APUNTES – 2020/10

J. Ignacio Conde-Ruiz Universidad Complutense de Madrid y Fedea

Manu García Universidad Complutense de Madrid

Luis A. Puch Universidad Complutense de Madrid e ICAE

Jesús Ruiz Universidad Complutense de Madrid e ICAE

fedea

J. Ignacio Conde-Ruiz(a), Manu García(b), Luis A. Puch(c) y Jesús Ruiz(c)

Mayo 2020

(a) Universidad Complutense de Madrid y Fedea

(b) Universidad Complutense de Madrid

(c) Universidad Complutense de Madrid e ICAE

Resumen

El pasado mes de abril presentamos una metodología para el seguimiento de la afiliación a la Seguridad Social durante la crisis de la Covid-19 (Conde-Ruiz, García, Puch y Ruiz, Apuntes Fedea, 2020). Dicha metodología, que se basa en los resultados publicados en Conde-Ruiz, García, Puch y Ruiz (2019), permite simular escenarios alternativos durante la crisis Covid y hacer previsiones sobre la evolución de nuestro mercado laboral. Para ello, combinamos la estimación de los efectos de calendario que se identifican en los datos diarios de afiliación más recientes, con el seguimiento de la evolución de la demanda de energía eléctrica de la economía española en tiempo real.

En este informe actualizamos el seguimiento de la afiliación a la publicación de los datos del mes de abril. Los nuevos datos han motivado la necesidad de realizar algunos ajustes en la especificación del modelo estadístico propuesto. Concretamente, y junto a otras mejoras, hemos incorporado una variable que recoge el efecto diferenciado de los cambios en el consumo eléctrico antes y después de la crisis. Dicha variable permite capturar el papel que pueden estar jugando los ERTEs (y la nueva prestación por cese de actividad para los autónomos), cuya activación ha permitido sostener los niveles de afiliación en abril y. ya desde fin de marzo. Esta circunstancia, combinada con la ligera reanimación del consumo eléctrico que se viene observando desde la pasada Semana Santa, nos hace prever una lenta recuperación del número de cotizantes durante el mes de mayo, similar a la que se ha venido produciendo entre el 1 y el 29 de abril (dejando fuera el efecto fin de mes) a una tasa del 0.16% mensual. A la vez, nuestro escenario contrafactual sugiere que la destrucción de puestos de trabajo se ha mitigado sustancialmente respecto a lo que se habría observado en una hipotética economía sin Covid-19, de manera que a 30 de abril calculamos que se habrían perdido poco más de un millón de afiliados respecto a un hipotético escenario sin crisis.

J. Ignacio Conde-Ruiz es Profesor de Análisis Económico en la Universidad Complutense de Madrid y Subdirector de Fedea.

Manu García es Profesor de Análisis Económico en la Universidad Complutense de Madrid y PhD Candidate de la Washington University St Louis, EEUU.

Luis Puch es Profesor de Análisis Económico en la Universidad Complutense de Madrid, y Director de Investigación en ICAE. Correspondencia: lpuch@ccee.ucm.es

Jesús Ruiz es Profesor de Análisis Económico en la Universidad Complutense de Madrid, y Director de Investigación en ICAE.

1. Introducción

En este informe presentamos una actualización del seguimiento de la afiliación a la Seguridad Social de acuerdo con la metodología que habíamos propuesto en Conde-Ruiz, García, Puch y Ruiz, 2020 (y que se basa en Conde-Ruiz, García, Puch y Ruiz, 2019). Las noticias que podían extraerse de las últimas comparecencias de los ministros Escrivá (15 de abril) y Calviño (1 de mayo) hacían prever la estabilización en la afiliación a la Seguridad Social en abril. La afiliación se redujo en 74.298 ocupados entre el 1 y el 30 de abril, pero esta reducción ocurrió por culpa del efecto fin de mes. Descontando dicho efecto, hasta el 29 de abril se había acumulado ya un aumento de casi 30.000 afiliaciones netas, y esto último como resultado de una muy ligera tendencia positiva registrada fundamentalmente desde el pasado día 14, poco después del final de la Semana Santa.

En nuestro documento de propuesta metodológica original, ya habíamos anticipado, a mitad del pasado mes de abril, el resultado que se ha producido. La previsión que dimos, la habíamos obtenido a partir de una variante de nuestro modelo estadístico para los flujos de afiliación (Conde-Ruiz et al., 2019). Dicho modelo, que hemos extendido ahora por la crisis Covid para incorporar los datos diarios de consumo eléctrico, vuelve a ser revisado en este informe con el fin de poder captar adecuadamente la nueva fase de estabilización que estamos observando. En todo caso, que nuestras previsiones hayan estado en línea con los datos de afiliación del mes de abril nos anima a seguir implementando la metodología que proponemos para el seguimiento de la crisis de la Covid-19.

Las principales novedades desde el punto de vista metodológico son tres. En primer lugar, hemos incorporado una variable dummy que incorpora el efecto diferencial de creación neta de afiliados en la primera parte del año. En segundo lugar, en la nueva especificación del modelo, consideramos una dummy Covid. Dicha variable ficticia nos permite incorporar la variación del consumo eléctrico distinguiendo el periodo antes y después de la crisis. Por último, hemos ampliado el modelo estadístico para incorporar los autorregresivos largos, a dos y tres meses. Dichos términos compensan en parte por la persistente caída de afiliación registrada en marzo.

