La COVID-19 y sus efectos en los flujos migratorios de los principales países de origen y destino. Un estudio a través del Data Envelopment Analysi - José César Lenin Navarro Chávez, Odette Virginia Delfín Ortega
Dimensions
La COVID-19 y sus efectos en los flujos migratorios de los principales países de origen y destino. Un estudio a través del Data Envelopment Analysis
José César Lenin Navarro Chávez*
Odette Virginia Delfín Ortega**
DOI: https://doi.org/10.52501/cc.121.04
Resumen
Dentro de los principales países de origen de la población migrante se encuentran la India, China, México, Rusia y Siria. Mientras que, dentro de los principales países de destino están Estados Unidos, Alemania, Arabia Saudita, Rusia y el Reino Unido. Se ubican, además, en estos bloques de países, economías que por su importancia se han constituido durante las últimas décadas en los motores del crecimiento económico mundial. De manera particular, sobresale el caso de China tanto por sus elevadas tasas de crecimiento económico, como por ser el origen de la irrupción de la pandemia por la COVID-19 que ha venido a alterar la dinámica económica, social y política en el orbe. El objetivo de este trabajo es, por consiguiente, identificar los efectos de la COVID-19 en los flujos migratorios, PIB y el empleo de los principales países de origen y destino de la población migrante internacional para el año 2020. Se pretende revisar qué tan eficientes fueron estos países en el manejo de la pandemia instrumentándose, para ello, la metodología del Data Envelopment Analysis (dea por sus siglas en inglés). Los resultados dan evidencia de que no hubo un solo país que haya tratado de manera eficiente la pandemia por COVID-19. Sin embargo, quienes tuvieron los mejores resultados fueron Estados Unidos, Australia y el Reino Unido. Mientras que los países con los menores niveles de eficiencia fueron Siria, Arabia Saudita e India, en ese orden. En el caso de México, éste se ubicó en la posición 15 —de los 20 principales países de origen y destino de la población migrante internacional— con un nivel de eficiencia del 0.059.
Palabras clave: Flujos migratorios, COVID-19 y Data Envelopmen Analysis.
Introducción
La migración es un fenómeno social de gran relevancia que requiere un profundo análisis en aspectos sociales, políticos, económicos y ambientales de los países. Diversas causas han sido atribuidas a la decisión de emigrar. Las explicaciones que dan cuenta de los motivos de este fenómeno se vinculan con la falta de trabajo, la persecución político-ideológica, la inseguridad producto de la violencia, las guerras, la persecución étnico religiosa, los problemas socioeconómicos, el mejoramiento de la calidad de vida, la búsqueda de desarrollo individual o familiar, oportunidades de empleo y educación, acceso a bienes y servicios, entre otras (Aruj, 2008). Sin embargo, el surgimiento de la pandemia del Covid-19 ha puesto en escenario nuevos desafíos a este fenómeno con profundos impactos en la migración (Aja, 2020).
El año 2020 fue muy complicado para la migración internacional debido a la pandemia, no obstante, la población migrante aumentó 59.6 millones respecto a hace 10 años, y 32.6 millones respecto a 2015. La pandemia afecta a la migración y movilidad humana de distintas maneras: posterga la migración planeada, se cierran fronteras en los países de origen, tránsito y destino, los trámites administrativos se ven interrumpidos o avanzan lentamente (Consejo Nacional de Población, Fundación BBVA y BBVA Research, 2021).
Todos los países han tomado diversas acciones para enfrentar el virus SARS-COV-2 y proteger a la población ante esta pandemia. Sin embargo, los migrantes suelen quedar al margen de estas acciones dejándolos muy vulnerables y con altos riesgos de contagio. El tema de los derechos humanos, por consiguiente, ha sido una constante en diversos países en torno a la migración (Maldonado, Dolores, Peñafiel y Cerón, 2021). El hecho de excluir el acceso de la población migrante a servicios de atención de la salud en los marcos jurídicos y normativos de los países receptores puede acrecentar los riesgos de transmisión, producir consecuencias adversas, impedir la detección temprana y el tratamiento y, en consecuencia, aumentar el número de muertes por COVID-19 (ocde, 2021).
Autores como Aguirre y Casarín (2021); Ríos-Contreras (2021); Torre-Cantalapiedra (2021); Vargas y Villarreal (2022) han realizado diversos análisis del fenómeno migratorio en tiempos de pandemia sobre las relaciones entre México y Estados Unidos, abordando aspectos como el control fronterizo y las restricciones a la movilidad a causa de la salud pública y de los riesgos de una pandemia global del COVID-19. Desde esta perspectiva exploran la intersección del régimen del control migratorio, el racismo y la pandemia.
