The Remittance Blueprint: Data-driven Intelligence for Sri Lanka

Resumen Técnico: El Plan Maestro de las Remesas: Inteligencia Basada en Datos para Sri Lanka

Planteamiento del Problema
Sri Lanka depende fuertemente de las remesas de los trabajadores, las cuales constituyen entre el 6 % y el 9 % de su PIB y sirven como un amortiguador crítico durante las crisis económicas, como el impago de la deuda soberana de 2022. A pesar de esta importancia, las investigaciones existentes sobre las remesas de Sri Lanka son mayoritariamente descriptivas o se basan en métodos econométricos transversales que no logran ajustar la no estacionariedad o integrar factores macro-demográficos. Existe una falta de análisis de series temporales de alta granularidad capaces de capturar choques macroeconómicos a corto plazo y la compleja interacción entre las condiciones nacionales, los impulsores económicos globales y los patrones de migración. Este estudio aborda estas brechas mediante el desarrollo de un marco basado en datos para analizar 32 años de datos migratorios y pronosticar las entradas futuras para apoyar la sostenibilidad de la deuda y la gestión de reservas.

Metodología
El estudio emplea un marco analítico integral y de múltiples etapas utilizando un conjunto de datos armonizado de 384 observaciones mensuales que abarcan desde 1994 hasta 2025.

• Recopilación y Preprocesamiento de Datos: Los datos fueron agregados de ocho fuentes autorizadas, incluyendo el Banco Central de Sri Lanka (CBSL), el Banco Mundial, la SLBFE, la OIT y FRED. El conjunto de datos integra indicadores demográficos (género, niveles de cualificación, edad, duración del contrato), variables macroeconómicas nacionales (PIB, inflación, desempleo, salarios) y factores externos (tipos de cambio, precios del petróleo Brent, PIB del país de destino). Los valores faltantes se gestionaron mediante imputación jerárquica e interpolación, con especial cuidado en retener las observaciones del año de la crisis de 2022 como rupturas estructurales analíticamente significativas en lugar de valores atípicos.
• Análisis Estadístico y Econométrico:
  • Pruebas de Estacionariedad: Las pruebas de Dickey-Fuller Aumentada (ADF) y KPSS confirmaron que las series primarias están integradas de orden uno, I(1), lo que requiere la aplicación de primeras diferencias.
  • Inferencia Causal: El estudio utilizó las pruebas de causalidad de Granger y de cointegración de Johansen para identificar relaciones de equilibrio a largo plazo.
  • Modelo de Vector de Corrección de Errores (VECM): Se especificó un VECM para modelar tanto la dinámica a corto plazo como el equilibrio a largo plazo, permitiendo el cálculo de funciones de respuesta al impulso (IRF) y la descomposición de la varianza del error de pronóstico (FEVD).
  • Detección de Rupturas Estructurales: Se aplicaron pruebas de Chow para identificar cambios de régimen en fechas históricas (2018, 2020).
• Aprendizaje Automático y Pronóstico:
  • Aprendizaje No Supervisado: Se utilizó el agrupamiento K-Means para detectar regímenes macroeconómicos distintos.
  • Aprendizaje Supervisado: Se empleó la Regresión Ridge para el pronóstico, elegida por su capacidad para manejar la multicolinealidad y aplicar la regularización L2 para evitar el sobreajuste a la volatilidad de la crisis de 2022.
  • Comparación de Línea Base: El modelo de Regresión Ridge fue comparado con un modelo univariante SARIMA(2, 1, 0)(1, 0, 0)12 utilizando una estrategia de validación de ventana de avance (Walk-Forward Validation) de ventana expansiva.