Un asunto clave es la prevalencia de los ERTEs. Ya desde fin de marzo su puesta en marcha ha supuesto que la caída de la afiliación tocara suelo. A la vez, la prestación por cese de actividad alcanza ya a cerca de 1.4 millones de autónomos, que se unen a los 3,5 millones de afiliados protegidos por ERTEs. En las próximas semanas, cuando todos estos trabajadores que permanecen afiliados a la Seguridad Social empiecen a salir de los planes de protección de empleo, será clave realizar un seguimiento adecuado de su incorporación a los puestos de trabajo. Este seguimiento servirá para evaluar en qué medida la reincorporación de los afiliados protegidos por los ERTEs puede afectar a otros trabajadores actualmente en situación de desempleo o inactivos, pero que se activen como resultado de tales reincorporaciones, dando lugar por tanto a nuevas afiliaciones.

El análisis contrafactual nos dice que de no haber surgido la crisis sanitaria de la Covid-19, el mes de abril hubiera acabado con unos 100.000 afiliados más en alta a la Seguridad Social respecto a su máximo del pasado 11 de marzo. Por el contrario, hemos observado que la afiliación a 30 de abril, que quedó en los 18,4 millones de afiliados, se sitúa en 1.045.671 afiliados por debajo del valor que estimamos en ausencia de Covid-19. En todo caso, si en lugar de considerar la destrucción de empleo desde máximos nos centramos en la situación posterior al Estado de Alarma desde el pasado 16 de marzo, encontramos que la cifra de destrucción de empleo se ajusta más hasta los 750.000 afiliados menos. Esto es importante porque conviene distinguir la respuesta del mercado de trabajo al confinamiento frente a la reacción que se deba a otros factores económicos.

La previsión que ofrecemos para el mes de mayo, y que incorpora los datos de consumo eléctrico en tiempo real hasta el 15 de mayo, sugiere que la tendencia es de ligera recuperación sostenida, pero el impulso no es aún suficiente como para modificar de manera sustancial la senda hacia valores crecientes de afiliación. Este resultado pone de manifiesto que tendremos que valorar hasta que punto un cambio significativo de tendencia en el consumo eléctrico, si este finalmente se produce, será capaz de capturar el tan esperado cambio de tendencia en la afiliación. Para ello es clave tener en cuenta el papel que podrá estar jugando la salida de los ERTEs. Dicho proceso de salida de los ERTEs traerá consigo incrementos de consumo eléctrico que sólo en parte se verán reflejados en la afiliación. Nuestra intención es valorar en qué medida esto podrá ocurrir, por ejemplo, a través de la elasticidad de la respuesta en la contratación de trabajadores temporales a la incorporación a sus puestos de trabajo de los indefinidos.

El informe se organiza como sigue. La Sección 2 revisa la evidencia más reciente en relación a nuestro enfoque metodológico, y muy centrada en la evolución de las altas y las bajas de afiliación. En la Sección 3 discutimos las mejoras que hemos introducido en la especificación del modelo estadístico, y también, cómo dichas mejoras afectan a nuestros escenarios contrafactuales. La sección 4 muestra las nuevas previsiones bajo distintas variantes de la información muestral, y la sección 5 evalúa las observaciones de las altas y las bajas de afiliación frente a sus contrafactuales. La última sección concluye.

2. La evidencia reciente

El mes de abril 2020 puede haber sido un mes de transición en la afiliación. Después de la brutal caída de marzo, abril se ha caracterizado por la estabilidad. Las altas y las bajas por su parte han mostrado un patrón episódico cualitativamente similar al de cualquier mes (distinto de marzo de 2020). Sin embargo, lo han hecho en una “versión en miniatura” desde el punto de vista cuantitativo. Es decir, con los efectos de calendario habituales, pero a unos niveles mínimos de altas y bajas de afiliación.

El gráfico 1 muestra la evolución diaria del número de afiliados a la Seguridad Social año a año desde 2016 hasta 2020 (para ver la serie histórica completa basta con recuperar el gráfico correspondiente de nuestro apunte anterior). El gráfico permite visualizar la magnitud de la caída en marzo, y el significado preciso de la estabilización en abril. La estabilidad en la afiliación neta ha llegado gracias a los ERTEs. La destrucción de puestos de trabajo en marzo de 2020 llevó la serie de afiliados a niveles por debajo de los de marzo de 2018, y concretamente, hasta niveles de afiliación más bien de fin de 2017. La estabilización mantiene la serie de 2020 por debajo de 2018, convergiendo a niveles de mayo de 2017. Cabe preguntarse si en las próximas semanas veremos la serie recuperar la tendencia que habíamos observado en su momento para estas mismas fechas en el año 2018 o si, por el contrario, seguiremos planos por debajo, como estamos ahora. Es claro que esta es una partida muy importante que aún tenemos que jugar en la desescalada.

