Ricardo Argüello Cuervo Jesús Otero Cardona

Juan Daniel Oviedo Arango Manuel Ramírez Gómez

Bogotá DC, octubre 22 de 2014

1

Determinantes de los diferenciales de precios entre variedades de café

Introducción

• Café en países en desarrollo: Fuente importante de divisas,

recursos para el gobierno, empleo y valor agregado.

• Debido a esto, varios autores han estudiado el comportamiento dinámico de los precios (compuestos) indicadores de la OIC – Brasil no lavado – Suaves colombianos – Otros suaves – Robusta.

2

Introducción

• Vogelvang (1992) y Otero & Milas (2001) encuentran la

presencia de relaciones de cointegración.

• Ghoshray (2009, 2010) estima modelos no lineales y encuentra un alto grado de integración.

• Russell et al. (2012) sugieren incluir cambios estructurales en las relaciones de equilibrio, debido a cambios en política gubernamental.

3

Introducción

• Pocos estudios sobre los diferenciales de precios.

• Excepción es Lozano (2002): Modelo para la prima del café colombiano vs. NYBOT (Guatemala, México, u otros suaves).

• Variables independientes:

– Arbitraje: Diferencial entre los indicadores OIC para otros suaves y robustas.

– Escasez: Relación entre la producción total del café colombiano y la del café arábico lavado.

– 100% Café de Colombia: Tamaño relativo de este segmento con respecto a las exportaciones totales de café colombiano a USA.

– ICA: Períodos de vigencia de los acuerdos de cuotas. 4

Introducción

• Lozano (2002) concluye que “la estrategia de diferenciación de origen adoptada por la (Federación Nacional de Cafeteros) tuvo un gran efecto positivo sobre la prima del café verde colombiano” (p.69).

• Debilidades del trabajo de Lozano:

1. Se incluye arbitraje como variable independiente, aunque en realidad es otro diferencial de precios. Endogeneidad

2. Análisis se limita a la prima del café colombiano. 5

Introducción

• Este trabajo tiene dos características importantes que lo distinguen de la literatura existente:

1. Relación explícita entre economía y química

2. Series de precios desagregadas

6

Introducción

• Característica 1: Relación entre economía y química

• Economía. Concepto de mercado (Cournot, Marshall): Aquella región o área geográfica en la cual la interacción entre compradores y vendedores garantiza que los precios de bienes similares tienden a igualarse.

• A partir del concepto de cointegración (Engle y Granger, 1987), la definición anterior se ha verificado contrastando si las discrepancias en precios son estacionarias; i.e. precios están cointegrados con vector [1,-1]’.

7

Introducción

• Química:

• Discriminación entre diferentes variedades de café en función de la composición química de los granos.

• Alves et al. (2009): La composición química de las diferentes variedades de café es influenciada por: – Condiciones climáticas – Prácticas agronómicas – Métodos de procesamiento (no lavado versus lavado) – Condiciones de almacenamiento y distribución – Procedimiento de tostado

8

Introducción

• Hipótesis estadística de interés:

9

En la medida en que dos variedades de café sean más similares en términos de su composición química, más pequeño será su

diferencial de precios

Introducción

• Característica 2: Series de precios desagregadas

• Datos semanales de ocho variedades de café sobre un período de casi 15 años.

• Precios están en términos absolutos y se refieren a variedades específicas.

• Usualmente se han utilizado promedios de grupos de variedades similares de café (e.g. precios indicadores OIC).

• Ventaja: Entre más variedades existan, mayor el número de

posibles diferenciales.

10

Metodología

• Nuestra estrategia econométrica emplea técnicas del análisis de series de tiempo y de corte transversal.

• Series de tiempo: Inspirado en Pesaran (2007), quien ofrece una definición probabilística de convergencia. Aplicado al caso del café, dada una muestra de N precios se debe determinar cuáles de todos los posibles diferenciales son estacionarios.

• Corte transversal: Una vez se determinan los diferenciales estacionarios (i.e. que no cambian en el tiempo), se estima un modelo de regresión para explicar sus determinantes.

11

Metodología (Pesaran, 2007)

12

• Definimos 𝑝𝑖𝑖 como el precio del café 𝑖 = 1, … ,𝑁 en el momento 𝑡 = 1, … ,𝑇.

