Conecta con Minuto5

Nada es Gratis

Externalidades e internalidades de los ciudadanos y los políticos. Pongamos que hablo de Madrid

Publicada

el

Beatriz Gonzalez Lopez-Valcarcel
Ricard Meneu

El consejero de Interior, Justicia y Víctimas del Terrorismo de la Comunidad de Madrid declaraba, airado, hace unos días que aislar Madrid “no protege a Madrid sino al resto de España”. Estaba expresando desnuda y claramente el problema de las externalidades interregionales en gobiernos descentralizados (Ellingsen, 1998). Mientras que una jurisdicción integrada resuelve el problema de la externalidad, hace surgir otros. Por eso, Ellingsen escribe: “Si queremos que las instituciones políticas maximicen el bienestar social, el beneficio social de eliminar las externalidades debe compensar el coste social de las internalidades“, que imponen a las minorías las preferencias de la mayoría.

Desde la mera perspectiva económica de la propia Comunidad, aislar Madrid tiene más costes que beneficios porque se restringe la libertad de movimientos desde y hacia la Comunidad. Se pierden ingresos por turismo. Desde la reapertura de la “nueva normalidad” en junio, ha habido 1.1 millones de pernoctaciones en Madrid, con clara tendencia hacia la recuperación paulatina tras el cierre de tres meses en primavera. En agosto ya se alcanzó el 21% de las pernoctaciones del mismo mes de 2019. Madrid puede (sobre)actuar racionalmente cuando se niega a perimetrar y cerrar, pero desde la perspectiva social y del conjunto del estado es una medida eficaz para prevenir que se dispare la incidencia agregada.

El aislamiento perimetral de nueve municipios madrileños afecta a 4.6 millones de habitantes, el 69% de la Comunidad, protegiendo al 31% restante, pero sobre todo protegiendo a los residentes en otras regiones. Porque a diferencia de Madrid, los aislamientos perimetrales de algunos municipios o localidades de otras CCAA, ordenados por los respectivos gobiernos regionales, protegen fundamentalmente a la población de la región. Por su parte, las restricciones dentro de Madrid son hoy por hoy más débiles que en otras CCAA de menor riesgo pandémico.

¿Qué haremos con Madrid? Preguntaba esta semana Andreu Mas Collell, repasando algunos de los hitos de centralidad. España es un país con una enorme centralidad en torno a Madrid. Para el puente del Pilar, entre el viernes 9 y el lunes 12 de octubre, el aeropuerto de Barajas tenía programados 1310 vuelos, el 15.4% del total del país. La movilidad desde Madrid, sobre todo de estudiantes que regresaron a sus domicilios habituales, ha sido considerada responsable de una gran difusión de la COVID-19 hacia otras provincias durante la primera oleada en marzo, como ha puesto de manifiesto un estudio basado en datos de movilidad.

Según el informe del ministerio de sanidad de 12 de octubre, Madrid tiene una Incidencia Acumulada en 14 días (IA14) de 502 por 100.000 habitantes, prácticamente duplica la tasa española, quintuplicando (x5) las de Canarias o la Comunidad Valenciana. Además encuentra un 18% de PCR positivos, lo que apunta que no se hace un seguimiento suficiente de los casos y contactos (un 10% en el conjunto de España). Más del 1% de los madrileños podrían ser contagiosos, y todavía mayor porcentaje entre los que saldrían fuera de Madrid de puente, pues buena parte de los mayores y vulnerables están en arresto domiciliario voluntario. Así como la ley de Graham establece que los gases se difunden en el espacio, si lo hay, los madrileños infecciosos que salen de puente diseminarían el virus, y los visitantes de fuera que se contagien en los locales de Madrid llevarán consigo el virus de vuelta a sus poblaciones de origen. Aislar perimetralmente Madrid evita externalidades en contagios, y en definitiva en costes, hacia otras zonas del país. Pero desde la lógica interna del gobernante que pesca en el caladero de votos de la Comunidad, el gobierno de Madrid en esta ocasión actúa racionalmente negándose a perimetrar y cerrar, ya que no carga con los costes de los daños que su conducta infrinje en el resto de España. Racionalidad reforzada por un reduccionismo insolidario previamente explicitado: “Madrid es España dentro de España. ¿Qué es Madrid si no es España? No es de nadie porque es de todos

