1. Contexto

La crisis económica internacional producto de la pandemia de COVID-19 tuvo un gran impacto en la economía chilena. El país, que apenas se recuperaba de los efectos de la crisis política y social de finales de 2019, sufrió impactos sin precedentes que resultaron en una caída de 5,8% en el PIB y tasas de desempleo que estuvieron próximas al 12% en su pico. En aquel contexto, y en vista de la delicada situación que atravesaba el grueso de las familias chilenas, a mediados de julio el Congreso aprobó una reforma constitucional que permitía a los afiliados de las Administradoras de Fondos de Pensiones (AFP) un retiro de una parte de los fondos acumulados en su cuenta individual, esto con el objetivo de atenuar las consecuencias más crudas de la crisis en sus finanzas familiares y personales. Sin embargo, el proyecto no estuvo exento de polémica. Surgieron críticas, principalmente de expertos, que negaban su conveniencia como política pública y advertían sobre sus posibles efectos colaterales sobre la inflación y el mercado de capitales chileno. A pesar de lo anterior, el “primer retiro” tuvo un éxito rotundo en lo que respecta a su ejecución por parte de las AFP y su masividad fue más que evidente: se desembolsaron alrededor de US$19.846 millones de dólares, distribuidos entre unos 10,9 millones de personas. Por aquel motivo, cabe evaluar las consecuencias de aquella política pública en ciertos indicadores macro y microeconómicos, para dimensionar sus alcances, ya sean positivos o negativos, y relacionarlos con otros fenómenos económicos derivados. En línea con lo anterior, en el segundo semestre del año 2020 se produjo un gran auge en el mercado automotriz, particularmente en la compraventa de autos usados. Dicho fenómeno, a priori, puede ser explicado por varios factores: la reapertura de la economía en el mismo período, el encarecimiento de los vehículos nuevos por escasez de stock a nivel internacional o las subidas sustanciales en el valor del dólar. No obstante, lo cierto es que la tendencia se extendió e incluso se agudizó hasta fines de 2021: en aquel ejercicio las ventas de vehículos livianos medianos alcanzaron máximos históricos de 1.429.335 unidades. Así, es posible especular acerca de la relación de causalidad entre los retiros previsionales y el aumento de la demanda en este sector en específico. De esta forma, en el presente trabajo de investigación se busca establecer relaciones —si es que las hay— entre el aumento de la renta disponible (o del dinero circulante), ocasionada por el primer retiro de los fondos previsionales del año 2020, y los niveles de consumo en los meses subsiguientes en el mercado de automóviles de segunda mano. Esto pues incrementos en la demanda en este mercado ocasionados por el retiro pueden llegar a explicar no solo el eventual repunte en la actividad económica del rubro, sino también alzas de precios que redunden en presiones inflacionarias que se trasladen al resto de la economía.

2. Pregunta de Investigación

La interrogante por resolver es entonces: ¿Cómo el primer retiro de los fondos previsionales chilenos, en medio de la crisis económica del año 2020, afectó la demanda por automóviles de segunda mano?

3. Elección de Fuente de Datos

Las bases de datos utilizadas en la investigación son dos:

  1. La base de datos del Índice de Actividad del Comercio (IAC) proporcionada por el Instituto Nacional de Estadísticas de Chile (INE) en abril de 2022.

Instituto Nacional de Estadísticas de Chile

  1. La base de datos muestra solicitudes del primer retiro de 10% proporcionada por la Superintendencia de Pensiones en enero de 2022.

Superintendencia de Pensiones

La base (1) presenta observaciones obtenidas desde 2014 a 2022, mediante encuestas a empresas formalmente establecidas ante el SII, y registra sus índices de ventas netas en el sector comercio según líneas de producto, lo que, a efectos de la investigación, permite filtrar la información según se requiera. Por su parte. La base (2) corresponde a observaciones equivalentes al 10% del total de solicitudes emitidas para el primer retiro de fondos previsionales, en las que se presentan variables como sexo del solicitante, región de residencia, monto solicitado, porcentaje del monto sobre el total acumulado, entre otras.