• Examinamos el orden de integración de todos los posibles 𝑁(𝑁 − 1)/2 diferenciales de precios entre las variedades 𝑖 y 𝑗, 𝑝𝑖𝑖𝑖 = 𝑝𝑖𝑖 − 𝑝𝑖𝑖 .

• Contrastamos la presencia de una raíz unitaria en 𝑝𝑖𝑖𝑖 = 𝑝𝑖𝑖 − 𝑝𝑖𝑖, utilizando una prueba estadística apropiada (ADFMAX).

Metodología (Pesaran, 2007)

13

• Sea 𝑍𝑖𝑖 = 1 cuando se rechaza la hipótesis nula de raíz unitaria a un nivel de significancia α (0 en caso contrario).

• Estamos interesados en los determinantes de los diferenciales estacionarios (media y varianza constante).

𝑝𝑖𝑖 = 𝛽1+ Determinantes

(Variables químicas, institucionales, mercado).

Datos

• Precio semanal (US$ cents. por libra) de las siguientes variedades de café: – Brasil Santos No.4 (arábigo natural) – Colombia EP (arábigo lavado) – El Salvador (arábigo lavado) – Guatemala HB (arábigo lavado) – México (arábigo lavado) – Perú HBMC (arábigo lavado) – Indonesia EK1 (robusta) – Uganda (robusta)

• Período de tiempo: 10/19/1998 a 05/13/2013; T=761 obs.

Datos

• Precios en logaritmos.

• La fuente es F.O. Licht Interactive Data.

• Nota: Si se incluye Vietnam el período de análisis comenzaría en 04/21/2003; T=526 obs.

• Estos resultados no se reportan pues son inferiores.

Series de precios utilizadas

0

50

100

150

200

250

300

350

98 99 00 01 02 03 04 05 06 07 08 09 10 11 12 13

Brasil Colombia GuatemalaIndonesia Méjico PerúEl Salvador Uganda Vietnam

Análisis preliminar de las series

• Precios bastante relacionados entre sí (las fuerzas que los mueven al alza o a la baja parecen afectarlos de la misma manera).

• Sin embargo, también se observan diferencias importantes en precios: – 1.4% entre Perú y El Salvador. – 76.2% entre Colombia e Indonesia.

Propiedades de series de tiempo

• ADFMAX: 92.9% de los diferenciales de precios son estacionarios.

• Alternativamente: Más de la mitad de los diferenciales de precios están cointegrados con vector [1,-1].

• Alto grado de integración.

Propiedades de series de tiempo

• ¿Qué podemos decir de la velocidad de ajuste de los diferenciales de precios?

• Bastante rápida (al menos la mitad del ajuste transcurre en el primer año).

• En promedio, 34 semanas (prueba ADFMAX).

Propiedades de series de tiempo

Continúa …

itp jtp it jtp p− ADFMAX HL Brasil Colombia -0.254 -2.156♦ 56 Brasil Guatemala -0.191 -2.618♦ 41 Brasil Indonesia 0.508 -2.485♦ 38 Brasil Méjico -0.080 -2.575♦ 41 Brasil Perú -0.135 -2.125♦ 50 Brasil El Salvador -0.149 -2.445♦ 43 Brasil Uganda 0.399 -2.379♦ 34 Colombia Guatemala 0.064 -3.523♦ 21 Colombia Indonesia 0.762 -1.939 59 Colombia Méjico 0.174 -2.679♦ 35 Colombia Perú 0.119 -3.142♦ 23 Colombia El Salvador 0.105 -2.710♦ 36 Colombia Uganda 0.654 -2.255♦ 42 Guatemala Indonesia 0.698 -2.021 52

Propiedades de series de tiempo

itp jtp it jtp p− ADFMAX HL Guatemala Méjico 0.110 -4.289♦ 14 Guatemala Perú 0.055 -4.997♦ 10 Guatemala El Salvador 0.041 -3.688♦ 21 Guatemala Uganda 0.590 -2.285♦ 38 Indonesia Méjico -0.588 -2.336♦ 45 Indonesia Perú -0.643 -2.219♦ 49 Indonesia El Salvador -0.657 -2.166♦ 48 Indonesia Uganda -0.109 -2.779♦ 21 Méjico Perú -0.055 -2.588♦ 21 Méjico El Salvador -0.069 -2.290♦ 35 Méjico Uganda 0.479 -2.233♦ 39 Perú El Salvador -0.014 -3.462♦ 15 Perú Uganda 0.534 -2.471♦ 36 El Salvador Uganda 0.548 -2.234♦ 37

Diferenciales de precio

• Variables que se tienen en cuenta: – Químicas – Institucionales – Mercado

𝑝𝑖𝑖 = 𝛽1+ Determinantes

(Variables químicas, institucionales, mercado).