Gráfico 1 Número de afiliados a la Seguridad Social desde el mínimo reciente de la serie histórica del 31 de enero de 2013 hasta el 31 de marzo 2020 (datos diarios del registro de afiliaciones, que excluyen fines de semana y festivos). Fuente: elaboración propia a partir de los datos históricos diarios de la Seguridad Social.

Por otro lado, salvo por el marcado efecto fin de mes, la cifra de afiliación de abril se sitúa en niveles de fin de marzo. Es importante llamar la atención sobre el efecto fin de mes porque ocurre que, incluso en estos tiempos excepcionales para el empleo, los efectos de calendario estructurales del mercado de trabajo español se imponen. Resulta evidente, en todo caso, que el gran ajuste se produjo en marzo y que los trabajadores con contrato indefinido se han acogido a ERTEs (Expediente de Regulación Temporal de Empleo), tal y como apuntan todos los analistas. La nota de prensa de abril del ministerio indica que, del total de afiliados, a 30 de abril, 3.386.785 están protegidos por una situación de suspensión total o parcial por ERTEs. A estos hay que añadir los cerca de un millón de autónomos que ha recibido la nueva prestación por cese de actividad y los hasta dos millones más de trabajadores desocupados, para completar la cifra de los beneficiarios hoy de una prestación por desempleo.

Respecto a la afiliación por sectores, los datos proporcionados por el Ministerio indican un cambio muy importante en abril de acuerdo con el cual se han registrado variaciones positivas de afiliación en agricultura y construcción (del 3% y el 2,5% respectivamente), y variaciones negativas en el entorno de medio punto porcentual para la industria y los servicios. Como muestra el gráfico 2, la destrucción de afiliaciones en abril ha estado principalmente concentrada en los subsectores de Educación y de Comercio Minorista y Mayorista, pero es evidente que el entorno negativo no tiene nada que ver en absoluto con lo oobservado en marzo. Por el contrario, el mes de abril ha registrado variaciones positivas de afiliación en los subsectores de Actividades sanitarias, Construcción, y paradójicamente, “Servicios de alojamiento”. Como ya indicamos en nuestro informe anterior, organizar la información de afiliación desagregada por sectores puede ser muy útil para tomar el pulso de la transmisión de la salida de la crisis a la actividad económica en la recuperación.

Gráfico 2 Mayor variación de afiliación en los sectores productivos durante marzo (desde el 12) y en abril de 2020. Fuente: Seguridad Social.

2.1 Comportamiento de las altas y las bajas de afiliación

Mirar a la evolución de los flujos, es decir, a las altas y bajas en lugar de al stock de afiliados, nos permite valorar más precisamente la importancia de los movimientos en la afiliación. El gráfico 3 muestra la evolución de las altas y las bajas desde principios de año. Ambos flujos se mueven conjuntamente, y como siempre, de manera episódica. Hasta el pasado 11 de marzo, las altas se situaban ligeramente por encima de las bajas en los picos de afiliación. A partir de esa fecha, y especialmente desde el pico en las bajas del día 16 (primer día laborable tras el Estado de Alarma), ambas series se separan en marzo en gran medida por la tendencia decreciente en las altas (línea azul). En abril, sin embargo, parece haberse invertido la tendencia, y las altas se sitúan de nuevo por encima de las bajas excepto por el efecto fin de mes. Lo que comprobamos ahora, con los nuevos datos, es que abril ha sido una suerte de “febrero en miniatura”: se ha recuperado el patrón episódico (¿con ligera tendencia de caída aún?), pero a unos niveles de los flujos que ponen de manifiesto la grave atonía que el confinamiento, aunque más moderado ya desde Semana Santa, induce en el mercado de trabajo.

El gráfico 4 muestra la evolución de las bajas registradas en todos los meses de abril desde el año 2012. El gráfico compara las bajas de afiliación lunes con lunes, martes con martes, etc. Las observaciones en blanco corresponden a la ausencia de registro en los fines de semana y los festivos. Por tratarse de las bajas, alineamos los días laborables de los distintos años en el último viernes de mes, y a partir de ahí ordenamos el resto de los días. El gráfico de las bajas pone de manifiesto la atonía a la que ya nos habíamos referido antes. Las bajas no son en absoluto elevadas, al contrario, están en general en los niveles más bajos de cada día de abril de los últimos años. Si no se contrata (da de alta), entonces se despide (da de baja) mucho menos. Es llamativo que la segunda quincena recoge claramente los mínimos históricos (recientes) de las bajas de afiliación, y sólo cabe destacar la destrucción de empleo a fin de mes, de cuyo reflejo positivo nos haremos eco en junio próximo, al disponer de la observación de altas registradas en el primer laborable del mes de mayo.

Gráfico 3 Altas y bajas de afiliación a la Seguridad Social cada día en 2020 (datos diarios del registro de afiliaciones, que excluyen fines de semana y festivos). Las líneas de malla indican el primer laborable del mes.

Y es que, en realidad, para entender el ajuste del empleo en este mes de abril, es necesario analizar también la creación de empleo reflejada en las nuevas altas de afiliados. En marzo pasado ya vimos que gran parte de la destrucción neta de empleo vino porque se dejó de contratar o no se renovó un contrato existente. Ahora, sin embargo, nos encontramos que lo que ocurre es que las altas simplemente se han estabilizado en sus niveles más bajos de la serie.

