📊 statistics

Mixed Frequency Stochastic Frontier Model: with application to the linkage of weather extremes and firm efficiency

Este artículo propone un modelo de frontera estocástica de frecuencia mixta que utiliza funciones no paramétricas y estimación de ajuste híbrido para resolver problemas de asimetría y analizar el impacto de los eventos climáticos extremos de alta frecuencia en la eficiencia de las cooperativas eléctricas en Filipinas.

Autores originales: Erniel B. Barrios, Nur Syazwani Mazlan, Lim Foo Weng, Paolo Victor T. Redondo, Gian Karlo M. Torreno, Lee How Chinh

Publicado 2026-08-03

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Erniel B. Barrios, Nur Syazwani Mazlan, Lim Foo Weng, Paolo Victor T. Redondo, Gian Karlo M. Torreno, Lee How Chinh

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de calificar a una clase de estudiantes sobre qué tan bien resuelven problemas matemáticos. Tienes sus puntuaciones finales en el examen (el resultado), y sabes cuánto tiempo estudiaron y cuántos libros de texto poseían (los datos de entrada). Pero aquí está el truco: también sabes que algunos estudiantes se enfermaron, algunos tenían una casa ruidosa y algunos sufrieron una tormenta repentina que cortó la electricidad justo antes del examen. Estos factores de "mala suerte" no son parte de su capacidad natural, pero bajan sus puntuaciones. En el mundo de la economía, esto se llama un Modelo de Frontera Estocástica. Es una forma elegante de intentar dibujar una línea que represente el rendimiento "perfecto" y ver qué tan lejos cae cada persona o empresa de esa línea. La parte difícil es descubrir por qué se quedaron cortos. ¿Fue porque tuvieron un bajo rendimiento (ineficiencia) o simplemente porque la tormenta cortó la electricidad (ruido aleatorio)?

Ahora, imagina un nuevo problema: las puntuaciones de los exámenes se registran una vez al año, pero los datos meteorológicos (las tormentas) se registran cada día. Si simplemente agrupas todas las tormentas diarias en un gran número de "tormenta anual", pierdes los detalles aterradores. Podrías perderte el hecho de que un huracán masivo azotó en julio, incluso si el resto del año fue soleado. Esto es el rompecabezas de la "frecuencia mixta". Este artículo aborda este rompecabezas construyendo un nuevo tipo de modelo matemático que puede manejar datos meteorológicos diarios mientras sigue observando los resultados empresariales anuales. Los autores tienen curiosidad por saber cómo el clima extremo, como los tifones y las lluvias intensas, realmente afecta la eficiencia de las empresas eléctricas. Quieren saber: cuando el viento aúlla y la lluvia cae a cántaros, ¿estas empresas simplemente se vuelven un poco más lentas o pierden completamente el rumbo?

La historia de la tormenta y la chispa

Los autores de este artículo, un equipo de investigadores de universidades de Malasia, Filipinas y Arabia Saudita, decidieron investigar las cooperativas eléctricas en Filipinas. Estas son los grupos locales que mantienen las luces encendidas en las zonas rurales. Notaron que, si bien estas empresas tienen informes financieros anuales, el clima que las amenaza —tifones con vientos superiores a 300 KPH y lluvias masivas— ocurre en una escala mensual o incluso diaria.

El equipo se dio cuenta de que la forma antigua de hacer las cosas era como intentar describir un huracán promediando la velocidad del viento durante todo el año. Si un tifón golpea en julio pero el resto del año es tranquilo, la velocidad del viento "promedio" parece débil, ocultando el hecho de que las líneas eléctricas casi fueron destrozadas. Los modelos antiguos también tenían un problema matemático: a menudo se quedaban trabados o daban respuestas extrañas (como decir que una empresa era 100% eficiente incluso cuando claramente no lo era) porque forzaban los números de "mala suerte" a ajustarse a una forma específica y rígida.