3.1. Cargado y Limpieza de Fuentes

Ine<- data.table(fread("base-de-datos-a-abril-csv-2022.csv", encoding= "Latin-1"))

Pension<- data.table(fread("retiro_1_muestra_10.csv", encoding= "Latin-1"))

Las bases de datos extraídas del INE y la Superintendencia de Pensiones poseen un gran número de variables y observaciones que no aportan información pertinente para los objetivos del estudio. Considerando lo anterior, en la base (2) se optó por sesgar el análisis a aquellas variables relevantes para el análisis del mercado de los automóviles usados, además de mantener variables relacionadas al mercado formal de primera mano. Asimismo, se realizó una limpieza de aquellos datos indeterminados o incompletos para cada observación, a fin de poder evitar errores en el análisis, y así contar con información más fidedigna. Adicionalmente, en el caso de la base (2) el filtrado de datos se hizo en base a la información relevante para los montos solicitados y los saldos finales de cada individuo posterior al retiro. Junto con lo anterior, se mantuvieron variables cualitativas como la región de residencia o la identificación personal asignada a cada pensionado.

4. Estadística Descriptiva de las Variables de Interés

Mercado de Autos Usados

Venta de Vehículos Usados por Año

Figura 1

ggplot(data=Ine,aes(x=`año`,y=v_usado))+geom_line(color="blue")+geom_smooth(color="red", linetype="twodash") + labs(x="Año", y="Ventas", title = "Venta de vehículos usados", subtitle = "Por año", caption = "Fuente: INE." ) + theme(axis.text.x = element_text(angle=90, vjust=0.5))

En Chile, desde el año 2017 hasta finales de 2019, el mercado de vehículos usados sufrió una marcada contracción en sus ventas. Esta tendencia se revirtió por completo del año 2020 en adelante, período en el cual la venta de autos usados ha alcanzado cifras históricas. En este sentido, este mercado en particular parece desenvolverse de forma responsiva al contexto económico nacional e internacional, tal como se aprecia en la Figura 1. Existen varios factores que explican este comportamiento: las subidas en el tipo de cambio, como producto del estallido social; la escasez internacional de vehículos de nueva factura, tras los fuertes impactos a la oferta ocasionados por la pandemia de COVID-19; y, desde luego, el aumento de la demanda agregada interna que fue favorecida por los retiros de los fondos de pensiones. Respecto a este último determinante, es interesante notar que el gráfico anterior muestra un crecimiento exponencial en las ventas de automóviles de segunda mano, justo después de la promulgación de la Ley Nº 21.248, concerniente al primer retiro de fondos a fecha del 30 de julio de 2020.

Venta de Vehículos Usados

Datos Disgregados por Mes

Figura 2

ggplot(data=Ine,aes(x=`año`,y=v_usado))+geom_line(color="blue")+geom_smooth(color="red",size=0.6,linetype="twodash") + facet_wrap(~`mes`)+ labs(x="Año", y="Ventas", title = "Venta de vehículos usados", subtitle = "Por ventas totales y año, desde enero a diciembre", caption = "Fuente: INE." ) + theme(axis.text.x = element_text(angle=90, vjust=0.5))

Al observar la Figura 2, se evidencia el impacto de la pandemia ocasionada por el COVID-19 y de las medidas sanitarias implementadas por las autoridades en la demanda por vehículos usados en el país. Tanto en los meses de enero y febrero de 2020, las ventas totales experimentaron aumentos respecto de los años anteriores, manteniendo la tendencia previa. Sin embargo, desde marzo hasta julio del mismo año, las ventas en el mercado secundario de automóviles sufrieron importantes caídas, ubicándose incluso por debajo de los números de 2014. Aquella realidad se mantuvo invariable hasta agosto, mes en el que se recuperaron los niveles de ventas en relación con el año 2019. Luego, en el resto del año si es que no se igualaron los niveles de demanda del año anterior, se observaron aumentos sustanciales en esta, en particular, en septiembre y octubre de 2020. La misma tendencia se sostuvo para el 2021, ejercicio en el cual las ventas continuaron su trayectoria ascendiente, alimentadas por los retiros subsiguientes y otras variables explicativas adicionales.

Mercado de Autos Nuevos

Venta de Vehículos Nuevos por Año

Figura 3

ggplot(data=Ine,aes(x=`año`,y=v_nuevo))+geom_line(color="orange")+geom_smooth(color="blue", linetype="twodash") + labs(x="Año", y="Ventas", title = "Venta de vehículos nuevos", subtitle = "Por año", caption = "Fuente: INE." ) + theme(axis.text.x = element_text(angle=90, vjust=0.5))

El mercado de automóviles nuevos (ver Figura 3) presenta un comportamiento similar al del mercado de segunda mano, con la diferencia de que el primero tiene un volumen de ventas significativamente mayor que su contraparte.

