Boletín de Estudios Económicos. Abril 2020. Num. 229 by Deusto Business Alumni

Boletín de Estudios Económicos

Creando Oportunidades

Boletín de Estudios Económicos

Abril 2020

Editado por Deusto Business Alumni

#QuédateEnCasa y hazlo todo desde la app Ahora más que nunca, queremos estar contigo para ayudarte con tus gestiones.

Realiza trasferencias y envía o recibe dinero con Bizum

Paga tus impuestos y recibos no domiciliados

Vol. LXXV Abril 2020 Núm. 229

Fintech Mercados financieros del s/XXI: ordenadores artificialmente inteligentes negociando entre sí José J. Massa Página 5 Blockchain: un instrumento de transformación para el sector financiero Carlos Fernández Herraiz Página 27 Digitalización del sector bancario Pablo Pedro Reboiro Gutiérrez Página 53

Modifica el límite de tus tarjetas

L Í D E R

MUNDIAL EN BANCA MÓVIL

2017 18 19

The Forrester Banking Wave™: Global Mobile Apps Summary, 2019

A 229

Business lumni A Deusto

La irrupción de la gestión automatizada e indexada en España Unai Ansejo Barra Página 79 Inteligencia artificial: una aproximación desde las finanzas Agustín Zubillaga Rego Iker Pastor López Pablo García Bringas Página 99 From Fintech to BigTech: an evolving regulatory response Lucía Pacheco Rodríguez Pablo Urbiola Ortún Página 119

TEMAS LIBRES Estructura financiera y creación de valor: una aproximación a través de la TRIP Javier Santibáñez Leyre Gotia-Berriozabal José A. Madariaga Página 143 Crecimiento versus desarrollo sectorial: el caso del sector veterinario en España Oscar Gutiérrez Aragón Página 171

Business lumni A Deusto

BOLETIN DE ESTUDIOS ECONOMICOS Deusto Business Alumni Hnos. Aguirre, 2. Apartado 20044 Teléfonos 94 445 63 45 - 94 445 22 12. Fax: 94 445 72 54 48080 BILBAO (España) E-Mail: boletin.dba@deusto.es Consejo de Redacción Ane Aguirre Jesús Alberdi Joaquin Almunia Iñaki Arechabaleta Torróntegui Antonio Freije Uriarte José Luis Larrea José Luis Sanchís Armelles Comité de Dirección Fernando Gómez-Bezares Susana Rodríguez Vidarte Secretaria Gabriela Mateos Varas Precios de suscripción: España, 40,90 €. Extranjero, 46,60 €. Números sueltos y atrasados: 1.ª Serie: Números 1 al 45: 17,60 €. 2.ª Serie: Números 46 en adelante: 21,20 €. Tarifa Especial Estudiantes: 25% de descuento

El Boletín de Estudios Económicos es una publicación de Deusto Business Alumni. El orígen de esta asociación se situa en 1922, y publica el Boletín ininterrumpidamente, desde 1942. Cada volumen anual, de alrededor de 600 páginas, se divide en tres números (abril, agosto y diciembre). Los artículos solicitados se aceptan en español e inglés. Su objetivo es la publicación de trabajos originales de economía teórica y aplicada, especialmente dedicada a los problemas de la Empresa. Al primer autor del artículo se le entregan 50 separatas del mismo y 3 ejemplares de la revista. El indice de la revista y los resúmenes aparecen en Internet: (http://www.alumnidba.es/). También puede consultarse en: Latindex; CSIC-CINDOC; Econlit; DICE, Dialnet, In-Recs, ProQuest, etc. Todos los artículos publicados en el Boletín de Estudios Económicos, han sido escritos expresamente para el mismo, y no pueden ser reproducidos, total ni parcialmente, sin citar su procedencia. Si están interesados en alguna reproducción, dirijanse a la dirección de la revista.

datos utilizados, criterios, El Boletín de Estudios Económicos no se hace responsable de los datos utilizados, criterios, opi- opin o conclusiones expresadas en los artículos publicados, que corresponden exclusivamente niones a sus autores y no reflejan la posición de la revista ni de sus editores. Las erratas de edición detectadas, que sean relevantes, se rectificarán en un Boletín posterior. Publicación impresa en papel ecológico. I.S.S.N.: 0006-6249 Dep. Legal: BI 959-1958

ESTUDIOS DE DEUSTO Revista de la Universidad de Deusto

VOL. 67/1 MONOGRÁFICO

Director: Luis I. Gordillo Pérez ENERO-JUNIO SUMARIO

Filippo Fontanelli, Giuseppe Martinico, Introducción al Simposio especial «Explorando territorios entre-sistemas: una aplicación de las enseñanzas de Carrozza a nuevos temas» Giuseppe Bianco, Probando la Stufenbau en Derecho financiero internacional Carlo M. Cantore, Lookin’ out my backdoor – El TJUE y la aceptación selectiva de los Tribunales internacionales Paolo Carrozza, Kelsen y constitucionalismo contemporáneo: la continua presencia de los temas kelnesianos Giacomo Delledonne, Federalismo: compromiso trágico y conflictos Leandro Mancano, Ampliación de la competencia de la UE en materia penal mediante políticas. La Directiva antifraude como caso de estudio Giuseppe Martinico, Constituciones, apertura y Derecho comparado

ESTUDIOS Ignacio Álvarez Rodríguez, Caminante, se hace camino al andar. Comunidad LTGBI, derechos humanos y Naciones Unidas María José Carazo-Liébana, El ensamblaje del arbitraje en la Constitución: lagunas después de 40 años Isaac Enríquez Pérez, La transformación de las funciones del Estado mexicano en torno a la dialéctica desarrollo/subdesarrollo: incursiones a la luz de la crisis institucional contemporánea José Luis García Guerrero, Globalización, estabilidad presupuestaria y Comunidades Autónomas Verónica Lidia Martínez Martínez, El Derecho a la Seguridad Social ante el Comité Europeo de Derechos Sociales José Carlos Nieto Jiménez, Los derechos de las minorías parlamentarias en el procedimiento legislativo. Análisis del Ius in Officiumen la tramitación de las «leyes de desconexión» de Cataluña Albert Noguera Fernández, Régimen de propiedad y trabajo por cuenta propia en Cuba: De 1959 a la nueva Constitución de 2019

PREMIO «JUAN CHURRUCA» Sophie Recio San Emeterio, El arbitraje de inversiones entre la Unión Europea y Singapur: ¿Del arbitraje de diferencias Estado-Inversor a un sistema de Tribunales de Inversiones? Maria Saenz de Buruaga Azcargorta, Implicaciones de la «gig-economy» en las relaciones laborales: el caso de la plataforma Uber

RECENSIONES Alicia Cárdenas Cordón, Octavio Salazar Benítez. La gestación para otros: Una reflexión jurídico-constitucional sobre el conflicto entre deseos y derechos Manuel Fondevila Marón, José Tudela, Josep María Castell a, Enriqueta Expósito y Mario Kölli ng (eds.). Libro blanco sobre calidad democrática en España Francisco Javier Romero Caro, Giacomo Dell edonne y Giuseppe Martinico. The Canadian Contribution to a Comparative Law of Secession. Legacies of the Quebec Secession Reference Cecilia Rosado Villaverde, Pablo Pérez Tremps. Las reformas de la Constitución hechas y no hechas

2019

15-21

23-40

41-54

55-82 83-95

97-110 111-124 127-163

165-184

185-221

223-258

259-291

293-314

315-350 353-383

385-414 415-422

423-427

429-433

435-446

Boletín de Estudios Económicos Vol. LXXV Abril 2020 Núm. 229

Fintech Sumario Págs. Presentación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

I. Mercados financieros del s/XXI: ordenadores artificialmente inteligentes negociando entre si.- José J. Massa, Profesor de Mercados Financieros en Cunef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

II. Blockchain: un instrumento de transformación para el sector financiero.- Carlos Fernández Herraiz, Grant Thorton . . . . . . . . . . . . . .

III. Digitalización del sector bancario.- Pablo Pedro Reboiro Gutiérrez, Strategy&Operations Lead – Spain en N26 . . . . . . . . . . . . . . . . . . . . . .

IV. La irrupción de la gestión automatizada e indexada en España.Unai Ansejo Barra, Consejero Delegado y Cofundador de Indexa Capital

V. Inteligencia artificial: una aproximación desde las finanzas.Agustín Zubillaga, Orkestra. Instituto Vasco de Competitividad. Universidad de Deusto, Iker Pastor López y Pablo García Bringas, Universidad de Deusto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

VI. From Fintech to BigTech: an evolving regulatory response.- Lucía Pacheco Rodríguez y Pablo Urbiola Ortún, BBVA . . . . . . . . . . . . . . . . .

119

TEMAS LIBRES VII. Estructura financiera y creación de valor: una aproximación a través de la TRIP.- Javier Santibáñez, Leyre Goitia-Berriozabal y José A. Madariaga, Deusto Business School. Universidad de Deusto . . . . . . . . .

143

VIII. Crecimiento versus desarrollo sectorial: el caso del sector veterinario en España.- Oscar Gutiérrez Aragón, Escola Universitària Mediterrani de Barcelona. Universitat de Girona. . . . . . . . . . . . . . . . . .

171

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 3-4)

PRESENTACIÓN

Cuando en octubre del pasado año comenzamos a preparar este número del Boletín de Estudios Económicos, no podíamos sospechar que su publicación iba a verse afectada por la pandemia sanitaria del Covid-19, o que iba a llegar a nuestros lectores en un momento de gran incertidumbre económica. Precisamente esta crisis ha puesto todavía más sobre la mesa la importancia de las nuevas tecnologías, que, como un simple ejemplo, nos han permitido continuar nuestras actividades docentes y de investigación; como también han subrayado su importancia en el sector financiero. No es difícil pronosticar que el mundo en general, y la economía en particular, serán diferentes después del coronavirus, o que las nuevas tecnologías, que ya avanzaban con fuerza, van a acelerar su implantación en muchas de nuestras actividades. Creemos que un número del Boletín dedicado a las Fintech resultará sugerente para nuestros lectores; lo hubiera sido en circunstancias normales, pero puede ser todavía más interesante ante la previsible aceleración que la crisis va a producir en este ámbito. Vamos hacia una economía donde la digitalización va a ser creciente, y el sector financiero avanza claramente por ese camino: han aparecido numerosas startups que aplican la tecnología a las finanzas, mientras que empresas ya consolidadas colaboran con ellas, y también hacen un uso creciente de la tecnología en su actividad. Vamos a entender Fintech (Financial technology) en un sentido amplio, como aplicación de las nuevas tecnologías a la actividad financiera. Deusto Business School y Deusto Business Alumni se ocuparon en sus VI Jornadas Financieras (marzo de 2019) de la digitalización y las finanzas; ahora es el Boletín de Estudios Económicos el que recoge este tema, con el objetivo de brindar a nuestros lectores la oportunidad de profundizar y contrastar sus conocimientos con los de los expertos que hemos invitado a nuestras páginas. Las nuevas tecnologías han invadido nuestras vidas, en muchas ocasiones para bien. De igual manera se van introduciendo en nuestras empresas, tal es el caso del sector financiero: hay máquinas negociando en los merca-

PRESENTACIÓN

dos o gestionando nuestras finanzas, criptomonedas, Inteligencia Artificial… Una verdadera revolución que conviene conocer, y a eso dedicaremos este número de nuestra revista. Comenzamos con un artículo de José Massa sobre la negociación electrónica, máquinas negociando con máquinas están cambiando nuestro concepto de mercado financiero. A continuación, Carlos Fernández Herraiz nos habla del Blockchain, una tecnología que, a juicio del autor, ha avanzado mucho pero todavía no está madura, aunque hay proyectos que van entrando en funcionamiento. Pablo Reboiro analiza la digitalización en el sector bancario, donde conviven entidades nativas digitales con entidades tradicionales que también incorporan de manera creciente la digitalización. Después Unai Ansejo trata de la gestión de activos automatizada e indexada, que puede resultar muy interesante al reducir los costes. A continuación, Agustín Zubillaga, Iker Pastor y Pablo García Bringas estudian la Inteligencia Artificial, que en el contexto de la revolución digital tiene aplicación a muchos sectores, entre los que se encuentra el financiero. Lucía Pacheco y Pablo Urbiola se ocupan de la regulación en este complejo mundo hablando de las Fintech, de las Bigtech, de la competencia… toda una serie de retos que este sector tiene por delante. En la parte libre de este número del Boletín comenzamos con un artículo que también, como los anteriores, centra su interés en las finanzas; en él Javier Santibáñez, Leyre Goitia y Joseba Madariaga, después de recordarnos que la principal fuente de creación de valor es la inversión, trabajan sobre estructura financiera y creación de valor utilizando la TRIP, un concepto desarrollado en Deusto Business School. Termina este número del Boletín con un artículo de temática radicalmente distinta a los precedentes, aquí Óscar Gutiérrez Aragón trata de los conceptos de crecimiento y desarrollo, cuya diferencia es importante, para aplicarlos en un análisis del sector veterinario español. Sin duda, muchos otros temas interesantes referidos a las Fintech, se podrían haber tratado en este monográfico; no es posible ser exhaustivos en un tema tan amplio. Con todo, hemos pensado que merece la pena seguir con estas cuestiones en el próximo Boletín de agosto. Para concluir esta presentación, queremos mostrar nuestro agradecimiento a todos los autores que, número tras número, se esfuerzan en ajustarse a los intereses y al estilo de nuestra revista; de manera especial a los de los diferentes artículos de este número. También al resto de personas que consiguen que cada cuatro meses un nuevo Boletín sea una realidad, incluso en las adversas circunstancias actuales. Confiamos en que nuestros lectores apreciarán la selección de temas y autores que hemos hecho en esta ocasión. EL COMITÉ DE DIRECCION

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 5-25)

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES NEGOCIANDO ENTRE SÍ FINANCIAL MARKETS IN THE 21ST CENTURY: ARTIFICIALLY INTELLIGENT COMPUTERS TRADING AMONG THEMSELVES José J. Massa

Doctor en Economía. Profesor de Mercados Financieros en Cunef RESUMEN

La irrupción de la negociación electrónica en los mercados ha alterado radicalmente no solo la forma en que se negocia, sino cuáles son los participantes y quiénes son sus motivaciones. El diseño de algoritmos de negociación y las implicaciones de que los mercados sean, de facto, máquinas negociando con máquinas introducen nuevos desafíos para la regulación y para nuestra comprensión de qué es un mercado financiero. Palabras clave: Mercados financieros, negociación de Alta Frecuencia (HFT), trading algorítmico, arbitraje, Flash Crash. SUMMARY

The emergence of electronic trading has radically altered the way negotiation takes place; also, it has profoundly altered both the kind of participants are their motivations. The design of trading algorithms and the implications of markets in which machines are trading with machines, introduce new challenges for regulation and for our understanding of what a financial market is. Keywords: Financial Markets, High Frequency Trading, arbitrage, algorithmic trading, Flash Crash.

Introducción

En el presente artículo se revisan algunas de las implicaciones de la automatización imparable de los mercados financieros. Primero se describe muy brevemente por qué aparecen los nuevos agentes llamados High Frequency Traders, con base en argumentos de arbitraje. A continuación, se revisa la competencia en velocidad en los mercados, con parámetros que resultan alienígenas para la experiencia cotidiana de las personas. Por último, se analizan brevemente dos episodios de gran impacto en los mercados provocados por la automatización y los “robots” que son ahora los verdaderos traders.

Arbitraje entre mercados

JOSÉ J. MASSA

Analicemos una estructura de red como la descrita en el Gráfico 1. Se trata de una situación en la que hay dos plataformas electrónicas de negociación, la plataforma A y la plataforma B, ambas independientes entre sí. Cada plataforma tiene sus propios participantes, representados en el gráfico por los nodos redondos que están conectados a cada una de las respectivas plataformas. Gráfico 1

Dos plataformas independientes

Esta estructura de mercado podría considerarse sub-óptima: es posible que en una de las plataformas haya órdenes pendientes de ejecutar que podrían serlo contra las órdenes pendientes, de sentido contrario, existentes en la otra plataforma. Si esta posibilidad existiera, se mejoraría la calidad del mercado, lo que se lograría simplemente con que las plataformas estuvieran unidas entre sí. En la jerga del sector, esta situación se conoce como fragmentación y se considera generalmente negativa porque reduce la eficiencia del conjunto del sistema: la estructura fragmentada de la red provoca que dejen de realizarse operaciones que podrían ejecutarse si la red (el mercado) no estuviera fragmentada.

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

Esta situación de fragmentación no es irreal: la regulación que ha permitido la aparición de múltiples plataformas de negociación sobre el mismo activo ha provocado, precisamente, la aparición de varios bloques aislados de participantes, tal y como se representa, de forma muy sintética, en el Gráfico 1. Ahora bien, una situación de esta naturaleza ofrece una nueva oportunidad de negocio para un intermediario inteligente que se haga participante simultáneamente de ambas plataformas. Esta situación se representa en el Gráfico 2. En esta nueva estructura de red, el participante H se convierte en miembro de ambas plataformas de negociación. Este participante H tiene que invertir algo más del doble que los demás participantes, que solo actúan en una plataforma: no solo tiene que conectar sus sistemas informáticos a las dos plataformas, sino que, además, tiene que desarrollar programas que permitan hacer simultáneamente comprensible –y tratable– la información procedente de dos fuentes distintas. Por tanto, con protocolos, formatos y estructuras de mensaje probablemente muy diferentes. La inversión a realizar por el participante H es relativamente elevada: necesita sistemas muy precisos, eficientes y, quizá lo más difícil, que sean capaces de traducir en tiempo real entre un formato y otro, analizando con seguridad y sin errores la información procedente de fuentes diversas. Gráfico 2

Un participante común

JOSÉ J. MASSA

Ahora bien, una vez que el participante H haya realizado su propia inversión en tecnología y haya conseguido implantarla con éxito, se encuentra en una posición de ventaja, potencialmente muy rentable. Imaginemos que partimos de una situación de equilibrio en la que los precios en A y en B son iguales. Supongamos ahora que en la plataforma A aparece una presión compradora que mueve al alza los precios en esta plataforma. En ese momento, el participante H podrá aprovecharse de su posición privilegiada en medio de ambas plataformas y podrá empezar a comprar barato en la plataforma B (que aún no había experimentado la presión compradora) y vender caro en la plataforma A, donde se inició la presión compradora y, por tanto, donde antes se movieron los precios. El participante H, con su actividad de trasladar parte de la presión compradora inicialmente aparecida en la plataforma A hacia la plataforma B – cosa que hace en búsqueda de su propio beneficio – está produciendo, al menos, dos efectos: por un lado, está distribuyendo la presión sobre el conjunto del mercado, lo que contribuye a reducir la amplitud del impacto; y, por otro lado, H, que es un arbitrajista sofisticado, realiza un beneficio por la diferencia entre el precio barato al que compra en B y el precio más caro al que vende en la plataforma A. Este proceso de arbitraje, comprando barato en una plataforma y vendiendo caro en la otra de forma simultánea, continuará hasta que la presión compradora inicial haya sido completamente absorbida por el mercado y los precios en ambas plataformas vuelvan a ser iguales. En ese momento, desaparecen las oportunidades de arbitraje, los precios en la plataforma A y la plataforma B son los mismos y la situación del mercado vuelve a ser de equilibrio. Y lo seguirá siendo hasta que se vuelva a producir otro impacto, comprador o vendedor en cualquiera de las dos plataformas, que haga que los precios dejen de estar alineados. En ese momento, el participante H –o, más exactamente, su ordenador (ahora se le empieza a llamar “robot”)– empezará de nuevo el proceso de comprar en el sitio barato y vender en el caro hasta que el impacto se absorba completamente, los precios vuelvan a ser iguales en las dos plataformas y desaparezca la oportunidad de obtener un beneficio sin riesgo. La posición privilegiada del participante H es potencialmente muy rentable: los precios en ambas plataformas van a estar sufriendo shocks asimétricos de forma continua. Por tanto, lo normal será que los precios estén desalineados multitud de veces a lo largo del día y cada una de esas veces el participante H tendrá la oportunidad de obtener un beneficio sin riesgo, comprando en una plataforma y vendiendo en la otra prácticamente al

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

mismo tiempo, quedándose con la diferencia de precios y contribuyendo, en el proceso, a que los precios de ambas plataformas sean iguales entre sí y, por tanto, a que el mercado se comporte como si fuera un único mercado, aunque haya dos centros de negociación (o más, porque el análisis es fácil de extender a más plataformas de negociación). Esta situación, sin embargo, no es sostenible en el tiempo. Otros agentes verán que existe la posibilidad de obtener beneficios potencialmente muy elevados con muy poco riesgo, como el participante H, y entrarán al mercado, replicando el comportamiento de éste y compitiendo con él, para quedarse con una parte del beneficio del arbitraje. Esta entrada de nuevos participantes, conectados a todos los mercados, que intentan obtener beneficios de las desviaciones temporales de precios entre unas plataformas y otras, da lugar a una estructura de mercado como la representada en el Gráfico 3. Gráfico 3

Varios participantes comunes

En esta situación, cuando se produce un cambio en el precio de una de las plataformas y, por tanto, surge una oportunidad de arbitraje, los participantes H, F y T competirán entre sí para ser el que aproveche la oportunidad de beneficio sin riesgo.