Contribuciones Clave

1. Construcción del Conjunto de Datos: Creación de un conjunto de datos interpolado de 32 años y 384 meses que armoniza ocho fuentes diversas, cerrando la brecha entre los agregados anuales y la granularidad mensual.
2. Integración Metodológica: Desarrollo de un marco integrado que conecta tendencias demográficas, impulsores macroeconómicos y patrones temporales utilizando inferencia causal corregida por estacionariedad (VECM) y aprendizaje automático regularizado.
3. Análisis de Ruptura Estructural: Identificación de tres rupturas estructurales históricas y la ingeniería de características explícita del periodo de la crisis de 2022 para modelar regímenes hiperinflacionarios y de depreciación cambiaria.
4. Marco de Pronóstico: Implementación de un modelo de Regresión Ridge que supera significativamente a los enfoques univariantes tradicionales, proporcionando un pronóstico robusto para 2026.

Resultados

• Impulsores de las Remesas: El análisis revela que las entradas de remesas están impulsadas principalmente por variables macroeconómicas externas, específicamente la dinámica del tipo de cambio y los precios del petróleo mundial, más que por indicadores nacionales como la inflación o el desempleo.
• Cambios Demográficos: Se observa un cambio estructural de género, con la migración pasando de una fuerza laboral predominantemente femenina y cualificada a mediados de la década de 1990 hacia una composición de cualificación cada vez más polarizada y predominantemente masculina. Se proyecta que la disminución de la participación femenina cualificada comprimirá estructuralmente los rendimientos per cápita de las remesas.
• Dinámicas Causales:
  • Precios del Petróleo: Un choque positivo en los precios mundiales del petróleo genera un aumento sostenido y estadísticamente significativo en las remesas durante 12 meses, confirmando la transmisión de la prosperidad económica del Golfo.
  • Tipos de Cambio: La depreciación de la moneda provoca una contracción inmediata en las entradas de remesas oficiales durante los primeros tres meses. El análisis de respuesta al impulso sugiere un periodo de "esperar y ver" donde los fondos se desvían a redes informales de Hawala para capturar las primas del mercado paralelo antes de que los canales oficiales se recuperen.
  • Velocidad de Ajuste: El VECM indica un coeficiente de velocidad de ajuste de aproximadamente -0,15, lo que significa que el sistema corrige aproximadamente el 15 % del desequilibrio por mes, regresando a la estabilidad en unos 6,7 meses.
• Desempeño Predictivo: El modelo de Regresión Ridge multivariante redujo el Error Cuadrático Medio Anualizado (RMSE) de USD 1.889 millones (línea base SARIMA) a USD 494,8 millones, lo que representa una mejora de la precisión del 73,8 %.
• Pronóstico: Bajo condiciones macroeconómicas estables, el modelo proyecta las entradas de remesas para 2026 en USD 9.001 millones.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos resaltan la dependencia estructural de las remesas de Sri Lanka de las economías globales, particularmente del mercado laboral de Oriente Medio y los ciclos de los precios del petróleo. Argumenta que las remesas funcionan como un estabilizador macroeconómico activo en lugar de una transferencia de ingresos pasiva.

Los autores afirman que el estudio proporciona una herramienta crítica para los responsables de la formulación de políticas, específicamente para:

• Política de Tipo de Cambio: Enfatizando la necesidad de un tipo de cambio flexible y de liquidación de mercado para evitar la desviación de los fondos de la diáspora hacia los canales informales durante los periodos de depreciación.
• Estrategia Migratoria: Destacando la necesidad de la cualificación de la migración (particularmente en construcción, salud y logística) para contrarrestar la erosión de los rendimientos per cápita causados por la disminución de la migración femenina cualificada.
• Resiliencia Económica: Demostrando que los modelos de aprendizaje automático multivariantes, que incorporan regresores externos, ofrecen capacidades de pronóstico superiores en comparación con los modelos tradicionales de series temporales univariantes, ayudando así a una mejor gestión de las reservas y la planificación de la sostenibilidad de la deuda bajo los programas del FMI.

El estudio concluye que, si bien el modelo ofrece una línea base robusta, reconoce las limitaciones respecto a la incapacidad de la estructura lineal para capturar plenamente las transiciones de régimen no lineales y la exclusión de los flujos migratorios no documentados. Se propone un trabajo futuro que incorpore datos de transacciones digitales de alta frecuencia y variables de acuerdos migratorios bilaterales.