Para solucionar esto, los investigadores construyeron un Modelo de Frontera Estocástica de Frecuencia Mixta. Piensa en esto como un detective súper inteligente que no solo mira la boleta de calificaciones anual. En su lugar, echa un vistazo a los registros meteorológicos diarios para ver exactamente cuándo golpean las tormentas. Utilizaron una herramienta matemática especial llamada "función logística" (imagina una curva suave en forma de S) para asegurar que la puntuación de "ineficiencia" nunca pudiera ser negativa, lo que resolvió los dolores de cabeza matemáticos que suelen complicar estos modelos. También utilizaron un "algoritmo de ajuste inverso" (backfitting algorithm), que es como un juego de "frío o caliente" donde la computadora sigue ajustando su suposición sobre el impacto del clima hasta que encuentra el ajuste perfecto, en lugar de intentar resolver todo en un solo salto gigante e imposible.

Probaron este nuevo modelo con datos de 114 cooperativas eléctricas en Filipinas desde 2010 hasta 2022. Compararon su nuevo modelo "consciente del clima" contra los modelos estándar antiguos que simplemente promediaban los datos climáticos.

Lo que encontraron

Los resultados fueron bastante claros. Los modelos antiguos estaban teniendo dificultades. En muchas regiones, la matemática estándar simplemente se negaba a funcionar (no lograba converger), lo que significa que la computadora no podía encontrar una respuesta. Cuando sí encontraba una, a menudo afirmaba que las empresas eléctricas eran casi perfectas, con puntuaciones de eficiencia que rondaban el 100%, a pesar de que todos saben que los tifones causan daños reales.

El nuevo modelo, sin embargo, contó una historia diferente y más realista. Mostró que cuando realmente observas los meses específicos con los peores vientos y lluvias, la eficiencia de las empresas eléctricas disminuye significativamente.

El clima importa: El estudio encontró que los eventos climáticos extremos, como los tifones con vientos máximos sostenidos y lluvias intensas, causan directamente ineficiencia operativa. Por ejemplo, en 2019, un año con tifones fuertes, la eficiencia de estas cooperativas cayó hasta un 36% o 40% en algunos modelos, mientras que los modelos antiguos todavía pensaban que lo estaban haciendo de maravilla (alrededor del 73% al 97%).
El "sesgo incorrecto": El artículo argumenta explícitamente en contra de la idea de que podemos simplemente ignorar el momento de las tormentas. Al promediar los datos, los modelos antiguos estaban "enmascarando" el verdadero impacto de los desastres. El nuevo modelo demostró que no se puede simplemente agrupar los datos de alta frecuencia en los informes de negocios de baja frecuencia sin perder la verdad.
Prueba de simulación: Para estar seguros de que su nueva matemática no era solo un golpe de suerte, los investigadores realizaron 200 simulaciones por computadora. En estas pruebas, su nuevo modelo estimó consistentemente la eficiencia real mucho más cerca de los números reales que el modelo antiguo. Los errores del modelo antiguo fueron a menudo tres veces mayores que los del nuevo modelo.

El artículo concluye que, si bien las cooperativas eléctricas no pueden detener los tifones, tampoco pueden pretender que las tormentas no ocurren. El nuevo modelo proporciona una mejor manera de medir cuánto dañan estas tormentas su desempeño. Sugiere que los reguladores y las propias empresas necesitan observar el momento específico de los fenómenos climáticos extremos para entender sus verdaderas dificultades operativas. Al utilizar este nuevo enfoque, pueden planificar mejor la resiliencia, quizás invirtiendo en postes más fuertes o mejor tecnología para manejar los meses específicos en los que el viento sopla con más fuerza, en lugar de simplemente esperar lo mejor basándose en un promedio anual. El artículo no pretende haber "solucionado" el cambio climático, pero ofrece una herramienta más aguda y precisa para comprender cómo el clima está afectando actualmente la luz en Filipinas.