Adicionalmente, otros estudios buscan analizar cómo la emergencia sanitaria ha afectado a los migrantes latinoamericanos en origen, tránsito y destino, acentuándose las políticas antiinmigrante en los países receptores con la justificación que asocia la migración con riesgo para la salud pública para legitimar de esta manera sus actuaciones en materia migratoria (Aja, 2020; Espinoza, 2021; Fort, Espinoza y Espinoza, 2021; Fernández, et. al, 2021; Torre-Cantalapiedra, 2021).
La afectación de esta pandemia de la COVID-19 ha provocado el retorno de muchos migrantes a su país de origen, enfrentándose a un problema laboral en su comunidad. Esto ha provocado que gobiernos locales con pocos recursos tengan que hacer frente a la tarea de satisfacer las necesidades socioeconómicas de los retornados en el contexto de una economía rural afectada por la crisis y en situación de pobreza en la mayoría de los casos, y estas personas al no poder contar con una solución económica, buscan migrar nuevamente dejando en un segundo término, los riesgos en el tema de salud (fao, 2021; Fernández, et. al., 2021; Espinoza, 2021; Fort, Espinoza y Espinoza, 2021; Rico, y Leiva-Gómez, 2021).
Por otro lado, uno de los temas más importantes dentro de la migración son las remesas, debido a que siguen siendo un factor fundamental para la sostenibilidad de muchas familias, y se vuelve una situación vulnerable ante un acontecimiento como la pandemia (Laloum y Ruiz-Arranz, 2021). En el año 2020, los flujos de remesas y los movimientos migratorios se vieron sustancialmente afectados por la crisis económica y sanitaria generada por la pandemia del COVID-19 en la mayoría de los países expulsores de migrantes, sin embargo, México fue uno de los pocos países que sí tuvo un incremento en sus remesas en el año 2020 (Consejo Nacional de Población, Fundación bbva y bbva Research, 2021).
Todos estos aspectos muestran la relevancia de llevar a cabo estudios que ayuden a conocer el impacto que ha tenido la pandemia en los diversos ámbitos sociales, políticos y económicos, así como también su incidencia en la migración. Por tal motivo, el objetivo de este trabajo es identificar los efectos de la COVID-19, en los flujos migratorios de los principales países de origen y destino de la población migrante internacional para el año 2020.
Con este análisis se pretende revisar qué tan eficientes fueron estos países en el manejo de la pandemia, instrumentándose para ello, la metodología del Data Envelopment Analysis. Considerándose aquí, además de los indicadores vinculados al fenómeno migratorio, los de salud, crecimiento económico y bienestar social.
El capítulo se encuentra estructurado en seis apartados; primero se encuentra la introducción; en el apartado dos se presenta una contextualización de los flujos migratorios y las remesas en el ámbito internacional; posteriormente, en el apartado tres se encuentran los elementos teóricos metodológicos del análisis de la envolvente de datos; le sigue el aparatado cuatro donde se tiene el desarrollo del modelo; en el apartado cinco están los resultados y, por último, se abordan las conclusiones del capítulo.
Flujos Migratorios y Remesas
Origen y destino de la migración internacional
El origen y destino de la población migrante explica en gran medida los flujos migratorios en las distintas regiones del orbe. En la tabla 1, se observan las regiones atendiendo al origen y destino de la población migrante internacional. Destacan aquí, Europa y el Norte de América como las principales regiones de origen y destino de la población migrante para el año 2020. En estas regiones emigraron 67.6 millones de personas y recibieron a 145.4 millones de personas.
Tabla 1. Regiones de origen y destino de la población migrante internacional, 2020 (Población)
|
Regiones |
Origen |
Destino |
|
América Latina y el Caribe |
42 890 481 |
14 794 623 |
|
Europa y Norte de América |
67 601 621 |
145 414 863 |
|
África del Norte y Asia |
37 563 820 |
49 767 746 |
|
África Subsahariana |
28 284 538 |
22 221 538 |
|
Asia Central y Meridional |
51 229 549 |
19 427 576 |
|
Asia Oriental y Sudoriental |
38 400 740 |
19 591 106 |
|
Oceanía |
565 281 |
313 069 |
|
Australia y Nueva Zelanda |
1 404 924 |
9 067 584 |
Por países, el origen y destino de la población migrante internacional, si bien es el resultado de una diversidad y complejidad de factores, en general, se puede decir que encuentra su explicación en aspectos relacionados con las condiciones económicas, sociales, culturales, familiares y de seguridad. No es motivo en este trabajo el abordar, de manera específica, estas condiciones como causantes de la movilidad poblacional entre los países de origen y destino, sí interesa en cambio —en este apartado— identificar además de las regiones a los principales países de origen y destino de la población migrante internacional.