JOSÉ J. MASSA

En la estructura actual de los mercados, completamente electrónicos y que permiten la generación y envío de órdenes directamente desde un ordenador, sin necesidad de intervención humana en el proceso, la competencia entre los participantes H, F y T se produce estrictamente en términos de velocidad. En los mercados electrónicos, la regla de prioridad en la ejecución de las órdenes es “primero precio” (el mejor precio se ejecuta antes) y, a igualdad de precio, preferencia a la orden más antigua. Puesto que los participantes H, F y T van a generar sus órdenes hacia las plataformas A y B a los mismos precios (quieren comprar en una y vender en la otra a los precios existentes) aquel de ellos que realizará la operación y, por tanto, obtendrá el beneficio, será el que consiga llegar primero. Para llegar primero, trabajando en mercados completamente automatizados y electrónicos, H, F y T tienen necesariamente que diseñar sistemas electrónicos ultra-rápidos, que sean los primeros en identificar la oportunidad de arbitraje, los más rápidos en generar las órdenes que han de dirigirse a cada plataforma y los más eficientes en conseguir que sus órdenes, una vez generadas de forma automática, lleguen a los respectivos libros centrales de órdenes de cada una de las plataformas antes que todas las demás y, así, sean las que resultan ejecutadas. De hecho, el desarrollo de los mercados completamente electrónicos, junto con la proliferación de plataformas de negociación promovida por la regulación (que quiso introducir competencia entre los hasta entonces monopolios bursátiles) ha provocado la aparición de una nueva figura en los mercados: son los llamados High Frequency Traders (HFT), intermediarios especializados en identificar discrepancias de precios entre las distintas plataformas y eliminarlas, obviamente obteniendo un beneficio en el proceso. En principio, esta actividad de los HFT es no solo perfectamente legítima, sino socialmente deseable: haciendo que las discrepancias de precios entre plataformas desaparezcan y distribuyendo la presión de las órdenes nuevas entre todas las plataformas, los HFT están consiguiendo que, aunque el mercado esté fragmentado en varias plataformas de negociación, los precios en todas ellas sean iguales y, por tanto, que el mercado fragmentado se comporte como un mercado integrado. Una revisión al Gráfico 3 confirma esta idea: todos los nodos están conectados entre sí, aunque no sea de forma directa, y, en consecuencia, toda la información del mercado llega a todos los agentes que lo conforman, con independencia de que sean participantes de una plataforma o

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

de otra. Al unir entre sí las distintas plataformas, los HFT contribuyen eficazmente a conseguir que el mercado sea único y esté integrado1. En términos más tradicionales, los HFT no son más que los clásicos arbitrajistas, solo que utilizando medios técnicos más sofisticados (ordenadores, programas, algoritmos, robots y redes de comunicaciones) y, precisamente porque se mueven en un mundo electrónico, trabajando –casi– a la velocidad de la luz. Esta nueva estructura de los mercados, que se ha desarrollado en los últimos quince años y cuyas implicaciones profundas aún no es seguro que hayamos entendido del todo, da lugar al análisis de varios de sus aspectos, lo que se realiza en los apartados siguientes, donde se pasa revista a los aspectos de desarrollo tecnológico asociados, las implicaciones de riesgo sistémico y los nuevos desafíos regulatorios que se plantean. La tecnología de la velocidad de ejecución

Como se ha señalado más arriba, los HFT compiten entre sí por ser los primeros en descubrir una discrepancia de precios que sea arbitrable, ser los más rápidos en generar las órdenes que materializarán ese arbitraje y conseguir que las órdenes generadas sean las primeras en llegar al libro de órdenes para que sean las suyas las que se ejecuten y no las de otro. Nada nuevo, realmente: los arbitrajistas siempre han competido por ser el más rápido, en cada época con la mejor tecnología disponible. En el año 1992, por ejemplo, cuando empezó la negociación de los futuros sobre el IBEX-35 en España, aunque el libro de órdenes era electrónico y cada participante accedía al mercado mediante un ordenador (o varios) situado en su propia oficina y conectado con el ordenador central mediante una línea dedicada, la introducción de las órdenes era manual, con un operador tecleando los detalles de la orden y pulsando “Enter” y “confirmar” para que la orden saliera hacia el mercado y se inscribiera en el libro de órdenes para su eventual ejecución. El arbitraje entre el futuro del IBEX-35 y el contado requiere la generación y disparo de 36 órdenes diferentes: una hacia el contrato de futu1 Otra cosa es la discusión sobre si es necesario que haya varias plataformas o no, aspecto que excede del ámbito del presente trabajo, pero que merece una reflexión en profundidad.

JOSÉ J. MASSA

ros y 35 de sentido contrario a la del futuro, sobre cada una de las 35 acciones que integran el índice IBEX-35. Pues bien, en aquella época, no tan lejana, algunos de los participantes invirtieron en tener más de una conexión con el libro central de órdenes, de manera que sus órdenes no viajaban por una sola línea sino por varias paralelas, cada una de ellas con un terminal de introducción de órdenes, atendido por su respectivo operador. El miembro que invirtió en tener cinco terminales y cinco líneas conseguía que sus arbitrajes se ejecutaran en la quinta parte del tiempo que aquellos que solo usaban una línea y un terminal. Este miembro que invirtió más, sistemáticamente obtenía beneficios superiores al resto del mercado: su ventaja en velocidad de ejecución de órdenes le permitía no solo llegar el primero con mucha mayor frecuencia, sino arbitrar con diferencias de precios más pequeñas que sus competidores, porque su riesgo de que el mercado se moviera entre la identificación de la oportunidad y la ejecución de la orden era consistentemente menor. En el momento en que se permitió, básicamente por los avances en la tecnología y en la potencia de los ordenadores, que las órdenes fueran generadas directamente por un ordenador (en la terminología actual, por un “algoritmo de arbitraje”) cambió la forma del problema, pero no su lógica subyacente: para explotar las diferencias de precios entre diferentes mercados o plataformas, hay que ser el más rápido. Frente a la época en que la rapidez venía determinada esencialmente por la velocidad de reacción de un humano, en el momento en que la rapidez la determina la velocidad de un ordenador – si se prefiere, la velocidad de un sistema de cálculo y comunicación – las reglas del juego se modifican y los parámetros de éxito en la competencia pasan a ser otros completamente distintos. Y, probablemente igual de significativo, así como la competencia cuando participaban personas era fácil de entender y de replicar, si se estaba dispuesto a invertir, la competencia cuando se trata de la velocidad de reacción de sistemas informáticos no necesariamente es fácil de entender: se compite en entornos absolutamente ajenos a la experiencia humana, en ámbitos electrónicos, cercanos a la velocidad de la luz, donde hasta las millonésimas de segundo son relevantes2 y, por último, 2 Como referencia, un parpadeo normal se produce en unas tres décimas de segundo (300 milisegundos), muchos órdenes de magnitud más lento que la velocidad relevante para los arbitrajes actuales. Son unidades de medida difíciles de “visualizar” para las personas.

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

pero muy importante, los encargados de explotar los arbitrajes ya no son los operadores tradicionales de los mercados, sino técnicos electrónicos, matemáticos, programadores, expertos en comunicaciones y, en general, sabios informáticos capaces de arañar microsegundos a la velocidad de respuesta de sus sistemas y no necesariamente expertos en finanzas, porque las claves son otras. Los HFT son, precisamente, este tipo de organizaciones. Empresas esencialmente tecnológicas, situadas en la frontera del conocimiento, que aplican su superioridad tecnológica para obtener beneficios en los mercados, porque son más rápidos o más listos que los demás. Hay que destacar que, como grupo, los HFT han tenido un éxito enorme desde su aparición en los mercados y representan algo más del 50% del total de transacciones realizadas3. Esto quiere decir que, como media, en cada transacción hay un HFT en uno de los lados. La criticidad de la ultra-velocidad para aprovechar los beneficios del arbitraje entre plataformas ha hecho que los HFT hayan invertido y sigan invirtiendo Millones de Dólares (en plural y con mayúsculas) en arañar microsegundos a sus sistemas y sus procesos. Y explica comportamientos e inversiones que son inexplicables en otros contextos. Uno de estos comportamientos sorprendentes es el de la empresa Spread Networks. En el año 2010, Spread Networks invirtió unos 300 millones de dólares en tender una línea de fibra óptica directa entre el ordenador del mercado de futuros en Chicago y el ordenador de la Bolsa de Nueva York, que está en New Jersey. Esta línea de fibra óptica, tendida siguiendo lo más cerca posible la recta entre Chicago y Nueva York, fue construida de forma secreta, par evitar la competencia; y tenía dos ventajas: reducía el tiempo de un viaje electrónico de ida y vuelta entre Nueva York y Chicago a 12 milisegundos (cuando las redes comerciales tradicionales tardaban unos 17 milisegundos) y, además, lo hacía de forma sistemática, con muy poca variación entre mensaje y mensaje. Esto era una ventaja importante frente a las redes comerciales tradicionales, que tardaban entre 14 y 17 milisegundos, de forma aleatoria, dependiendo de la ruta concreta que le tocara a cada mensaje. Está cerca de lo extraordinario que el ahorro de unos cinco milisegundos (la sexagésima parte de un parpadeo) provoque y justifique no solo 3

Lewis (2015).

JOSÉ J. MASSA

el tendido de una línea de fibra óptica de más de 1.300 km, con su inversión asociada, sino que haya decenas de operadores de Bolsa interesados en usarla, pagando cifras superiores al millón de dólares al mes por hacerlo. La explicación está en el Gráfico 2 anterior: el que llega primero está de facto en la posición del participante H que era el único nexo de unión entre las dos plataformas. Está en situación de monopolio (aunque sea temporal y efímero) y para esa operación concreta puede apropiarse de las rentas extraordinarias generadas por el monopolio. Por otro lado, el tamaño actual de los mercados permite entender que haya muchos inversores dispuestos a arriesgar mucho dinero a cambio de la oportunidad de arbitrar con ventaja en los mercados. Por ejemplo, los futuros e-mini sobre el índice S&P 500, el futuro de referencia para la Bolsa americana, negocian una media diaria de unos 3,2 millones de contratos, por un valor nocional de unos 600.000 millones de dólares cada día. Con estos importes, es fácil intuir que márgenes muy pequeños pueden generar beneficios anuales de cierta consideración. Como referencia, si el margen fuera de un punto básico4 (el 1% de un 1%), el beneficio anual sería de más de 15.000 millones de dólares al año, solo con los futuros del S&P 500. Y una parte muy relevante de este beneficio depende crucialmente de ser el más rápido. No es extraño que el ahorro de cinco milisegundos pueda ser tan valioso. Otro de los efectos de la importancia de la ultra-velocidad en el acceso al libro de órdenes del mercado ha sido la aparición de un nuevo servicio ofrecido por la Bolsas, denominado, en inglés, “co-location”. En la búsqueda de procedimientos para ahorrar microsegundos, los HFT y otros participantes llegaron a una conclusión obvia: si mi ordenador está más cerca, mis órdenes llegarán antes, a igualdad de velocidad en la línea de comunicaciones. Esto tendería a provocar que los participantes interesados en esta clase de actividades buscaran instalar sus centros de cálculo muy cerca del centro de cálculo donde se aloja el libro central de órdenes del mercado. Y, puesto que no es suficiente con estar físicamente cerca, sino que hace falta que la línea de comunicación sea recta y directa, se negocia con los grandes proveedores de líneas (los carriers como Verizon, BT o Telefónica) para que su red permita esa 4 Como referencia, la prima de riesgo de España se sitúa en torno a 67 puntos básicos en el momento de escribir este artículo.

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

conexión directa. De nada sirve estar cerca si luego la señal tiene que viajar kilómetros hasta la central de conmutación y después desandar el camino para regresar al centro de cálculo de la Bolsa. Precisamente, esta clase de consideraciones es la que dio origen al colocation. Lo más cerca que físicamente puede mi ordenador estar del de la Bolsa es literalmente junto a él, en el mismo centro de cálculo y conectado a la misma red de área local. Algunos participantes solicitaron a las Bolsas la posibilidad de instalar sus ordenadores en el mismísimo centro de cálculo de la Bolsa. Y algunas Bolsas –poco a poco, todas– aceptaron esa solicitud, definieron el nuevo servicio de co-location, y empezaron a cobrar por él cantidades relevantes, que compensaron la caída de márgenes provocada por la aparición de plataformas competidoras que quitaban cuota de mercado y ponían presión en las tarifas de las Bolsas. Y, así, con la aparición del co-location, se produce una paradoja. En principio, una de las grandes ventajas de la negociación electrónica es que permite a los participantes escapar de la necesidad de estar físicamente presentes en la Bolsa: gracias a las telecomunicaciones, podrían trabajar cada uno desde su propia oficina. A su vez, las Bolsas ya no necesitarían esos grandes espacios donde se negociaba a viva voz. Y podrían sustituirlos por un relativamente pequeño centro de cálculo con un ordenador. Aún más, el centro de cálculo (la “nueva Bolsa”) no necesitaría estar localizado en pleno centro histórico de la ciudad, como era el caso mientras se negociaba en corros, sino que podría ubicarse en lugares menos emblemáticos (menos costosos, por tanto) que tuvieran buen acceso a redes de comunicaciones. De hecho, este movimiento se ha producido prácticamente en todo el mundo: el ordenador de la Bolsa de Nueva York está en New Jersey y no en Wall Street; y, más cerca, los edificios históricos de la Bolsa de París, la de Milán o la de Bilbao cumplen una función representativa, porque los respectivos centros de cálculo (la verdadera “Bolsa”) están en otros lugares. Sin embargo, los participantes empezaron a demandar co-location y las Bolsas aceptaron la petición. La consecuencia ha sido que las Bolsas han tenido que ampliar el tamaño de sus centros de cálculo, para acomodar los ordenadores de sus participantes que reclamaban ese privilegio. Y los miembros, así, han tenido que volver a instalarse “dentro” de la Bolsa (no las personas, pero sí los ordenadores), pagando cantidades relevantes por esa ubicación. No deja de ser paradójico que un sistema diseñado para eliminar la restricción de la necesidad de presencia física acabe conduciendo a la

JOSÉ J. MASSA

demanda de presencia física y, además, en el mismísimo centro de la Bolsa. Las cosas no han cambiado tanto desde los antiguos corros; la única diferencia es que donde antes había personas cerca unas de otras que podían hablarse entre sí, ahora hay ordenadores tan cerca unos de otros que están físicamente conectados a la misma red local. El aspecto es radicalmente diferente, pero la lógica es la misma: tener la información antes da ventajas y cuanto más cerca, mejor. Como en el s.XIX. El uso de los datos y de la información

En paralelo a la expansión imparable de los mercados electrónicos y la carrera por la velocidad, se está produciendo otro movimiento cuyas consecuencias últimas aún no es seguro que tengamos plenamente identificadas. Más arriba se decía que lo relevante es la estructura de la red, por ejemplo, en los Gráficos 1 o 3. Un participante que conociera con precisión la estructura de la red y, además, fuera capaz de identificar muy deprisa de qué nodo concreto procede una orden, podría utilizar esta información en su propio beneficio, porque podría predecir el impacto que esa orden va a tener y, anticipándose, podría beneficiarse. La tecnología actual de análisis masivo de datos, combinado con técnicas de inteligencia artificial y enorme capacidad de computación, permiten elaborar modelos de comportamiento con una gran capacidad predictiva de los movimientos a cortísimo plazo (fracciones de segundo). Los millones de datos generados diariamente en cualquier mercado financiero mínimamente desarrollado son una base de análisis riquísima para los nuevos profesionales de la investigación de datos. De nuevo, encontramos aquí que las personas haciendo este trabajo no son financieros en el sentido tradicional del término, sino que son expertos en matemáticas avanzadas, programación sofisticada y análisis complejo de datos. Esta corriente de explotación de los datos para generar predicciones de comportamiento a cortísimo plazo se ha dirigido en dos grandes direcciones. Por un lado, se han generado modelos de predicción del impacto de una nueva orden en el mercado (si el modelo es suficientemente bueno, hasta identificando el nodo que la generó) que, al predecir la forma en que van a moverse los precios a través del sistema, permiten anticiparse y realizar beneficios, en principio sin riesgo o con un riesgo mínimo. Este tipo de modelos y comportamientos se describen muy bien –aunque con indi-

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

simulada animosidad– en el libro Flash Boys5. Y, si bien es cierto que algunos comportamientos y actitudes están en la frontera de lo moralmente aceptable, también es verdad que, en general, son comportamientos legales, estrictamente dentro de lo permitido por las normas, y que lo único que están haciendo los nuevos agentes es aprovechar su ventaja tecnológica. De nuevo, nada que no se haya visto antes en los mercados: los participantes invierten para tener ventaja sobre sus competidores. La otra línea de desarrollo tiene que ver no con la forma en que se mueve el precio de un activo dentro de su red, sino con la manera en que los cambios en el precio de ese activo afectan a los precios de otros activos. Las modernas tecnologías de análisis de datos, incluyendo la inteligencia artificial, con su capacidad de identificar patrones ocultos al análisis tradicional, permiten construir modelos de co-comportamiento (correlación, si se prefiere) que, si son precisos, pueden generar un flujo importante de beneficios, mediante la realización de cuasi-arbitrajes. Esta actividad, aunque utiliza herramientas muy similares a la descrita anteriormente, tiene una diferencia sustancial: los inversores que utilizan este tipo de modelos tienen riesgo de mercado, porque toman una posición direccional (aunque solo sea durante décimas de segundo). Si el mercado no se comporta de la forma prevista por el modelo, el participante que se guió por él tendrá una pérdida. Estos participantes, que también son HFT, hacen que las traslaciones de impactos entre mercados sean cada vez más rápidas, porque, no lo olvidemos, el “participante” que decide generar una orden de compra en un mercado al ver que se ha producido una transacción en otro mercado es un ordenador, entrenado y programado para reaccionar de esta manera. La realidad de mercados en los que los agentes son ordenadores “inteligentes” interactuando entre sí a velocidades electrónicas y sin intervención humana, plantea nuevos desafíos en el terreno de la gestión y de la regulación.

Nuevas caras del riesgo sistémico

El riesgo sistémico hace referencia a la amenaza de que un evento aislado acabe generando un efecto cascada que arrastre y perjudique gravemente a otros participantes, absolutamente ajenos al evento inicial. 5

Lewis (2015).

JOSÉ J. MASSA

La estructura de la red condiciona de manera decisiva la forma en que los eventos se propagan y, por tanto, la estructura de la red juega un papel central en la evaluación del riesgo sistémico. No es lo mismo una red muy densa y distribuida que una red con unos pocos nodos centrales: el fallo de un nodo central, si se produjera, puede tener consecuencias muy serias, que serían distintas en una red menos concentrada. La tecnología, a su vez, afecta de manera relevante a los eventos que pueden ser desencadenantes de riesgo sistémico. Puesto que los mercados financieros actuales son ordenadores artificialmente inteligentes interactuando entre sí a través de redes electrónicas, un fallo en la “inteligencia” de un ordenador puede tener consecuencias imprevisibles y, en extremo, dramáticas. La SEC6 americana lo ha expresado con mucha claridad: “La tecnología automatizada aporta beneficios a los inversores, incluyendo mayor velocidad de ejecución y costes más reducidos; pero el trading automatizado también amplifica ciertos riesgos. A medida que los participantes en el mercado confían cada vez más en los ordenadores para tomar sus decisiones de ejecución de órdenes, es esencial que las funciones de gestión de riesgos y de cumplimiento normativo no se queden atrás. En ausencia de controles adecuados, la velocidad con la que los sistemas automatizados introducen órdenes en el mercado puede convertir un error de otro modo manejable en un evento extremo con un impacto potencialmente muy amplio”7

En la parte final del presente artículo se describen dos ejemplos de impactos inesperados provocados por un funcionamiento diferente al previsto por parte de algoritmos automáticos de generación y envío de órdenes al mercado.

El caso de Knight Capital

Knight Capital era una compañía americana de servicios financieros, especializada en el market-making, la ejecución electrónica y el servicio de intermediación para clientes institucionales. En 2012, Knight Capital era el mayor trader en acciones americanas, con una cuota de mercado del 17% tanto en NYSE como en NASDAQ. Su unidad de negociación 6 7

Securities and Exchange Commission. Es el equivalente en USA a la CNMV española. SEC (2013).

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

electrónica negociaba una media de unos 21.000 millones de dólares diarios y procesaba unos 3.000 millones de transacciones cada día. En julio de 2012, los activos líquidos de Knight Capital ascendían a unos 365 millones de dólares, entre caja y activos equivalentes. A mediados de 2012, la Bolsa de Nueva York había anunciado que introduciría un nuevo programa de atracción de clientes minoristas (el Retail Liquidity Program o RLP) con la ayuda de especialistas como Knight Capital. El programa se puso en marcha el 1 de agosto. En preparación de esta novedad, Knight actualizó su sistema automático de alta velocidad, conocido como SMARS, en los días anteriores al citado 1 de agosto. Una de las funciones de SMARS era recibir las órdenes procedentes de los diferentes clientes, internos y externos, atendidos por Knight (“parent orders”) y descomponerlas en muchas órdenes más pequeñas (“child orders”) para que su ejecución tuviera el mínimo impacto en el mercado. Es decir, SMARS recibía órdenes grandes de clientes institucionales y las descomponía en multitud de órdenes más pequeñas que enviaba a las diferentes plataformas de negociación para su ejecución. Cuanto mayor fuera la parent order, tantas más child orders se generarían. La introducción del RLP por parte de la Bolsa de Nueva York hizo necesario que Knight actualizara su sistema de HFT (el SMARS) y así lo hicieron, instalando, entre el 27 y el 31 de julio, el nuevo software en los ocho servidores que utilizaban (es decir, lo probaron en situación real de mercado antes del cambio definitivo). El 1 de agosto, el código informático nuevo estaba exhaustivamente probado y comprobado y se tenía la seguridad de que funcionaba correctamente. Sin embargo, cuando el mercado abrió a las 9:30 de la mañana del 1 de agosto, SMARS empezó a enviar al mercado órdenes sin sentido e inmediatamente se vió que algo estaba funcionando de manera errónea. El sistema de Knight inundó el mercado con órdenes sobre multitud de valores, comprando o vendiendo de forma continua, sin respiro ni lógica y, lo que era realmente grave, generando pérdidas para Knight a una velocidad aproximada de 10 millones de dólares por minuto. Los técnicos de Knight tardaron unos 45 minutos en ser capaces de detener los ocho servidores que estaban generando las órdenes y Knight acabó el día con unas pérdidas de unos 460 millones de dólares. Desafortunadamente, Knight necesitó acudir a ayuda externa para hacer frente al quebranto y acabaron siendo absorbidos por otra empresa, desapareciendo a todos los efectos prácticos.

