J. Ignacio Conde-Ruiz (@conderuiz), Manu García (@manugar), Luis Puch (@lpuchg) y Jesús Ruiz
El pasado jueves 2 de abril, el ministro de Inclusión, Seguridad Social y Migraciones cifraba el impacto de las medidas de confinamiento y suspensión de la actividad económica en una caída neta de afiliación a la Seguridad Social de 900.000 trabajadores. La pérdida de afiliación en marzo había sido de una magnitud similar a la destrucción de empleo en los meses siguientes a la caída de Lehman Brothers. La diferencia esta vez es que, como consecuencia de la crisis del Covid-19, la destrucción de empleo se había producido en poco más de dos semanas.
Poco podemos añadir respecto a los datos de afiliación desde nuestro post anterior, del pasado 2 de abril. Y es que lamentablemente, el Ministerio sólo pone a disposición de los investigadores los datos de afiliación a mes vencido. Sin embargo, gracias a la metodología que proponemos en este reciente articulo para FEDEA, en el que presentamos un procedimiento para seguir la afiliación diaria, vamos a poder analizar la evolución esperada de dicha variable a partir de la información contenida en los datos de consumo eléctrico que publica cada día Red Eléctrica Española.
Concretamente, el objetivo del trabajo que queremos destacar en este nuevo post es doble. Por un lado, se trata de hacer un seguimiento continuo de la evolución de la serie diaria de afiliación analizando las altas y las bajas, y como para seguir lo que ocurra en el mercado laboral español durante la crisis del COVID-19. Por otro lado, y utilizando el modelo estadístico de series temporales para los flujos diarios de afiliación a la Seguridad Social propuesto en Conde-Ruiz, García, Puch y Ruiz (SERIEs, 2019), vamos a simular escenarios alternativos durante la crisis, y a hacer previsiones sobre la evolución futura de nuestro mercado laboral. Para ello va a ser clave, como hemos dicho, incorporar al modelo el seguimiento de la demanda de energía eléctrica en tiempo real.
Repaso del Episodio I: centrado en los temporales
Como pusimos de relieve en el post anterior, encontramos que la mayor parte de la destrucción de empleo observada en marzo ha afectado a los trabajadores con contratos temporales de corta duración (contratos intrasemanales y de fin de semana). Con la publicación de los datos sectoriales desagregados, además, hemos podido verificar que son precisamente los sectores que utilizan de forma más habitual la contratación temporal los mas afectados por el parón de la actividad. Como los contratos temporales tienen más dificultades para entrar en un ERTE resulta inevitable que hayan sido los trabajadores sujetos a estos contratos los más afectados en cuanto a la destrucción de empleo (o causar baja en la afiliación a la Seguridad Social). Esta relación la podemos ver ahora claramente en el Gráfico 1.
Grafico 1. Variación en la afiliación por rama de actividad en el mes de marzo, ordenadas por sus tasas de temporalidad.
La metodología de previsión de la afiliación
El elemento básico de nuestra estrategia metodológica consiste en encontrar una variable explicativa de frecuencia diaria, que pueda capturar la tendencia que vaya a seguir la serie de afiliados durante la crisis. Para ello, utilizamos la evolución diaria de la demanda de energía eléctrica que proporciona Red Eléctrica Española en tiempo real.
En el gráfico 2 vemos la serie diaria suavizada (media móvil de 7 días) organizada por años. En primer lugar, destaca la estabilidad de la serie en los últimos años. En segundo lugar, vemos como la crisis provocada por el Covid-19, se ha hecho notar. La serie captura el parón de la industria y de las actividades no esenciales iniciado a mitad de marzo de 2020. El efecto ha sido tan grande, que no encontramos una caída comparable en el pasado reciente. Además, la serie parece que ha tocado suelo el domingo 12 de abril y que remonta con fuerza desde entonces. Concretamente, hemos calculado que la caída media de los últimos 3 días laborables respecto a 2019 es de un -9%, es decir, ya no tan lejos de la nube de puntos del resto de años.
Gráfico 2. Evolución de la serie diaria suavizada de demanda de energía eléctrica desde 2016.