En la tabla 2, se tiene a los principales países de origen de la población migrante internacional para el año 2020. Es la India, para este año, el país con el mayor número de emigrantes internacionales con 17.9 millones, seguido de China con 11.6 millones y México con 11.2 millones. Fue China quien ocupó el primer lugar como país de origen de las mujeres con 6.3 millones, en tanto que la India fue el principal país de origen de los varones con 11.7 millones. En el caso de México, éste ocupó el cuarto lugar para las mujeres y el segundo para los hombres (Consejo Nacional de Población, Fundación bbva y bbva Research, 2021).
Tabla 2. Los 10 principales países de origen y destino de la población migrante internacional, 2020
|
Los 10 principales países de origen de la población migrante internacional, 2020 |
Los 10 principales países de destino de la población migrante internacional, 2020 |
||
|
País |
Población |
País |
Población |
|
India |
17 869 492 |
Estados Unidos |
50 632 836 |
|
China |
11 614 150 |
Alemania |
15 762 457 |
|
México |
11 185 737 |
Arabia Saudita |
13 454 842 |
|
Rusia |
10 756 697 |
Rusia |
11 636 911 |
|
Siria |
8 457 214 |
Reino Unido |
9 359 587 |
|
Bangladesh |
7 401 763 |
Emiratos Árabes Unidos |
8 716 332 |
|
Pakistán |
6 328 400 |
Francia |
8 524 876 |
|
Ucrania |
6 139 144 |
Canadá |
8 049 323 |
|
Filipinas |
6 094 307 |
Australia |
7 685 860 |
|
Afganistán |
5 853 838 |
España |
6 842 202 |
Dentro de los principales países de destino de la población migrante internacional para el año 2020, se encuentran los Estados Unidos que recibió el 18% del total global de la población migrante, ocupando el primer lugar. En la segunda posición está Alemania con el 5.6%, mientras que Arabia Saudita ocupa el tercer lugar con el 4.8%. Las mujeres se dirigieron principalmente a los Estados Unidos, Alemania y Rusia, en tanto que los hombres migraron en mayor medida hacia los Estados Unidos, Arabia Saudita y Alemania (Consejo Nacional de Población, Fundación bbva y bbva Research, 2021).
Flujo mundial de remesas
El flujo mundial de remesas es también un resultado de lo que sucede con los principales países de origen y destino de la población migrante internacional. Si bien las remesas históricamente han mostrado una tendencia creciente, es a partir del 2000 que el flujo de remesas en el ámbito internacional se incrementa de manera sustancial, pasando en este año de 125 400 millones de dólares a 619 000 millones para el 2021. Es de destacar, sin embargo, que entre el año 2019 y 2021 el flujo de remesas pasó de 716 700 millones de dólares a 619 00 millones de dólares (ver gráfica 1). De 2020 a 2021, se estima que las remesas desciendan en un orden de alrededor del 7% a nivel global debido a la pandemia por COVID-19. Si observamos la gráfica 1, se tendría para estos años la mayor caída desde 1970. Para el año 2019, es la región de Estados Unidos y Canadá la que ocupa el primer lugar en el origen de las remesas a nivel mundial con un 28.1% del total, superando a los países de la península Arábiga y a los países de Europa del alto ingreso que en conjunto alcanzaron el 18.2% del total (Consejo Nacional de Población, Fundación bbva y bbva Research, 2021).
Para el 2020, de acuerdo con el Banco Mundial (2020) debido a la crisis por COVID-19, la región que tuvo la mayor caída en los ingresos por remesas fue Europa y Asia Central con el 16.1%, mientras que para el año 2021 fue Asia del Sur con el 10.9%. Por lo que se refiere a la región de América Latina y el Caribe en el año 2021, se podría dar una reducción del 8.1%, pasando las remesas de 96.1 mil millones de dólares a 88 000 millones de dólares (véase gráfica 2) (Consejo Nacional de Población, Fundación bbva y bbva Research, 2021).
Se puede observar en la tabla 3 que dentro de los países que tuvieron una mayor caída en sus ingresos por remesas para el año 2020, se encuentran China, Nigeria, Egipto e India. En el caso de México, Pakistán y Bangladesh tuvieron incrementos en sus flujos de remesas durante el 2020, aún y con la pandemia mundial por COVID-19. De los 10 países revisados, la India tuvo una reducción del 10.3% en su Producto Interno Bruto (pib), siendo uno de los países con el mayor número de casos y fallecimientos por COVID-19. Por lo que respecta a México, su caída en el pib para este año fue del orden del 9.0%, mientras que en el número de casos COVID-19 de este grupo de países ocupó la tercera posición, y en el número de fallecimientos solamente estuvo por detrás de la India.