Al igual que en el mercado secundario, previo al año 2020 se observa una caída sostenida en las ventas agregadas, mientras que, posterior a este, existe un aumento exponencial del mercado de automóviles nuevos. Esto está relacionado a la implementación de medidas de expansión de la liquidez disponible, con el fin de contrarrestar las consecuencias más crudas de la crisis económica de 2020.

Venta de Vehículos Nuevos

Datos Disgregados por Mes

Figura 4

ggplot(data=Ine,aes(x=`año`,y=v_nuevo))+geom_line(color="orange")+geom_smooth(color="red",size=0.6,linetype="twodash") + facet_wrap(~`mes`)+ labs(x="Año", y="Ventas", title = "Venta de vehículos nuevos", subtitle = "Por ventas totales y año, desde enero a diciembre", caption = "Fuente: INE." ) + theme(axis.text.x = element_text(angle=90, vjust=0.5))

De la misma forma, en el mercado de vehículos nuevos se aprecia, o bien estabilidad en las ventas, o bien caídas en las mismas a lo largo de los primeros 8 meses de 2020. Solo desde septiembre de aquel año se presentan repuntes, los que, en cualquier caso, son bastante más moderados si se les compara con lo sucedido en el mercado de segunda mano. Recién en los años siguientes se dio un crecimiento más acusado en los niveles de ventas. Este hecho se puede explicar por la inelasticidad de la oferta de automóviles de primera mano a nivel mundial, debido a los cuellos de botella en la cadena productiva y de suministros internacional. Lo anterior es útil para entender no solo la subida de precios de los vehículos cero kilómetros, sino también para comprender por qué gran parte de la demanda de vehículos fue absorbida por el mercado secundario.

Primer Retiro de Pensiones, por Región

Tabla 1

Cantidad de Individuos que Solicitaron el Retiro, por Región
T1<-Pension[,.(Total = .N),by=.(region)]
T1[order(Total)]
##     region  Total
##  1:     11   6525
##  2:     12  11192
##  3:     15  12934
##  4:      3  17811
##  5:      1  19268
##  6:     14  20852
##  7:     16  25656
##  8:      2  38240
##  9:      4  42373
## 10:     10  50593
## 11:      9  51053
## 12:      6  55904
## 13:      7  62033
## 14:      8  85490
## 15:      5 103696
## 16:     13 473884

Con los datos de la tabla se puede analizar la distribución del total de retiros realizados según la región de residencia de quienes los solicitaron, acorde a las observaciones de la muestra. A pesar de que no están incluidos todos los retiros realizados en el país, resulta representativa de la población y, por tanto, entrega información relevante para conocer en cuáles de las regiones se realizó la mayor cantidad de retiros de fondos. Aquello resulta de importancia, ya que indica las zonas geográficas en las que los consumidores podrían haber comenzado a gastar con mayor copiosidad en nuevos medios de movilización tanto para evitar los transportes públicos durante la pandemia, con fines sanitarios, como para mejorar su comodidad en el traslado.

Mapa de Montos Retirados por Región

Mapa 1

region1<-st_sf(region1)

labels <- sprintf(
  "<strong>Región: %s</strong><br/>Monto retirado %g ",region1$codigo_region , region1$V1
) %>% lapply(htmltools::HTML)

leaflet() %>% 
  addProviderTiles(providers$CartoDB.Positron) %>% 
  addPolygons(data = region1,
              fillColor = ~pal(V1),
              color = "#b2aeae",
              fillOpacity = 6,
              smoothFactor = 0.2,
              weight = 1,
              label = labels) %>%
  addLegend(pal = pal,
            values = region1$V1 ,
            position = "bottomright",
            title = "Monto retirado (agregado)") %>% 
  addScaleBar(position = "topright") %>%
  setView(lng = -71.5, lat = -33, zoom = 4)

El mapa 1 muestra la representación de cada región y el agregado del total de fondos retirados en cada una de ellas. Dado el código de color, se puede observar una estimación de la magnitud de la cantidad de fondos retirados y clasificar a cada zona geográfica según esta variable. Lo anterior permite tener una mejor idea de la liquidez adicional disponible a nivel regional como consecuencia del retiro, y así determinar cuáles fueron los lugares en donde se puede haber dado la mayor variación positiva en la compra de vehículos durante la pandemia.