JOSÉ J. MASSA

¿Cómo es posible que un software exhaustivamente probado y comprobado en situación real de mercado de repente quedara fuera de control y se comportara de forma anómala? La investigación posterior encontró que, en el proceso de instalación manual del nuevo código, el técnico encargado de hacerlo en el servidor número ocho no realizó el cambio de forma correcta. El resultado fue que Knight, inadvertidamente, tenía bien configurados siete de sus servidores, pero el octavo contenía errores. El error era, de modo muy resumido, que no se borró completamente todo el código antiguo antes de instalar el nuevo: las instrucciones que no se borraron decían “sigue enviando child orders hasta que se complete la parent order”. El problema es que sí se borraron las partes del código que informaban de que la parent order se había completado y, por tanto, cada vez que el servidor recibía una orden, empezaba a disparar órdenes al mercado de forma continua y sin freno, sin atender ni a la evolución de los precios ni al volumen total ejecutado. Al ver que algo funcionaba mal, la reacción inmediata de los técnicos de Knight fue suponer que el código nuevo tenía algún error no detectado en las pruebas y lo que hicieron fue bloquear la ejecución del código nuevo. Pero esto no resolvió el problema, obviamente, porque el problema era que se había quedado olvidado un trocito de código antiguo (y, además, a medida que se iban deteniendo los otros servidores, el octavo, cuyo código seguía activo, concentraba las órdenes que se recibían). Cuando por fin consiguieron detener el proceso, ya era tarde para evitar el desastre. Esta experiencia desgraciada es un ejemplo muy vívido de la clase de riesgos y problemas que se plantean cuando los mercados están completamente automatizados y los ordenadores trabajan de manera autónoma sin intervención humana.

El Flash Crash del 6 de mayo de 2010

El 6 de mayo de 2010, cerca de dos años antes de la quiebra de Knight Capital, se produjo otro incidente que estuvo cerca de generar daño sistémico y cuyas causas no están aún plenamente comprendidas. Ese día, entre las 2:32pm y las 2:45pm, las Bolsas americanas tuvieron un desplome casi instantáneo superior al 5% –más de 1.000 puntos de caída en el Dow Jones, la mayor caída en puntos de la historia– para recuperarse después a toda velocidad. Aproximadamente a las 3:00pm,

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

los precios habían vuelto a los niveles que tenían a las 2:30. Pero, en el camino, algunas acciones como Accenture o Exelon cayeron al mínimo permitido de 1 centavo por acción, otras como Apple o HP sobrepasaron los 100.000 dólares y otras más, como Procter & Gamble o 3M, sufrieron caídas de cerca del 40%. Todas ellas volvieron a sus niveles previos al episodio en cuestión de minutos. En ese mismo lapso de tiempo, se realizaron más de 20.000 transacciones sobre valores cuyo precio estaba más del 60% por debajo del nivel de las 2:408. Sobre este incidente, bautizado como el Flash Crash, se han publicado diferentes informes, artículos académicos y opiniones más o menos fundadas. En todos los casos, uno de los elementos centrales del debate ha sido el grado de responsabilidad de los HFT en el suceso. Del mismo modo que en el Crash de 1987 inicialmente se culpó a los futuros, los últimos llegados al mercado y entonces aún poco comprendidos, en el Flash Crash de 2010 la reacción inicial fue mirar hacia los HFT, nuevos y relativamente poco comprendidos. El informe conjunto de la SEC y CFTC señala que el desencadenante del Flash Crash fue una orden de venta de 75.000 futuros sobre el S&P 500 por parte de una gran gestora de fondos de inversión que quería cubrir sus posiciones largas en acciones, ante los riesgos que se percibían en el mercado procedentes de Europa, donde empezaba su propia crisis de deuda soberana (estamos en mitad de 2010, cuando tiene lugar el primer rescate a Grecia y las incertidumbres globales son muy altas). Según este Informe Conjunto9, la orden mencionada generó una cascada de ventas encadenadas que no se detuvo hasta que, en el CME, el mercado de futuros de Chicago, se disparó un stop automático de la negociación, por la rápida variación de los precios. Cuando la negociación de los futuros se reanudó, cinco segundos después10, los precios empezaron a subir a toda velocidad, llegando pocos minutos más tarde a los niveles previos al inicio del Flash Crash. En un artículo académico posterior11, Kirilenko, que era el Chief Economist de la CFTC en el momento del Flash Crash, sostiene que los Kirilenko et al (2015). CFTC-SEC (2010b). 10 El hecho de que tan solo cinco segundos de tiempo de reflexión fuera suficiente para que el mercado recuperase la cordura es una muestra clara de los diferentes parámetros en los que se mueve la negociación automática entre ordenadores artificialmente inteligentes. 11 Kirilenko et al (2017). 8 9

JOSÉ J. MASSA

HFT no tuvieron ningún papel especial durante el episodio y que su comportamiento durante esa media hora fue el mismo que el resto del día y que el día anterior y el siguiente: los HFT hacían compras y ventas muy rápidas para no mantener posiciones direccionales. Ante la llegada de una gran orden que les fuerza a tomar una posición, reaccionan deshaciendo inmediatamente la posición, lo que puede desencadenar un efecto cascada de ventas sucesivas por parte de estos intermediarios, en una especie de juego de pasarse la “patata caliente”, pero, apunta Kirilenko, “el problema está en grandes inversores que quieren realizar operaciones más abultadas de lo que el mercado puede soportar en un momento determinado”12. Sin embargo, el CME no comparte este punto de vista, y lo dejó claro en un comunicado13 en el que señala que “los 75.000 contratos representan tan solo el 1,3% del volumen total negociado en los futuros del S&P 500 el día 6 de mayo. Adicionalmente, la orden de cobertura fue gestionada de forma eficiente”, porque el algoritmo que la controlaba introducía órdenes de pequeño tamaño atendiendo a la situación del mercado en cada momento (cada orden era de un máximo del 9% del volumen negociado en el minuto anterior) y, además, la orden nunca era de vender al precio comprador disponible, sino de colocarse en posición vendedora esperando que fuese el comprador quien atacara la orden. Por último, el CME apuntaba que la cobertura se ejecutó en 20 minutos, con más de la mitad del volumen realizado cuando el mercado ya estaba subiendo; si esta orden fuera la responsable, el mercado no habría subido. Se han publicado algunos análisis adicionales, como los publicados por Nanex14 o Easly et al15 que tienden a abundar en la idea de que el impacto de la orden de venta de los 75.000 futuros no justifica el Flash Crash. Pero si ésta no fue la causa, seguimos sin saber de verdad qué es lo que desencadenó la abrupta caída del mercado. Para complicar más las cosas, en abril de 2015 la policía arrestó a un residente en Londres, acusado de manipular el mercado en los momentos que precedieron al Flash Crash, utilizando un programa automático de generación de órdenes, especialmente diseñado para alimentar con inforIbid. CME (2011). 14 Nanex (2011). 15 Easly et al (2011). 12 13

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

mación falsa a los demás algoritmos que estaban presentes en el mercado, lo que provocó la reacción vendedora en estos autómatas. Recientemente, en enero de 2020, este operador ha sido encontrado culpable, si bien solo ha sido condenado a un año de arresto domiciliario, lo que no parece una pena particularmente dura. Probablemente, la conclusión que puede extraerse de todo ello es que los mercados electrónicos en los que los agentes son programas automáticos que ejecutan algoritmos de optimización se comportan de maneras aún no completamente conocidas o comprendidas. Y las reglas para mercados con autómatas artificialmente inteligentes quizá no pueden ser las mismas que las aplicadas en mercados donde solo actúan humanos. Conclusiones

La decisión de las autoridades de fomentar la competencia entre plataformas de negociación conduce necesariamente a la aparición de especialistas en el arbitraje entre plataformas. En un entorno en que la negociación es electrónica, estos especialistas, los HFT, si quieren sobrevivir, tienen que ser necesariamente empresas extraordinariamente avanzadas en el ámbito tecnológico, tanto de la computación ultra-rápida, como de las telecomunicaciones y la Inteligencia Artificial. La negociación mediante autómatas, aunque sean artificialmente inteligentes, introduce nuevos desafíos para la regulación y las normas de los mercados, porque los robots no se comportan como las personas, lo que puede conducir a situaciones de riesgo sistémico solo porque el algoritmo se comporta de manera inesperada en entornos que para una persona no supondrían ninguna dificultad. La quiebra de Knight Capital por un error técnico no muy grave (aunque sí lo fueron sus implicaciones) y el Flash Crash de mayo de 2010 en las Bolsas de Nueva York son dos buenos ejemplos de las nuevas situaciones que pueden plantear los autómatas en los mercados.

Bibliografía

AIT-SAHALIA, Y. and SAGLAM, M. (2016): High frequency market making, Working paper, Princeton University. BARON, M.; BROGAARD, J.; HAGSTRÖMER, B. and KIRILENKO, A. (2019): “Risk and return in High Frequency Trading”. Journal of Financial and Quantitative Analysis, Vol. 54, issue 3, 993-1024.

JOSÉ J. MASSA

BIAIS, B.; FOUCAULT, T. and MOINAS, S. (2015): “Equilibrium fast trading”. Journal of Financial Economics, 116, 292-313. CARRION, A. (2013): “Very fast money: High-frequency trading on the NASDAQ”. Journal of Financial Markets, 16, 680-711. CFTC-SEC Staff Report (2010a): Preliminary findings regarding the market events of May 6. CFTC-SEC Staff Report (2010b): Findings regarding the market events of May 6. CME (2011): “Statement on the SEC-CFTC Report on the Flash Crash”. http://investor.cmegroup.com/investor-relations/releasedetail.cfm?ReleaseID= 513388 EASLEY, D.; LOPEZ DE PRADO, M.; O’HARA, M. (2011): “The Microstructure of the Flash Crash: Flow Toxicity, Liquidity crashes and the Probability of Informed Trading”. The Journal of Portfolio Management, Vol. 37-2, 118-128. KAWALEK, P.; SALEHNEJAD, R. & BAYAT, A. (2018): “Exponentially available intelligence. AI, data and the dramatic digitalization of traditional industry”. Boletín de Estudios Económicos, 71(219), 527-545. KIRILENKO, A.; KYLE, A.; SAMADI, M. and TUZUN, T. (2015): “The Flash Crash: The Impact of High Frequency Trading on an Electronic Market”. Retrieved at http://ssrn.com/abstract=1686004. KUMMER, S. & PAULETTO, C. (2012): “The History of Derivatives: A Few Milestones”. EFTA Seminar on Regulation of Derivatives Markets, (May). Retrieved from https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwjt3PWvrvPaAhXIuhQKHWi oDQQQFgg1MAE&url=https%3A%2F%2Fwww.seco.admin.ch%2Fdam%2Fs eco%2Fde%2Fdokumente%2FAussenwirtschaft%2FWirtschaftsbeziehungen% 2FHandel%2520mit%2520 LAM, J. (2006): “Managing Risk Across the Enterprise: Challenges and Benefits”. In M. Ong (Ed.), Risk Management. A modern perspective. Elsevier. LEWIS, M. (2015): Flash Boys. A Wall Street Revolt. W.W. Norton & Company, Inc., New York, 2015. LÓPEZ IGLESIAS, J.L.; MONJAS, M. (2018): “La racionalidad en los mercados financieros: un recorrido histórico”. Boletín de Estudios Económicos, 73(223), 57-75. MALCENIECE, L.; MALCENIEKS, K. and PUTNINS, T. (2019): “High Frequency Trading and comovement in financial markets”. Journal of Financial Economics, Vol. 134, issue 2, 381-399. MASSA, J. J. & JIMÉNEZ, A. (2018): “Las Cámaras de Contrapartida Central (CCPs): una “nueva” pieza en los mercados financieros”. Boletín de Estudios Económicos, 73(223), 33–55. MENKVELD, A. (2013): “High frequency trading and the new market makers”. Journal of Financial Markets 16, 712-740 NANEX (2011): “Criticism of the CFTC Report on the Flash Crash”. Retrieved from http://www.nanex.net/FlashCrashFinal/FlashCrashAnalysis_WR_Update.html.

MERCADOS FINANCIEROS DEL S.XXI: ORDENADORES ARTIFICIALMENTE INTELIGENTES...

PIRRONG, C. (2010): Mutualization of Default Risk, Fungibility, and Moral Hazard: The Economics of Default Risk Sharing in Cleared and Bilateral Markets. RAYÓN, A. (2016): “El paradigma del Big Data y su aportación a la gestión y estrategia empresarial”. Boletín de Estudios Económicos, 71(219), 507-526. SEC (2013): “Release 70694”. https://www.sec.gov/litigation/admin/2013/3470694.pdf SHEFRIN, H. (2006): “The Role of Behavioral Finance in Risk Management”. In Michael Ong (Ed.), Risk Management. A modern perspective. Elsevier. TIROLE, J. (2010): “Illiquidity and all its friends”. In BIS 8th Annual Conference on Financial Systems and Macroeconomic Resilience: Revisited. Retrieved from https://www.bis.org/publ/work303.htm

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 27-52)

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO BLOCKCHAIN: A TRANSFORMATIONAL TOOL FOR THE FINANCIAL SECTOR Carlos Fernández Herraiz Grant Thornton RESUMEN

Blockchain tiene su origen en bitcoin, el primer activo criptográfico. Sin embargo, desde ese modelo primitivo de transmisión de activos digitales, la tecnología ha evolucionado de forma muy notable. Hoy, la discusión sobre la aplicación de blockchain en el sector financiero no se centra tanto en la definición de los casos de uso, como en la gobernanza de los consorcios, la decisión sobre el protocolo a aplicar o la capacidad de estandarización de los procesos, entre otros aspectos. La tecnología no está madura, aunque finalmente proyectos que han estado sometidos a largos períodos de gestación empiezan a entrar en fase de producción. Palabras clave: Tecnologías de registro distribuido, cadena de bloques, tokenización, monedas digitales de bancos centrales, monedas estables. SUMMARY

Blockchain has its origin in bitcoin, the first cryptographic asset. However, since that early model of digital asset transfer, the technology has evolved quite significantly. Today, the discussion on the application of blockchain in the financial sector is not so much focused on the definition of use cases, but on the governance of consortia, the decision on the protocol to be applied or the capacity to standardize processes, among other aspects. The technology is not mature, although finally projects that have been subject to long incubation periods are beginning to enter the production phase. Key words: Distributed ledger technologies, blockchain, tokenization, central bank digital currencies, stablecoins.

1. Introducción

Los últimos años han representado un período de transformación para el sector financiero. La prestación de servicios tradicionales se ha visto alterada por varios factores, entre ellos el impacto del desarrollo y la convergencia de diversas tecnologías. Hoy no es posible entender los desafíos y oportunidades que afronta el sector sin considerar el papel de

CARLOS FERNÁNDEZ HERRAIZ

los teléfonos inteligentes y las aplicaciones móviles, las redes sociales, el almacenamiento y computación en la nube, el tratamiento masivo de datos y su análisis por medio de analítica avanzada, el uso de modelos específicos para el procesamiento de lenguaje natural o las imágenes, los interfaces entre aplicaciones y un largo etcétera, que podría incluir, aunque con matices, las tecnologías de registro distribuido o blockchain1. Pero no puede entenderse el origen de blockchain sin recordar también el nacimiento de bitcoin en medio de la última Gran Crisis de 2008. Una crisis que ha llevado a la aplicación generalizada de programas de política monetaria muy expansiva incluyendo medidas no ortodoxas y a un aumento significativo de la carga regulatoria y la supervisión del sector, especialmente en el caso de las entidades de crédito. Bitcoin, el primer criptoactivo de la historia, se plantea como un modelo de efectivo digital descentralizado, y como tal ofrece la posibilidad de prescindir del uso de terceros de confianza, es decir, de los actores tradicionales vinculados a los servicios de pago (Nakamoto, 2008), y también del monopolio de emisión de los bancos centrales. De hecho, en su forma original, la de las redes que conocemos como redes blockchain públicas o abiertas como Bitcoin, la transmisión se consigue sin necesidad de las funciones tradicionales de los intermediarios del sector financiero. Así nació blockchain2, como la “cadena de bloques” que suponía la columna vertebral de la red de Bitcoin. Por tanto, no es casualidad que el primer bloque de transacciones de bitcoin, generado en enero del año 2009, en medio de la crisis, llevase inscrito el siguiente comentario: “The Times 03/Jan/2009 Chancellor on brink of second bailout for banks”3. Así, sus promotores explicitan su descontento con el modelo de sistema financiero existente. Con estos precedentes, resulta paradójico que haya sido el propio sector financiero el más activo en la investigación de potenciales aplicacio1 Hablaremos indistintamente de blockchain o tecnologías de registro distribuido (DLTs), aunque en el epígrafe 2 se matiza el alcance de ambos términos. 2 En Nakamoto(2008) no aparece la palabra “blockchain” en ninguna parte del documento, sino que el encadenamiento de transacciones en bloques se explica, sin darle mayor importancia que a otros aspectos de la solución, como “chain of blocks”. 3 Traducido libremente por el autor, “The Times, 3 de enero de 2009, El canciller al borde de un segundo rescate a los bancos”. Esta frase está extraída de un titular de la portada del periódico británico “The Times” de la misma fecha.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 29

nes y casos de uso de la tecnología, y el sector que todavía lleva el peso de la investigación en la materia PwC (2018), Rauchs et al. (2019). Sin embargo, once años después, blockchain sigue siendo más una promesa que una realidad tangible. La mayor parte de las instituciones financieras se encuentran en diferentes estadios de investigación sobre la tecnología, pero pocas cuentan con proyectos en fase de producción, en entornos regulados y compatibles con sus exigencias de cumplimiento normativo. La carga de la innovación, pero también los excesos, se concentra en buena medida del ecosistema menos regulado: el mundo de las criptodivisas, las emisiones de tokens o, más recientemente, el movimiento de las finanzas descentralizadas (DeFi)4. La tecnología permite la creación de nuevos tipos de activos o de objetos digitales transferibles sin el control de terceros; admite la posibilidad de que esa transmisión se produzca sin esfuerzo aparente entre jurisdicciones distintas, incluso lejanas; por no hablar de aquellos protocolos que permiten un grado de privacidad que dificulta o impide literalmente la identificación de los usuarios5. Pero todo ello es difícilmente compatible con la regulación actual, por lo que se requieren adaptaciones significativas y con alcance global para la aplicación de una buena parte de los casos de uso más ambiciosos. Aun así, la actividad regulatoria está siendo intensa (Blandin et al., 2019 y American Bar Association, 2019). En ese marco, la reducción en los tipos de interés, el mayor impacto del coste de la regulación y los nuevos competidores no han hecho más que producir revisiones continuas a la baja de la rentabilidad, hasta el punto de que el 60% de los bancos ofrecen rentabilidades por debajo de su coste de capital (McKinsey &Co, 2019). 4 De Fi es el acrónimo de Decentralized Finance. Los proyectos DeFi hoy en día hacen fundamentalmente dos cosas. Responder a la demanda de exchanges de criptodivisas descentralizados, y ofrecer préstamos sobre criptodivisas. 5 Este problema está directamente relacionado con la función pública de supervisión y control de los flujos monetarios y de activos financieros, con objeto de mitigar el impacto del lavado de dinero, las actividades criminales internacionales, etc… El control efectivo sobre dicha actividad ha ido recayendo progresivamente en los intermediarios financieros, que deben aplicar estándares de diligencia debida a las políticas antiblanqueo de capitales (AML) y financiación del terrorismo, y políticas de conoce a tu cliente (KYC), entre otras. Un entorno en el que los particulares no requieren el concurso de intermediarios para ejecutar sus operaciones financieras en cualquier lugar del globo dificulta enormemente el adecuado control y la supervisión de las actividades delictivas o el cumplimiento de sanciones.

CARLOS FERNÁNDEZ HERRAIZ

Incluso en algunos casos, como la aprobación de la normativa de open banking en Reino Unido o PSD2 en la Unión Europea, parece que los propios reguladores tienen el objetivo claro de fomentar la competencia y la fragmentación de la cadena de valor en la prestación de los servicios financieros. Dicha fragmentación favorece a los nuevos competidores especializados, las “Fintech” pero también abre la puerta a que las grandes compañías tecnológicas, “Bigtech”, desarrollen áreas de prestación de servicios financieros. Esas mismas compañías se ven empoderadas a través del uso de las tecnologías convergentes, pudiendo reducir significativamente las barreras a la entrada en la prestación de servicios financieros. Este entorno puede incidir en el modelo de competencia existente (Fraile et al, 2018), la estabilidad del sistema financiero, o en el propio enfoque de la regulación y la expectativa supervisora (Restoy, 2019). La tecnología blockchain no hace más que añadir grados de complejidad al sistema, siendo a la vez fuente de oportunidades y desafíos para el sector. El apartado dos permitirá profundizar en la definición, el origen y la evolución del concepto de blockchain y los principales hitos en el desarrollo de la tecnología. Posteriormente, en el epígrafe tres se intentará analizar la influencia que esta tecnología está teniendo en el sector financiero. Así, se profundizará en casos de uso muy diferentes pero de gran calado, como las monedas digitales emitidas por bancos centrales o emisores privados; la tokenización de activos; la creación de consorcios para construir soluciones de mejora de eficiencia en procesos de middle o back office, automatización de la prestación de servicios, etc... Finalmente, el apartado cuatro recoge las principales conclusiones del trabajo.