Gráfica 1. Flujo mundial de remesas, 1970-2021p (Miles de millones de US dólares)
Gráfica 2. Estimación de la variación porcentual de las remesas por región, 2020p-2021p (%)
Elementos Teóricos Metodológicos del Análisis de la Envolvente de Datos
Existen varios conceptos de eficiencia. Farrell (1957) define la eficiencia técnica (et) como la capacidad de una unidad económica para producir el máximo posible, dado un conjunto de inputs o la habilidad de una organización de obtener el máximo nivel de producción con unos recursos dados.
El cálculo empírico de la frontera eficiente se puede realizar mediante diferentes aproximaciones. Forsund, Lovell y Schmidt (1980) clasificaron los diferentes modelos desarrollados para evaluar las fronteras de producción en modelos paramétricos y no paramétricos.
Las aproximaciones paramétricas (determinística y estocástica) requieren formas funcionales que especifiquen la relación entre inputs y outputs. Se estiman los parámetros a partir de las observaciones de la realidad (Seiford y Thrall, 1990).
Los modelos de naturaleza no paramétrica utilizan técnicas de programación matemática para medir y evaluar la eficiencia de las unidades de decisión. En esta categoría se encuentran dos metodologías, la del análisis de la envolvente de datos (dea) y Free Disposal Hull (fdh) (Coll y Blasco, 2006).
Tabla 3. Los 10 principales países receptores de remesas según cambio porcentual anual de las remesas y del PIB, y casos y fallecimientos por COVID-19, 2020
|
Variación % remesas |
Variación % pib real |
COVID-19 casos (Miles) |
COVID-19 fallecimientos (Miles) |
|
|
China |
–13.00% |
1.90% |
96 |
5 |
|
México |
3.80% |
–9.00% |
1449 |
123 |
|
Filipinas |
–5.20% |
–8.30% |
478 |
9 |
|
Francia |
–5.70% |
–9.80% |
2656 |
63 |
|
Egipto |
–9.00% |
3.50% |
142 |
7 |
|
Pakistán |
8.50% |
–0.40% |
489 |
10 |
|
Nigeria |
–11.90% |
–4.30% |
90 |
1 |
|
Bangladesh |
7.60% |
3.80% |
516 |
7 |
|
Vietnam |
–7.70% |
1.60% |
1 |
0 |
El modelo del análisis de la envolvente de datos facilita la construcción de una superficie envolvente o frontera eficiente a partir de los datos disponibles del conjunto de entidades objeto de estudio conocidas como Decision Making Unit dmu (Unidad de Toma de Decisiones) (Coelli, O’Donnell y Battese, 2006).
La eficiencia bajo el método del análisis de la envolvente de datos fue iniciada por Farrell (1957). El concepto de eficiencia, de acuerdo con este autor, se compone de la eficiencia técnica y la eficiencia asignativa. La eficiencia técnica es la comparación de inputs y outputs físicos respecto a sus valores óptimos, en cambio, en la eficiencia asignativa se comparan magnitudes de carácter económico con sus valores óptimos, generalmente son el coste o beneficio.
El trabajo de Farrell se complementa con el de Charnes, Cooper y Rhodes que partían de rendimientos constantes a escala CRS (Charnes, Cooper y Rhodes, 1978), de forma tal que un cambio en los niveles de inputs conlleva a un cambio proporcional en el nivel del output. Tiene dos orientaciones, la del input (la comparación entre el nivel mínimo de inputs necesario, para un nivel dado de outputs, y el realmente empleado) y la orientación output (la comparación entre el output máximo alcanzable, para un nivel dado de inputs, y el realmente alcanzado).
- Modelo DEA con rendimientos variables a escala
Posteriormente, Banker, Charnes y Cooper (1984) extendieron el modelo original para incluir los rendimientos variables a escala (VRS). Considerando que diversas circunstancias como la competencia imperfecta, las restricciones en el acceso a fuentes de financiación, etc., pueden provocar que las unidades no operen a escala óptima. - Outputs indeseables
Los modelos clásicos suponen que todos los outputs son deseables y que se pretende reducir la utilización de inputs y maximizar los outputs. Sin embargo, es frecuente que en el proceso de producción aparezcan outputs nocivos o no deseables. Pittman (1983) fue el primero en tomar en cuenta los outputs indeseables (badoutputs). - Técnica bootstrap
El bootstrap es una herramienta estadística que fue introducida por Efron (1979), para analizar la sensibilidad de las medidas de eficiencia a una muestra de variación. La adaptación consistente del bootstrap a estimaciones del dea fue formulada por primera vez por Simar y Wilson (1998).