Como muestra el gráfico 5, los lunes de los meses de abril entre 2012 y 2019 siempre registraron altas de afiliación por encima de los 100.000 ocupados. Este abril de 2020, sin embargo, es el primero que esa cifra no se consigue para ningún lunes. Ocurre además que, sólo en el primer día laborable del mes se consiguió superar la cifra de 100.000 altas (por el efecto principio de mes). El resto de días, las altas han estado en sus niveles más bajos de la serie histórica reciente, y por cierto que, perfectamente ordenadas a la baja sucesivamente de martes a viernes cada semana. En definitiva, como cabía esperar, las altas en el mes pasado, al igual que en marzo, han continuado estando bien por debajo de la media de esos mismos meses en los últimos años. Es claro por tanto que habrá que seguir esperando para una posible recuperación. Las altas de este mes de abril han sido las más bajas de los últimos años, y las bajas de afiliación siguen a las altas en su atonía.

Al final del informe veremos cómo compara la evolución de altas y bajas en estos dos meses con el contrafactual para cada flujo que obtenemos con nuestro modelo estadístico correspondiente.

Gráfico 4 Número de bajas de afiliación a la Seguridad Social cada día en cada uno de los meses de abril desde 2012 (datos diarios del registro de afiliaciones, que excluyen fines de semana y festivos). En rojo, el dato de cada día de abril de 2020. Nota: El gráfico se construye haciendo coincidir la columna de bajas del último viernes de cada mes de abril. Los días que no coinciden en los distintos años, de más o de menos, van después de ese viernes o en los primeros valores de la representación

Gráfico 5 Número de altas de afiliación a la Seguridad Social cada día en cada uno de los meses de abril desde 2012 (datos diarios del registro de afiliaciones, que excluyen fines de semana y festivos). En rojo, el dato de cada día de abril de 2020. Nota: El gráfico se construye haciendo coincidir la columna de altas del primer

lunes de cada mes de abril. Los días que no coinciden en los distintos años, de más o de menos, van antes de ese lunes o en los últimos valores de la representación.

Gráfico 6 Demanda diaria de energía eléctrica desde 2016, media móvil de siete días Fuente: elaboración propia a partir de los datos de Red Eléctrica Española.

2.2 La evolución de la demanda diaria de energía eléctrica

De acuerdo con nuestra metodología, la variable que incorpora los cambios en tiempo real de la actividad a la previsión de afiliaciones es el consumo eléctrico.¹ Como muestra el gráfico 6, en el que se ha usado una media móvil de siete días para suavizar la serie, desde el pasado 11 de abril en que se alcanzó el mínimo histórico reciente, el consumo eléctrico ha venido recuperándose, de momento con un escalón que incluye el pasado puente de mayo. Parece claro que el pase a Fase I de un número creciente de zonas geográficas desde el pasado 11 de mayo ha tenido efectos en la recuperación del consumo (el último dato es 15 de mayo), y nos mantiene un 10% por debajo del valor habitual en estas fechas.

Habíamos conjeturado que el comportamiento de la afiliación en el pasado mes de marzo reflejó la primera reacción a la crisis Covid, y que no tenía por qué reproducirse. La estabilidad que se ha registrado en abril y la disponibilidad de nuevos datos, nos han motivado a refinar el uso que hacemos de la serie de demanda de energía eléctrica con el fin de disponer de un buen indicador adelantado en tiempo real de la actividad productiva en la economía española. En la sección siguiente discutimos brevemente los cambios que hemos introducido en el modelo de previsión que implementamos de acuerdo con nuestra metodología.

1 Los detalles sobre la construcción de esta variable y sus principales características (notablemente, las relativas a su carácter estacional), pueden verse en Conde-Ruiz, García, Puch y Ruiz (2020).

3. Mejoras del modelo estadístico para los flujos de afiliación

La disponibilidad de nuevos datos nos permite refinar el ajuste del modelo que hemos presentado en Conde-Ruiz, García, Puch y Ruiz, 2020 (y que se basa en Conde-Ruiz, García, Puch y Ruiz, 2019). Respecto al modelo de partida, cuyos detalles se pueden consultar en dicho documento, en este nuevo informe incorporamos una serie de mejoras en la estimación que discutimos a continuación.

En primer lugar, hemos incorporado una variable dummy que incorpora el efecto de creación neta de afiliados, que es más intensa en el primer semestre del año, concretamente entre enero y mayo. Creemos que dicha variable forma parte de la estructura dinámica de la variación neta en el número de afiliados. Además, puede contribuir al realismo del escenario contrafactual, que construimos a partir de la extrapolación del modelo estimado con datos hasta el 2 de marzo pasado, pero incorporando el consumo eléctrico promedio de las mismas fechas en los últimos años.