Resumen Técnico: Modelo de Frontera Estocástica de Frecuencia Mixta con Aplicación al Vínculo entre Extremos Climáticos y la Eficiencia Empresarial

Planteamiento del Problema
Este artículo aborda dos desafíos metodológicos persistentes en el Análisis de Frontera Estocástica (SFA, por sus siglas en inglés) cuando se aplica a datos de panel que involucran choques ambientales:

El problema de la "asimetría incorrecta" y la convergencia: Los modelos SFA convencionales suelen asumir una distribución normal media o truncada para el término de ineficiencia. Cuando los datos exhiben una asimetría positiva (un fenómeno común en industrias reguladas o cuando se restringe la entrada de empresas ineficientes), la estimación por máxima verosimilitud (MLE) frecuentemente falla en la convergencia o produce matrices de información singulares, lo que conduce a estimaciones de eficiencia sesgadas (que a menudo convergen a 1).
El problema de los datos de frecuencia mixta: Los indicadores de producción a nivel de empresa (insumos y productos) se observan típicamente a frecuencias bajas (por ejemplo, anualmente), mientras que los determinantes de la ineficiencia, como los eventos climáticos extremos (tifones, precipitaciones), exhiben una variabilidad de alta frecuencia (mensual o diaria). Los enfoques estándar agregan los datos de alta frecuencia para que coincidan con los datos de producción de baja frecuencia, lo cual, según argumentan los autores, provoca una pérdida significativa de información. La agregación de eventos climáticos extremos (por ejemplo, promediar las velocidades del viento mensuales) neutraliza el impacto de eventos raros pero destructivos, ocultando su verdadero efecto sobre la ineficiencia operativa.

Metodología
Los autores proponen un novedoso Modelo de Frontera Estocástica de Frecuencia Mixta (VF-SFM) que integra covariables de alta frecuencia directamente en la ecuación de ineficiencia sin recurrir a la agregación temporal.

Especificación del Modelo:
- Función de Producción: Se especifica una función de producción Cobb-Douglas estándar en forma logarítmica, vinculando el producto (Ingresos Brutos de Operación) con los insumos de trabajo y capital. El modelo incluye un término autorregresivo para capturar las dependencias temporales en la producción.
- Ecuación de Ineficiencia: En lugar de asumir una distribución específica para el término de ineficiencia ( $u_{it}$ ), los autores especifican la ineficiencia a través de una función logística. Esto garantiza la no negatividad del término de ineficiencia sin las restricciones de los supuestos distribucionales.
- Integración No Paramétrica: Las variables climáticas de alta frecuencia (precipitación máxima mensual y velocidad máxima sostenida del viento) se incorporan en la función logística mediante funciones aditivas no paramétricas flexibles (usando splines). Esto permite capturar las influencias heterogéneas y variables en el tiempo de los fenómenos climáticos extremos sobre la ineficiencia, acomodando la escasez de datos (por ejemplo, valores de cero durante meses secos).
- Estructura de la Ecuación:
  $\ln y_{it} = \alpha_0 + \alpha_1 \ln L_{it} + \sum \beta_j \ln C_{jit} + v_{it} - u_{it}$
  $u_{it} = \frac{1}{1 + \exp[-(\gamma Z_{it} + \sum f_j(R_{tj}) + \sum g_j(W_{tj}))]} + \epsilon_{it}$
  Donde $Z$ representa los determinantes específicos de la empresa (eficiencia de recaudación, pérdidas del sistema, gastos por intereses), y $R$ y $W$ representan la precipitación y la velocidad del viento mensuales, respectivamente.
Algoritmo de Estimación:
Para evitar los problemas de convergencia asociados con la MLE, el artículo emplea un algoritmo de backfitting híbrido. Este procedimiento iterativo combina:
1. Mínimos Cuadrados Generalizados (GLS) para los parámetros de la función de producción.
2. Mínimos Cuadrados Ordinarios (OLS) para los coeficientes paramétricos en la ecuación de ineficiencia.
3. Mínimos Cuadrados Penalizados (PLS) para la estimación de las funciones no paramétricas (splines).
  El algoritmo itera entre la estimación de la función de producción y la ecuación de ineficiencia hasta que el Error Absoluto Porcentual Medio (MAPE) converge.