2. Background

En general, podemos decir que una blockchain es un método innovador para la actualización y el almacenamiento de datos. Los participantes pueden proponer, validar y actualizar la información de un registro sincronizado que está distribuido entre ellos. La red es capaz de ofrecer un registro razonablemente inmutable de la información añadida, que además se preserva durante la vida de dicho registro. Además, los componentes de la red pueden iniciar transacciones

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 31

entre ellos, sin recurrir a un organismo o entidad que los coordine explícitamente, funcionando como un entorno desintermediado sin ningún punto de control centralizado. Esta tecnología ofrece una nueva forma de gestionar y compartir información capaz de ofrecer ganancias en la eficiencia, la confianza o la reconciliación de información para los participantes. Sin embargo, su implementación requiere una aproximación realista a decisiones que impliquen elegir entre la escalabilidad o la seguridad, la flexibilidad frente a la simplicidad, etc… Por tanto, el caso de uso y la forma de aprovechamiento de la capa de blockchain deben ayudar a decidir el protocolo a utilizar. Algunos autores hablan de tecnologías de registro distribuido (DLTs), como un ámbito más general dentro del que se encuadran las tecnologías blockchain. Sin embargo, desde un punto de vista cronológico, es importante recordar que su origen es la red de Bitcoin, que agrupa las transacciones en bloques. No existía blockchain6 antes de Bitcoin, y no existía el concepto de DLT antes de la aparición de blockchain. Al mismo tiempo, en favor de los que prefieren la expresión más general, es cierto que el gran esfuerzo de desarrollo ha evolucionado la tecnología, generando protocolos muy diferentes. Existen implementaciones que no cuentan con criptodivisa nativa, o donde las transacciones no se agrupan en bloques, por ejemplo. Podemos aproximarnos a la visión de blockchain desde un enfoque puramente tecnológico, desde una aproximación legal, o a través de una visión económica, entre otras. Desde un punto de vista tecnológico, una blockchain podría considerarse como un conjunto de computadores (nodos) conectados a una red específica que utiliza un mismo protocolo de comunicación de tal forma que dichos nodos pueden validar y almacenar copias de la misma información. Desde un punto de vista legal, podría decirse que blockchain es un mecanismo que permite la validación de transacciones y garantiza la seguridad en las transacciones sin intermediarios. Una aproximación económica de blockchain podría indicar que se trata de una capa de confianza basada en la tecnología para el intercambio de valor entre pares. 6 O al menos no de forma explícita, aunque Haber y Stornetta (1991) podrían reclamar la creación de la primera blockchain.

CARLOS FERNÁNDEZ HERRAIZ

Cualquiera de las definiciones anteriores será parcial y no podrá recoger la riqueza de lo que las tecnologías blockchain representan en la actualidad. Sin embargo, pueden establecerse algunas características comunes a casi todos los modelos de blockchain: • Muchos participantes tienen acceso a una copia del registro y pueden leerlo y acceder a los datos. • Pueden actualizar el registro, de acuerdo con unos procesos y controles acordados. • Se utiliza la criptografía para identificar y aprobar a los participantes involucrados, la confirmación de los registros y facilitar el consenso. • Es posible programar o automatizar la ejecución de los procesos (HM Treasury, FCA y BoE, 2018). Como se ha comentado previamente, la red de Bitcoin es el origen de la tecnología. El white paper de bitcoin (Nakamoto, 2008) fue subido a una lista de distribución pública en internet en el año 2008. Además, el propio Nakamoto junto con Hal Finney, un reconocido criptógrafo e investigador, llevaron a cabo la puesta en marcha y primeras transacciones de la red de Bitcoin a principios de 2009. De hecho, la aparición de bitcoin y el white paper de Nakamoto7 representan la culminación de más de 25 años de investigación en la criptografía asociada a la anonimización de los pagos y su distanciamiento del sistema financiero. Podemos citar, sin ser rigurosos, las aportaciones de David Chaum, Adam Back, Nick Zsabo, Wei Dai o Hal Finney. Una introducción a su influencia en la génesis de bitcoin puede consultarse en Pak Nian y Kuo Chuen (2015) o en Kravchenko et al. (2018). Antonopoulos (2017), sigue siendo una referencia obligada para profundizar en la tecnología y el funcionamiento del primer criptoactivo y, por supuesto, de la primera cadena de bloques. Bitcoin admitía la transmisión de activos digitales nativos a la red, los propios bitcoins, un tipo de activos digitales todavía primitivos. Así, en cuanto se pretendía intercambiar o custodiar otro activo digital existían dos opciones. Por un lado, crear otra red modificando el código de bitcoin. Así surgieron las conocidas “alt-coins”. Por otro lado, incorporar metadatos a las transacciones para destacarlas –“colorearlas”– y así refe7

A fecha de hoy, no se conoce la identidad de la persona o personas detrás de ese pseudónimo.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 33

renciar activos del mundo real u otros bienes y derechos inventados a la propia cadena de bloques de bitcoin. La primera solución no permitía aprovecharse de las economías de escala de la blockchain de bitcoin y la segunda forzaba las capacidades del protocolo. Ripple Labs se convierte en un pionero al implementar la primera versión de su protocolo de pagos internacionales a finales del 2012, iniciando un camino de colaboración con el sector financiero. Sin embargo, entre 2013 y 2014, Vitalik Buterin (Buterin, 2014) desarrolló una idea que se convirtió en un punto de inflexión para esta tecnología. Su planteamiento fue la creación de una red de blockchain, basada en el planteamiento de Bitcoin, pero capaz de realizar todo tipo de operaciones, como un computador, y no solamente operaciones básicas como las requeridas para mover los bitcoins entre los distintos monederos electrónicos. Así nació Ethereum, con la promesa de crear nuevos activos digitales residentes en su propia red. Ethereum supone un cambio cualitativo en la concepción de blockchain. De repente, sobre el protocolo podemos ejecutar “smart contracts” (Davis, 2014) es decir, piezas de código que se propagan en todos los nodos. Piezas de código que se ejecutan como transacciones dentro de la red, básicamente para alterar balances o las condiciones de esos nuevos activos digitales que definimos sobre la red de la criptodivisa nativa. En 2014 se funda la compañía R3, que consigue rápidamente crear un consorcio alrededor de su investigación de las aplicaciones de blockchain al sector financiero, y desarrolla con el tiempo su propio proyecto de tecnología registro distribuido denominado Corda (Brown, 2018). Entre 2015 y 2016 empieza a acelerarse el análisis de las aplicaciones empresariales de blockchain en varios sectores. Además, se hace patente que la investigación en modelos de redes no abiertas debe llevarse a cabo preferiblemente por medio de consorcios de actores que puedan explorar casos de uso de interés común. Es en este período cuando surge la iniciativa Hyperledger, promovida por la fundación Lynux. Hyperledger es un contenedor de protocolos y plataformas blockchain de código abierto, al que desde 2016 han contribuido varios proveedores de tecnología, incluyendo de forma destacada a IBM. Rápidamente se generan en el ecosistema otros proyectos consorciados alrededor del protocolo Ethereum, naciendo la Enterprise Ethereum Alliance con objeto de fomentar las implementaciones privadas o permisionadas basadas en esa tecnología.

CARLOS FERNÁNDEZ HERRAIZ

En 2017 se produce el momento de máxima exuberancia alrededor de la tecnología, con la emisión de multitud de tokens vinculados a proyectos no regulados (ICOs), que en la mayor parte de los casos no tenían un fundamento de negocio sólido. Los últimos años han servido para hacer madurar los proyectos consorciados en el sector financiero, con debates de gran calado sobre la verdadera aplicabilidad de la tecnología en algunos de los casos de uso que se habían propuesto inicialmente. Así, desde 2018 el progreso de la implementación de los casos de uso en redes cerradas o permisionadas ha seguido su curso, con una preferencia general de los consorcios por Hyperledger Fabric, Enterprise Ethereum, en sus distintas variantes, y Corda de R3 (Zang, 2019). En paralelo se ha producido la explosión de la investigación en los modelos de pagos basados en blockchain, el papel de las divisas digitales emitidas por los bancos centrales (CBDCs) y las “stable coins”, emisiones privadas de medios de pago basadas en tokens que se ajustan al valor de una moneda de curso legal. 3. El papel de blockchain en la transformación del sector financiero

En contra de lo que puede parecer, la aplicación empresarial de la tecnología está empezando a desplazarse desde una fase de expectativas muy distorsionadas, pruebas de concepto y anuncios continuados en los medios de comunicación (2016, 2017 y 2018), hacia redes y proyectos que lentamente inician su puesta en producción. En su actualización del estudio sobre la adopción de la tecnología a nivel corporativo, el Centro para las Finanzas Alternativas de Cambridge destaca que “aunque es prácticamente imposible seguir todos los desarrollos en producción a nivel global, estimamos que existen cientos de redes blockchain en funcionamiento que se están utilizando en entornos de producción a lo largo de una variedad de sectores e industrias. … la mayoría de las redes blockchain que seguimos han entrado en producción a lo largo del 2018 y principios de 2019”8. 8 Traducción del autor, la referencia procede de la página 30, párrafo 2 de Rauchs et al (2019). Los autores han monitorizado 67 proyectos que han entrado en producción a nivel global en diversas industrias.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 35

Aún es pronto para medir la tracción económica de los proyectos en producción, especialmente en el caso del sector financiero. Pero, en cualquier caso, el estudio de Rauchs et al (2019) demuestra la dominancia del sector financiero en las redes que monitorizan, alcanzando un 47% del total. El seguimiento de estos proyectos muestra cómo los casos de uso que requieren una mayor regulación o asociados a redes más complejas ya en funcionamiento han llegado a necesitar más de cuatro años y medio desde su fase de exploración inicial hasta la puesta en producción. Posiblemente, este hecho se puede achacar a factores como la dificultad de hacer compatibles los activos digitales con la regulación, o los retos de establecer consorcios a la hora de abordar proyectos sectoriales. Pero también a la competencia de otras tecnologías que pueden resolver necesidades que se han agudizado y puesto de manifiesto a raíz de la aparición de los activos digitales. Al mismo tiempo, las promesas que ofrece la tecnología y la propia riqueza de implementaciones, muchas de ellas procedentes del universo no regulado, continúan fomentando la investigación sobre aplicaciones en el sector. Y es que más de diez años después de la irrupción de bitcoin, el caso de uso más relevante de aplicación de esta tecnología es y sigue siendo la creación y transferencia segura de activos digitales de una forma simple y elegante que no necesita de reconciliaciones o procesos de back office (Sehra et al, 2018). Lo que ha cambiado es nuestra visión sobre lo que es un activo digital, que llevado a mayores niveles de abstracción incluye, por ejemplo, las identidades digitales con atributos descentralizados. Así, el debate sobre la generalización del efectivo digital ha derivado en un debate sobre las funciones y la forma del dinero (Bech y Garatt, 2017). Al mismo tiempo, la continua referencia a las posibilidades de las criptodivisas en los pagos internacionales ha puesto el acento sobre el funcionamiento y la problemática de los esquemas existentes (Bank of Canada et al., 2018). No podemos descartar que el esfuerzo por abordar sistemas de pago más eficientes dentro de los esquemas actuales de redes interbancarias, como las iniciativas de Swift GPI o SEPA Instant Payment, no sean una reacción desde dentro del sistema ante la presión de las nuevas soluciones de las tecnologías de registro distribuido. Se ha especulado también sobre en qué medida, el mundo fintech en general y la tecnología blockchain, en particular, hacen a los bancos

CARLOS FERNÁNDEZ HERRAIZ

menos “especiales” (Schich, 2019) y, por tanto, hasta qué punto deben protegerse las funciones de transformación de riesgo, plazo o liquidez. También se ha avivado el debate sobre la separación de la función de pagos y la función de crédito, y la aplicación del modelo de “narrow banking9” en el ámbito de la emisión de dinero digital por parte de los bancos centrales (Dyson y Hodgson , 2016). O cómo mitigar el impacto de un modelo de dinero que derive en una situación de narrow banking a través de modelos híbridos de emisión (Adrian y Mancini, 2019). Otra área en la que se ha avanzado, en parte a raíz de la burbuja especulativa de las ICOs en 2017, es en el análisis de las implicaciones de la emisión de todo tipo de activos digitales sobre las redes blockchain. Y este análisis y la experimentación alrededor de los modelos de tokens ha derivado, a su vez, en un debate más general sobre qué es lo que consideramos un activo financiero. Así, los reguladores han iniciado una carrera para categorizar los activos digitales, desarrollando taxonomías que podremos discutir cuando hablemos del llamado “problema de producto” en la representación de derechos sobre un protocolo blockchain. El análisis de las posibles aplicaciones más generales de blockchain al sector financiero ha fomentado la creación de consorcios y agrupaciones de instituciones. Dichos consorcios deben trabajar necesariamente en la estandarización de procesos, en la gobernanza de sus actividades y en la fijación de objetivos comunes y responsabilidades sobre el desarrollo y mantenimiento de la red. Así, la coordinación derivada de la experimentación en determinados casos de uso está permitiendo, en ocasiones, mejorar la eficiencia y estandarización y la revisión de los “puntos de dolor” incluso sin que finalmente se adopte una solución basada en blockchain. La propia industria financiera se ha acercado al ecosistema de múltiples formas. En primer lugar, los inversores más sofisticados, como los hedge funds, han comenzado a invertir en criptoactivos. PwC y Elwood (2019) monitoriza más de 100 hedge funds que invierten con foco en el universo de los criptoactivos. El mercado institucional es todavía pequeño, puesto que los activos bajo gestión de los crypto hedge funds, de 9 El “narrow banking” es un modelo de banca en el que la emisión de dinero bancario se limita en extremo o se hace imposible. En ese sentido, los bancos se financiarían de la misma forma que cualquier otra empresa, estando imposibilitados para crear sus propios pasivos al originar un nuevo activo.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 37

nuevo según PwC y Elwood (2019) están alrededor de los 1,000 millones de dólares. Este análisis no cubre fondos con una estrategia de venture capital o los brazos de inversión de algunas compañías del sector, que sin embargo cuenta con ejemplos siginficativos como A16Z Crypto, Union Square Ventures, Coinbase Ventures, Consensys Ventures o Drapper Associates, entre otros muchos. Por otro lado, los proveedores de servicios más relevantes en el mundo cripto, los “exchanges” y los “exchangers”10 de mayor prestigio, están pasando progresivamente a solicitar licencias y establecerse dentro del marco de la regulación aplicable en materia de servicios financieros. En particular son notables los avances en ese sentido de algunos de los grandes exchanges como Coinbase, por ejemplo. También los reguladores están dando pasos hacia la incorporación de servicios a usuarios de criptoactivos desde los intermediarios financieros tradicionales. Como anécdota, cabe destacar el reciente cambio de la legislación alemana que reconoce la custodia de criptoactivos como un servicio financiero.

3.1. EL dinero digital: De las criptodivisas a las “stable coins” y las CBDC11

El primer caso de uso de la cadena de bloques es el del efectivo digital descentralizado, el objetivo inicial de la red de Bitcoin, la primera criptodivisa. Por tanto, no es extraño que la posibilidad de emitir pagos, instrumentos o medios de pago o incluso moneda de curso legal sobre un protocolo blockchain sean problemáticas a analizar dentro del sector financiero. En su origen, bitcoin y otras criptodivisas posteriores llamadas “altcoins”, surgen como una alternativa a los medios de pago convencionales, pero también con el objetivo de ser unidades de cuenta y depósitos de valor no respaldados por autoridades centrales. En concreto, bitcoin

10 Los “exchanges” funcionan como “bolsas” donde es posible interactuar con otros agentes para comprar y vender criptoactivos utilizando otros criptoactivos o monedas de curso legal. Los “exchangers” son figuras de casa de cambio, que ofrecen la compra o venta de criptoactivos, especialmente las criptodivisas más líquidas, normalmente contra dinero de curso legal. 11 CBDC es el acrónimo de Central Bank Digital Currencies o Monedas Digitales de Banco Central.

CARLOS FERNÁNDEZ HERRAIZ

sigue un modelo de emisión descentralizado y limitado, que retribuye a los agentes validadores de transacciones. La emisión limitada a casi 21 millones de bitcoins en el propio protocolo convierte a este activo en potencialmente deflacionario o, dicho de forma más precisa, fomenta sus propiedades de escasez. Así, debido a sus características intrínsecas, bitcoin ha dejado de ser pronto una preocupación para los bancos centrales, puesto que la elevada volatilidad vinculada a su falta de regulación y respaldo oficial dificulta su uso como medio de pago de referencia o unidad de cuenta. De hecho, la creciente comunidad de inversores institucionales que se focalizan en el universo de los criptoactivos consideran a bitcoin como la primera “commodity digital” (Hougan, Kim y Lerner, 2019). Durante los últimos años, los bancos centrales y algunos organismos supranacionales han comenzado a reflexionar sobre las implicaciones de la creación de dinero de curso legal en formato digital, y la propia solución de la tecnología blockchain como una opción para abordar ese reto (Committee on Payments and Market Infrastructures, 2015). Así, se han llevado a cabo distintos experimentos, entre ellos el proyecto Jasper del Banco de Canadá (Chapman et al., 2017), el proyecto Stella entre el BCE y el Banco de Japón (ECB y BoJ, 2019) o el proyecto Ubin (Monetary Authority of Singapore, 2019), entre otros. La emisión de una moneda digital de uso generalizado por parte de los bancos centrales se fundamenta de manera distinta dependiendo de las realidades de las distintas jurisdicciones. Por ejemplo, en las economías emergentes, el importante papel que puede jugar una CBDC de propósito general para ampliar el universo de medios de pago y fomentar la inclusión financiera es un elemento clave (CBDC WG, 2019), en el marco más general de refuerzo de los modelos de inclusión financiera digital (Fernández, 2018). En el otro extremo algunos países desarrollados se plantean la sustitución del efectivo por efectivo digital debido a la disminución progresiva en su uso (Sveriges Risbank, 2018), aunque no es algo tan generalizado como pudiera parecer a primera vista. En un paper de gran relevancia para el desarrollo del debate posterior, Bech y Garatt (2017) exploran la taxonomía del dinero en sus distintas formas, ofreciendo una visión de la “flor del dinero” e incluyendo entre sus manifestaciones dos modelos básicos de divisas digitales emitidas por bancos centrales. Aquellas con un horizonte limitado a los pagos mayoristas, o “whosale” CBDCs y aquellas con un enfoque general que

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 39

podrían incluir a todo tipo de agentes en la economía, las “retail” o “general purpose” CBDCs. En cualquier caso, como ya indicaba Bjerg (2017) el banco central debe enfrentarse a un trilema si decide introducir un nuevo tipo de dinero en la economía, que podría llevar a un posible trade off entre libre convertibilidad, paridad y soberanía monetaria. El análisis de Bjerg puede ser releído también en clave de la competencia de un nuevo tipo de dinero privado como la propuesta de las “stable coins”. El Banco Internacional de Pagos ha liderado la publicación de análisis y encuestas a los propios bancos centrales en relación con la experimentación sobre las tecnologías de registro distribuido y, en particular, su aplicación a monedas digitales emitidas por el banco central. Barontini y Holden (2019), analizaron los progresos de 63 bancos centrales en dichas investigaciones. Se destacaba la diferencia entre la posición de los bancos de las economías avanzadas y aquellos pertenecientes a economías emergentes. En el primer caso, la emisión de monedas digitales de propósito general se veía como una posible forma de mejorar la seguridad en los pagos y favorecer la estabilidad financiera. Por el contrario, los bancos centrales de las economías emergentes destacaban la eficiencia en los pagos domésticos y la capacidad de inclusión financiera, como ya se ha comentado. Los bancos se encontraban sobre todo analizando las implicaciones de la tecnología y realizando algunas pruebas de concepto y pilotos. Así, los autores titularon su estudio como “procediendo con cautela12”. Sin embargo, sólo un año después, la actualización de la encuesta (Boar et al, 2020) cambia el tono del título a “llegada inminente”13, una demostración de la aceleración del proceso de reconocimiento e interés por el planteamiento de las CBDC. Así, en la versión actualizada, en torno a un 10% de los bancos encuestados (66) se plantean emitir CBDCs de propósito general, es decir, con alcance al público retail, en un período corto de tiempo14. Además, dichos bancos “representan” aproximadamente a una quinta parte de la población mundial y se encuentran, en todos los casos, en países emergentes. La encuesta no da pistas sobre planes a corto plazo para los bancos de países desarrollados, ni parece haber interés por las CBDC mayorisTraducido libremente por los autores del original “proceeding with caution”. Traducido libremente por los autores del original “impending arrival”. 14 Entre 1 y 3 años según la definición de la encuesta. 12 13

CARLOS FERNÁNDEZ HERRAIZ

tas, donde los pilotos llevados a cabo por varios bancos centrales han obtenido conclusiones que muestran importantes desafíos para la implantación de la tecnología. Los bancos centrales han acelerado el paso en su investigación sobre la posible adopción de monedas digitales debido a la aparición de las llamadas “stable coins” y, en particular, debido a la propuesta de Libra. Las stable coins son tokens o criptomonedas que mantienen un valor estable contra una divisa de curso legal. Este tipo de tokens pueden clasificarse en función del origen de su comportamiento estable (Bullmann et al., 2019). Podemos encontrarnos con stable coins respaldadas por dinero en cuenta, que podemos denominar fondos tokenizados. También podrían respaldarse con activos tradicionales, stable coins colateralizadas por activos fuera de la cadena. En tercer lugar, el origen de la estabilidad de la stable coin puede proceder de la garantía de otros criptoactivos, es decir, stable coins colateralizadas con activos dentro de la cadena. Finalmente, la estabilidad de los tokens podría proceder de algún mecanismo de trading o de relación entre las expectativas de los usuarios y el poder adquisitivo futuro de la stable coin, y que podríamos llamar stable coins algorítmicas15. Así, los ejemplos más conocidos de stable coins son Tether, un modelo de fondos tokenizados, y Dai, una stablecoin colateralizada por ether (onchain), y que forma parte del ecosistema de MakerDAO, una de las iniciativas impulsoras de los modelos de finanzas descentralizadas (De Fi). Por su parte, el proyecto Libra consiste en un modelo de moneda estable propuesto por un conjunto de instituciones lideradas por Facebook, cuyos objetivos, según el propio whitepaper (Libra, 2019) serían los de aumentar la inclusión financiera y automatizar los procesos de pagos y cobros, haciéndolos más eficientes y sencillos para los usuarios finales. Un movimiento de este tipo realizado por un consorcio liderado por Facebook, que acumula más de 2,000 millones de usuarios mensuales de sus principales productos (Facebook, whatsapp, Instagram) es, desde luego, una posible amenaza a la estabilidad financiera y a la soberanía monetaria de muchos estados, y así se está planteando por parte de los bancos centrales. De ahí que las reacciones, en general, estén siendo agresivas por parte de reguladores y supervisores (G7 Working Group on Stable Coins, 2019). 15 Las stablecoins algorítmicas están hoy todavía muy poco desarrolladas y no representan prácticamente en valoración más que una parte marginal del universo de monedas estables.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 41

Libra no está activa, sino en proceso de desarrollo y en la búsqueda de los encajes regulatorios necesarios para su puesta en marcha. Sin embargo, al menos en la Unión Europea, libra podría ser perfectamente dinero electrónico emitido por una o varias compañías con la autorización adecuada: licencia de entidades de dinero electrónico. Lo único necesario para dar ese paso sería que el consorcio que promueve el desarrollo de esta criptodivisa estable tuviese en cuenta que la normativa de dinero electrónico exige que ese dinero sea redimible a la par en la moneda de curso legal (en nuestro caso el euro). Sin embargo, el objetivo inicial del consorcio libra, según se indica en el whitepaper, sería el de que el valor de la moneda estuviera respaldado por una cesta de monedas de curso legal, de una forma que recuerda a los derechos especiales de giro del Fondo Monetario Internacional, y también al bancor de Keynes. En ese formato de implementación, no parece que la regulación actual en la Unión Europea admita fácilmente a libra como dinero electrónico.