En relación con esto, se hace evidente que la mayor parte de los fondos de pensiones retirados se concentra en la Región Metropolitana y en la Región de Valparaíso, por lo que es de esperar que estas sean las zonas en las que exista una mayor probabilidad en la adquisición de algún automóvil nuevo o usado; esto es, que ambas regiones deberían concentrar la mayor proporción de compras de vehículos en términos absolutos.

5. Estrategia de Resolución

Planteamiento Original

Modelo de regresión lineal ideal para la resolución del problema de investigación

En un principio, la estrategia de resolución se buscaba plantear generando un merge entre la base de datos del INE con la de la Superintendencia de Pensiones, según los datos agrupados de ventas de vehículos usados (Vi) y fondos de pensiones retirados en cada región (Fi), a fin de realizar un modelo de regresión lineal simple expresado de la siguiente forma: Vi = β0 + β1*Fi + Ui. A través del modelo se pretendía explicar el comportamiento del flujo de ventas de vehículos usados en cada región, en función de la liquidez adicional proporcionada por el primer retiro de fondos de pensiones, lo cual consiste en una buena aproximación para dar respuesta a la interrogante de la investigación.

No obstante, a pesar de haber realizado múltiples intentos para filtrar la base del Índice de Actividad del Comercio por alguna variable relacionada con la región de procedencia de cada empresa de la muestra, resultó imposible hacerlo, dado que el estudio del INE no contempla información cualitativa de este tipo. Así pues, se abandonó la intención inicial de realizar el modelo de regresión planteado, y se debió buscar un modelo alternativo.

Estimación Aprobación del Retiro

Tabla 2

f <- formula(mto_sol ~ sexo  + nacionalidad + fondo + estado + region1)
reg1 <- lm(formula = f, data = Pension)
summary(reg1)
## 
## Call:
## lm(formula = f, data = Pension)
## 
## Residuals:
##        Min         1Q     Median         3Q        Max 
## -255033464  -63101578  -25754985   19248278  460502427 
## 
## Coefficients:
##               Estimate Std. Error  t value Pr(>|t|)    
## (Intercept)    2662292    1816427    1.466    0.143    
## sexo         -42644515     290107 -146.996   <2e-16 ***
## nacionalidad -58303817     523562 -111.360   <2e-16 ***
## fondo         17630510     129840  135.787   <2e-16 ***
## estado       208948713    1480301  141.153   <2e-16 ***
## region1       20957223     294356   71.197   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 107500000 on 551965 degrees of freedom
## Multiple R-squared:  0.1063, Adjusted R-squared:  0.1063 
## F-statistic: 1.314e+04 on 5 and 551965 DF,  p-value: < 2.2e-16

Gráfico Variable Dicotómica Dependiente

Representación Monto Solocitado y Estado de la Solicitud (Modelo de Probabilidad Lineal)

Figura 5

Pension[,mto_sol := predict(reg1)]

ggplot() +
  geom_segment(Pension, mapping = aes(x=mto_sol, xend=mto_sol, y=estado, yend=estado)) +
  geom_point(Pension, mapping = aes(x=mto_sol, y=estado,color='Valores reales'),alpha=0.2) +
  geom_smooth(Pension, mapping = aes(x=mto_sol, y=estado,color='Valores predichos'),
              method='lm',se=F) +
  theme_minimal() +
  labs(x='Monto Solicitado',y='Estado de Solicitud', title = "Representación de Estado de Solicitud", subtitle = "Por monto solicitado", caption = "Fuente: Superintendencia de Pensiones.",color=NULL) +
  theme(legend.position = 'bottom')

La figura 5 muestra la representación dicotómica del estado de la solicitud a través de un modelo de probabilidad lineal, considerando si el monto fue aprobado como un el valor 1, y si fue rechazado, anulado o cancelado con un valor 0. Esto permite analizar cómo se comporta la aprobación, dependiendo de la magnitud de los montos solicitados. Se aprecia una clara correlación positiva entre ambas variables, lo que implica que mientras más elevado es el monto, mayor es la probabilidad de aceptación de la solicitud. En definitiva, se interpreta como que aquellas personas que poseen un mayor capital acumulado y su retiro significaban una mayor extracción de fondos en términos absolutos, tenderán a gozar de una mayor probabilidad de que su solicitud finalice exitosamente el proceso.