De acuerdo con Simar y Wilson (2006), para poder determinar el sesgo que cada empresa puede tener, se debe generar una muestra con la que se consiga obtener una estimación del verdadero valor de la función de la frontera y restarla a la eficiencia estimada con el dea. Al repetir este proceso de manera reiterada, se obtendrán infinitas fronteras bootstrap que se compararán siempre con la misma frontera verdadera. Esto dará como resultado infinitas mediciones de eficiencia bootstrap para cada empresa. Si el proceso generador de datos ha sido estimado con propiedad, la distribución del sesgo bootstrap de cada empresa debe ser similar al que se presenta en el mundo real.
En el caso de la estimación bootstrap, en vez de obtener una única muestra repetimos el procedimiento anterior un elevado número de veces para asegurarnos que el sesgo calculado con la muestra bootstrap, corresponda al del mundo real. El número de veces B que se repita el procedimiento será aquel que garantice que la aproximación es fiable. Normalmente se considera que al menos sean 1 000 muestras. Simar y Wilson (2000) recomiendan remuestrear 2 000 o incluso un número mayor de veces.
Desarrollo del Modelo
En este trabajo se presenta la medición de la eficiencia en el manejo de la pandemia de la COVID-19 en el año 2020, y sus efectos en los flujos migratorios, pib y el empleo, utilizando un modelo dea con rendimientos variables a escala no orientado; es decir, se pretende minimizar los inputs y maximizar los outputs y al contemplarse también un bad output en el modelo, a este también se le debe de minimizar para ser más eficiente. Se aplica el estadístico bootstrap con 2000 iteraciones para darle robustez a los resultados obtenidos en el modelo. Se consideran, además, el análisis benchmarking y el análisis de slacks.
Tabla 4. Principales países de origen y destino de la población migrante
|
Origen |
Destino |
|
India |
Estados Unidos |
|
China |
Alemania |
|
México |
Arabia Saudita |
|
Rusia |
Rusia |
|
Siria |
Reino Unido |
|
Bangladesh |
Emiratos Árabes Unidos |
|
Pakistán |
Francia |
|
Ucrania |
Canadá |
|
Filipinas |
Australia |
|
Afganistán |
España |
Para la selección de las dmus, se consideraron los principales países de origen y destino de la población migrante en el año 2020 como se muestra a continuación:
- Selección de variables
Para la selección de las variables se consideró, en primer lugar, el objetivo de este estudio que es identificar los efectos de la COVID-19, en los flujos migratorios de los principales países de origen y destino de la población migrante internacional para el año 2020. Por lo que se tomó como inputs:- Casos Covid: para lo cual se utilizan la cantidad de casos por cada millón de personas para el año 2020 (Organización Mundial de la Salud, 2020)
- Muertes Covid: donde se toman en cuenta las muertes por cada millón de personas en el año 2020 (Organización Mundial de la Salud, 2020).
- Para el caso de los outputs se utilizaron:
- pib: a precios constantes de 2015, expresados en dólares estadounidenses para el año 2020 (Banco Mundial, 2020).
- Población activa total: donde se considera a todas las personas de 15 años o más que aportaron trabajo para la producción de bienes y servicios en el año 2020 (Banco Mundial, 2020).
- Como bad output:
- Flujos migratorios: total de migrantes para el año 2020 (Organización Internacional de Migración, 2020).
Resultados
En la tabla 5 se presentan los resultados obtenidos del modelo dea-vrs con bootstrap; se puede observar que ninguno de los países fue eficiente en el manejo de la pandemia. Esto es, ninguna de las unidades de análisis (países, en este caso) alcanzó valores de 1, condición necesaria en la metodología dea para que una unidad de análisis sea considerada como eficiente. Como se observa en la tabla 5, el promedio global de eficiencia fue de 0.197 y, en general, se tiene que la mayoría de los países se caracterizaron por sus bajos niveles de eficiencia.
Tabla 5. Eficiencia técnica de los principales países de origen y destino de la migración, 2020
|
Eficiencia VRS con bootstrap |
|
|
Estados Unidos |
0.727 |
|
Australia |
0.633 |
|
Reino Unido |
0.580 |
|
Francia |
0.334 |
|
Alemania |
0.290 |
|
China |
0.225 |
|
Canadá |
0.120 |
|
Emiratos Árabes Unidos |
0.115 |
|
España |
0.103 |
|
Filipinas |
0.100 |
|
Bangladesh |
0.088 |
|
Rusia |
0.080 |
|
Afganistán |
0.078 |
|
Pakistán |
0.073 |
|
México |
0.059 |
|
Ucrania |
0.052 |
|
India |
0.037 |
|
Arabia Saudita |
0.034 |
|
Siria |
0.017 |
|
PROMEDIO |
0.197 |
El país que alcanzó el nivel más alto sin llegar a ser eficiente fue Estados Unidos con el 0.727, seguido de Australia con un 0.633 y el Reino Unido con el 0.580. En el lado opuesto, se encuentra Siria que se situó en el último lugar con un nivel de eficiencia del 0.017; Arabia Saudita con el 0.034; la India con el 0.037, y Ucrania con el 0.052.