Por tanto, a nivel agregado, el problema es de incentivos para internalizar las externalidades, abstrayendo cualquier consideración sobre conceptos más debatibles como responsabilidad, solidaridad o patriotismo. El Buen Gobierno de la sanidad debería garantizar que las medidas de salud pública se tomaran con perspectiva social del conjunto del país, pero el Consejo Interterritorial del SNS no cumple esa función. Mientras tanto, los gobiernos recomiendan a sus ciudadanos, según su ubicación, no salir de Madrid o no visitar Madrid. Esos mensajes de los políticos apelan al altruismo de los ciudadanos para que se comporten según el interés público y se retiren voluntariamente de la circulación. También las externalidades, y el altruismo o egoismo, es decir, su internalización, juegan un papel esencial en el comportamiento de las personas y en los modelos microeconómicos.

Hay tres armas clínicas contra la COVID-19: tratamientos, test y vacunas. Mientras se van ensayando las vacunas, los test contribuyen a prevenir el contagio a terceros, por tanto tienen un notable beneficio externo si se utilizan para aislar a los positivos. Los médicos consideran los test como una herramienta clínica que incrementa la precisión y eficacia discriminatoria. Para algunos economistas, como Hellmann y Thiele (2020), tienen valor económico incluso aunque su sensibilidad y especificidad no sean muy altas. A la espera de la vacuna, su solución de la pandemia se basaría en test autoadministrados de bajo precio, que los ciudadanos se harían regularmente para decidir entre aislarse en casa o salir. En su modelo, suponen que las preferencias son algo altruistas y por tanto se sufre una des utilidad si se contagia a otros, internalizando así parte de la externalidad del contagio. Las personas se enfrentan diariamente a la decisión de salir (con utilidad heterogénea individualmente, y riesgo de contagio dependiente de la incidencia en la zona) o auto aislarse para no contagiarse ni contagiar. Los test diagnósticos tienen claramente valor económico, no solo clínico, incluso siendo imperfectos. A partir de su modelo estilizado concluyen que la existencia de test baratos y accesibles (autoadministrados en casa) mejoraría el bienestar social, la suma de utilidades de toda la población, mas cuanto más precisos sean, y reduciría la probabilidad de contagios en equilibrio de estado estable.

Desde la perspectiva social, la prevención mediante tests y trazabilidad de los casos es altamente coste efectiva. Cutler y Summers estiman para EEUU que por cada $ que se invierte en ellos, se recuperan $30.

Otros modelos asumen que los individuos son no cooperativos y no internalizan las externalidades de contagiar a terceros. En ese caso, las personas más vulnerables mantendrán mayor distancia social o reclusión domiciliaria voluntaria, como decisión racional (Toxvaerd, 2020), pues los individuos buscan el trade-off entre los beneficios de las interacciones sociales y el riesgo de contagiarse, de forma que las decisiones de distancia social se determinan endógenamente para protegerse de la infección. En este modelo no hay altruismo, solo racionalidad, pero incluso si los individuos son egoístas y el comportamiento óptimo de aislamiento depende únicamente de la probabilidad (y coste) del contagio propio, y no de los efectos beneficiosos sobre otros, poblaciones compuestas por individuos egoístas conseguirán una ralentización y aplanamiento de de la curva epidémica (ver por ejemplo el modelo de Rachel). Sin embargo, el equilibrio no será socialmente óptimo, la distancia social será menor que la que maximiza el bienestar social y harán falta medidas coercitivas, que han de ser mantenidas en el tiempo y no demasiado restrictivas (Farboodi, Jarosch y Shimer, 2020).

Desde la edad media, las medidas cautelares sobre la circulación de personas y mercancías se imponían a los provenientes de fuera del territorio en riesgo en forma de cuarentenas y lazaretos. También desde la edad media, los privilegiados escapaban de las ciudades en riesgo, por ejemplo, a mansiones en el campo, donde transcurre el Decamerón de Boccaccio. Bien cumplida ya nuestra modernidad, el penoso espectáculo actual de una política distraída de la salud y el bienestar de sus conciudadanos debería ser un acicate para rediseñar una arquitectura institucional, al menos, del SNS que evite algunas de las externalidades negativas interregionales menos tolerables.