En segundo lugar, en la nueva especificación del modelo consideramos una dummy Covid. Dicha variable nos permite distinguir el efecto del consumo eléctrico antes y después de la crisis. Así, la dummy Covid es multiplicativa sobre la demanda de energía eléctrica, y toma el valor uno desde el pasado 11 de marzo, y cero antes de esa fecha. A la vez, la demanda eléctrica diaria entra en el modelo multiplicando a uno menos la dummy Covid (la dummy complementaria). De esta manera estimamos dos coeficientes asociados a la respuesta de la afiliación al consumo eléctrico, uno antes y otro después de la crisis. Ambos coeficientes son significativos, y por ejemplo, el coeficiente postcovid resulta ser de una magnitud tan importante como lo son los coeficientes de los autorregresivos del término de error. Alternativamente, podríamos haber modelizado dos regresores: el consumo eléctrico, por un lado, y el consumo eléctrico multiplicado por la dummy por otro. En ese caso, el efecto del consumo eléctrico después de la crisis sería la suma de los coeficientes estimados para los dos regresores. Esa suma coincidiría con el coeficiente post-crisis que con nuestra especificación obtenemos de forma directa.

Por último, hemos ampliado el modelo estadístico para incorporar los autorregresivos largos, a dos y tres meses. Los coeficientes asociados a dichos términos, y que también resultan ser significativos, compensan en parte por el efecto de los retardos del error de previsión a un mes, y que corresponden en abril a la persistente caída de afiliación registrada en marzo.

Encontramos, por ejemplo, que con esta variante de la especificación y con unos pocos días de consumo eléctrico de principio del mes de abril, se predice el mes completo con mucha precisión. El Anexo II presenta el nuevo modelo y los resultados de la estimación con datos hasta el 30 de abril. A continuación discutimos los principales resultados obtenidos con este nuevo modelo, tanto para los escenarios como en el ejercicio de previsión.

3.1 Actualización del contrafactual.

El contrafactual que consideramos consiste en estimar el modelo con datos hasta el 2 de marzo de 2020, e incorporar un promedio del consumo eléctrico de los últimos años para cada observación diaria desde esa fecha y hasta el último dato del horizonte de previsión. Los detalles que justifican esta estrategia pueden consultarse en el documento anterior.

Dato real ….… Contrafactual con datos hasta 2 de marzo Promedio mensual …… Contr. mensual con datos hasta febrerc Gráfico 7 Afiliación observada en marzo y abril frente al contrafactual correspondiente a la simulación de modelo estimado con datos hasta el 2 de marzo de 2020 (panel superior), y la diferencia entre ambas (panel inferior). El gráfico incluye la comparación con datos y contrafactual en frecuencia mensual.

El gráfico 7 muestra dicho contrafactual frente a la afiliación observada hasta el 30 de abril. El gráfico pone de manifiesto que la brecha se ha estabilizado, de manera que, incluso teniendo en cuenta el importante efecto fin de mes, y puesto que estimamos que la afiliación “sin crisis” a 30 de abril debería estar 43.100 afiliaciones por encima de la registrada el pasado lunes 16 de marzo, la caída acumulada se sitúa en unos 727.400 cotizantes. Una brecha que podemos calificar de moderada, sin duda, gracias al papel que han jugado los ERTEs desde casi el principio de esta crisis.

En estas semanas, desde la publicación de nuestro primer informe, hemos visto que algunos analistas han publicado escenarios contrafactuales alternativos basados en datos mensuales. Con el fin de facilitar la comparación con nuestro escenario obtenido a partir de datos diarios, incluimos en el presente informe una estimación basada en datos de frecuencia mensual (como promedio de datos diarios). Para ello, estimamos un modelo ARIMA sobre los datos de afiliación mensuales. El modelo presenta una diferencia regular en el logaritmo de la variable y un término autoregresivo de primer orden sobre dicha diferencia. Además, encontramos que una media móvil de orden siete para el término de error resulta significativa en el modelo mensual. Interpretamos este resultado para el término de error del modelo ARIMA en relación al efecto diferencial en el crecimiento de la afiliación entre los cinco primeros meses y el resto del año.

El contrafactual mensual, que representamos en el gráfico junto a la correspondiente serie de promedio mensual, consiste en eliminar los datos de marzo y abril, y predecir los tres meses siguientes desde febrero. Encontramos que, con esta estrategia de modelización, la pérdida estimada a 30 de abril de 2020 a partir de los datos mensuales de afiliación sería de 1.158.000 ocupados. Este resultado implica una pérdida de 112.000 afiliados más de lo que estimamos con el modelo diario. Se trata de hecho de una discrepancia del orden de una desviación típica de nuestro modelo estadístico diario, y que se amplia a medida que se incorporen meses adicionales al contrafactual. Creemos que la variable de afiliación diaria que utilizamos, complementada además con la información que incorpora el contrafactual energético, contribuyen a captar con mayor precisión la tendencia correcta a corto plazo de un hipotético modelo sin crisis de la Covid-19.