México se ubicó en la posición 15 con un nivel de eficiencia del 0.059, lo que da cuenta de que las medidas implementadas en la fase inicial de la COVID-19 para hacer frente a su propagación casos y muertes COVID-19 no se instrumentaron de la mejor manera, y por consiguiente, se tuvo un efecto negativo sobre la actividad económica, el empleo y la reducción de los flujos migratorios.
Dentro de los principales países de origen de la población migrante, China se encuentra con un nivel de eficiencia de 0.225, resultado que si bien está muy alejado de la eficiencia (un país es eficiente cuando tiene un valor de 1), su valor se ubica por encima del que alcanzaron países que se distinguen por sus elevados flujos migratorios como son la India y México, que tuvieron valores de eficiencia de 0.037 y 0.059, respectivamente. Esto es, en un análisis comparativo, China respecto a estos dos países logró reducir las muertes y casos por COVID, a la vez que logró frenar sus flujos migratorios,1 y sus niveles de actividad económica no se afectaron en los mismos términos que los de principales países con mayores flujos de población migrante.
En la tabla 6, se presenta el análisis de benchmarking, el cual permite identificar a las dmu’s eficientes y que son consideradas como puntos de referencia para las dmu’s que son ineficientes, además de tener ciertas características similares en los inputs y outputs que manejan. Cada unidad referente indicará la intensidad de influencia —los coeficientes que aparecen entre paréntesis— que tiene sobre las unidades ineficientes (Coll y Blasco, 2006).
Tabla 6. Análisis benchmarking
|
Benchmark (Lambda) |
|
|
Afganistán |
Australia (0.195378); China (0.804622) |
|
Alemania |
Australia (0.698523); Estados Unidos (0.209563) |
|
Arabia Saudita |
Arabia Saudita (1.000000) |
|
Australia |
Australia (1.000000) |
|
Bangladesh |
Australia (0.191103); China (0.652330); India (0.156567) |
|
Canadá |
Australia (0.267381); Estados Unidos (0.088868) |
|
China |
China (1.000000) |
|
Emiratos Árabes Unidos |
Emiratos Árabes Unidos (1.000000) |
|
España |
Australia (0.861310); Estados Unidos (0.138690) |
|
Estados Unidos |
Estados Unidos (1.000000) |
|
Filipinas |
Emiratos Árabes Unidos (0.161433); Australia (0.718549) |
|
Francia |
Emiratos Árabes Unidos (0.775757); Estados Unidos (0.224243) |
|
India |
India (1.000000) |
|
México |
Australia (0.587638); China (0.245880); Estados Unidos (0.010866) |
|
Pakistán |
Pakistán (1.000000) |
|
Reino Unido |
Australia (0.080534); Estados Unidos (0.236177) |
|
Rusia |
Emiratos Árabes Unidos (0.478588); Australia (0.256784); Estados Unidos (0.061376) |
|
Siria |
Australia (0.080272); China (0.919728) |
|
Ucrania |
Emiratos Árabes Unidos (0.924512); Australia (0.029685) |
Se puede observar que es Australia el país que se toma como referencia mayor número de veces (12), seguido de Estados Unidos (8). En el caso de México, tomó como dmu de referencia en primer lugar a Australia (0.5876), seguido de China (0.245880) y finalmente, a Estados Unidos (0.010866) quien tuvo menos incidencia.
Conclusiones
La pandemia ocasionada por la COVID-19 si bien ha tenido implicaciones graves en el ámbito de la salud, en el bienestar social y —en general— en la dinámica económica mundial, también las consecuencias han estado presentes en el fenómeno migratorio. La pandemia ha afectado los flujos migratorios en los países de origen y de destino y se ha expresado, además, en una reducción importante en el movimiento de remesas en estos dos últimos años.
Todos los países han tomado diversas acciones para enfrentar el virus SARS-COV-2 y proteger a la población ante esta pandemia. Sin embargo, los migrantes suelen quedar al margen de estas acciones dejándolos muy vulnerables y con altos riesgos de contagio. De aquí, la importancia de estudiar la eficiencia con la cual se atendió la pandemia del COVID-19, no solo en términos sanitarios, de crecimiento económico y de empleo, sino revisar las consecuencias que se tuvieron en lo que concierne a los flujos migratorios.