3.2. La tokenización de activos: El problema de producto y el problema de mercado

Otro de los casos de uso que se ha explorado notablemente es el de la creación de activos transmisibles digitalmente que puedan tener una conexión o respaldo con activos o derechos del mundo real. De alguna forma, el caso anterior de las CBDC o las “stable coins” en el sector privado, representan una versión particular de una categoría general de representación de bienes, derechos o activos dentro de una red gobernada por un protocolo blockchain: la tokenización. De nuevo el origen de este caso de uso lo encontramos en el “ecosistema” alrededor del mundo de los criptoactivos. La explosión de las emisiones no reguladas denominadas ICOs, acrónimo de Initial Coin Offerings (Adhami et al, 2018), se produce a raíz de la creación de Ethereum, un modelo de blockchain que admite la representación de activos digitales complejos, y su manipulación y transmisión por medio de esas piezas de código que se ejecutan como transacciones en la red y que conocemos como smart contracts16. 16 Los Smart contracts no son contratos ni tampoco inteligentes. Se trata de piezas de código que permiten la ejecución de una serie de cláusulas objetivables previamente acordadas.

CARLOS FERNÁNDEZ HERRAIZ

Así durante el año 2017, el volumen de emisiones de ICOs alcanzó los 7.043 millones de dólares a nivel mundial, 19.689 millones en 2018 y 4.118 millones en 2019 hasta octubre (Strategy&, 2020). Esa explosión de las emisiones de tokens entre 2016 y 2017, (Gileborg, 2018) dió lugar a una fiebre especulativa que llevó a los criptoactivos en general incluyendo a bitcoin y otras criptomonedas a máximos de precio entre finales de 2017 y principios de 2018. En medio de esa vorágine, merecedora de un capítulo de Manías, Panics and Crashes17 en su próxima revisión, los reguladores de los mercados de valores se vieron obligados a expresarse sobre la naturaleza de estos instrumentos. Así, la SEC inició la profusión de taxonomías con el llamado “Howey test” que permitía distinguir si un criptoactivo era un título financiero (una “security”) o no lo era (Strategic Hub for Innovation and Financial Technology, 2019). Rápidamente aparecieron otras clasificaciones, en algunos casos con un enfoque orientativo, como la de ESMA (2019) y en otros con la vocación de regular un espacio bastante complejo, como el caso del planteamiento de las autoridades suizas (The Federal Council, 2018) o el regulador inglés (FCA, 2019). La propia clasificación suiza es un buen ejemplo de modelo de taxonomía de los nuevos activos digitales. Así, se establecen tres categorías fundamentales de “criptoactivos”. En primer lugar los tokens de pago, que se consideran instrumentos financieros que tienen características de medios de pago, como las criptomonedas. En segundo lugar, los tokens de utilidad, que representan títulos de acceso o instrumentos de pago vinculados a servicios. Los tokens de utilidad no se consideran instrumentos financieros. Por último, los tokens títulos (security tokens) en los que representamos digitalmente derechos sobre compañías o todo tipo de activos. Para una revisión comparada de las distintas regulaciones existentes es muy útil consultar a Blandin et al (2019). Pero el uso de tokens para representar, de forma general, diversos tipos de derechos, se enfrenta a dos problemas relevantes, el problema de producto y el problema de mercado (Fernández, Esclapés y Prado, 2020). El problema de producto, introducido sin categorizarlo expresamente por Annunziata (2019), tiene que ver con la adecuación de la regulación a estos nuevos tipos de emisiones y a su correcta clasificación. 17

Última edición disponible de Aliber y Kindleberger (2015).

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 43

Existen nuevas clases de activos que deben ser definidos y ajustados a la regulación de los mercados, como por ejemplo las llamadas criptodivisas (bitcoin y otras). Bitcoin no es una representación de un derecho proveniente del exterior, sino que su valor, si es que lo tiene, es intrínseco a su existencia, y así ha sido reconocido como la primera commodity digital (Hougan et al, 2019). Sin embargo, si lo que hace el token es representar un derecho de propiedad sobre un activo real, como por ejemplo el mismo oro, no debería haber problema en categorizar ese token, puesto que existen ejemplos de títulos que realizan la misma función hoy en día, como un certificado de oro, por ejemplo (Hargrave et al, 2018). Lo mismo podríamos decir de un token que represente una participación alícuota en una empresa. Estaríamos hablando de un token “representativo”, donde sus propiedades y legislación aplicable debería derivarse de la legislación existente en productos financieros similares. Por tanto, el verdadero problema que debería afrontar la regulación es establecer qué requisitos son necesarios para que el token pueda funcionar como la representación de ese derecho, que hoy podría estar representado por una anotación en cuenta o un título físico, por ejemplo. Sin embargo, aún en estos casos, la generalización en el uso de tokens para representar instrumentos financieros debe resolver, así mismo, el llamado problema de mercado (Fernández, Esclapés y Prado, 2020). El problema de mercado consiste en la falta de adecuación de las instituciones y los usos actuales en los mercados financieros a una estructura de negociación y liquidación que pueda ser ejecutada sobre un protocolo blockchain. Esta situación ha limitado la capacidad de emisión de las STOs (security token offerings) que se han ajustado a las versiones más laxas de las normativas de emisiones reguladas, normalmente acercándose a las colocaciones privadas orientadas a inversores profesionales. Por su parte, las soluciones intermedias que han podido resolver el problema de la identificación del cliente y la diligencia debida de AML/KYC, siguen sin resolver la adecuada protección al inversor. Hablamos en este caso de las IEOs (Initial Exchange Offerings) donde es un exchange el que realiza las funciones de broker actuando como colocador del primario18 de la empresa o proyecto que lanza sus tokens 18 Entiéndase “colocador del primario” en sentido amplio. Los tokens “colocados” a los clientes no representan, en general, una participación ni en el capital ni en la deuda del proyecto.

CARLOS FERNÁNDEZ HERRAIZ

al mercado. El exchange sólo admite la adquisición de tokens a clientes dados de alta, y que por tanto ya han pasado los controles de cumplimiento normativo. Sin embargo, las IEOs se han utilizado en general para canalizar emisiones en las que se intenta evitar por todos los medios la consideración de “security” para evitar tener que restringir notablemente el alcance y público objetivo de la emisión. El esfuerzo realizado por los reguladores en establecer taxonomías lógicas que se ajusten a la realidad de los criptoactivos (OECD, 2020), ha desviado el foco del problema fundamental: la adecuación de las estructuras y los usos del mercado a la negociación de instrumentos financieros representados por tokens y no por anotaciones en cuenta.

3.3. La generalización de los casos de uso en el sector financiero: Consorcios y redes, eficiencia, transparencia y trazabilidad

En una gran parte de los casos de uso aplicables al sector financiero que se han analizado desde el origen de los proyectos cerrados o permisionados, (WEF, 2016a) se hace necesaria la creación de consorcios empresariales, en los que diferentes instituciones del sector se reparten responsabilidades en el desarrollo y mantenimiento de la red. Las instituciones financieras también se han implicado en los intentos por avanzar en los modelos de identidad digital (WEF, 2016b), un problema que afecta a otros sectores incluyendo el sector público. En todos los casos es posible analizar diferentes capas dentro de los proyectos (Platt, 2017). En primer lugar, la capa del protocolo (que implica el protocolo de blockchain utilizado) que constituye el back-end del proyecto. En segundo lugar, la capa de red, es decir, el conjunto de instituciones que trabajan en el proyecto común, que se conectan por medio del protocolo elegido para consensuar una única versión de “la verdad” en relación con una o varias de las aplicaciones que constituyen el tercer nivel de la organización. Así, la capa de aplicaciones recoge los productos o servicios que van a ser compartidos en la red y que crean el valor de negocio para los participantes. Por ejemplo activos digitales, automatización de procesos, identidad y autenticación, notarización y sello de tiempo, seguimiento y trazabilidad, etc. La forma de los consorcios es diversa, como muestran los resultados de Rauchs et al (2019), observándose que en el 71% de los casos el origen es un primer socio fundador, que en algún caso puede tener una posición de dominio o ser un actor que podría ser desintermediado en el pro-

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 45

ceso. Sólo en el 22% de los casos, el origen de la iniciativa parte de un conjunto de instituciones. Todavía en pocos casos, 6%, el impulsor de la iniciativa es gubernamental. Uno de los primeros casos de uso analizados en WEF (2016a), era el de los pagos globales. Ya se ha comentado previamente que esto ha servido para forzar a los incumbentes a mejorar los sistemas tradicionales, para fomentar la velocidad y la calidad de la ejecución. Sin embargo parece que esto no es suficiente, y cada vez existen proyectos más maduros en el ámbito de los pagos globales, incluyendo por supuesto las opciones de CBDCs discutidas previamente. La tecnología, entre otras ventajas, permite combinar liquidación y compensación en un mismo acto, apoya la estandarización de los procesos y evita la fragmentación de la liquidez en algunas de sus implementaciones. Así, podemos hablar de casos como el proyecto Fnality, un consorcio formado por un grupo de 15 bancos globales que se ha constituido como un proyecto orientado a desarrollar una stable coin, o token mayorista bancario, respaldada por reservas en el banco central. El modelo de negocio se basa en la mejora de eficiencia al liberar liquidez para sus socios, constituyendo un único pool de liquidez para cada institución que da servicio a todos los pagos (Fnality, 2019), frente a la fragmentación actual. El proyecto procede de la iniciativa Utility Settlement Coin (USC), un proyecto de investigación que ha durado cuatro años antes de orientarse hacia el desarrollo encaminado a la puesta en producción. Fnality y la USC representan un caso interesante de CBDC sintética de carácter mayorista, capaz de solventar la gestión de la liquidez mayorista entre entidades de crédito. Se trata de una CBDC sintética puesto que el emisor es privado, pero se colateraliza contra dinero de alto poder (reservas en el Banco Central), y se considera de tipo mayorista, puesto que como se ha comentado es un instrumento que servirá para liquidar operaciones interbancarias o con clientes institucionales, al menos en una primera fase. El foco en los pagos mayoristas está también detrás del proyecto de Jp Morgan Coin, un modelo de criptodivisa estable orientado a pagos mayoristas, con clientes corporativos e institucionales del banco. El proyecto todavía está en fase de pruebas, pero su funcionamiento difiere al del caso de Fnality. En el caso de Jp Morgan Coin, el respaldo del token son depósitos en el balance de Jp Morgan. Por tanto, podríamos decir que Jp Morgan Coin es una stable coin respaldada por depósitos bancarios, mientras que Fnality estará respaldada por reservas en el banco central. Así, desde un punto de vista financiero, el token se parecería más a

CARLOS FERNÁNDEZ HERRAIZ

una especie de certificado de depósito negociable. Jp Morgan Coin está soportada sobre la blockchain de Quorum, una implementación privada de Ethereum desarrollada inicialmente por el propio banco. Sin embargo, una vez pasado el período de pruebas cabría preguntarse si la solución con Quorum será capaz de escalar al nivel de transacciones exigido por una red de pagos contra entrega que dé servicio al negocio corporativo o institucional del banco. En la misma línea de pagos internacionales, IBM ha desplegado un nuevo producto, su IBM World Wire sobre el protocolo de Stellar, abandonando para este caso de uso su preferencia habitual por Hyperledger. Se trata de una herramienta de pagos globales banco a banco que utiliza un criptoactivo para garantizar la transferencia de valor inmediata. En ese sentido, recuerda vagamente a la propuesta del protocolo de pagos de Ripple. Con objeto de optimizar la liquidez, en este caso exclusivamente la liquidez intradiaria, se sitúa el proyecto HLQAx, que se focaliza en la optimización de balances y no en la liquidación de pagos, orientado a crear swaps de colateral para mejorar la liquidez intradía de las instituciones. HLQAx es un spin off de R3, los desarrolladores de Corda. R3 lleva varios años desarrollando pruebas piloto en varios ámbitos del negocio financiero con una red de bancos a nivel global. De hecho, R3 está respaldado, probablemente, por el consorcio más grande de instituciones específicamente vinculadas al sector financiero. Otro caso de uso que ha tenido un gran desarrollo ha sido el de trade finance (WEF, 2016a), que ha dado lugar a al menos cuatro consorcios (Voltron, we.trade, komgo y Marco Polo) que incluyen a corporaciones y a entidades financieras que trabajan en la cadena de valor del ciclo de las operaciones. El progreso de los consorcios de trade finance está siendo lento por la dificultad en la estandarización en los procesos. Y es que en contra de lo que parecía cuando se iniciaron los análisis de los casos de uso en la industria, la coordinación de actores con reglas codificables cuando existe un alto grado de discrecionalidad en la configuración de los activos digitales no es fácilmente integrable en un modelo de blockchain. Y el problema estriba en la preferencia de algunos de los actores de los consorcios por contratos con cláusulas específicas y que desean mantener con un marcado carácter discrecional. Los consorcios afrontan su posición en el mercado de forma diferente, pero todos buscan digitalizar el proceso comercial y reducir los enormes recursos dedicados al procesamiento manual de las actividades de

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 47

back office. El objetivo fundamental es el ahorro de costes, que incluye el reparto de la inversión en el desarrollo del software que dé soporte a la actividad compartido por las entidades financieras miembros del consorcio. Además, otro objetivo de gran valor añadido para las entidades financieras es el de mejorar la calidad y la confianza en los datos. Además, entre los desafíos técnicos que estos consorcios deben resolver está la conexión de los protocolos blockchain con los sistemas tradicionales, la potencial interoperabilidad de las redes blockchain, la responsabilidad compartida sobre los desarrollos y el mantenimiento de dichas redes, etc… Por último, destacar que a día de hoy es imposible plasmar en un documento de trabajo la cantidad de casos de uso que se están explorando en el sector, por lo que este apartado se ha restringido a casos con consorcios e iniciativas que se encuentran de forma mayoritaria en producción o muy cerca de producción. Desde luego, existen otros proyectos en marcha que responden a cuestiones como la reducción de las necesidades de reconciliación en pagos o ajustes de balances en cuentas corporativas; casos de uso que faciliten la entrega contra pago sin necesidad de complejos procesos de back office; modelos para compartir identidades digitales de clientes o proveedores con objeto de facilitar operaciones de onboarding, cumplimiento normativo, y un largo etcétera. 4. Conclusiones

La tecnología de la cadena de bloques –blockchain– forma parte del conjunto de tecnologías convergentes que están llamadas a alterar la estructura y funcionamiento del sector financiero. Pero blockchain es más que una tecnología en sentido estricto, puesto que obliga a los actores, ya sean estos particulares o empresariales, a establecer modelos de gobernanza y sistemas de responsabilidad, premios y castigos para que su implantación sea viable y sostenible en el tiempo. Esto se debe a la naturaleza descentralizada de la tecnología. La descentralización presenta otros desafíos, como la necesidad de abordar la forma del consenso sobre el estado de la información que se comparte o la estandarización de dicha información. También significa afrontar decisiones que pueden representar concesiones a la escalabilidad o la seguridad de las implementaciones o a la dependencia de terceros intermediarios.

CARLOS FERNÁNDEZ HERRAIZ

Se trata de una tecnología todavía no madura, pero que al mismo tiempo ofrece gran potencial en algunos casos de uso críticos para el sector financiero, particularmente en la representación y transmisión de activos digitales. La representación y transmisión de activos digitales primitivos, las criptodivisas nativas, son el propio origen de la tecnología. La prestación de servicios desde el sector financiero regulado hacia los usuarios de criptoactivos ha resultado difícil por la actitud conservadora de los reguladores, aunque progresivamente se van produciendo puntos de encuentro entre el ecosistema y los modelos que requieren calidad institucional y regulación y cumplimiento normativo. Por ejemplo, los exchanges regulados o incluso nuevas figuras de bancos depositarios de activos digitales en Estados Unidos; la propia depositaría de criptoactivos reconocida como servicio financiero en Alemania; la creciente presencia de inversores institucionales en el sector; o la prestación de servicios de calidad institucional en el trading y préstamo de criptoactivos. No es de extrañar que hoy, más de 65 bancos centrales estén explorando la posibilidad de utilizar esta tecnología para la transmisión del dinero de curso legal, ya sea de forma limitada, con foco en las instituciones bancarias, el modelo mayorista; ya sea con un enfoque global para atender también a particulares y empresas en general, el modelo minorista. Así, entre 5 y 7 bancos que representan al 20% de la población mundial, se plantean una CBDC en un plazo corto de tiempo, entre 1 y 3 años. Tampoco que el consorcio Libra, liderado por Facebook, haya decidido que la creación de una stablecoin, una criptomoneda estable, es un objetivo a corto plazo siempre y cuando no sea impedido por la regulación. Este y otros posibles casos de creación de tokens respaldados por dinero de curso legal, tan sólo son un nuevo tipo de modelo de emisión de dinero privado, como lo fueron en su momento las cuentas bancarias o las tarjetas de crédito. La creación de casos de uso compatibles con las exigencias del sector financiero ha requerido en algunos proyectos más de 4 años de preparación, pero las primeras iniciativas de servicios se están poniendo en producción desde el año 2019. La representación de cualquier clase de activo o derecho en un modelo de blockchain representa un ejemplo de sistema de intercambio básico pero fácil de implementar, que podría favorecer la aparición de ecosistemas financieros regionales y fragmentados.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 49

Además, esa capacidad de construir redes de intercambio de activos digitales sin necesidad de terceros de confianza puede implicar la sustitución parcial de funciones tradicionalmente realizadas por el sector financiero. Al fin y al cabo, el modelo abre la puerta a la configuración de redes empresariales o gubernamentales no financieras que resuelvan, dentro de la propia red, transacciones que requieran pagos o la transmisión segura de otras representaciones de valor y que podrían embeberse en procesos de negocio. Así, la integración de la transmisión de valor en la ejecución de unas reglas de negocio compartidas, sin necesidad de intermediarios, es una de las características de esta tecnología que no siempre se pone suficientemente de manifiesto. En definitiva, blockchain es una herramienta prometedora pero no madura, que puede ser considerada tanto una oportunidad como una amenaza para el sector financiero tal y como lo conocemos. 5. Bibliografía

ADHAMI, S.; GIUDICI, G. & MARTINAZZI, S. (2018): “Why do businesses go crypto? An empirical analysis of initial coin offerings”. Journal of Economics and Business, 100, 64-75. ADRIAN, T. & MANCINI, T. (2019): “The Rise of Digital Money”. Fintech Notes. Note 19/01. International Monetary Fund. ALIBER, R. & KINDLEBERGER, C. (2015): Manias, Panics and Crashes: A history of financial crisis. Palgrave Macmillan. AMERICAN BAR ASSOCIATION (2019): “Digital and Digitized Assets: Federal and State Jurisdictional Issues”. Obtenido desde https://www.americanbar.org/content/dam/aba/administrative/ business_law/buslaw/committees/CL620000pub/ digital_assets.pdf ANNUNZIATA, F. (2019): “Speak if you can. What are you? An alternative approach to the qualifications of tokens and Initial Coin Offerings”. Bocconi Legal Studies Research Paper Series, n 2636561. ANTONOPOULOS, A. (2017): Mastering Bitcoin. O´Reilly Media. ANTONOPOULOS, A. & WOOD, G. (2018): Mastering Ethereum. O´Reilly Media. BANK OF CANADA, BANK OF ENGLAND, MONETARY AUTHORITY OF SINGAPORE (2018): “Cross-Border Interbank Payments and Settlements: Emerging opportunities for digital transformation”. Obtenido en: https://www.bankofengland.co.uk//media/boe/files/report/2018/cross-border-interbank-paymentsand-settlements.pdf BARONTINI, C. & HOLDEN, H. (2019): “Proceeding with caution – a survey on central bank digital currency”. BIS Papers No 101.