Gráfico 8 Evolución de la serie diaria de afiliados desde enero hasta abril de 2020 (trazo azul), y las previsiones con datos hasta el 31 de marzo (trazo discontinuo rojo), y con datos hasta el 30 de abril (trazo rojo), siempre con los datos de consumo eléctrico. Se incluye también el contrafactual (trazo discontinuo azul) con consumo eléctrico contrafactual. Se incluyen, por último, en cada caso las bandas de confianza al 95% (trazo punteado)

Por último, conviene señalar que en nuestro informe anterior habíamos considerado una variante de la estimación que incorporaba una variable dummy tipo “rampa” sustituyendo a la variable de demanda de energía. Esa variable tenía por objetivo replicar la tendencia observada en los datos de afiliación entre el 23 y el 31 de marzo, y que correspondían con una caída de la afiliación pronunciada, aunque más amortiguada que la observada entre los días 11 y el 22 de marzo. La evolución observada en abril sugiere que en este momento podemos descartar ese peor escenario. Confiemos que podamos seguir descartando dicho peor escenario de cara al futuro.

4. Ejercicios de previsión de la afiliación

Consideramos el modelo estimado con datos hasta el 31 de marzo y con datos hasta el 30 de abril. Nos centramos en la nueva especificación del modelo tal y como lo hemos discutido en la Sección 3. La previsión incorpora en todos los casos los datos de consumo eléctrico observados hasta el pasado 15 de mayo, y para completar el mes utilizamos modelos de previsión específicos para el consumo eléctrico realizado y contrafactual.

El gráfico 8 muestra los datos de la serie de afiliados (trazo azul), junto a las previsiones obtenidas en cada caso (trazo rojo continuo y discontinuo), y al contrafactual descrito en la sección anterior (trazo discontinuo azul; que usa medias de consumo eléctrico en los mismos días de los años anteriores). Cada previsión se acompaña de sus bandas de confianza al 95% (una desviación típica). El modelo estadístico captura muy bien todos los meses que aparecen en el gráfico, así como la caída de afiliados desde el 12 de marzo, y la posterior estabilización en el mes de abril.

La primera observación es el buen ajuste de la previsión a las observaciones con datos hasta el 31 de marzo. En el pasado informe anticipábamos que el modelo estadístico predecía un empeoramiento de la afiliación para la segunda quincena de abril. Sin embargo, incorporar las tres mejoras indicadas anteriormente: efecto primer semestre, autorregresivos largos y, sobre todo, la dummy covid, parecen suficientes para conseguir un buen ajuste en abril.

La segunda observación es que, dada nuestra especificación y la evolución de los datos en abril, incorporar la información de afiliación y de consumo eléctrico de dicho mes no modifica sustancialmente la previsión. En todo caso, conviene indicar que la previsión de mayo que incorpora los datos de abril se sitúa ligeramente por encima de la previsión con los datos de marzo, lo que son buenas noticias. Además, la evidencia que hemos presentado sobre el consumo eléctrico apunta a su incipiente recuperación.

Respecto a la previsión, de nuevo, el modelo predice una ligera caída a partir de la segunda quincena, a medida que desaparece el efecto rebote de afiliación, que el modelo estima de las series históricos que es fuerte a principio de cada mes. Este resultado, que ya obteníamos en la previsión de abril, y que se reproduce en la previsión para mayo a pesar de que la caída en la afiliación claramente se ha detenido, pone de manifiesto que un cambio de tendencia en el consumo eléctrico, si este se produce, puede no ser suficiente para anticipar un cambio de tendencia en la afiliación. Por tanto, será clave incorporar en el modelo estadístico algún mecanismo que capture la transmisión hacia la afiliación de nuevos trabajadores (actualmente en paro o inactivos) de la salida de los ERTEs (y las prestaciones de cese de actividad de los autónomos) de los trabajadores que permanecen afiliados gracias a dicha protección. Dicho proceso de salida de los ERTEs traerá consigo incrementos de consumo eléctrico que sin dicho mecanismo de transmisión sólo en parte se verán reflejados en la afiliación. Nuestra intención es valorar en qué medida esto ocurre a través de la elasticidad de la respuesta en la contratación de trabajadores temporales a la incorporación a sus puestos de trabajo de los indefinidos.

El gráfico 8 incluye por último el contrafactual del modelo con demanda de energía, es decir con datos de afiliación y demanda de energía anteriores a la crisis de la Covid-19, tal y como lo hemos discutido en la sección anterior, y que ahora incorpora la comparación de las previsiones en mayo.

En definitiva, el modelo estadístico que manejamos indica que la afiliación en mayo prosigue su lenta recuperación. El mecanismo que opera combina el efecto de la dummy de principio de mes, con la recuperación en la demanda de energía eléctrica que se ha registrado desde mediados de mayo, y que ahora opera a través de la dummy covid. Para la mejora en la previsión también ayudan la dummy de primer semestre y los autorregresivos largos.

5. Un contrafactual para las altas y bajas de afiliación

Los gráficos 9 y 10 que presentamos a continuación simulan el comportamiento de las altas y las bajas de marzo y abril 2020, a partir de los modelos estadísticos estimados para cada una de estas variables con datos hasta el 2 de marzo de 2020 (en trazo punteado), y los comparan con las observaciones realizadas (en azul). Ahora no incorporamos la variable de demanda de energía en la estimación, porque no es relevante para el contrafactual (con datos a 2 de marzo, es decir, mientras no hagamos previsión).