Beatriz González López-Valcárcel

Beatriz González López-Valcárcel

Profesora de Economía, departamento de Métodos Cuantitativos en Economía y Gestión, Universidad de Las Palmas de GC, y de cursos de posgrado y doctorado en decenas de universidades españolas y extranjeras. Investigación en Economía de la Salud. Ex-Presidenta de la Asociación de Economía de la Salud (2004-2006), de la sección de Public Health Economics de la Asociación Europea de Salud Pública, EUPHA (2011-2012) y Ex -Presidenta de SESPAS (Socidad Española de Salud Pública y Administración Sanitaria)(2015-2017). Consultora internacional en México, Brasil, Argentina, Chile, Uruguay, Costa Rica, Panamá y Mozambique.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: Beatriz González López-Valcárcel

Comentarios

comentarios

Seguir Leyendo
Publicidad
Loading...

Nada es Gratis

Parsimonia y transparencia – Una herramienta para el cálculo del Output Gap

Publicada

el

Por Francisco Sabido Martín (Estadístico del Estado) y Alberto Carlos Sabido Martín (Técnico Comercial y Economista del Estado)

Einstein decía “Everything should be made as simple as possible, but not simpler”. El aforismo refleja el principio de la navaja de Occam: la explicación más simple y suficiente es la más probable, pero no es necesariamente la verdadera.

Si consideramos que estos principios deberían tener una aplicación generalizada, creemos que se vuelven más importantes cuando tratamos de modelar variables inobservables, como el output gap (OG), que no pueden ser contrastadas. Especialmente si la estimación de estas variables tiene repercusiones en la prescripción de política fiscal.

El OG mide la posición de la economía en el ciclo económico. El Fondo Monetario Internacional (FMI) lo define como la diferencia entre el PIB real y el PIB potencial. El PIB potencial es el nivel de PIB que se alcanzaría si la economía emplea de la manera más eficiente posible sus insumos, o si emplease los recursos a plena capacidad. Desafortunadamente, el PIB potencial no es observable o mensurable y por tanto debe estimarse.

La estimación del PIB potencial se configura como el elemento central de las reglas fiscales aplicadas por la Unión Europea (la COM lanzó su propuesta de revisión en febrero de este año). Dado que determina la posición cíclica, su cálculo es necesario a efectos de descomponer el saldo público en saldo estructural y saldo cíclico. También será el primer paso para el cálculo de la tasa de referencia de crecimiento de medio plazo de la economía española que limitará el crecimiento del gasto público en cada Administración (Art 12– Ley 2/2012). En otras palabras, el PIB potencial está incrustado en el corazón de las reglas fiscales europeas y españolas.

Existen numerosas metodologías que se pueden aplicar para el cálculo del OG, (se pueden consultar aquí, aquí o aquí). No obstante, la Ley 2/2012, establece la obligación de utilizar la metodología de función de producción desarrollada por la Comisión Europea (COM).

El lector pensará que dada la importancia de esta metodología sobre la siempre necesaria consolidación fiscal (como se ha analizado en este blog aquí o aquí), estaría a disposición del público un manual que permitiese entender y reproducir los resultados de la COM. Sin embargo, la realidad tiende a defraudar y, aunque se ha mejorado la calidad de la información y de los datos suministrados, lo cierto es que la principal fuente para el seguimiento de la metodología (Havik et al., 2014,aquí) es incompleta y no recoge las numerosas modificaciones que se han introducido en los últimos 6 años. Esto convierte en una quimera reproducir un procedimiento que debía gozar de la máxima transparencia.

Convencidos de la necesidad de dotar de la mayor transparencia posible a un cálculo que potencialmente (disculpen el juego de palabras) puede tener efecto sobre todos nosotros, ofrecemos una herramienta para facilitar que cualquier persona, desarrolle, investigue y debata sobre las distintas alternativas existentes para calcular el OG. La herramienta es una aplicación construida en R con Shiny que se encuentra disponible para su descarga en este enlace.