CARLOS FERNÁNDEZ HERRAIZ

BECH, M.L & GARRATT, R. (2017): “Central Bank Cryptocurrencies. BIS Quarterly Review September 2017”. Obtenido en SSRN: : https://ssrn.com/abstract=3041906 BLANDIN, A.; CLOOTS, A. S.; HUSSAIN, H.; RAUCHS, M.; SALEUDDIN, R.; ALLEN, J. G.; ZHANG, B. Z. & CLOUD, K. (2019): “Global Cryptoasset Regulatory Landscape Study”. Obtenido en SSRN: https://ssrn.com/abstract=3379219 or http://dx.doi.org/10.2139/ssrn.3379219 BOAR, C.; HOLDEN, H. & WADSWORTH, A. (2020): “Impending arrival – a sequel to the survey on central bank digital currency”. BIS Papers No 107. BROWN, R.G. (2018): “The corda platform, an introduction”. Obtenido en https://www.r3.com/wp-content/uploads/2019/06/corda-platform-whitepaper.pdf BULLMANN, D.; KLEMM, J. & PINNA, A. (2019): ”In search for stability in cryptoassets: are stable coins the solution?” Occasional Paper Series No. 230. European Central Bank. BUTERIN, V. (2013): “Ethereum: A Next-Generation Smart Contract and Decentralized Application Platform”. Obtenido en https://github.com/ethereum/wiki/wiki/White-Paper. CBDC WG (2019): Key aspects around central bank digital currencies. Policy report. CEMLA Fintech Forum. CHAPMAN, J.; GARRATT, R.; HENDRY, S.; MCCORMACK, A. & MCMAHON, W. (2017): “Project Jasper: Are Distributed Wholesale Payment Systems Feasible Yet?” Bank of Canada Financial System Review June 2017. Obtenido en: https://www.bankofcanada.ca/wp-content/uploads/2017/05/fsr-june-2017-chapman.pdf COMMITTEE ON PAYMENTS AND MARKET INFRASTRUCTURES (2015): Digital currencies. DYSON, B. & HODGSON G. (2016): Digital cash: why central banks should start issuing electronic money, Positive Money. ECB & BOJ (2019): Stella Phase 3, Synchronised cross-border payments. ESMA (2019): “Advice. Initial Coin Offerings and Crypto-Assets”. ESMA50-1571391. Obtenido en https://www.esma.europa.eu/sites/default/files/library/ esma50-157-1391_crypto_advice.pdf FCA (2019): “Guidance on Cryptoassets”. Consultation paper CP19/3. Retrieved from https://www.fca.org.uk/publication/consultation/cp19-03.pdf FERNANDEZ, C. (2019): “Gobernanza de la inclusión financiera digital. Proyecto GIF”. Obtenido en https://proyectogif.org/2019/12/09/gobernanza-de-la-inclusion-financiera-digital/ FERNANDEZ, C.; ESCLAPÉS, S.; PRADO, A.J. (2020): “Tokens and tokenization: Still a gordian knot for the future of fintech?”. Chapter 2, Emerging Tools and Strategies for Financial Management. Edited by Alvárez, B & Abeal, J.P., IGI Global. FRAILE, A.; GONZÁLEZ-QUEL, A.; RIVERA, R.; TARÍN, C.; VILLAR, J.P.; RAMOS, D.; CASTEJÓN, L. (2018): Competition issues in the área of financial technology (FinTech). European Parliament, Directorate General for Internal Policies.

BLOCKCHAIN: UN INSTRUMENTO DE TRANSFORMACIÓN PARA EL SECTOR FINANCIERO 51

G7 WORKING GROUP ON STABLE COINS (2019): Investigating the impact of global stable coins. GILEBORG, R. (2018): Initial token offerings, friend or foe? (Master of Science Thesis Dissertation). TRITA-ITM-EX; 2018:445. HARGRAVE, J.; SAHDEV, N. & FELDMEIER, O. (2019): “How value is created in tokenized assets”. In M. Swan, J. Potts, S. Takagi, F. Witte, & P. Tasca (Eds.), Blockchain economics: Implications of distributed ledgers (pp 125-143). London: World Scientific. HABER, S. y STORNETTA, S. (1991): “How to timestamp a digital document”. Journal of Cryptology, Vol. 3, No. 2. HM TREASURY, FCA, BOE (2018): Cryptoassets Taskforce: final report. HOUGAN, M.; KIM, H. & LERNER, M. (2019): “Economic and non economic trading in Bitcoin: Exploring the real spot market for the world´s first digital commodity”. Bitwise Asset Management. KRAVCHENKO, P.; SKRIABIN, B.; DUBININA, O. (2018): Blockchain and decentralized systems. Author´s test edition in three volumes. Volume 1. LIBRA (2019): “An introducción to Libra”. Obtenido en https://libra.org/en-US/wpcontent/uploads/sites/23/2019/06/LibraWhitePaper_en_US.pdf MCKINSEY & CO (2019): “The Last Pit Stop? Time for bold late-cycle moves”. McKinsey Global Banking Annual Review 2019. MONETARY AUTHORITY OF SINGAPORE (2019): “Project Ubin: Central Bank Digital Money using Distributed Ledger Technology”. Obtenido de https://www.mas.gov.sg/schemes-andinitiatives/Project-Ubin NAKAMOTO, S. (2008): “Bitcoin: A peer-to-peer electronic cash system”. Obtenido de https://bitcoin.org/bitcoin.pdf OECD (2020): “The tokenization of assets and potential implications for financial markets”. OECD Blockchain Policy Series, obtenido en https://www.oecd.org/ finance/The-Tokenisation-of-Assets-and-Potential-Implications-for-FinancialMarkets.pdf PAK NIAN, L. y KUO CHUEN, D.L. (2015): “Introduction to Bitcoin”. The Handbook of Digital Currency, Editor David Lee Kuo Chuen, Elsevier. PLATT, COLIN. (2019): “Of permissions and blockchains… A view for financial markets”. Último acceso el 12/2/2020, https://medium.com/@colin_/of-permissions-and-blockchains-a-view-for-financial-markets-bf6f2be0a62 PWC (2018): “PwC Global Blockchain Survey”. Consultado en https://www.pwc.com/ gx/en/issues/blockchain/blockchain-in-business.html PWC y ELWOOD (2019): “2019 Crypto Hedge Fund Report”. Obtenido en https://www.pwc.com/gx/en/financial-services/fintech/assets/pwc-elwood2019-annual-crypto-hedge-fund-report.pdf RESTOY, F. (2019): “Regulating Fintech: What is going on, and where are the challenges?” Discurso en el marco del ASBA-BID-FELABAN XVI Banking publicprivate sector regional policy dialogue Challenges and opportunities in the new financial ecosystem, Washington DC, 16 Octubre 2019.

CARLOS FERNÁNDEZ HERRAIZ

SCHICH, S. (2019): “Do fintech and cryptocurrency initiatives make banks less special?” Macrothink Institute. Business and Economic Research, Vol. 9, No. 4 SEHRA, A.; COHEN, R. & ARULCHANDRAN, V. (2018): “On cryptocurrencies, digital assets and private money”. Journal of Payments, Strategy & Systems. Vol. 12, No. 1. STRATEGIC HUB FOR INNOVATION AND FINANCIAL TECHNOLOGY (2019): “Framework for “Investment Contract” Analysis of Digital Assets”. Retrieved from https://www.sec.gov/corpfin/framework-investment-contract-analysis-digitalassets. STRATEGY& (2020): “6th ICO/STO Report: A strategid Perspective”. Obtenido en https://www.pwc.ch/en/publications/2020/Strategy&ICO STO Study Version Spring 2020.pdf SVERIGES RIKSBANK (2018): The Riksbank´s e-krona project. Repport no. 2 THE FEDERAL COUNCIL (2018): Legal framework for distributed ledger technology and blockchain in Switzerland: An overview with a focus on the financial sector. Federal Council Report. WOOD, G. (2014): “Ethereum: A secure decentralized generalized transaction ledger”. Retrieved from https://gavwood.com/paper.pdf WORLD ECONOMIC FORUM (2016a): The future of financial infrastructure. An ambitious look at how blockchain can reshape financial services. WORLD ECONOMIC FORUM (2016b): A blueprint for digital identity. The role of financial institutions in building digital identity. ZANG, JIM (2019): “Enterprise Blockchain Protocols: A Technical Analysis of Ethereum vs Fabric vs Corda”. Obtenido en https://kaleido.io/a-technical-analysis-of-ethereum-vs-fabric-vs-corda/

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 53-77)

DIGITALIZACIÓN DEL SECTOR BANCARIO

DIGITALISATION OF THE BANKING SECTOR Pablo Pedro Reboiro Gutiérrez

Strategy & Operations Lead - Spain en N26 RESUMEN

En los últimos años se ha identificado un proceso gradual de digitalización en el sector bancario y financiero. Este proceso ha sido altamente comentado por analistas e inversores ya que ha causado el nacimiento de entidades bancarias nativas digitales con estructuras organizativas más propias del sector tecnológico que del financiero. Es más, las entidades financieras tradicionales en su mayoría han definido planes estratégicos para acercarse a estas nuevas entidades digitales. Este proceso aunque complejo y diverso, bien merece un análisis en lo que respecta a las motivaciones económicas que lo originan, los factores sociales o tecnológicos que lo habilitan y los retos que establece cara al sector y la sociedad. Palabras clave: Banca, digitalización, Fintech, móvil, datos. SUMMARY

In recent years a gradual process of digitalisation has been identified in the financial and banking sector. This process has been heavily scrutinised within analysts and investors as it has derived in the opening of digital native banks whose organisational structures resemble more to those Tech companies instead of those of traditional financial companies. Furthermore, most of the traditional banking players have defined strategic plans to get closer to these new digital financial entities. Despite being highly complex and diverse, this process deserves an analysis regarding the economic logic that originates it, the social and technological factors that enable it, and the challenges it sets to the financial sector and the society. Key words: Banking, digitalisation, Fintech, mobile, data.

1. Introducción

El proceso de digitalización de la banca comercial supone el gradual desplazamiento del negocio bancario del entorno físico al entorno digital. Este proceso afecta al ciclo de vida completo del negocio bancario en el que la contratación en sucursales se sustituye por la contratación online, la gestión de las finanzas personales pasa de la libreta a una aplicación móvil, las comunicaciones con tu banco dejan de ser cartas para ser notificaciones push o en los pagos personales que pasan de hacerse

PABLO PEDRO REBOIRO GUTIÉRREZ

en efectivo a realizarse a través de transferencias inmediatas realizadas desde el móvil. Los impactos individuales de la digitalización bancaria son incalculables y por tanto inabarcables en un único artículo. Sin embargo, en su inmensa mayoría comparten la misma motivación económica, son habilitados por los mismos factores tecnológicos, y establecen retos similares a los distintos actores sociales. En el presente artículo se realiza un análisis de estos puntos comunes intentando poner especial foco en aquellos que permitan comprender de manera útil y representativa este proceso de digitalización. 2. Motivación económica Ratio de Servicio

La motivación económica de digitalización de la banca parece corresponder en mayor medida a una mejora en la eficiencia de la gestión y reducción de costes, que a nuevas o ampliadas fuentes de ingresos. Para fundamentar esta afirmación no cabe más que observar de manera empírica lo que denominaremos Ratio de Servicio. Esta ratio evalúa la proporción entre el número de clientes y el número de empleados, para estimar de manera simplificada cuántos clientes es capaz de gestionar un empleado de cada entidad: Ratio de Servicio = Número de Clientes Número de Empleados

La ratio de servicio es evidentemente una simplificación de la eficiencia en lo que respecta a recursos humanos ya que ignora absolutamente el coste, grado de especialización, nivel de externalización y otros muchos factores que hacen la realidad mucho más compleja. Sin embargo, es relativamente sencillo de medir y comprender, lo que la hace útil para entender la situación real. Haciendo un ejercicio empírico observaremos este dato en los cuatro principales grupos bancarios con sede social en España y en las cuatro principales entidades financieras nativas digitales a nivel internacional. No existe detrás de esta selección ningún criterio más allá de disponer de una pequeña muestra útil que, en la medida de lo posible, resulte cercana al lector. Esta muestra no es completa, ni estadísticamente representativa, véase figura 1.

DIGITALIZACIÓN DEL SECTOR BANCARIO

Figura 1

Ratio de servicio de entidades representativas de Banca Nativa Digital y Banca Tradicional Española Entidad

Nubank

Ratio de Número de Número de Servicio Clientes Empleados

Tipo de Banca

7.059

12.000.000

1.700

Revolut

5.333

8.000.000

1.500

Digital

N26

3.333

5.000.000

1.500

Digital

Monzo

2.500

2.500.000

1.000

Digital

Santander

710

144.000.000

202.713

BBVA

593

74.500.000

125.627

Caixabank

446

15.900.000

35.669

Banc Sabadell

423

11.000.000

26.000

Digital

Fuentes

FINEXTRA (2019): “Nubank valuation jumps to $10 billion on $400 million mega round”, 29 julio 2019 REUTERS (2019): “Fintech firm Revolut to hire 3500 staff in global push with Visa”, 30 septiembre 2019

N26 (2020): Press Release, “N26 crosses 5 million customer milestone on fifth anniversary of launch”, 23 enero 2020 The Guardian (2019): “The bank manager will see you now: is Monzo ready to grow up?”, 11 agosto 2019

Tradicional Banco Santander (2018) “Presentación Institucional”

Tradicional BBVA (2018) “Presentación Corporativa”

Tradicional Caixabank (2019) “Presentación Corporativa”

Tradicional ADV Ratings (2018): Top Banks in Spain in 2019

Fuente: Elaboración Propia de acuerdo a fuentes referenciadas.

Calculando una ratio de servicio media entre ambos colectivos, parece evidente que proporcionalmente la banca tradicional requiere de muchos más empleados para atender a su clientela, véase figura 2.

PABLO PEDRO REBOIRO GUTIÉRREZ

Figura 2

Ratio de servicio medio por tipo de entidad

Fuente: Elaboración Propia de acuerdo a fuentes referenciadas.

Resulta también evidente que, ceteris paribus, sería deseable aumentar la ratio de servicio. Sin embargo, esta comparativa por sí sola sería muy sesgada. En la Figura 3 procederemos a situar sobre ejes logarítmicos esta proporcionalidad entre número de empleados y número de clientes para poder visualizar la inmensa diferencia de escala que existe entre estos dos colectivos. Viendo la inmensa diferencia en tamaño de mercado y en la ratio de servicio, cabe preguntarse ¿cómo es posible que coexistan dos colectivos de empresas con estructuras organizativas tan diferenciadas en el mismo sector?

DIGITALIZACIÓN DEL SECTOR BANCARIO

Figura 3

Proporción Ratio de servicio visualizado sobre ejes logarítmicos 100.000.000

Número de Clientes

50.000.000

10.000.000 5.000.000

1.000.000

500

1.000

5.000

10.000

Número de Empleados

50.000 100.000

Fuente: Elaboración Propia de acuerdo a fuentes referenciadas. *Diámetro del círculo representa la Ratio de Servicio.

Oferta de Productos y Servicios

Aunque en principio podría parecer claro que ambos colectivos persiguen el mismo tipo de oferta, cabe hacer un breve análisis comparativo de los productos ofrecidos por ellos para comprobar si esto es efectivamente así. Para ello tomaremos el mismo colectivo que para el ejemplo anterior y revisaremos su oferta. Esta lista es una simplificación de la oferta de productos y servicios de estas entidades. No es, ni aspira a ser, completa ya que no contiene todos los productos y servicios de estas entidades. No es específica ya que no detalla las características de la oferta. Además no distingue entre si estos servicios son emitidos o únicamente comercializados por las entidades. Sin embargo, resulta útil a la hora de visualizar la diferencia de oferta de servicios, véase figura 4.

PABLO PEDRO REBOIRO GUTIÉRREZ

Figura 4

Productos y Servicios por Entidad

Cuenta Préstamos Productos País de Corriente Tarjeta Préstamos Banca Cuenta de Fuentes Hipotecar de Origen con Tarjeta Crédito Personales Empresas Ahorros ios Inversión de Débito Nubank Brasil Sí Sí Sí Sí Sí FINCOG (2019) Benchmark on Challenger Banks Entidad

Revolut

Reino Unido

Sí

Alemania

Sí

Santander

Reino Unido

España

Sí

BBVA

España

Sí

Caixabank

España

Sí

Banc España Sabadell

Sí

N26 Monzo

Fuente: Elaboración Propia.

Sí

Sí Sí

Sí

FINCOG (2019) Benchmark on Challenger Banks FINCOG (2019) Benchmark on Challenger Banks FINCOG (2019) Benchmark on Challenger Banks

Banco Santander (2020) Web Corporativa 05/02/2020 BBVA (2020) Web Corporativa 05/02/2020

Caixabank (2020) Web Corporativa 05/02/2020 Banco Santander (2020) Web Corporativa 05/02/2020

Parece evidente de un simple vistazo que la banca digital a la fecha de redacción de este artículo no ofrece varios de los servicios que probablemente una gran parte de los clientes españoles considerarían habituales en una entidad bancaria. A modo de ejemplo ninguna de las entidades digitales de nuestra muestra ofrece Préstamos Hipotecarios, uno de los pilares de la banca y probablemente un de los productos financieros operativamente más complejos de ofertar.

DIGITALIZACIÓN DEL SECTOR BANCARIO

Inercias del mercado

Una vez evaluada la escala, ratio de servicio y oferta de productos y servicios, parece justo afirmar que a inicios de 2020: – Los mayores bancos digitales mundiales no han conseguido alcanzar en volumen de mercado a los principales grupos bancarios tradicionales españoles. Menos aún, disponer de una oferta de servicios similar. – Ninguno de los principales grupos bancarios españoles ha conseguido alcanzar niveles de eficiencia en la ratio de servicio cercanos a los de la banca nativa digital. Por ello parece predecible que en la próxima década veremos las siguientes inercias de mercado: – La banca tradicional seguirá invirtiendo en digitalizar sus procesos y en integraciones bancarias que permitan generar mayores escalas de servicio. – La banca nativa digital seguirá apostando por la expansión internacional y la ampliación de su oferta de servicios. De manera muy simplificada podríamos visualizar este acercamiento en la figura 5. Figura 5

Diagrama de inercias en el sector bancario

Fuente: Elaboración Propia.

PABLO PEDRO REBOIRO GUTIÉRREZ

Existen ya varios indicios de estas inercias. El proceso de digitalización de la banca tradicional es algo complejo de medir sin información interna de las propias entidades, aunque hoy en día pocos profesionales del sector bancario discutirían la existencia de este proceso. Sí es fácilmente observable en el descenso en el número de sucursales bancarias (véase Figura 6) y en el número de fusiones del sector bancario en España, que el mercado está girando hacia entidades de mayor escala y con mayor ratio de servicio. Figura 6

Número de Sucursales en España por cada 100.000 habitantes

110 90

Número de Sucursales Bancarias en España por cada 100.000 adultos 96

70 50

2010

2011

2012

2013

Año

2014

Fuente: World Bank (2018) Commercial Bank Branches per 100.000 adults.

2015

62 2016

En lo que respecta a los bancos digitales, aunque el proceso de ampliación de oferta de productos y expansión internacional es por el momento incipiente, cada una de las entidades nativas digitales de nuestra muestra anterior ha: 1. Realizado anuncios o avances en lo que respecta a su expansión internacional 2. Ampliado su cartera de productos internamente o mediante colaboraciones con terceros No entraremos a analizar estos procesos, ya que aunque parece claro que están ocurriendo, son aún demasiado incipientes como para evaluar su progreso y evolución a largo plazo de manera objetiva.

DIGITALIZACIÓN DEL SECTOR BANCARIO

3. Factores habilitantes Acceso a Internet

Habiendo entendido la principal motivación del proceso de digitalización de la banca, el siguiente paso lógico no es otro que entender qué factores han habilitado el inicio de este proceso. Aunque ciertamente la realidad es algo más compleja, parece evidente que el principal causante de iniciar este proceso no es otro que el acceso a Internet y la interconectividad que nos ofrece. Esto es más claro tratándose de un sector como el financiero centrado en facilitar el caudal de capital y obligaciones, ambos conceptos no tangibles y por tanto muy adaptados a la realidad digital. En primer lugar intentaremos evaluar la correlación entre el acceso a internet (véase Figura 7) y la desaparición de las sucursales bancarias (véase Figura 6) ya mencionada anteriormente. Figura 7

Porcentaje de Hogares Españoles con Acceso a Internet

% Hogares con Acceso a Internet en España

100% 75% 50% 25% 15% 0%

21%

28%

38%

44%

50%

56%

61%

65%

69%

73%

78%

86% 81% 83%

2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018

Fuente: Eurostat (2019).

