada componente principal, que describan las relaciones entre corrupción e innovación.

Análisis de Modelos de Ecuaciones Estructurales

Los modelos SEM combinan la perspectiva econométrica, enfocada en la predicción, con el enfoque psicométrico, que modela variables latentes inferidas indirectamente de múltiples medidas observadas.

Se propone un modelo que incluye dos ecuaciones para los factores Corrupción e Innovación. El factor de Innovación se compone de variables con altas cargas factoriales no repetidas, como miembros SNI por millón de habitantes, solicitudes de patentes y modelos de utilidad por millón de habitantes, IED por millón de habitantes y el factor de corrupción. Las ecuaciones

Donde vl.Corrupcion y vl.Innovacion son variables latentes que determinan a las variables del lado derecho. Una vez estimados estos factores, se calculan los parámetros del modelo de regresión siguiente:

Donde el CPIB se refiere al crecimiento del PIB. Con las ecuaciones 1-4 se prueban las hipótesis, donde la corrupción puede tener efectos sobre la capacidad innovadora de los estados, ya sea positiva o negativa. El modelo de ecuaciones estructurales viene dado en la Figura 1.

Nota: las variables latentes están encerradas en círculos, las variables observables en rectángulos.

Fuente: elaboración propia con Rstudio y paquete DiagRamer.

Figura 1 Modelo SEM para las hipótesis STW y GTW 

En la Figura 1 se observan las hipótesis a contrastar. Las flechas indican la causalidad de una variable a otra, mientras que los coeficientes gamma indican el número de parámetros estimados. Este modelo SEM se aplica en los años 2019, 2017 y 2015. Como pruebas de ajuste del modelo se retoman los estadísticos Chi-cuadrado y SRMR.

Análisis de los componentes principales

Vale la pena señalar que las figuras se muestran sólo para 2019 por cuestiones de practicidad, ya que las estadísticas para 2015 y 2017 son parecidas.¹

En la Figura 2, las correlaciones entre las variables son positivas, lo que sugiere una mayor percepción de corrupción en dimensiones altamente correlacionadas. Se calcularon los coeficientes KMO para evaluar la significancia de las correlaciones y realizar un análisis de componentes principales.

Fuente: elaboración propia con datos del ^{ENCIG-INEGI (2019)}.

Figura 2 Coeficientes de correlación para las variables de corrupción en 2019 

Según la Figura 3, los estados siguen dos estrategias en relación con los indicadores de corrupción. En una dirección se encuentran indicadores “sociales”, que incluyen institutos electorales, escuelas públicas, comisiones de Derechos Humanos, instituciones religiosas y sindicatos. En la otra dirección, se hallan variables “gubernamentales”, como gobiernos estatales, federales y municipales, partidos políticos, cámaras de Diputados y Senadores, empresarios y ministerios públicos.

Nota: los números indican entidades federativas ordenadas alfabeticamente; el texto señala puntuaciones de indicadores en componentes principales.

Fuente: elaboración propia en Rstudio.

Figura 3 Componentes 1 y 2 del ACP para indicadores de corrupción en 2019 

En la Tabla 4 se muestran las cargas factoriales del ACP, que se refieren a las correlaciones entre la puntuación de cada componente principal con las variables originales.

El primer componente, con las cargas factoriales más fuertes, contribuye al 54% de la varianza total. Se aplicó el mismo procedimiento a los indicadores de innovación, presentando una figura de coeficientes de correlación.

En la Figura 4, la variable de gastos estatales de la SEP es la única que muestra una relación negativa con otros indicadores de innovación y correlaciones más débiles. Antes de aplicar el ACP a los indicadores de innovación como reducción de variables, se calcularon los coeficientes KMO para verificar su viabilidad.

Fuente: elaboración propia con datos del ^{CONACYT (2019)}, ^{SEP (2019)} e ^{IMPI (2019)}.

Figura 4 Coeficientes de correlación para las variables de innovación en 2019 

La Tabla 5 muestra que todas las variables tienen una relación estrecha y deben incluirse juntas (MSA global). Se realizó un ACP con los indicadores de innovación de 2019, donde dos componentes principales significativos explican el 74% de la variación total de los datos (véase Tabla 6).

Algunos estados priorizan mayores gastos en SEP, otorgamiento de modelos y solicitudes de diseños industriales (Figura 5, parte inferior), mientras que otros enfatizan miembros SNI, patentes y modelos de utilidad (Figura 6, parte superior).

Nota: los números indican entidades federativas ordenadas alfabeticamente; el texto señala puntuaciones de indicadores en componentes principales.

Fuente: elaboración propia en Rstudio.