Con el objetivo de identificar los efectos de la COVID-19 en los flujos migratorios, pib y el empleo de los principales países de origen y destino de la población migrante internacional para el año 2020, se instrumentó la metodología del análisis de la envolvente de datos (dea, por sus siglas en inglés). Se utilizó un modelo dea con rendimientos variables a escala no orientado, con un bad output —flujos migratorios—. Se aplicó el estadístico bootstrap con 2000 iteraciones para darle robustez a los resultados obtenidos en el modelo. Se consideró además, el análisis benchmarking.
Los inputs utilizados en el modelo dea fueron las muertes por COVID-19 por cada millón de habitantes, y los casos COVID-19 por cada millón de habitantes. Como outputs se tuvieron el pib y la población activa total, y como bad output, los flujos migratorios. Los resultados muestran que no hubo un solo país que haya tratado de manera eficiente la pandemia por COVID-19. Sin embargo, quienes tuvieron los mejores resultados fueron Estados Unidos, Australia y el Reino Unido. Mientras que los países con los menores niveles de eficiencia fueron Siria, Arabia Saudita e India, en ese orden.
México se ubicó en la posición 15 de los 20 principales países de origen y destino de la población migrante internacional con un nivel de eficiencia del 0.059, lo que da cuenta de que las estrategias para hacer frente a la COVID-19 no se instrumentaron de la mejor manera y, por consiguiente, se tuvo un efecto negativo sobre la actividad económica, el empleo y la reducción de los flujos migratorios.
En los países de origen de la población migrante sobresalen, de manera particular, los resultados que en materia de eficiencia (0.225) presenta China respecto a los principales países emisores de migrantes. Si bien este país no se encuentra siquiera cercano a la eficiencia (no alcanza valores de 1), su eficiencia sí está por encima de países como la India, México, Rusia y Siria, cuya eficiencia fue 0.037, 0.059, 0.080 y 0.017, en ese orden.
En los resultados se presenta, además, el análisis de benchmarking, para identificar a las dmu’s eficientes que son consideradas como referencias de las unidades ineficientes. En este análisis se pudo observar que Australia es la economía que mayor número de veces es considerada como referencia.
Finalmente, es de mencionar la importancia de realizar estudios a partir de los modelos dea con la instrumentación de herramientas estadísticas como es el bootstrap y el análisis benchmarking, ya que permiten analizar de qué manera la pandemia de la COVID-19 ha afectado de forma significativa la dinámica económica y los flujos migratorios en los principales países de origen y destino migratorio.
Bibliografía
Aguirre M. J. y Casarín L. M. (2021). Estado constitucional y migración: los desafíos por la pandemia de Covid-19. Ius Et Scientia, 7(2): 41-87.
Aja Díaz, A. (2020). International Migration, COVID-19 and Migration from Cuba. Revista Novedades en Población, 16(31): 156-172. Epub 30 de septiembre de 2020. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S181740782020000100156&lng=es&tlng=en.
Aruj, R. S. (2008). Causas, consecuencias, efectos e impacto de las migraciones en Latinoamérica. Papeles de población, 14(55): 95-116.
Banker, R., Charnes, A. y Cooper, W. (1984). Some Models for Estimating Technical and scale inefficiencies in Data Envelopment Analysis. Management Science, 30(9): 1078-1092.
Banco Mundial (2020a). Población Activa Total. https://datos.bancomundial.org/indicator/SL.TLF.TOTL.IN.
⎯ (2020b). GDP (constant 2015 US$). https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.
Charnes, A., Cooper, W. y Rhodes, E. (1978). Measurement the Efficiency of Decision Making Units. European Journal of Operational Research, 2, 429-444.
Coelli, T., O’Donnell, y Battese, G. (2006). An introduction to efficiency and productivity analysis. 2nda ed. Springer.
Coll, V., y Blasco, O. (2006). Evaluación de la eficiencia mediante el Análisis Envolvente de Datos: Introducción a los modelos básicos. Universidad de Valencia. https://www.uv.es/vcoll/libros/2006_evaluacion_eficiencia_DEA.pdf.
Consejo Nacional de Población, Fundación BBVA y BBVA Research (2021). Anuario de Migración y Remesas México 2021. Conapo-Fundación BBVA-BBVA Research. México, pp. 200.
Espinoza Portocarrero, J. M. (2021). La inversión de las dinámicas de migración interna en el Perú por la Covid-19 como lugar ético-teológico. Phainomenon, 20(2): 151-160. https://doi.org/10.33539/phai.v20i2.2454.