Os contamos brevemente su funcionamiento.

  1. 1. Se comienza eligiendo un país de la UE (más Reino Unido y EE.UU.) que se quiere analizar.
  2. 2. La pestaña “Basics” ofrece una descomposición de la evolución del PIB, regresa el desempleo con dos variables relevantes: Inflación (Curva de Philips) y balanza por cuenta corriente y regresa el crecimiento del PIB con el crecimiento del desempleo. Uno de los resultados más interesantes es el aplanamiento, para el caso de España, de la curva de Philips en la última década.

  1. 3. Las siguientes pestañas (“Time series”, “Hodrick-Prescott” etc.) ofrecen los resultados asociados a distintas metodologías y regresan el valor del OG con las variables que, a priori, deben tener mayor influencia en su evolución.
  2. 4. La pestaña “EC Meth” reproduce, hasta donde nos ha sido posible, la metodología utilizada por la COM y que debe ser utilizada por el gobierno español (según la Ley 2/2012). Así mismo, se parametrizan las principales variables utilizadas en su cálculo para que el usuario pueda ver su efecto.
  3. 5. La pestaña “Proposal” recoge los resultados asociados a nuestra propuesta de simplificación de la metodología en base a los supuestos de transparencia y parsimonia comentados anteriormente y explicados en la pestaña de “paper”. Tanto en este como en el anterior apartado se incorpora un gráfico de descomposición del output gap que permite comparar entre países las variables determinantes del mismo (p.ej. el empleo en el caso español y la productividad en el caso alemán).
  4. 6. La pestaña “remix” ofrece una comparativa de los resultados asociados a las distintas metodologías planteadas y plantea, como supuesto para reflexión para el lector economista, cuál es la tasa de desempleo que hace que el OG sea igual a cero (como proxy de una tasa de desempleo estructural). ¿No debería esta tasa estar próxima al ancla de la NAWRU utilizada por la propia COM en su metodología? Nuestra metodología, sin incorporar el ancla a la estimación, da un valor más cercano (sabemos que es discutible que se pueda aplicar la Ley de Walras).

Se puede comprobar que los resultados obtenidos para el caso de España por nuestra propuesta son muy similares a los asociados a la tediosa y oscura metodología de la COM.

Es importante aclarar que la herramienta utiliza, como datos de base para todos los análisis, los proporcionados por la COM y que, por tanto, los resultados para 2020 y 2021 están asociados a las previsiones publicadas por la COM esta primavera.

Creemos que esta herramienta puede servir no solo para los estudiantes y académicos, sino que también puede ser de utilidad para aquellas instituciones que tengan interés en dotar de mayor transparencia sus estimaciones.

Cabe recordar que las reglas fiscales no se han suspendido y que la referencia del OG y del PIB potencial siguen en el corazón de los procedimientos del Pacto de Estabilidad y Crecimiento, por lo que su estimación y comprensión no han perdido ni un ápice de su importancia.

Dejamos para otra posible entrada un análisis de las implicaciones fiscales asociadas a las distintas metodologías.

Toda impresión o comentario sobre el funcionamiento de la aplicación es bienvenido.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: admin

Comentarios

comentarios

Seguir Leyendo

Nada es Gratis

Las mujeres y la gestión de la pandemia. ¿Qué sugieren los datos españoles?

Publicada

el

Matilde P. Machado, Departamento de Economía, Universidad Carlos III de Madrid
Marcos Vera-Hernández, University College London y Institute for Fiscal Studies

Alemania, Dinamarca, Finlandia, Islandia, Noruega, Nueva Zelanda y Taiwan tienen dos cosas en común: están entre los países con menos muertes e infecciones por COVID-19, y sus presidentes del gobierno son mujeres. Nada despreciable si tenemos en cuenta que actualmente hay solo 20 Estados miembros de la ONU en la que su presidente del gobierno sea mujer. Seguramente este patrón le resulta familiar a muchos lectores, pues los medios de comunicación le han dado gran difusión (ejemplo, ejemplo, ejemplo, ejemplo). Las profesoras Garikipati y Kambhampati en este artículo han ido más allá cuando comparan cada uno de los 19 países que son liderados por una mujer con el que más se le parece en función de varias características sociodemográficas y económicas pero que es liderado por un hombre y encuentran que los países liderados por mujeres tienen menos muertes y menos infecciones por COVID-19.