Variables Químicas

• Carrera et al. (1998, Analytica Chimica Acta)

• Alves et al. (2009, Food Chemistry)

• Las variedades de café arábiga y robusta poseen propiedades químicas y organolépticas distintas.

Variables Químicas

• Según Alves et al., para el café verde es relativamente fácil distinguir entre las variedades arábiga y robusta por sus características físicas (e.g. tamaño, forma y color).

• Sin embargo, cuando el café es tostado las características físicas desaparecen. Indispensable efectuar un análisis químico del grano para garantizar su autenticidad y origen.

Variables Químicas

• Marcadores químicos: – Carrera et al.: ∆5 avenasterol, sitostanol.

∆𝑖𝑖5 = ∆𝑖5 − ∆𝑖5

𝑠𝑖𝑡𝑖𝑖 = 𝑠𝑖𝑡𝑖 − 𝑠𝑖𝑡𝑖

Variables Químicas

• Marcadores químicos: – Alves et al.: α-tocoferol, β-tocoferol

(K = café verde, café tostado).

𝛼𝑡𝑡𝑡𝑖𝑖𝐾 = 𝛼𝑡𝑡𝑡𝑖𝐾 − 𝛼𝑡𝑡𝑡𝑖𝐾

𝛽𝑡𝑡𝑡𝑖𝑖𝐾 = 𝛽𝑡𝑡𝑡𝑖𝐾 − 𝛽𝑡𝑡𝑡𝑖𝐾

Variables Químicas

• Para cada marcador el signo esperado es positivo.

• Ejemplo: A medida que ∆𝑖𝑖5 crece, más diferentes serán las variedades 𝑖 y 𝑗 (en sus contenidos de ∆5 avenasterol), y por consiguiente sus precios serán más diferentes (i.e. diferencial de precios grande).

• Igual interpretación para los otros marcadores.

Variable Institucional

• Siguiendo a Coe (2006), definimos una variable dummy 𝑖𝑖𝑠𝑡𝑖 igual a 1 cuando el país de origen de la variedad 𝑖 posee una institucionalidad cafetera que permite participación de productores en la toma de decisiones de política y comercialización.

• A partir de 𝑖𝑖𝑠𝑡𝑖 , creamos 𝑖𝑖𝑠𝑡𝑖𝑖 = (𝑖𝑖𝑠𝑡𝑖 × 𝑖𝑖𝑠𝑡𝑖).

Variable de Mercado

• Participación de 𝑖 en la producción mundial (𝑝𝑝𝑡𝑝𝑖).

• Diferencial con 𝑗, 𝑝𝑝𝑡𝑝𝑖𝑖 = 𝑝𝑝𝑡𝑝𝑖 − 𝑝𝑝𝑡𝑝𝑖 . • Variable 𝑎𝑝𝑎𝑖𝑖 = 1 cuando 𝑖 y 𝑗 producen arábiga.

• Variable 𝑝𝑡𝑎𝑖𝑖 = 1 cuando 𝑖 y 𝑗 producen robusta.

• Creamos (𝑝𝑝𝑡𝑝𝑖𝑖× 𝑎𝑝𝑎𝑖𝑖) y (𝑝𝑝𝑡𝑝𝑖𝑖 × 𝑝𝑡𝑎𝑖𝑖).

Variable de Mercado

• En la medida en que un país tenga una mayor participación en la producción global, 𝑝𝑝𝑡𝑝𝑖𝑖 ↑, la posibilidad de explotar poder de mercado sobre variedades similares haría esperar un efecto positivo sobre el diferencial de precios.

• Signo esperado de los coeficientes asociados a (𝑝𝑝𝑡𝑝𝑖𝑖× 𝑎𝑝𝑎𝑖𝑖) y (𝑝𝑝𝑡𝑝𝑖𝑖 × 𝑝𝑡𝑎𝑖𝑖) es positivo.