En primer lugar, el modelo estadístico que hemos especificado, nos permite simular el escenario contrafactual pre-Covid 19, es decir, los valores estimados con datos hasta el 2 de marzo de 2020. El gráfico 3 compara las observaciones (trazo continuo) con el contrafactual (trazo punteado). Encontramos que en ausencia de la crisis sanitaria del Covid-19, el mes de marzo habría acabado con nivel de afiliación a la Seguridad Social superior al observado en unas 900.0000 personas, una cifra similar a la caída observada desde el pico de la serie de afiliación, el pasado 11 de marzo.
Es importante tener en cuenta que la destrucción de afiliados podría haber sido peor si no hubieran usado medidas de “flexiseguridad” como los ERTEs (Expedientes de Regulación Temporal de Empleo) y los “permisos retribuidos recuperables” que han amortiguado el primer golpe de un parón económico forzoso sin precedentes. De hecho, en nuestro escenario contrafactual (ver gráfico 3), desde el Estado de Alarma, y hasta fin de mes, se pueden haber perdido algo menos de 600.000 afiliaciones netas. En todo caso, desde el punto de vista de la actividad económica, los datos preliminares permiten estimar que los ERTEs solicitados afectaban a fin de marzo a unos 2 millones de trabajadores, y pueden llegar a los 4 en el momento de la publicación de este post.
Es decir, en nuestro análisis estamos estimando un modelo para seguir la afiliación donde hay mucha flexibilidad para acogerse a los ERTEs, que como sabemos cuando un trabajador se acoge a un ERTE sigue en alta a la seguridad social. Por lo tanto, de seguir esta pauta, estaríamos recogiendo únicamente las bajas que corresponden a contratos temporales, más difíciles de acogerse a los ERTEs, y los contratos indefinidos de los trabajadores en empresas que han decidido cesar su actividad de forma definitiva. En la medida en que el parón de actividad se alargue o las medidas de liquidez y de crédito tarden en llegar a su destino, un mayor numero trabajadores indefinidos serán dados de baja. De ahí, la necesidad de que las medidas de apoyo a liquidez y al crédito lleguen lo antes posible a las empresas, sobretodo pequeñas, para evitar que sus problemas de liquidez se conviertan en problemas de solvencia.
Gráfico 3:Afiliación observada en el mes de marzo vs. serie contrafactual “·sin crisis” (panel superior), y diferencia entre ambas (panel inferior).
Para, hacer la previsión de lo que está ocurriendo en este mes de abril, hemos actualizado nuestro modelo utilizando la demanda eléctrica hasta el día 16. El resultado más llamativo es que a pesar de que los datos de demanda de energía seguían cayendo a principio de abril, aunque a menor ritmo que en la segunda mitad del mes de marzo, y en parte por el efecto Semana Santa, el modelo predice que en esos días el número de afiliados se había estabilizado. La razón es que el efecto rebote de afiliación, que el modelo estima de las series históricos que es fuerte a principio de cada mes, domina en este caso el efecto de caída en la demanda de energía en los primeros días.
En definitiva, el modelo estadístico (resumido en el Gráfico 4) que manejamos indica que la caída de la afiliación en abril podría haber tocado suelo, o al menos, reducido significativamente la tasa de destrucción respecto a marzo.
Gráfico 4. Evolución de la serie diaria de afiliados desde enero de 2020 (trazo azul), la serie estimada (trazo discontinuo) y la predicción hasta el 16 de abril 2020 (trazo rojo) obtenida a partir de los datos diarios observados de demanda de energía eléctrica (en rojo).
Estos resultados hay que tomarlos con cautela, aunque parece que coinciden con lo expresado por el Ministro Escrivà, donde en su Comparecencia en la Comisión de Trabajo, Inclusión, Seguridad Social y Migraciones afirmaba que "Los datos de afiliación de finales de marzo y abril muestran una estabilización del empleo". Tan pronto salgan los datos de abril publicados haremos un post analizándolo, y esperemos que las “buenas noticias” que hemos adelantado con nuestra estimación sean confirmadas con los datos reales.