Sin embargo, un análisis comparando países es siempre muy complejo porque los países son muy distintos entre sí. Además, dice mucho de un país que su presidente del gobierno sea una mujer, y al hacer la comparación estamos comparando no sólo el género del presidente del gobierno, sino también las características de los países que lo eligen. Por ejemplo, los países liderados por una mujer tienden a ser más equitativos en términos de género (ver aquí).

Dada la dificultad de comparar países, pensamos que comparar la gestión de la pandemia entre Comunidades Autónomas es interesante, pues las CC.AA. son más homogéneas entre sí. Para ello, hemos relacionado el género de los responsables del sistema sanitario en cada CC.AA. con las hospitalizaciones por COVID ocurridas desde el inicio de la segunda ola. Por supuesto se trata de un análisis simple donde hablamos de asociaciones o correlaciones entre variables, sin embargo la existencia de un patrón similar entre género y resultados de la pandemia sería muy sugerente de que algún mecanismo subyacente. Al igual que en esta entrada anterior con Felix Lobo (ver aquí), nos hemos centrado en los siguientes altos cargos: Consejero-a de Sanidad, Director-a del Servicio de Salud, y Responsable de Salud Pública.

Los datos de género de los tres altos cargos analizados han sido obtenidos de la web (más detalles aquí). De los 51 altos cargos analizados, un 39% están ocupados por mujeres, siendo este porcentaje bastante más bajo entre los directores de Servicios de Salud (29%), algo más alto entre los responsables de salud pública (41%) y alcanzando casi la paridad (47%) entre los consejeros de sanidad. En los extremos de la distribución tenemos, por un lado, a Andalucía, Canarias y Murcia sin ninguna mujer entre los tres altos cargos analizados y, por el otro lado, la Comunidad Valenciana donde los tres cargos son ocupados por mujeres.

Como medida de efectividad en la gestión de la segunda ola, usamos el número total de pacientes que estaban hospitalizados por covid el día 19 de Octubre de 2020 (fuente: Ministerio de Sanidad (aquí)) normalizado por la población de cada CC.AA en 2019 (hospitalizaciones por cada 100 000 habitantes). Nos centramos en la segunda ola para utilizar los datos de la primera ola como control de los diversos otros factores que pueden influir en las morbilidad por Covid y sobre los que se ha escrito mucho en este blog (convivencia entre generaciones, geografía y densidad de población,  variables meteorológicas y económicas, y cobertura de las vacuna de la gripe, etc.). Son muchos factores y sólo 17 CC.AA. así que no podemos controlar por el efecto de todos ellos a la vez. Una alternativa es controlar por una variable que resuma el efecto de todos estos factores. En concreto usamos el exceso de defunciones acumuladas en relación al esperado (en porcentaje) desde el 15 de Febrero de 2020 hasta 2 de Mayo de 2020 (exceso de defunciones), que Matilde P. Machado ya utilizó en esta entrada en la que se explica la metodología y fuente de los datos.

Empezamos el análisis por mostrar en la Tabla 1 el resultado de tres regresiones muy simples donde la variable dependiente es el logaritmo natural de las hospitalizaciones por Covid19 el 19 de Octubre del 2020 y la variable independiente es una variable dicotómica que toma valor 1 si hay una mujer a frente de cada uno de los tres cargos que analizamos y 0 si es un hombre. Los resultados, que se encuentran en las columnas (1), (2) y (3) muestran que el único coeficiente estadísticamente significativo es el asociado con el responsable de salud pública, cuyo valor de -0.502 indica que en aquellas CC.AA. donde hay una mujer a cargo de salud pública, las hospitalizaciones son un 39.5% menor. Los resultados con el resto de cargos no son estadísticamente significativos.