El gráfico 9 muestra, en primer lugar, la evolución de las bajas (trazo continuo), frente al contrafactual (trazo discontinuo). La diferencia entre el comportamiento de las altas en el mes de marzo y en el mes de abril es evidente. Desde el pico de bajas del día 16 de marzo,

Gráfico 9 Evolución de la serie diaria de bajas de afiliación en marzo y abril de 2020, y el contrafactual que se habría obtenido a partir del modelo estimado con datos hasta el 2 de marzo de 2020.

Gráfico 10 Evolución de la serie diaria de altas de afiliación en marzo y abril de 2020, y el contrafactual que se habría obtenido a partir del modelo estimado con datos hasta el 29 de febrero de 2020

(primer día laborable tras el Estado de Alarma) la serie ha ido decreciendo progresivamente, ampliando su brecha respecto a la previsión contrafactual “sin crisis”, es decir, la que proporciona el modelo de previsión con datos hasta el 1 de marzo. Esta evolución diaria de las bajas se produce, como hemos visto en el gráfico descriptivo de la Sección 2, manteniendo su patrón episódico, especialmente en lo que respecta a los dos efectos de fin de mes que observamos que han ocurrido de momento en el periodo de crisis. Las altas de afiliación, por su parte, mostraron una fuerte tendencia decreciente durante el mes de marzo. Sin embargo, dicha tendencia parece haberse estabilizado en el mes de abril, tal y como muestra el Gráfico 10. De hecho, desde la última semana de marzo el patrón episódico que observamos es bastante regular (¿salvo quizás al final?),

*Valores acumulados entre el 16 de marzo y el 30 de abril Cuadro 1 Variación (en miles) de la evolución de afiliados, y altas y bajas acumuladas, datos hasta 30 de abril, 2020

y cada lunes del mes de abril el registro de afiliaciones se ha acercado a los 100.000 cotizantes.

Dicha cifra está bien por debajo de cualquier lunes de abril de los últimos años, pero a la vez, también está por encima de las afiliaciones en un día cualquiera incluso durante los años de la expansión reciente, lo que permite inclinar la conclusión del lado positivo.

Por último, el cuadro 1 resume la variación en afiliación, y en altas y bajas acumuladas, que nos parece más relevante, que es la que corresponde al periodo que va entre el 16 de marzo (Estado de Alarma) y el fin del mes de abril. Comparamos los valores realizados con los estimados en nuestro contrafactual. El primer panel, relativo al número de afiliados, muestra que entre el 16 de marzo (primer lunes en Estado de Alarma) y el 30 de abril se ha producido una pérdida de 684.353 cotizantes. A la vez, nuestro contrafactual indica que, incluso teniendo en cuenta el importante efecto negativo de fin de mes, deberíamos haber registrado un aumento en 43.085 afiliaciones respecto al pasado 16 de marzo. La pérdida acumulada de cotizantes que estimamos como consecuencia del Estado de Alarma es, por tanto, de unos 727.400 cotizantes, una cifra moderada, sin duda gracias al papel que han jugado los ERTEs desde prácticamente el principio de esta crisis. Alternativamente, conviene tener presente que la caída de afiliación desde el máximo de la serie, el pasado 11 de marzo, es de 947.896 cotizantes a 30 de abril: entre el 11 y el 16 de marzo se registró una destrucción de 263.543 afiliados.

El panel intermedio e inferior del Cuadro 1 muestran el resultado correspondiente para las altas y las bajas acumuladas. Estimamos que por la crisis del coronavirus hemos dejado de registrar ya, algo más de 2 millones de altas de afiliación acumuladas. A la vez, y contrariamente a lo que ocurrió en marzo, la evolución en abril determina que también hemos tenido menos bajas de las que habríamos tenido durante el periodo considerado en ausencia de crisis, concretamente 767.800 bajas menos. Esta cifra tan importante se explica porque la ausencia de contratación determina también el menor número de bajas. Es decir, sigue ocurriendo que el principal efecto de la crisis de la Covid-19 pasa por el frenazo en la contratación.

Por último, aclarar que la discrepancia con el neto de afiliación, es decir, la diferencia entre los 727.400 potenciales cotizantes menos estimados, y el 1.301.300 de altas sobre bajas acumuladas en ausencia de crisis que sugiere el Cuadro 1, está en los flujos que se hubieran producido al interior del periodo considerado, pero sin efectos en el neto de afiliación agregado. La crisis, por tanto, ha mitigado la destrucción de empleo como consecuencia del frenazo en la contratación, y este efecto indirecto persiste hasta abril. Si entre el 16 y el 31 de marzo las altas realizadas fueron alrededor de un 49% de las posibles de acuerdo con el contrafactual, dentro del mes de abril la cifra de recorte desciende incluso hasta el 40%.

6. Conclusiones.

En este informe hemos actualizado el seguimiento de la afiliación a la Seguridad Social a los datos recogidos para el mes de abril. Si el mes de marzo de 2020 empezó como un buen mes de afiliación y terminó siendo el peor mes de la serie histórica, abril parece haber sido un mes de transición hacia la estabilidad en la afiliación. El análisis detallado de los flujos de altas y bajas diarias muestra que se han recuperado los patrones episódicos habituales de la afiliación, simplemente que “en miniatura”, es decir, ambos flujos se sitúan en los mínimos históricos de la dinámica del mercado de trabajo que representan.