6. Conclusión

Dado el análisis de la estadística descriptiva de las variables y a la estrategia de resolución adoptada, es apropiado afirmar que el primer retiro de fondos previsionales, en el contexto de la crisis económica ocasionada por la pandemia de COVID-19, tuvo un impacto inequívoco en el mercado automotriz. A este respecto, tanto el mercado primario como el secundario experimentaron importantes repuntes desde el mes de agosto de 2020 —justo después de la puesta en marcha del proyecto de ley que regulaba el primer retiro de fondos—, que modificaron completamente la tendencia bajista de los primeros meses del año, y se extendieron durante el año 2021 y los primeros meses de 2022, hasta alcanzar niveles sin precedentes en la historia. Este hecho se explica debido al aumento del dinero circulante en la economía chilena a causa del retiro, que redundó en un aumento de la demanda agregada de la economía, y, en particular, de mercados como el automotriz.

Cabe destacar, a su vez, la importante sobrerreacción de la demanda del mercado de vehículos usados, que absorbió más que proporcionalmente el gasto en vehículos, si se le compara con el mercado de primera mano. Esto, como consecuencia de la caída en la producción global de nuevos automóviles, que, junto con la subida del tipo de cambio en el país, significó una importante subida en sus precios, la cual redireccionó la demanda a los bienes sustitutos más directos: los automóviles de segunda mano.

Asimismo, resulta importante señalar la correlación positiva entre los valores del monto solicitado por los afiliados y la aprobación de su solicitud por parte de las administradoras y los organismos reguladores. Dicho comportamiento entre variables permite concluir que aquellas personas de mayor edad e ingresos —quienes deberían contar con un mayor capital acumulado para su jubilación, y, por tanto, con un margen de retiro mayor— tuvieron una mayor probabilidad de aprobación en sus solicitudes. En otras palabras, las personas de mayor adquisitivo aumentaron su acceso a liquidez en mayor medida que aquellas de menores ingresos gracias al retiro, algo que es relevante al tratar de explicar el aumento en la demanda de vehículos particulares, puesto que los segmentos de la población con mayor renta deberían estar sobrerrepresentados en el gasto agregado en mercados de bienes superiores, como lo es el automotriz. En ese sentido, el sustancial aumento de las ventas tanto en el mercado primario como secundario durante la segunda mitad de 2020 y en los años subsiguientes, puede estar explicado por este fenómeno.

Para finalizar, es importante señalar que la estrategia de resolución no constituye la forma más óptima para estudiar el impacto real que el primer retiro tuvo sobre el auge del mercado de autos usados en Chile durante los últimos dos años, y, a pesar de que la relación resulta evidente al trazar relaciones entre la evolución mensual de las ventas, aún queda pendiente el análisis mediante un modelo de regresión como el que se planteó en la Estrategia de Resolución original. Sumado a esto, también queda abierto el análisis a posteriores investigaciones acerca de las consecuencias de los retiros previsionales en otros mercados —sobre todo, de bienes de primera necesidad— durante la crisis y la recuperación, con el propósito de determinar el grado de responsabilidad atribuible a los retiros sobre los altos datos de inflación registrados en el país tras su implementación.

7. Referencias

Banco Central de Chile.(2020, diciembre). La economía chilena frente a la pandemia del COVID-19: fortalezas, desafíos y riesgos. [Página Web]. Recuperado de: Banco Central de Chile.

INE. (2022, julio). Comercio, servicios y turismo. [Página Web]. Recuperado de: Instituto Nacional de Estadísticas de Chile.

Marconi, C. (2022, enero).Ventas de autos usados marcaron máximos históricos en 2021, pero desde la industria señalan que altos precios se mantendrían este año. [Página Web]. Recuperado de: La Tercera.

SP. (2022, julio). Acceso a bases de datos públicas. [Página Web]. Recuperado de: Superintendencia de Pensiones.

Sosa, W. (2019). Big Data (1). Buenos Aires: Siglo XXI.

Wooldrige, J. (2014). Introducción a la Econometría (5). Iztapalapa: Cengage.