Año

Es evidente que el periodo de penetración de internet en los hogares españoles coincide con el continuo aunque no tan pronunciado descenso del número de sucursales bancarias. Esta tendencia hacia la digitaliza-

PABLO PEDRO REBOIRO GUTIÉRREZ

ción es también claramente pronunciada en lo que corresponde al pago con tarjeta, que no deja de ser uno de los primeros síntomas de la digitalización de la banca, véase figura 8. Figura 8

Número de Pagos con Tarjeta en España

Número de Pagos con Tarjeta en España (en millones)

5.000 4.000

3.000 2.000

2.386

2.416

2.496

2010

2012

2013

2.760

2.987

3.464

4.039

1.000 0

Fuente: ECB (2019) Payment Statistics, pag.15.

2014

Año

2015

Factores Sociales: Contraste entre China y Alemania

2016

2017

La tendencia marcada por estas estadísticas es clara y difícilmente discutible. Sin embargo, cabe cuestionarse que si la penetración de internet y del pago digital ya es prácticamente absoluta, ¿por qué las principales entidades financieras siguen dedicando gran parte de sus recursos humanos a la gestión comercial individual? O más aún ¿por qué siguen utilizándose medios de pagos físicos como el pago en efectivo? En lo que respecta a la primera pregunta puede asumirse que el adaptar el número de empleados puede ser un proceso gradual en lo que respecta a las entidades tradicionales. El avance demográfico es más lento que el avance tecnológico y por tanto no puede esperarse un cambio repentino especialmente entre la población de mayor edad. En lo que respecta al pago digital y por qué no ha sustituido de manera completa a los métodos físicos tradicionales, la realidad parece algo más compleja y muy influenciada por la situación social de cada región.

DIGITALIZACIÓN DEL SECTOR BANCARIO

Tomemos como ejemplo dos regiones con situaciones socioeconómicas tan diferentes como Alemania y China, véase figura 9. Figura 9

País

Penetración del Pago Móvil por País en 2019

Mayores de 14 años que han realizado al menos 1 pago móvil en los últimos 6 meses

Fuente: eMarketer (2019).

Siendo la primera potencia económica europea y uno de los puntales tecnológicos del mundo, sorprende que en Alemania un 48% de las transacciones en volumen se realicen aún en efectivo. Sorprende todavía más el dato en número de transacciones, donde el 74% de las transacciones en número aún se realiza en efectivo (Deutsche Bank, 2018, “How do Germans Pay?”). En el espectro opuesto se encuentra China donde el 81% de la población hace uso del pago móvil.

PABLO PEDRO REBOIRO GUTIÉRREZ

Varios estudios indican que esto se debe a una preocupación por la protección de datos de consumo por parte de la población germana (Deutsche Bank, 2019, “Cash Empowers the Individual through Data Privacy”). En próximos apartados nos centraremos en el impacto de la digitalización de la banca sobre la gestión de datos personales, pero parece evidente que el pago digital implica una mayor trazabilidad en lo que respecta a la actividad diaria y patrones de consumo. Viendo esta significativa diferencia cabe comprobar la correlación entre la penetración del acceso a internet y el del uso de medios de pago digital en China, véase figura 10. Figura 10

Número de Usuarios de Internet en China

Usuarios de Internet en China (en millones)

1.000 750 500 250 0

298

2008

384

2009

457

2010

513

2011

564

2012

618

649

2013

2014

Año

688

2015

731

2016

772

2017

829

2018

Fuente: CNNIC (2019) 43rd Statistical Report on Internet Development in China, February 2019.

Aunque la penetración del acceso a internet en China es menor a la de Alemania o España, sus datos de pago móvil hoy en día son muchos más elevados. Esto indica que aunque el acceso a internet es un factor necesario para poder optar por el pago móvil, el disponer de un acceso temprano no implica necesariamente que la adopción del pago móvil sea mayor. Evaluando estos 3 casos incluso podría intuirse lo contrario. Los datos parecen indicar que aquellos países con un desarrollo económico más tardío están saltándose una etapa en lo que respecta a los sistemas de pagos.

DIGITALIZACIÓN DEL SECTOR BANCARIO

La situación del Pago Móvil en China además es particularmente interesante para el análisis académico, ya que con una tendencia claramente creciente gran parte de estas transacciones se realizan a través de sistemas no bancarios propiedad de empresas tecnológicas. En la figura 11 puede apreciarse el claro auge de estas soluciones de pago. Figura 11

Pagos Online por Sistemas No Bancarizados (enmillones de yuan)

250

Pagos Online Anuales por Sistemas No Bancarizados en China 208

200 150 100 50

2013

2014

49 2015

Año

2016

143

2017

Fuente: People’s Bank of China (2019) China’s e-commerce development index report.

2018

Cabe destacar el éxito en el mercado de Alipay propiedad del grupo de comercio electrónico Alibaba y de Tenpay de la empresa de servicios online Tencent. Entre ambas plataformas tecnológicas se disputan la mayor parte del mercado, véase figura 12. Para cerrar este apartado cabe concluir que sí, el acceso a Internet es el principal factor habilitante del proceso de digitalización de la banca, pero viendo los contrastes entre distintas regiones no es una variable suficiente para entender el ritmo, ni menos aún la forma que tomará este proceso en el futuro.

PABLO PEDRO REBOIRO GUTIÉRREZ

Figura 12

Cuota de Mercado de Sistema de Pagos No Bancarizado en China

Fuente: iResearch (2019) China’s third party payment data report 2019, page 5.

4. Retos Sociales

Incursión del Sector Tecnológico en el Sector Financiero: Caso del SMS

En el apartado anterior hemos revisado el auge de los pagos móviles a través de sistemas propiedad de empresas tecnológicas en China, sin embargo cabe preguntarse ¿es esto una posibilidad real para el mercado europeo? Por simplificar el análisis pondremos el foco en el mercado español. Revisando las estadísticas ofrecidas por el regulador bancario nacional parecería claro que no, ya que los españoles siguen optando preferentemente por la tarjeta y las domiciliaciones como principales métodos de pago, véase figura 13.

DIGITALIZACIÓN DEL SECTOR BANCARIO

Figura 13

Método

Número de Transacciones en España en 2018 por Método de Pago

Fuente: Banco de España (2019).

Podría asumirse que dada la complejidad del sistema financiero, la alta competitividad y el nivel de regulación tanto europeo como nacional, parece poco probable que la misma situación dada en China se traslade a Europa. Cara a analizar las posibles incursiones del sector tecnológico en el sistema de pagos, nos centraremos en el mercado español de la mensajería móvil. En el año 2006 se enviaron en España 13.425 millones de SMS, la industria que rodea este tipo de mensajería generó 1.647 millones de euros. En el año 2015 el número de SMS había pasado a 1.909 millones (-85,7%) y los ingresos a 227 millones de euros (-86,3%). En menos de una década el SMS sufrió un cambio de magnitud muy significativo, véanse figuras 14 y 15.

PABLO PEDRO REBOIRO GUTIÉRREZ

Figura 14

Tráfico de SMS en España (en millones)

15.000

12.821 12.827

10.000

13.425

Tráfico de SMS en España

12.395

11.731

10.659

8.920

8.261

5.000 0

6.063

4.090

2.726

1.909

3.757 4.188

2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Año

Fuente: CNMC (2018) Publicado por “El País” el 11/03/2019. *Desde 2014 los datos incluyen los SMS A2P.

Figura 15

Ingresos Sector SMS en España (en millones)

2.000

Ingresos Sector del SMS en España

1.500 1.382

1.000

1.553

1.647

1.743 1.729

1.572

1.260

500 0

1.129

705

471

327

227

222

209

2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017

Año

Fuente: CNMC (2018) Publicado por “El País” el 11/03/2019. *Desde 2014 los datos incluyen los SMS A2P.

La alternativa de mercado que se impuso en España frente al SMS fueron las aplicaciones de mensajería instantánea online propuestas prin-

DIGITALIZACIÓN DEL SECTOR BANCARIO

cipalmente desde empresas de Silicon Valley. A modo de ejemplo: WhatsApp, la aplicación más exitosa de este tipo, cuenta ya con 30,5 millones de usuarios en España (eMarketer, 2019) y entre parte de la población se asume como un estándar. Podría intuirse que la conquista del mercado podría deberse a las ventajas tecnológicas que la plataforma ofrece. Sin embargo, lo cierto es que en sus orígenes la funcionalidad de este tipo de aplicaciones no era claramente superior a la de un SMS, su equivalente multimedia el MMS o su estándar mejorado RCS (cuya primera versión fue aprobada por GSM en 2008 y por el momento nunca ha sido exitosamente implementada). La principal razón argumentada por sus usuarios era económica, permitían el envío ilimitado de mensajes de manera prácticamente gratuita, en contraposición al modelo de pago por mensaje establecido por las compañías telefónicas. Sin embargo, hay otros factores adicionales que habilitaron la conquista del mercado de la mensajería por las empresas tecnológicas. En primer lugar su apertura multiplataforma permitía operar entre cualquier dispositivo y operador, en segundo lugar permitía comunicarse internacionalmente sin sobrecoste y por último su sistema de identificación de usuarios se basaba en el mismo número de teléfono móvil, dato comúnmente ya intercambiado. Este es solo un ejemplo de servicio básico revolucionado por el sector tecnológico en un periodo relativamente corto, pero de él puede deducirse que esperar algo similar en el sistema de pagos no es descabellado. Menos aún cuando la mayor parte de las grandes empresas tecnológicas han lanzado ya o han anunciado el lanzamiento de sus propias plataformas de pago. Ante la evidente influencia del sector tecnológico sobre el sector bancario, cabe preguntarse si el segundo mantendrá su tradicional nivel de competitividad y si siendo así mantendrá su tendencia hacia la estandarización. Al fin y al cabo proyectos como SEPA permiten a clientes de distintas entidades financieras, en distintos países operar de manera estandarizada y sin existir un dueño único de la red y sus datos. Mantener esta situación será sin duda un reto para las propias entidades, los reguladores y para la sociedad.

Reto Ético de la Protección de Datos

Revisando la situación del sistema de pagos chino o el interés de gigantes tecnológicos por entrar en el sistema financiero parece evidente

PABLO PEDRO REBOIRO GUTIÉRREZ

que existe interés en el uso de la información de consumo y pago de los ciudadanos. Si no fuera así, ¿por qué tantas empresas tecnológicas cuya principal fuente de ingresos es la explotación de datos, tienen interés en entrar en el sector financiero? Tratándose además de un sector altamente competitivo, regulado y cuyas rentabilidades en los últimos años no parecen las más elevadas. El contraste es claro, si revisamos qué porcentaje de españoles confiaba en el correcto uso de sus datos privados en función del recopilador. Observamos la abrumadora diferencia de confianza entre el Sector Financiero 32% con respecto a tiendas online 17%, los motores de búsqueda 15% o las Redes Sociales 14%, véase figura 16. Figura 16

Recopilador

Porcentaje de Españoles que confiaba en una correcta utilización de sus datos privados en 2015, según recopilador de datos

Fuente: Vodafone (2016) Big data, wann Menschen bereit sind, ihre Daten zu teilen, pág. 12 (Enero 2016).

DIGITALIZACIÓN DEL SECTOR BANCARIO

Parte de la justificación para esta pronunciada diferencia es que hasta ahora las entidades bancarias quizás no han dispuesto entre sus aptitudes clave la gestión y explotación efectiva de la inmensa cantidad de información de la que disponen. En el polo opuesto de esta escala se encuentran las grandes empresas tecnológicas que han sabido mediante la explotación efectiva de la información optimizar hasta el extremo muchos sectores económicos. Los buscadores web dirigen el tráfico en internet de manera muy precisa a cambio de una remuneración. Las redes sociales saben microsegmentar a sus usuarios para obtener niveles de eficiencia en la publicidad hasta ahora impensables. Las plataformas de streaming saben requerir nuestra atención de manera continuada adaptando las sugerencias de contenido que nos ofrecen proactivamente. Sin embargo, ¿saben las entidades financieras a quién y cuándo ofrecer un préstamo? Aunque evidentemente es difícil de evaluar, parece que por el momento no han alcanzado ese nivel de optimización proactiva. Algunos ciudadanos podrán razonar “No tengo nada que ocultar, ¿por qué debería preocuparme por la explotación de mis datos?”. Argumentación en mi opinión errada ya que la cesión de información explotable económicamente no deja de ser una forma de pago. Existe una transacción económica no evidente en la cesión de información. Una entidad financiera apta en la explotación de datos, que conozca tanto mi situación financiera como mis datos de consumo, se encontrará en una posición ventajosa en la oferta de productos financieros con respecto a otras entidades que no dispongan de esa información. Por tanto esa cesión de información no debería asumirse como gratuita o exclusiva. Este concepto de “pago por información” está ya muy presente en el sector tecnológico donde los servidores de correo para particulares son prácticamente siempre gratuitos, las redes sociales son plenamente gratuitas y el único pago es el acceso a la ventaja competitiva que aporta conocer tu información de uso. Esta información es explotada y vendida a terceros que desean ser capaces de comercializar a públicos concretos y de esta manera se retribuyen por estos servicios. Ante esta situación parte de la sociedad podrá sentirse tentada de optar por sistemas de pago no digitales como el efectivo, aunque las tendencias recientes podrían indicarnos que esto no deja de ser un esfuerzo vacío en el sentido contrario al del progreso. No cabe duda de que la trazabilidad del pago en efectivo es claramente inferior a la del pago digital y más aún el pago móvil. Sin embargo, hasta este tipo de transacciones son altamente trazables actualmente. La inmensa mayoría de las retira-

PABLO PEDRO REBOIRO GUTIÉRREZ

das de efectivo se hacen en cajeros automáticos con registros plenos de operatividad, la inmensa mayoría de las pequeñas y grandes compras son precedidas por una búsqueda online, los dispositivos móviles que nos acompañan allá donde vamos registran en la mayoría de los casos nuestra geolocalización en el tiempo. Podría resumirse que aunque el efectivo protege tu privacidad, no lo hace de una manera suficiente en sí mismo. Una de las primeras opciones que surgen a la hora de defender al consumidor y ciudadano suele ser la regulación. La unión europea aprobó en 2016 el Reglamento General para la Protección de Datos, que entró en vigor en 2018 y que regula este tipo de acciones de manera detallada. A modo de simplificación y resumen, este reglamento permite la explotación de los datos de individuos identificables para usos específicos siempre y hasta cuando esta explotación sea consentida por el mismo. Sin embargo, en la era de internet obtener el consentimiento suele convertirse en una acción que la mayoría de los usuarios realiza sin demasiada reflexión previa. Por tanto y aunque sea un paso en la buena dirección, en mi opinión el RGPD no es un paso suficiente en sí mismo. A modo de conclusión de este apartado cabe comentar que en un último término deberá ser la sociedad quien demande una gestión ética de la información. Parte de esta demanda se realizará a través de medios regulatorios, pero otra gran parte deberá realizarse por medios de mercado, premiando como consumidores a aquellas organizaciones que realicen un uso ético de la información. Asimetría en la información y competitividad

A raíz del punto anterior cabe destacar no solo el factor ético, sino el puramente económico. Existe de manera inherente al sistema actual una asimetría muy marcada entre la información disponible para determinadas empresas y para sus clientes. Esta asimetría en la información disponible determina de manera clara una desigualdad en la capacidad de tomar decisiones razonadas de manera analítica de los consumidores y por tanto perjudica la competitividad. Por ilustrar esta situación de una manera simple y en el entorno bancario: ni el más informado y preparado de los compradores de automóviles conoce la oferta completa del crédito al consumo entre todas las entidades nacionales e internacionales a las que este consumidor tiene acceso. Menos aún a la situación económica actual e histórica de cada una de ellas. Aunque la conociera necesitaría de la agrupación colectiva

DIGITALIZACIÓN DEL SECTOR BANCARIO

de varios consumidores individuales para poder explotar la posición de negociación ventajosa que deriva de este conocimiento. Lo que hace esta situación aún más significativa no es solo la asimetría entre los ofertantes y demandantes (entidades financieras y comprador de automóvil del ejemplo anterior), sino la inmensa desigualdad entre los distintos ofertantes competidores. El banco principal de nuestro comprador de vehículos tendrá acceso a la práctica totalidad del historial financiero de este demandante. Conocerá no sólo sus datos financieros básicos como su nómina, sino que además conocerá en qué y cuándo gasta su dinero, su nivel de ahorro actual e histórico, su evolución salarial con los años, su historial crediticio en otros préstamos anteriores, el tiempo y forma en la que pagó su anterior vehículo, la existencia en su historial financiero de posibles impagos, etc. Esta información supone una ventaja en la negociación del crédito solicitado con respecto a otras entidades que no dispongan de ella. Aunque muy interesante, la información particular de un cliente no es donde se genera la única desigualdad informativa. La otra gran causa de esta asimetría parte de la posibilidad de explotar datos agregados en un volumen representativo que tienen las grandes entidades a diferencia de las entidades de un tamaño menor. Una entidad que oferte sus créditos al consumo a lo largo y ancho de un gran mercado, y que disponga de datos históricos a lo largo de varias décadas puede realizar una explotación extremadamente precisa por ejemplo de la probabilidad de default de un segmento de clientes en un momento concreto. Sin embargo, las entidades pequeñas o de reciente creación no dispondrán de esta información. Es más, incluso por escala no les será tan rentable alcanzar la excelencia en la explotación analítica de sus bases de datos. Estas entidades no podrán dedicar grandes recursos a crear y formar un departamento analítico ya que la ventaja competitiva desaparece si tus bases de datos no son representativas o si tu volumen de mercado no consigue soportar el coste de un departamento e infraestructura que realice este tipo de análisis. Esto no deja de ser un indicio más en la dirección que parece que está tomando el mercado financiero hacia un menor número de entidades pero de mayor tamaño. Por supuesto existen ya iniciativas por parte de los reguladores por equilibrar esta balanza informativa. Desde lo más básico que homogeneizan las formas de publicidad como la obligación de publicar tipos de interés efectivos anuales cuyo cálculo está regulado. En España la publicación del TAE o Tasa Anual Equivalente, es obligatoria en cada activi-

PABLO PEDRO REBOIRO GUTIÉRREZ

dad comercial y su cálculo está regulado por la Circular 5/2012 del Banco de España. También en España en el mismo sentido existe una clasificación del riesgo de los productos financieros regulada en la Orden ECC/2316/2015. No se debe subestimar el impacto de estas y otras iniciativas que facilitan la comparativa de la oferta de una manera mucho más sencilla y fiable, sin embargo es cierto que no parecen suficientes para equilibrar la balanza de acceso a información. En otro orden de magnitud e impacto la Unión Europea publicó en 2007 PSD2, que aunque tiene muchos más impactos que este, incluye una obligación de apertura de la información recopilada por entidades bancarias vía lo que denomina AISP por sus siglas en inglés (account information service provider). Este rol permite consultar información agregada de múltiples entidades mediante el uso de API (application programming interface) previo consentimiento del usuario, véase figura 17. Figura 17

Diagrama Funcional Figura AISP en PSD2

Fuente: Elaboración Propia.