Aplicación Empírica y Resultados
La metodología se aplica a un panel de 114 cooperativas eléctricas (ECs) en Filipinas de 2010 a 2022. El estudio vincula la eficiencia empresarial con eventos climáticos extremos (tifones y precipitaciones) controlando por indicadores financieros y operativos.

Convergencia y Capacidad Predictiva:
- El propuesto VF-SFM convergió exitosamente para todas las regiones.
- En contraste, el modelo de referencia (Battese & Coelli, 1995) utilizando datos climáticos anuales agregados y MLE falló en la convergencia en la mayoría de las regiones. En los casos donde sí convergió, el VF-SFM demostró una precisión predictiva superior, con valores de MAPE significativamente menores en comparación con el modelo de referencia.
Estimaciones de Eficiencia:
- El modelo de referencia produjo estimaciones de Eficiencia Técnica (TE) infladas (frecuentemente cercanas al 100%), un síntoma del problema de la "asimetría incorrecta" y la especificación errónea del modelo.
- El VF-SFM produjo estimaciones de TE más realistas (que oscilan aproximadamente entre el 30% y el 80%), revelando que las empresas no están operando en la frontera.
- Impacto Climático: Las funciones no paramétricas capturaron con éxito el impacto de los climas extremos. Las regiones con baja exposición a la precipitación mostraron una mayor eficiencia. El modelo identificó que los años con tifones severos (por ejemplo, 2018, 2019) se correlacionaron con un aumento en las pérdidas del sistema y una reducción de la eficiencia, efectos que fueron ocultados en el modelo de referencia agregado.
Determinantes: Se encontró que las pérdidas del sistema y la eficiencia de recaudación son determinantes significativos de la ineficiencia, junto con los términos climáticos no paramétricos.

Contribuciones Clave

Innovación Metodológica: El artículo introduce un marco que resuelve el problema de la "asimetría incorrecta" al reemplazar los supuestos distribucionales por una función logística para la ineficiencia, garantizando así la convergencia y robustez del modelo.
Manejo de Frecuencia Mixta: Demuestra una solución práctica para integrar datos ambientales de alta frecuencia en modelos de producción de baja frecuencia mediante funciones aditivas no paramétricas, preservando la variabilidad de los eventos extremos que la agregación de otro modo borraría.
Robustez de la Estimación: El algoritmo de backfitting híbrido proporciona una alternativa estable a la MLE, manejando eficazmente la complejidad de los datos de frecuencia mixta y los componentes no paramétricos sin los fallos de convergencia típicos de la SFA convencional.

Significancia y Reivindicaciones
El artículo sostiene que su marco propuesto amplía la aplicabilidad del análisis de frontera estocástica a contextos caracterizados por datos de frecuencia mixta y determinantes ambientales complejos. Al vincular con éxito los choques climáticos con la ineficiencia operativa a nivel de empresa, el estudio proporciona una herramienta práctica para evaluar los desafíos de sostenibilidad y resiliencia a microescala.

Los autores enfatizan que, si bien el clima extremo no puede controlarse, el modelo permite a los reguladores y gerentes de empresas identificar las vulnerabilidades operativas específicas (por ejemplo, pérdidas del sistema) que se ven exacerbadas por estos eventos. Esto respalda el desarrollo de estrategias adaptativas, tales como la inversión en infraestructura resiliente y la mejora de las tecnologías operativas, para mitigar las pérdidas de eficiencia en sectores vulnerables al clima, como la distribución eléctrica. El estudio concluye que el VF-SFM ofrece un enfoque más preciso y confiable para el análisis de políticas en sectores donde los choques ambientales son frecuentes y severos.

La historia de la tormenta y la chispa

Lo que encontraron

Más como este