A continuación, en las columnas (4), (5) y (6) añadimos el logaritmo de la variable de exceso de defunciones de la primera ola para controlar por aquellos factores exógenos que puedan afectar la incidencia del virus en las CC.AA. Como se puede apreciar, hay una correlación positiva, estadísticamente significativa y muy importante entre esta variable de la primera ola y las hospitalizaciones de la segunda (véase que el R2 aumenta muy considerablemente). Esto es de esperar, aquellas CC.AA. que han sufrido más en la primera ola, vuelven a sufrir más en la segunda. Sin embargo, no damos una interpretación causal al resultado de esta variable. Tan solo nos interesa que controle por factores exógenos que afecte a las hospitalizaciones de la segunda ola.

En cuanto a la relación con el género de quién ostenta los cargos analizados, el resultado de las columnas (4), (5), y (6) es muy similar al de las columnas anteriores. Lo más interesante es que el coeficiente relacionado con el género del responsable de salud pública es muy similar en la columna (3) y (6): -0.502 vs. -0.524, aunque en la columna (6) es estadísticamente significativo al 1% en lugar del 10% porque la estimación se ha hecho más precisa al introducir el exceso de defunciones de la primera ola como control. Esto nos da cierta tranquilidad sobre los resultados, pues estos no cambian cuando añadimos una variable de control que tiene un muy alto poder explicativo. También cabe decir que los resultados son muy similares si elimináramos los datos de Madrid del análisis. Cuando incluimos variables de la formación y experiencia de los cargos, el resultado no cambia y esas variables no son significativas, lo cual se puede deber a muchos factores, entre otros, la variabilidad en la calidad de la formación y la pertinencia de la experiencia en gestión.

Una posible explicación de por qué los resultados son más fuertes en Salud Pública es que el sistema de tests y rastreo, que es una tarea de Salud Pública, sea muy importante para el control de los contagios en la segunda ola, y que las mujeres, en media, sean mejores gestoras de dichos sistemas.

Realizamos un análisis complementario del anterior que consiste en una regresión con la misma variable dependiente y también controlando por las defunciones de la primera ola, pero incluyendo como variable explicativa de interés el porcentaje de los tres cargos analizados que son ostentados por mujeres. Al estimar la regresión encontramos que el coeficiente asociado al porcentaje de cargos ostentados por mujeres es -0.96 y es estadísticamente significativo al 5%. La siguiente figura muestra la representación gráfica de dicha regresión: una relación decreciente entre el exceso de hospitalizaciones sobre lo que se esperaría en función de los datos de la primera ola y el porcentaje de los tres cargos analizados ostentados por mujeres.

¿Qué nos dice la literatura sobre los posibles mecanismos subyacentes entre género y gestión? Un posible mecanismo es aquel que opera a través de la diferencia en aversión al riesgo entre hombres y mujeres contrastada en varios experimentos (ver por ejemplo aquí, aquí o aqui) o el exceso de confianza (overconfidence) de los hombres observado por ejemplo en la toma de decisiones financieras (ver aqui o aqui). Estos mecanismos podrían hacer con que las mujeres actuasen más temprano o fuesen menos optimistas cuanto a la evolución de la pandemia. También podríamos pensar que hay diferencias de comportamiento entre hombres y mujeres cuando actúan bajo presión o cuando lo que está en juego es muy importante. La evidencia basada en experimentos, sin embargo, nos muestra que las mujeres cometen más errores cuando el nivel de competición es alto, principalmente si compiten con los hombres (ver aqui) e, incluso en ambientes donde las mujeres cometen menos errores, como exámenes parciales, la diferencia de comportamientos entre hombres y mujeres tiende a desaparecer cuando lo que está en juego (el peso del examen parcial) es más importante (ver aquí). Otro posible mecanismo seria el que opera vía selección, es decir, supongamos que no hay diferencias entre hombres y mujeres cuanto a la gestión pero que para las mujeres es más difícil llegar a puestos de liderazgo, por lo que si llegan, han de ser más competentes en promedio. Sea cual sea el (los) mecanismo(s), la diferencia en la toma de decisiones políticas ya había sido observada por ejemplo por Irma Clots y su co-autora Sonia Bhalotra en este artículo, donde muestran, de manera muy convincente, que la elección de mujeres a los parlamentos estatales en la India redujo la mortalidad infantil y mejoró la infraestructura de salud, resultados similares se obtienen para elecciones locales también en la India (ver aquí).