Figura 5 Componentes 1 y 2 del ACP para indicadores de innovación en 2019 

Nota: las variables latentes están encerradas en círculos, las variables observables en rectángulos.

Fuente: elaboración propia con Rstudio.

Figura 6 Causalidades y coeficientes del modelo de ecuaciones estructurales con datos combinados 

Además de este análisis gráfico, se obtuvieron las cargas factoriales de los componentes de innovación, mismos que se muestran en la Tabla 7.

En la Tabla 7, el primer componente captura la mayoría de las cargas factoriales, representando el 63% de la varianza total. El segundo componente se destaca por sus cargas en gastos de la SEP y explica las estrategias de desarrollo de indicadores de innovación en algunos estados.

Se elaboró una tabla cruzando el primer componente principal de indicadores de corrupción con el primero de indicadores de innovación, que abarca el 54 y 63% de sus respectivas varianzas. Esta es una herramienta de clasificación basada en el desempeño de las entidades en estas variables.

La Tabla 8 muestra la clasificación de entidades según sus componentes principales. Algunas están en el cuartil superior de innovación, pero en el inferior de percepción de corrupción, como Ciudad de México, Jalisco y Morelos. Otras, como Nuevo León, tienen altos niveles de percepción de corrupción a pesar de estar en el cuartil superior de innovación. Esto sugiere que las hipótesis GTW y STW pueden cumplirse en diferentes estados.

Análisis de ecuaciones estructurales

A continuación se muestran los resultados del SEM, los cuales están divididos en Tablas (9, 10, 11 y 12), esto debido a que el SEM genera mucha información en el proceso de estimación de parámetros. Los resultados se muestran para los tres años de análisis, así como para datos combinados.

De la Tabla 9, la variable latente Corrupción determina de manera positiva a las variables de percepción de corrupción de los niveles de Gobierno Federal, estatal y municipal, así como también determina a la percepción de corrupción en los empresarios. Respecto de la variable latente de Innovación, ésta influye de manera positiva en la cantidad de miembros SNI, solicitud de patentes y modelos de utilidad, IED, así como también influye de manera positiva en la variable latente de corrupción. Este último resultado, es particularmente importante, ya que significa que existe una relación endógena de la innovación sobre la corrupción, esto es, que no sólo la corrupción tiene un efecto sobre la innovación, sino que la innovación tiene efectos sobre la corrupción, esto se ha señalado por diversos autores en las Tablas 1 y 2, particularmente se indica que empresas multinacionales que son innovadoras, corrompen a las autoridades locales para impedir la innovación de empresas locales (^{Habiyaremye y Raymond; 2013}; ^{Nguyen et al., 2016}), también se señala este tipo de relaciones en mercados donde las empresas innovadoras quieren impedir la innovación de competidores (^{Karaman y Sylwester, 2020}; ^{Riaz et al., 2018}; ^{Wen et al., 2018}).

Un aspecto para destacar es que todas las variables resultan significativas a nivel individual. En este sentido, en la siguiente tabla se muestran los estadísticos Chi-cuadrado y SRMR.

En la Tabla 10, las matrices de varianzas y covarianzas muéstrales son iguales a las teóricas sólo en 2015. En otros periodos y en datos combinados, se rechaza esta hipótesis, pero el estadístico SRMR indica un buen ajuste global, especialmente en los datos combinados.

De la Tabla 11, en 2015 la variable latente Corrupción determina en 0.832 a la variable latente de Innovación. Esta variable latente de Corrupción tiene coeficientes positivos para todos los años e incluso en el análisis de años combinados. Esto significa que el impacto de la corrupción sobre la varianza de la innovación es positivo, lo que demuestra los efectos GTW.

Se observa que la variable de Corrupción tiene un valor negativo para el 2015, pero positivo para 2019, 2017 y años combinados. Esto, por un lado, refleja la inconsistencia del impacto de la corrupción sobre el crecimiento económico; por otro lado, cuando se analizan los datos en conjunto para tres años, se refuerza la hipótesis GTW, ya que la percepción de corrupción muestra efectos positivos y significativos sobre el crecimiento económico.

En la Figura 6, la percepción de corrupción sobre empresarios tiene un mayor peso en la variable latente de corrupción que la percepción sobre autoridades gubernamentales. A nivel municipal, la corrupción contribuye significativamente a esta variable latente (después de excluir a los empresarios). Para la variable latente de Innovación, el número de solicitudes de patentes y modelos de utilidad es destacado por su peso explicativo.

En relación con los efectos de la innovación en el crecimiento, se observan impactos positivos en los años analizados, lo que indica una dirección coherente en este efecto. Respecto del gasto, también muestra consistencia en signos y significancia, especialmente en los datos combinados de los tres años.