La estabilización en abril pone de manifiesto la importancia de haber podido contar con una medida de “flexiseguridad” clave como son los ERTEs, y que claramente han servido para mitigar la significativa caída en la afiliación que se estaba registrando en marzo.

En todo caso, para poder captar adecuadamente la fase de estabilización hemos necesitado revisar la especificación de nuestro modelo estadístico de acuerdo con la metodología propuesta en Conde-Ruiz, García, Puch y Ruiz (2019). El principal cambio ha consistido en incorporar ahora lo que hemos denominado como “dummy covid”, una variable ficticia que opera de forma multiplicativa sobre la evolución de la variable de demanda de energía eléctrica que utilizamos. Hemos aprendido también que una mejora del ajuste del modelo pasa por incorporar el efecto de estar en el primer semestre del año (frente al segundo), así como el papel de los componentes autorregresivos a dos y tres meses. Con esta nueva especificación no sólo ajustamos muy precisamente la evolución de la afiliación observada en abril, sino que además ofrecemos unos escenarios de previsiones de afiliación para mayo que nos parece que pueden ser muy realistas.

Los sectores más afectados por el parón de la actividad en marzo fueron aquellos que utilizan de forma más habitual la contratación temporal, a la vez más afectados por el parón de actividad. En abril, el cuadro ha cambiado completamente, y sólo se observan caídas relativamente menores en Educación y en Comercio Minorista y Mayorista, a la vez que incrementos de afiliación significativos en Sanidad, Construcción y “Servicios de alojamiento”.

El análisis contrafactual, respecto a un escenario sin crisis, sugiere que el efecto acumulado de la crisis de la Covid-19 representa todavía una perdida de cerca de 750.000 afiliados desde el inicio del Estado de Alarma. De esta estimación estamos descontado el efecto de la abrupta caída registrada entre el 11 y el 16 de marzo, de manera que incorporarla, determinaría una diferencia entre el dato a 30 de abril estimado y observado de 1.045.671 afiliados, que en todo caso representa una destrucción de empleo por encima de un 10% más moderada que las estimaciones que se obtienen con datos mensuales.

Con los datos que vayan llegando del mes de mayo, podremos valorar en qué medida nuestro modelo de previsión en tiempo real va a ser capaz de anticipar el cambio de tendencia tan deseado que esperamos resulte de la desescalada.

Referencias

References

1. Conde-Ruiz, J. Ignacio, Manu García, Luis A. Puch y Jesús Ruiz (2019). Calendar effects in daily aggregate employment creation and destruction in Spain. SERIEs – Journal of the Spanish Economic Association 10(1), 25-63.

References

1. Conde-Ruiz, J. Ignacio, Manu García, Luis A. Puch y Jesús Ruiz (2020). Una metodología para el seguimiento de la afiliación a la Seguridad Social durante la crisis de la Covid-19.” FEDEA, Apuntes no. 2020-06, Madrid. https://bit.ly/3biPywW

ANEXO I: Evidencia adicional

En el informe anterior habíamos visto que la destrucción de empleo por la Covid-19 afectó más a la hostelería y la construcción en marzo, y que las caídas habían sido mayores en los sectores de actividad con una mayor tasa de temporalidad. Es interesante ahora, comparar las caídas por sectores registradas en abril, y en relación a sus distintas tasas de temporalidad. El Gráfico A.1 ordena los sectores que han registrado mayores caídas en marzo (en azul) y en abril (en rojo) en función del valor de dichas tasas en 2019. Las dos observaciones para cada sector (azul y rojo) aparecen alineadas, y el gráfico muestra que la caída en todos los sectores seleccionados, excepto en el sector sanitario (aumento en los dos meses), ha sido mayor en abril que en marzo, y especialmente pronunciada en la Construcción y en el sector de Actividades artísticas, recreativas y de entretenimiento. En Hostelería el efecto negativo se ha mitigado respecto a Construcción, por ejemplo, mientras que en Actividades administrativas y servicios auxiliares, por el contrario, el efecto se ha amplificado (del -3% en marzo, a prácticamente el -6% de destrucción de afiliación en abril). Habrá que seguir estos movimientos porque serán imprescindibles para evaluar la profundidad de la recuperación.

Gráfico A.1 Variación media en la afiliación por rama de actividad en el mes de marzo y en el mes de abril, ordenadas por sus tasas de temporalidad. Fuente: Encuesta de Población Activa (INE) y Seguridad Social.

ANEXO II: Revisión del modelo estadístico para la afiliación

Por último, cabe destacar que i) la dummy tipo escalón dada por la suma recoge el aumento sostenido en media de los afiliados en la primera parte del año. Captura tal tendencia creciente y es fundamental para la estimación del contrafactual; y ii) la dummy multiplicativa sobre la demanda de energía separa los efectos que tiene la demanda de consumo eléctrico sobre la afiliación antes y después de la crisis de la Covid19. Calculamos, que tal efecto tiene un impacto ahora unas 8 veces mayor que antes de la crisis.

La tabla A.1 contiene las estimaciones obtenidas de este modelo a fecha 30 de abril: