La clave del crecimiento en el desierto de datos: Un nuevo marco para el análisis de la transformación estructural en países de ingresos bajos y medios

Durante mucho tiempo, el análisis económico de los países del Sur Global ha enfrentado un dilema fundamental: las economías que más necesitan ser comprendidas son precisamente aquellas con los datos más incompletos. Mientras que los países desarrollados pueden apoyarse en estadísticas económicas de alta frecuencia, detalladas y coherentes para captar la transformación estructural, los sistemas estadísticos de los países de ingreso bajo y mediano (LMICs) suelen presentar enormes vacíos, lo que hace que la formulación de políticas, las decisiones de inversión y la investigación académica sean como avanzar a tientas en la oscuridad.

Un estudio publicado recientemente en *Scientific Reports* intenta ofrecer una solución escalable a este problema. Los investigadores diseñaron un marco unificado que integra el modelado jerárquico bayesiano, técnicas de imputación basadas en aprendizaje automático y análisis factorial, optimizado específicamente para la escasez de datos en los LMICs. El marco fue validado mediante simulaciones con datos del Banco Mundial de 2000 a 2020 de Kenia, Nigeria y Ghana, y los resultados muestran que es más preciso y más interpretable que los modelos tradicionales en condiciones de datos faltantes.

El valor de esta investigación no reside solo en la innovación metodológica, sino también en que nos ofrece un nuevo prisma para observar la transformación económica del Sur Global. Mediante este marco, los investigadores identificaron tres trayectorias estructurales claramente diferentes en las economías de África occidental y oriental: el crecimiento liderado por los servicios en Kenia, la volatilidad industrial estrechamente vinculada al petróleo en Nigeria y la expansión equilibrada de Ghana. Estas diferencias nos recuerdan que, incluso entre países del África subsahariana, la lógica de reasignación sectorial que subyace a la palabra "crecimiento" puede ser completamente distinta.

La pobreza de datos es el cuello de botella invisible de la investigación de los mercados emergentes

En la narrativa económica dominante, la transformación estructural suele entenderse como el proceso de reasignación de la fuerza laboral de la agricultura hacia la industria y los servicios. Este proceso ha sido verificado repetidamente en el ascenso de las economías asiáticas, pero en África, la investigación relacionada ha estado durante mucho tiempo limitada por datos incompletos, criterios estadísticos inconsistentes y una fuerte volatilidad sectorial. Los modelos econométricos tradicionales suelen asumir datos completos y ruido limitado, algo que resulta insuficiente ante la realidad de los LMICs.

La falta de datos confiables significa que podemos subestimar o malinterpretar los verdaderos motores del crecimiento en los mercados emergentes africanos. Por ejemplo, la alta proporción de la economía informal genera graves sesgos en las cifras oficiales de PIB y empleo, mientras que las estadísticas a nivel sectorial suelen tener interrupciones frecuentes. Esto hace que las discusiones sobre cuestiones clave como la "desindustrialización prematura" o el "estancamiento de la productividad de los servicios" a menudo se basen en una base empírica frágil.

El punto de partida de este estudio es: en lugar de esperar a que mejoren los sistemas estadísticos, es mejor desarrollar un conjunto de herramientas analíticas capaces de adaptarse a la escasez de datos. Los investigadores conectaron orgánicamente tres métodos que normalmente se usan en diferentes campos —el modelado jerárquico bayesiano, la imputación mediante aprendizaje automático y el análisis factorial—, en lugar de simplemente yuxtaponerlos. La técnica de imputación se encarga de llenar los vacíos de datos; el análisis factorial, de extraer la estructura latente de los indicadores de alta dimensión; y el modelo bayesiano, de generar estimaciones posteriores que incorporan la heterogeneidad sectorial y temporal bajo incertidumbre. Esta interdependencia operativa es el núcleo que distingue a este marco de las anteriores "herramientas de un solo punto".

Tres métodos de imputación, tres filosofías de datosEl estudio simuló condiciones de escasez de datos y evaluó tres técnicas de imputación. Cabe destacar que ningún método fue óptimo en todos los indicadores: SoftImpute logró el menor error cuadrático medio (RMSE) en los indicadores sectoriales, mientras que k-vecinos más cercanos (kNN) se desempeñó mejor en la reconstrucción del PIB. Este hallazgo subraya la importancia de la “conciencia contextual” en el procesamiento de datos: al analizar los LMIC, una estrategia de imputación única puede no ser suficiente. Para la investigación industrial que depende de los datos de producción sectorial, la lógica de completado de matrices de SoftImpute es más adecuada; mientras que para la evaluación de agregados macroeconómicos, la imputación basada en muestras similares de kNN ofrece mayores ventajas.

Esta distinción tan detallada tiene implicaciones prácticas para la investigación sobre IED y la toma de decisiones de inversión. Cuando una empresa multinacional evalúa su estrategia de entrada al mercado de un país africano, las proyecciones de crecimiento del PIB y los datos de producción sectorial de los que depende pueden provenir de diferentes modelos de estimación. Comprender las opciones técnicas y las incertidumbres en el proceso de generación de estos datos ayuda a evitar ser inducido a error por cifras aparentemente precisas.

Una muestra de tres países revela la divergencia del crecimiento en el Sur Global

La parte empírica del estudio se centra en Kenia, Nigeria y Ghana. Estos tres países representan la diversidad típica de las economías africanas, con diferentes dotaciones de recursos, estructuras industriales y trayectorias políticas y económicas. Las diferencias de trayectoria reveladas por el nuevo marco resultan ilustrativas:

El crecimiento de Kenia muestra un claro predominio de los servicios, lo que probablemente esté relacionado con su sector de TIC y servicios financieros relativamente maduros. Este hallazgo sugiere que, en ausencia de una industrialización a gran escala, el sector de servicios también puede ser una fuente importante de mejora de la productividad, aunque su sostenibilidad aún requiere una evaluación prudente.

La transformación estructural de Nigeria, en cambio, está altamente condicionada por el ciclo de los precios del petróleo. El sector industrial fluctúa bruscamente al compás de los precios del petróleo, lo que indica que las trayectorias de crecimiento de los países exportadores de recursos pueden verse fácilmente dominadas por shocks externos. Esta volatilidad plantea un gran desafío para el diseño de políticas a largo plazo: cómo deshacerse de la maldición de los recursos y cultivar un impulso de crecimiento estable en medio de la volatilidad estructural es un tema que Nigeria y otros países productores de petróleo enfrentan conjuntamente.

El desempeño de Ghana, por su parte, es más equilibrado; la agricultura, la industria y los servicios parecen expandirse de manera simultánea. Este patrón de crecimiento multidimensional puede reflejar la base económica relativamente diversificada de Ghana, pero si podrá mantener un desarrollo coordinado entre sectores a largo plazo aún requiere un seguimiento más detallado.

Estas diferencias demuestran una vez más que recurrir a una única “narrativa de crecimiento africano” para guiar la inversión o las políticas es claramente insuficiente. La transformación estructural del Sur Global sigue múltiples trayectorias y requiere herramientas analíticas impulsadas por datos y desglosadas por sectores para capturarla.

Implicaciones de política y perspectivas de inversión

La contribución más importante de este estudio es, quizás, proporcionar una herramienta de apoyo a la toma de decisiones “amigable con los datos” para entornos de “datos limitados”. En el ámbito de la ayuda internacional al desarrollo y los préstamos soberanos, a menudo se cae en “predicciones basadas en la fe” debido a la falta de datos. El nuevo marco permite a los responsables de políticas obtener, incluso cuando los datos aún no están completos, predicciones a nivel sectorial con intervalos de incertidumbre, afrontando así el riesgo de manera más pragmática.Para los inversores internacionales, las aplicaciones potenciales de este marco son igualmente claras. Al evaluar la viabilidad de proyectos de infraestructura o parques industriales en mercados emergentes, el uso de datos tradicionales puede conducir a graves errores de juicio sobre la demanda del mercado y la transferencia de mano de obra. Las proyecciones sectoriales basadas en la inferencia bayesiana pueden permitir que los flujos de capital se anclen con mayor precisión en las industrias y regiones con verdadero potencial de transformación.

Por supuesto, el propio estudio también señala explícitamente que su validación se limita a tres países y a un período que llega hasta 2020. Al extenderse a otros países de ingresos bajos y medios (LMIC), el algoritmo puede necesitar ajustes según los diferentes contextos institucionales y la calidad de los datos. Pero en cualquier caso, ya ha establecido un punto de referencia reproducible para el “análisis estructural en condiciones de escasez de datos”.

La puesta al día metodológica ante el desplazamiento de los centros de crecimiento global

Cuando los centros de crecimiento global se desplazan gradualmente hacia Asia, África y Oriente Medio, la infraestructura de datos económicos del Sur Global aún no ha seguido el ritmo de manera adecuada. Esta asimetría implica que el capital internacional y las instituciones de política global a menudo “observan contornos borrosos con un telescopio”. La nueva investigación nos recuerda que, además de recopilar más datos, necesitamos desarrollar herramientas más inteligentes para aprovechar los datos existentes. La combinación del aprendizaje automático y la estadística bayesiana es precisamente un intento activo de esta “puesta al día de los datos”.

En una era marcada por la superposición del dividendo demográfico, la urbanización, la reubicación de la manufactura y la transformación digital, la información estructural sectorial precisa es más crítica que nunca. Ya sea para determinar si un país está experimentando una “desindustrialización prematura” o para evaluar si una inversión en infraestructura se ajusta a la evolución estructural de largo plazo de la industria, necesitamos marcos analíticos más refinados y con mayor capacidad de inferencia.

Es posible que este artículo no llame tanto la atención como la firma de un gran proyecto de infraestructura, pero su valor radica en permitir que el análisis económico del Sur Global pase de “contar historias” a “ser comprobable”. En una época en la que los datos son insuficientes pero la urgencia de tomar decisiones es sin precedentes, la construcción de esta infraestructura de conocimiento es, en sí misma, una forma de crecimiento.