Especificación 1

Modelo 1 2 3 4 5 6 Intercepto 0.090 0.027 0.050 0.076 0.062 0.072 (0.019) (0.043) (0.041) (0.022) (0.043) (0.021)

5ij∆ 0.059

(0.004) ijsit 0.357

(0.048) Vijtocα 0.423

(0.058) Vijtocβ 0.082

(0.006) Tijtocα 0.424

(0.064) Tijtocβ 0.085

(0.006) Obs. 26 26 26 26 26 26 R2 0.911 0.702 0.690 0.887 0.645 0.898

Resultados

• En todos los casos, la pendiente tiene el signo positivo esperado, y es estadísticamente significativa.

• R2=0.911 en el modelo 1, seguido muy de cerca por los modelos 6 (R2=0.898) y 4 (R2=0.887).

• Importante: Tan solo una variable explica más del 90% de la variación de la variable dependiente.

Especificación 2 Modelo 1 2 3 4 5 6 Intercepto 0.139 0.049 0.199 0.142 0.220 0.133 (0.041) (0.095) (0.068) (0.045) (0.071) (0.043)

5ij∆ 0.057

(0.004) ijsit 0.350

(0.057) Vijtocα 0.388

(0.054) Vijtocβ 0.078

(0.006) Tijtocα 0.388

(0.059) Tijtocβ 0.082

(0.006) ijinst -0.051 -0.020 -0.160 -0.069 -0.173 -0.064

(0.038) (0.078) (0.062) (0.042) (0.065) (0.040) Obs. 26 26 26 26 26 26 R2 0.918 0.702 0.761 0.899 0.728 0.908

Resultados

• En todos los casos el coeficiente estimado es negativo, aunque en los modelos 1, 2, 4 y 6 no es estadísticamente significativo.

• El coeficiente negativo indica que la magnitud del diferencial de precios tenderá a ser menor en la medida en que las instituciones cafeteras de dos países permitan la participación de los caficultores en la toma de decisiones del sector.

Especificación 3 Modelo 1 2 3 4 5 6 Intercepto 0.118 0.097 0.289 0.166 0.281 0.145 (0.049) (0.122) (0.070) (0.057) (0.070) (0.055)

5ij∆ 0.061

(0.005) ijsit 0.326

(0.066) Vijtocα 0.354

(0.050) Vijtocβ 0.077

(0.007) Tijtocα 0.405

(0.058) Tijtocβ 0.082

(0.007) ijinst -0.067 -0.027 -0.219 -0.099 -0.267 -0.089

(0.042) (0.097) (0.063) (0.050) (0.062) (0.047) ij ijarb prod× 0.319 -0.323 -0.182 0.099 0.300 0.145

(0.134) (0.250) (0.204) (0.156) (0.228) (0.149) ij ijrob prod× -0.403 -2.028 -7.762 -2.314 -8.859 -1.652

(1.967) (4.166) (3.001) (2.330) (2.969) (2.232) Obs. 26 26 26 26 26 26 R2 0.936 0.726 0.823 0.906 0.823 0.915

Resultados

• En ningún modelo los coeficientes de las variables (𝑝𝑝𝑡𝑝𝑖𝑖 × 𝑎𝑝𝑎𝑖𝑖) y (𝑝𝑝𝑡𝑝𝑖𝑖 × 𝑝𝑡𝑎𝑖𝑖) son en conjunto estadísticamente significativos.

• Los resultados de la Especificación 3 son los menos satisfactorios.

Conclusiones

• Estudiamos los determinantes de los diferenciales de precios existentes entre 8 variedades de café.

• Encontramos que más del 90% de la variabilidad en los diferenciales de precios se explica por marcadores químicos.

• Cuando incluimos una variable dummy que captura la participación de los caficultores en la toma de decisiones del sector, los coeficientes tienen el signo negativo esperado, aunque no son estadísticamente significativos en todas las especificaciones.

Ricardo Argüello Cuervo Jesús Otero Cardona

Juan Daniel Oviedo Arango Manuel Ramírez Gómez

Bogotá DC, octubre 22 de 2014

38

Determinantes de los diferenciales de precios entre variedades de café