FAO (2021). La migración inversa a las zonas rurales de origen en el contexto de la pandemia de la enfermedad por coronavirus (COVID-19). Roma. https://doi.org/10.4060/cb4712es.
Fernández, D.; Baeninger, R., Aires, L., y De Ávila, F. (2021). Migración y vulnerabilidad: Efectos del COVID-19 en la inserción laboral de los inmigrantes internacionales en el Brasil en 2020. 48(112): 11-34. DOI: https://doi.org/10.18356/16810333-48-112-2.
Farrell, M. (1957). The Measurement of Productive Efficiency. Journal of the Royal Statistical Society. Serie A, 120, Part III, 253-267.
Fort, R., Espinoza, M., y Espinoza, A. (2021). COVID - 19 y las migraciones de la ciudad al campo en el Perú: Identificación de amenazas y oportunidades para el uso sostenible del capital natural. Nota técnica del BID; 2234. del Banco Interamericano de Desarrollo.
Førsund, F., Lovell, K., y Schmidt, P. (1980). A Survey of Frontier Production Functions and of Their Relationship to Efficiency Measurement. Journal of Econometrics, 13, 5-25
Laloum, M., y Ruís-Arranza, (2021). Migración y remesas en 2020 en Centroamérica, Haití, México, Panamá y República Dominicana: impacto del Covid-19, de los huracanes y expectativas a mediano plazo. Nota técnica IDB-TN-2165 del Banco Interamericano de Desarrollo.
Maldonado, R., Dolores, A. Peñafiel, A., y Cerón, M. (2021). Métodos Pest y Entropía en el análisis de los efectos sobre Ecuador de la migración venezolana en la COVID-19. Revista Dilemas Contemporáneos: Educación, Política y Valores, (22). http://www.dilemascontemporaneoseducacionpoliticayvalores.com/.
Organización para la Cooperación y el Desarrollo Económicos (ocde). (2021). La pandemia de COVID-19 pone de manifiesto la necesidad de reforzar la resiliencia de los sistemas sanitarios, afirma la ocde. https://www.oecd.org/centrodemexico/medios/panoramadelasalud2021.htm.
Organización Internacional de Migración (oim). Portal de Datos Mundiales sobre la Migración. Datos Estadísticas Migratorias. https://www.migrationdataportal.org/es/node/607.
Pittman, R. W. (1983). Multilateral Productivity Comparisons with Undesirable Outputs. The Economic Journal, (93), 883-891.
Rico, M. N., y Leiva-Gómez, S. (2021). Trabajo doméstico migrante en Chile y el COVID-19. Cuidadoras bolivianas en el descampado. Migraciones. Publicación Del Instituto Universitario De Estudios Sobre Migraciones, (53), 227-255. https://doi.org/10.14422/mig.i53y2021.009.
Ríos-Contreras, N. (2021). Desastre Migratorio en el Tránsito México-Estados Unidos: Control de la Migración, Racismo y Covid-19. Revista de Estudios Latinoamericanos sobre Reducción del Riesgo de Desastres REDER, 5(2), 168-181. http://revistareder.com/handle-0719-8477-2020-081.
Seiford, L. M., y Zhu, J. (2002). Modeling Undesirable Factors in Efficiency Evaluation. European Journal of Operational Research, 142, 16-20. https://doi.org/10.1016/S0377-2217(01)00293-4.
Seiford L., y Thrall, R. (1990). Recent Developments in DEA: the Mathematical Programming Appoach to Frontier Analysis. Econometrics, 4, 7-38.
Simar, L., y Wilson, P. (2006). Statistical Inference in Nonparametric Frontier Models: Recent Developments and Perspectives. Journal of Productivity Analysis, 13, 49-78.
⎯ (2000). Statistical Inference in Nonparametric Frontier Models: The State of the Art. Journal of Productivity Analysis, 13(1), 49-78.
Simar, L. y Wilson, P. (1998). Sensitivity Analysis of Efficiency Scores: How to Bootstrap in Nonparametric Frontier Models. Management science, 44(1), 49-61.
Torre-Cantalapiedra, E. (2021). Políticas migratorias de control y protección en tiempos del COVID-19. Huellas de la Migración, 6(1). https://doi.org/10.36677/hmigracion.v6i11.16309.
Vargas Orozco, C. M., y Villarreal Sotelo, K. (2022). Covid-19 y migración en la frontera noreste de México: los casos de las casas de asistencia para migrantes. Constructos Criminológicos, 2(2). https://doi.org/10.29105/cc2.2-22.
World Health Organization (2020). WHO Coronavirus (COVID-19) Dashboard. https://covid19.who.int/.