Los resultados de nuestro simple análisis indican que las hospitalizaciones de la segunda ola son menores, en media, en aquellas CC.AA. donde una mujer ostenta el cargo de responsable de Salud Pública. De ahí a decir que las mujeres, en media, realizaron una mejor gestión es un salto muy grande, para el que no tenemos ni los datos ni la estrategia empírica para dar. Además, no estamos aún al final de la pandemia y es posible que estos resultados no se mantengan dentro de unos meses. Hemos hecho lo que hemos podido, y los resultados son sugerentes al respecto, pero no podemos ir más allá.

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: Marcos Vera Hernández

Comentarios

comentarios

Seguir Leyendo

Nada es Gratis

III Premio Nada es Gratis para Job Market Papers en Economía

Publicada

el

Es un año atípico, también para los jóvenes doctorandos que esperan empezar su carrera profesional el año próximo y se preparan para sus entrevistas de trabajo y seminarios en instituciones académicas o de investigación económica interesadas en contratarlos. A pesar de las circunstancias, en NeG vamos a contribuir de nuevo a difundir trabajos de investigación de los que se encuentran en este proceso. Así, como en los dos años anteriores, convocamos el III Premio Nada es Gratis para Job Market Papers en Economía. Recordamos las bases:

1. Los doctorandos interesados deberán enviar una entrada, siguiendo el tono habitual del blog, con una extensión máxima de 1.250 palabras y un máximo de 3 figuras o tablas a papers@nadaesgratis.es antes del 15 de Diciembre de 2020, explicando de forma divulgativa el contenido de sus job market papers.

2. Por supuesto, se admiten entradas de alumnos extranjeros y de alumnos que estén realizando su doctorado fuera de España. Animamos en particular a candidatos de universidades menos conocidas/más pequeñas/que tradicionalmente no participan en el mercado internacional a enviar sus trabajos. Las entradas deben ser sobre Economía, entendida en un sentido amplio, y pueden enviarse en castellano o en inglés. Las entradas ganadoras, sin embargo, deberán ser traducidas al castellano para poder ser publicadas en Nada es Gratis.

3. Adicionalmente, los doctorandos pueden enviar una copia de su job market paper, que pueda ayudar a la evaluación complementaria de su entrada. No es necesario que este artículo sea su versión final, puesto que, en caso de recibirlo, lo utilizaremos fundamentalmente para comprobar aspectos técnicos y metodológicos.

4. Los editores de Nada es Gratis evaluarán las entradas recibidas con criterios de calidad científica e interés para nuestros lectores, y seleccionarán un máximo de 5 entradas. !Animaos! Incluso aunque penséis que no vais a ser seleccionados (¿dónde está esa confianza tan necesaria en este periodo?) pensamos que el mero hecho de escribir un resumen en un tono que se entienda de forma clara es un ejercicio tremendamente útil para mejorar en las potenciales entrevistas del mercado de trabajo.

5. Las entradas seleccionadas, una vez editadas con nuestra ayuda, serán anunciadas en un post de los editores y publicadas en el blog Nada es Gratis, dándole máxima difusión en el blog y en redes sociales.

Rogamos a los académicos lectores del blog que, como el año pasado, nos ayuden a dar a conocer esta iniciativa entre los alumnos de su universidad. !Estamos deseando recibir vuestras entradas!

Juan Francisco Jimeno

Juan Francisco Jimeno

Doctor en Economía por MIT, 1990. Ha sido profesor en varias universidades españolas y extranjeras, investigador en FEDEA hasta 2004 y en la actualidad trabaja en la Dirección General de Economía y Estadística del Banco de España. Es autor de numerosos artículos de investigación y de libros sobre macroeconomía y economía laboral, investigador asociado al CEPR y a IZA y editor del IZA Journal of Labor Policy. Los puntos de vista expresados en mis entradas son estrictamente personales y no reflejan, necesariamente, los del Banco de España

Let’s block ads! (Why?)

Publicado originalmente en: Ir a la fuente
Autor: Juan Francisco Jimeno

Comentarios

comentarios

Seguir Leyendo
Publicidad
Publicidad
...

Facebook

Destacado