Aunque como en casi todo la ejecución suele ser más difícil que la idea, el entorno regulado de banca abierta europea podría eliminar en gran medida esas asimetrías informativas y ser de gran impacto en lo que respecta a competitividad. Siguiendo con el ejemplo de nuestro comprador de un automóvil, en un entorno de banca abierta el comprador podría conceder acceso a su historial bancario a un servicio especializado en la comparativa de créditos al consumo que con esa información podría conectarle con la mejor

DIGITALIZACIÓN DEL SECTOR BANCARIO

oferta de todas las entidades disponibles. Este tipo de servicios de comparación y marketplace ya existen para muchas de las necesidades financieras como seguros o planes de ahorro sin embargo su potencial se amplía inmensamente en un entorno en el que la información bancaria pueda fluir a petición del usuario. Retos a la universidad

Para finalizar este artículo me gustaría realizar una reflexión sobre el impacto de la digitalización de la banca en la universidad y en particular sobre las escuelas de negocio. Personalmente considero que el objetivo de la universidad no es otro que el de formar personas que con sus aptitudes puedan tener el mayor impacto positivo en la sociedad. En el caso de las escuelas de negocio este objetivo se consigue mediante la excelencia técnica y ética en la gestión de la empresa y la economía. En lo que respecta a la banca esta gestión tiene múltiples facetas, desde la puramente financiera, la gestión de riesgos, la contable, las operaciones logísticas, el área jurídica, la que corresponde al marketing y la comunicación entre muchas otras. Todas ellas en mi opinión se ven afectadas por el proceso de digitalización de la banca. Las decisiones de la dirección financiera siempre se han visto muy determinadas por modelos matemáticos y las herramientas de cálculo numérico. La gestión de riesgos siempre se ha visto muy influenciada por el análisis estadístico del comportamiento histórico. Personalmente considero que estas formas de trabajar se están expandiendo al resto de áreas de una entidad financiera y mediante nuevas herramientas alcanzando otras magnitudes de complejidad y precisión. A modo de ejemplo ilustrativo, pongámonos en el lugar de un departamento de marketing de una entidad bancaria. En esta nueva era donde la información es más manejable y accesible, un departamento de Marketing que esté únicamente centrando sus decisiones en la definición de mensajes, canales e inversión en su experiencia, intuición y opinión estaría haciendo un trabajo pobre dadas las herramientas disponibles. En primer lugar cualquier iniciativa debería ser plenamente medida y trazable en lo que respecta a su éxito o fracaso. Esta medición tampoco debería limitarse a métricas simples como el impacto en el número de nuevos clientes o el reconocimiento de la marca. Una medición adecuada de una iniciativa de marketing debería ser capaz de medirse con respecto al valor que traerá esa inversión a la entidad mediante por ejemplo mode-

PABLO PEDRO REBOIRO GUTIÉRREZ

los predictivos del valor esperado de determinados segmentos de clientes (e.g. un cliente de edad “x”, de la región “y” e ingresos “z” aportará de media determinada cantidad a la entidad durante la duración esperada de su relación). Desde mi punto de vista, el departamento de Marketing de la entidad del ejemplo tampoco debería limitarse a medir el resultado sino a optimizar los canales y mensajes de acuerdo a toda la información de la que dispone para poder hacer una asignación de su presupuesto óptima. En el negocio bancario tradicionalmente se ha considerado interesante llegar a acuerdos con universidades ya que los jóvenes con carreras profesionales tienen perspectivas de una situación financiera positiva durante muchos años. Siendo esto probablemente un acierto, la verdad es que con las herramientas de esta década es posible segmentar la inversión de manera mucho más precisa centrándose por ejemplo en aquellos jóvenes con carreras que están mejor remuneradas en el futuro, o en los alumnos de primer año por ser el micromomento en el que la mayoría de ellos abren su primera cuenta, o en aquellos que por haberse desplazado para estudiar requieran de una nueva cuenta en esa región. Además centrándose únicamente en los canales que las personas de ese entorno demográfico de verdad utilizan a las hora y fecha en la que lo utilizan. La labor de este departamento es continuar detallando el proceso de optimización de canales hasta alcanzar aproximadamente un punto en el que el rendimiento de la optimización sea menor que la recompensa que ofrece. Este simple ejemplo pretende ilustrar una posibilidad de mejora en las aptitudes de los estudiantes de negocios que pretendan dedicar su futura profesión a la banca digital: la gestión de datos a gran escala. En este nuevo modelo de banca, y probablemente también en otros sectores, es necesario ser capaz de tomar decisiones de negocio sustentadas por datos. Para poder hacerlo es necesario haber desarrollado aptitudes técnicas en la gestión masiva de bases de datos, vía lenguajes y herramientas de acceso a este tipo de repositorios. No es el objetivo de este artículo especificar, al tratarse de una situación rápidamente cambiante que si es revisada dentro de 5 años probablemente ya sea completamente distinta, pero el aprendizaje a fondo de lenguajes de consulta de Bases de Datos como SQL o R en las escuelas de negocio sería un paso muy positivo en este sentido. Considero que los perfiles de gestión de negocio deben hablar el lenguaje de las decisiones informadas por datos. De lo contrario podrían verse dirigidos por la imprecisión e impredictibilidad de la opinión y la

DIGITALIZACIÓN DEL SECTOR BANCARIO

intuición. En mi opinión, desaprovechar la oportunidad que estas nuevas herramientas ofrecen, implica faltar al objetivo último de su profesión, que como hemos comentado al inicio de este apartado no es otro que alcanzar la excelencia técnica y ética en la gestión de la banca. Bibliografía

APPLE (2014): Apple Announces Apple Pay. CASSINELLO N.; CERVERA I.; IBAÑEZ J.W.; LOPEZ C. (2017): El desarrollo de las soluciones Fintech en España. CNNIC (2019): 43rd Statistical Report on Internet Development in China. DEUTSCHE BANK (2018): How do Germans Pay? DEUTSCHE BANK (2019): Cash Empowers the Individual through Data Protection. ECB (2019): Payment Statistics, pag.15. EMARKETER (2019): Germany Mobile Payment Users 2019: Growth Will Be Modest in a Privacy-Conscious Cash Culture. FACEBOOK (2019): Simplifying Payments with Facebook Pay. FINCOG (2019): Benchmark on Challenger Banks. FINEXTRA (2019): Nubank valuation jumps to $10 billion on $400 million mega round, 29 julio 2019. GOIRIGOLZARRI, J.I. (2016): “El sector bancario en Europa: Presente y Futuro”, Boletín de Estudios Económicos, vol. LXXI, No. 218, pp.213-238. GOLDMAN SACHS, APPLE (2019): Introducing Apple Card, a new kind of credit card created by Apple. INTERNATIONAL MONETARY FUND (2018): Financial Access Survey. IRESEARCH (2019): China’s third party payment data report 2019, page 5. MCKINSEY; GOOGLE (2015): Accelerating digital banking in Spain. N26 (2020): N26 crosses 5 million customer milestone on fifth anniversary of launch, Press Release 23 enero 2020. PEOPLE’S BANK OF CHINA (2019): China’s e-commerce development index report. PWC (2017): PSD2 in a Nutshell. REUTERS (2019): Fintech firm Revolut to hire 3500 staff in global push with Visa, 30 septiembre 2019. THE GUARDIAN (2019): The bank manager will see you now: is Monzo ready to grow up?, 11 agosto 2019. VODAFONE (2016): Big data, wann Menschen bereit sind, ihre Daten zu teilen, pág. 12. WORLD BANK (2018): Bank Branches per 100.000 adults.

boletin de estudios econoMicos Vol. lXXV - n.º 229 - Abril 2020 (Páginas 79-97)

LA IRRUPCIÓN DE LA GESTIÓN AUTOMATIZADA E INDEXADA EN ESPAÑA

THE EMERGENCE OF AUTOMATED AND INDEXED ASSET MANAGEMENT IN SPAIN unai Ansejo barra

consejero delegado y cofundador de indexa capital Resumen

la gestión automatizada e indexada es un ejemplo de cómo la tecnología puede mejorar y hacer más eficiente un servicio de inversión que tradicionalmente ha sido ofrecido de manera manual por las entidades financieras y por tanto con elevados costes que acaban significando menor rentabilidad para el cliente final. es un sector que ha irrumpido en españa en diciembre de 2015 de la mano de indexa capital, y que cuatro años después ya es un sector con más de 10 empresas competidoras que alcanza una cuota del mercado de gestión de activos del 1%. en este artículo revisamos la base teórica que respalda este tipo de inversión y hacemos una fotografía del mismo a principios del año 2020. Palabras clave: Gestión automatizada, indexación, gestión indexada, fintech. summaRy

Automated and indexed asset management is an example of how technology can improve and make more efficient an investment service that has traditionally been offered manually by financial institutions and therefore with high costs that end up resulting in lower returns for the end client. it is a sector that has broken into spain in december 2015 with the launch of indexa capital, and that four years later is already a sector with more than 10 competing companies that reaches an asset management market share of 1%. in this article we review the theoretical basis that supports this type of investment and take a picture of it at the beginning of the year 2020. Keywords: Automated investment, indexing, indexed management, fintech.

1. Introducción

la gestión de activos ha sido un sector tradicionalmente monopolizado por los grandes bancos en españa. según datos de inverco de cierre de 2018, las principales 6 gestoras en españa (santander AM, bbVA AM, sabadell AM, caixabank AM, bankia AM y bankinter) contaban con una cuota de mercado del 65,6%1. este reducido nivel de competen1

Miguel Moreno (2019a).

unAi Ansejo bArrA

cia es el resultado de dos dinámicas muy distintas. Por un lado, el sistema financiero español sufrió un proceso de concentración muy importante desde la crisis del 2008 que redujo muy significativamente el número de entidades financieras. Por otro lado, el sector financiero español siempre se ha caracterizado por su elevada capacidad de realizar ventas cruzadas a sus clientes de medios de pagos o préstamos hipotecarios. esta situación competitiva ha resultado ser un grave problema para el inversor español. Por un lado, según datos de Morningstar, españa es el quinto país del mundo con las comisiones medias de fondos de inversión en bolsa más caras (un 1,83% de media, Morningstar (2019a). Por otro, según también datos de Morningstar, las gestoras españolas son las que peor rentabilidad corregida por riesgo tuvieron en el año 2019 en toda europa, Morningstar (2019b). el principal escollo para revertir esta situación competitiva es que los medios utilizados para llevar a cabo la gestión son costosos, lo que resulta en elevadas comisiones para los inversores. Adicionalmente, en casi todas las geografías la gran mayoría de los fondos proporcionan a sus partícipes una rentabilidad por debajo de los índices de referencia contra los que se miden2. Por ejemplo, en europa, el 80% de los fondos de inversión de gestión activa, no ha conseguido batir al índice en los años 2011-2016 y la cifra aumenta si se amplía el período a 2006-2016, donde esto ha ocurrido en el 90% de los fondos, newlands y Madison (2016). en españa, de acuerdo con el estudio de Fernández y del campo (2010), la media de los fondos en la categoría de renta variable mixta internacional de los años 1991 a 2009 se ha quedado un 3,4% anual por debajo de su índice, equivalente a un 39,7% acumulado. esta situación empezó a cambiar en españa con la irrupción tecnológica de los gestores automatizados en 2015, siendo el primero de ellos indexa capital. las primeras empresas con este modelo de gestión nacieron en 2008 en los estados unidos, siendo la primera de ellas Wealthfront y la segunda betterment. Ambas han tenido un notable éxito y recientemente han alcanzado los 20.000 millones de dólares bajo gestión. los gestores automatizados son empresas que aúnan tecnología y finanzas para ofrecer mejores servicios de inversión y también son conocidas como empresas “fintech”. 2 Ver por ejemplo los siguientes estudios que así lo muestran: brinson, Hood y beebower (1986); carhart (1997), davis, Kinniry y sheay (2007) y Philips, Kinniry, schlanger y Hirt (2014).

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

las empresas “fintech” son empresas relativamente jóvenes que atacan líneas de negocio específicas de las entidades financieras apoyándose en valores como la usabilidad, la sencillez, la transparencia, la automatización, el bajo coste, la viralidad y en definitiva trabajan con la visión de que el cliente es el centro. los principales verticales que atacan las fintech con algún ejemplo español son: i) los medios de pago (bizum), ii) préstamos y crédito (Aplázame), iii) inversiones y corretaje (balio), iv) seguros (coverfy), v) neo bancos (bnext) y vi) regtech (Pibisi). Actualmente existen casi 400 empresas que se denominan fintech3 y este número no para de crecer año tras año. los gestores automatizados se enclavan en el vertical de inversiones y su propuesta de valor es industrializar los procedimientos existentes para la gestión de carteras, digitalizando y automatizando todo aquello que una persona no vaya a hacer mejor. los gestores automatizados se relacionan con sus clientes a través de internet y los clientes se perfilan online mientras los gestores de las compañías diseñan carteras globalmente diversificadas de fondos indexados y el resto de la operativa se automatiza, consiguiendo reducir el coste de media más de un 80% frente a la media de gestores tradicionales en españa. el modelo de inversión que utilizan se basa en diversificar al máximo las carteras de clientes (“comprar el mundo”) a través de fondos indexados que repliquen la rentabilidad de diferentes índices teniendo en cuenta el perfil de riesgo de cada cliente y cobrarles una pequeña comisión por este servicio. en este artículo queremos revisar los fundamentos teóricos que apoyan la inversión indexada (secciones 2 y 3) y automatizada (sección 4) para acabar con una fotografía actual del sector en españa (sección 5).

2. La gestión activa y la gestión indexada

la gestión indexada (también llamada gestión pasiva) es aquella que busca una rentabilidad similar a la que ofrecen los índices de mercado que tienen una filosofía de “comprar y mantener”, como por ejemplo el índice s&P 500, que engloba a las 500 mayores compañías de la bolsa de estados unidos. Por contra, la gestión activa pretende obtener una rentabilidad superior a la de su índice de referencia. la gestión activa 3

Fuente: https://www.finnovating.com/news/mapa-fintech-espana/

unAi Ansejo bArrA

apuesta que su equipo gestor tiene una capacidad de análisis y acceso a la información especiales suficientes. un gestor activo es aquel que elige activamente las acciones o bonos en los que está invirtiendo, mientras que el gestor pasivo invierte en todos los activos que componen el índice proporcionalmente al tamaño del activo. con un simple ejemplo expuesto por Warren buffett en la junta anual de accionistas de berkshire Hathaway de 20164, se puede ilustrar el problema que tiene la gestión activa. imaginemos que un grupo de 100 personas se adueñan de todas las acciones del mercado mundial, es decir, son los únicos inversores de capital del mundo y entre ellos suman a todo el mercado. Ahora, dividimos este grupo en dos grupos de 50 personas de tal manera que cada grupo tenga la mitad de todas las acciones de cada empresa del mundo. Ahora bien, uno de estos grupos contará con inversores indexados mientras que el otro realizará una gestión activa. un inversor indexado siempre tiene todas y cada una de las acciones del mercado, representadas en la misma manera que en el mercado. Por lo tanto, si la acción X representa el 3 por ciento del valor de los títulos en el mercado, la cartera de un inversor indexado tendrá el 3 por ciento de su valor invertido en esta acción X. un inversor activo es aquel que no es indexado. su cartera será diferente de la de los gestores indexados en algún momento (o siempre). debido a que los gestores activos suelen actuar sobre sus percepciones de los precios, y debido a que tales percepciones cambian con relativa frecuencia, estos gerentes tienden a comerciar con bastante frecuencia de ahí el término “activo”. durante cualquier período de tiempo especificado, la rentabilidad del mercado será la media ponderada de los rendimientos de las acciones del mercado, utilizando los valores de mercado iniciales como pesos en la cartera. cada gestor indexado obtendrá con precisión el rendimiento del mercado antes de costes. de esto se deduce (como la noche del día) que el retorno medio de la gestión activa debe ser igual a la rentabilidad del mercado. ¿Por qué? Porque el rendimiento del mercado debe ser igual a la media ponderada de los rendimientos de los segmentos indexados y 4 se puede ver el vídeo de la junta de accionistas subtitulado en español en https://blog.indexacapital.com/2016/06/23/apuesta-warren-buffett-fondos-indexados/

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

activos del mercado. si los dos primeros resultados son los mismos, el tercero debe serlo también. de esto podemos concluir que, antes de costes, la rentabilidad media del grupo de la gestión activa será igual a la rentabilidad media del grupo de la gestión indexada. Ahora bien, los costes medios de la gestión activa serán superiores a los costes medios de gestión indexada. Mientras que los gestores indexados no se mueven y apenas tienen costes, los gestores activos deben pagar su investigación, las comisiones por la compra y venta de sus acciones, asesores y demás costes implicados. Por esta razón, es fácil ver que, la rentabilidad media de la gestión activa después de costes será inferior a la rentabilidad media de la gestión indexada. esta es la teoría. A continuación, vamos a revisar la evidencia que demuestra que la gran mayoría de los gestores profesionales no son capaces de obtener una rentabilidad a largo plazo superior a la de su índice de referencia. no consiguen batir al mercado. los trabajos que analizan este punto utilizando datos del mercado estadounidense, que es el más desarrollado, son muy numerosos. Para el caso de la industria española de gestión de activos, Fernández y del campo (2010) muestran una evidencia muy relevante de que el 95% de los fondos españoles en los años 1991-2009 no han superado la rentabilidad de su índice de referencia, y que la rentabilidad media de los fondos en los últimos 18 años ha sido un 2,8% inferior a su índice de referencia cada año. Además, observan cómo sólo 14 de los 368 fondos analizados con 15 años de historia y 16 de los 1.117 con 10 años de historia tuvieron una rentabilidad superior a la de los bonos del estado a 10 años. la gestión activa suele ser un magnífico negocio para sus gestores, pero en un 95% de los casos no lo es para sus clientes. esto no significa que utilizando la gestión indexada vayamos a obtener una rentabilidad superior a la gestión activa cada año o cada mes. de hecho, en el corto plazo, lo normal es que algunos años la gestión activa tenga una mejor rentabilidad anual que los índices (suele ocurrir en años donde las acciones que pesan poco en los índices tienen una rentabilidad sensiblemente superior a la de las compañías que más pesan en los índices, dado que los gestores activos tienden a tener carteras más equiponderadas que los índices). en otras geografías, otros estudios han tenido un resultado similar. Por ejemplo, el trabajo de brinson, Hood y beebower (1986) demuestra que, en promedio, utilizando datos de 1974-1983 los fondos de pensiones no han sido capaces de añadir valor por encima de su índice. este

unAi Ansejo bArrA

resultado es consistente con el trabajo de carhart (1997) que demuestra que los gastos de los fondos tienen un impacto uno a uno en la rentabilidad de los fondos y que la rotación elevada produce una rentabilidad un 0,95% de media inferior. Asimismo, Arnott, berkin y Ye (2000) demuestran que la indexación, para la mayoría de las categorías de inversores sujetos a impuestos y para la mayoría de las condiciones del mercado, supera la gestión activa convencional. en este sentido, davis, Kinniry y sheay (2007), con datos de 1996–2006 dan evidencia de que en promedio, la gestión activa ha reducido los rendimientos de una cartera en este período y aumentado la volatilidad en comparación con un índice de mercado que replique la política de asignación de activos de la cartera. Más recientemente, Philips, Kinniry, schlanger y Hirt (2014), vuelven a mostrar que, después de comisiones, el rendimiento medio de los fondos de gestión activa ha sido inferior al de sus índices de referencia y que además, la rentabilidad reportada de fondos de inversión empeora significativamente una vez se tiene en cuenta el “sesgo de supervivencia” (es decir, una vez que los resultados de los fondos que fueron eliminados de los registros públicos se incluyen). Por tanto, ante esta abundante evidencia, lo razonable es buscar la forma de replicar la rentabilidad de los índices y dejar de buscar al gestor entre 20 (el 5% de los gestores) que va a proporcionar estos rendimientos superiores a la media. Algún lector pensará que basta con ver qué gestor activo lo ha hecho mejor en el pasado e invertir ahí. lo cierto es que hay muy poca relación entre la rentabilidad que ha obtenido un gestor y la que obtendrá el mismo gestor, o dicho de otra manera, no hay persistencia en la rentabilidad de los gestores activos. Por ejemplo, hace más de 50 años, sharpe (1966) y jensen (1968) con datos de fondos de inversión correspondientes al periodo de 1945-1964 encontraban ambos que no existía prácticamente ninguna persistencia en los rendimientos de los fondos ganadores o perdedores. consistentes con estos resultados, carhart (1997) da evidencia utilizando datos de fondos norteamericanos del periodo 1962-1993 que la única persistencia que encuentra es la de los fondos que peor comportamiento presentan, de tal forma que sus resultados no dan soporte a la existencia de gestores con una capacidad o información especiales. Más recientemente, Philips, Kinniry, schlanger y Hirt (2014), con datos también de fondos norteamericanos, dan evidencia acerca de que la persistencia en el desempeño entre los gestores exitosos en el pasado no predice sus rentabilidades futuras.

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

en otro estudio, Menéndez y Álvarez (2000) con datos de fondos de inversión españoles de renta variable en el período 1991-1998, demuestran que una estrategia de inversión basada en elegir cada año los fondos que han obtenido mayores rentabilidades el ejercicio anterior no tendría éxito, dado que no se observa persistencia en los resultados positivos. Pero, por otro lado, Vidal-García (2013) analizando el rendimiento y la persistencia en el rendimiento de 2 fondos de inversión europeos entre 1988-2010 documenta una evidencia de persistencia en rendimientos en períodos de un año, así como en períodos más largos, de tal manera, que los inversores pueden obtener evidencia útil a partir de los datos de rendimientos pasados de fondos. Por último, Ansejo y bartolomé (2016) analizan la existencia o no de persistencia en el buen comportamiento de los fondos de inversión en españa en el período de 2006 a 2015. los resultados, en línea con el resto de estudios internacionales, muestran que no se puede afirmar que los gestores exitosos en el pasado tengan una probabilidad mayor de serlo en el futuro. Figura 1

1.500

10-year Cumulative Flows for active-Passive u.s. equity

1.000

Cumulative Flow ($Bill)

500

-500

-1.000 -1.500

2009- 2009- 2010- 2011- 2011- 2012- 2012- 2013- 2014- 2014- 2015- 2015- 2016- 2016- 2017- 2018- 2018- 201905 12 07 02 09 04 11 06 01 08 03 10 05 12 07 02 09 04

Active equity

Fuente: Morningstar.

Passive equity

unAi Ansejo bArrA

Por tanto, si la mayoría de los gestores activos no baten a su índice y además no puedes saber de antemano quién va a ser, la consecuencia lógica es: invertir en índices, diversificar, reducir los costes de inversión y dejar que pase el tiempo. A medida que pasen los años, irás comprobando cómo la rentabilidad de tus ahorros empieza a superar a la gran mayoría de los inversores profesionales o de los fondos de gestión activa. en un primer momento, esto puede parecer contra-intuitivo. Al fin y al cabo, si es algo tan obvio, lo lógico es que esta forma de gestión fuera más conocida por los inversores. la razón por la que esto no es así todavía es que los bancos, que son el principal canal que utilizan los inversores en españa para invertir su dinero en fondos, tienen un gran negocio vendiendo gestión activa y costosa a sus clientes. Y mientras no se vean obligados a ello, no van a cambiar esta política. A pesar de las dificultades, la gestión indexada está ganando cada vez más terreno. A modo de ilustración, la figura 1 ilustra el crecimiento de los fondos de gestión indexada y el descenso de los fondos de gestión activa en estados unidos desde 2009. 3. La baja rentabilidad del ahorro en españa

en esta sección nos vamos a centrar en los fondos de inversión españoles. una de las principales características del mercado español de fondos es que está mayoritariamente intermediado por los bancos. es decir, la mayoría de los inversores españoles compran los fondos de inversión de su banco. esto hace pensar que quizá la diferencia de rentabilidad entre los fondos de inversión y los fondos indexados pudiera ser mayor en el caso español. Para comprobar si esta intuición se daba en la realidad, en el departamento de gestión de indexa nos decidimos a analizar con detalle la rentabilidad de los fondos de inversión españoles entre los años 2005 a 2015, actualizando los resultados de Fernández y del campo (2010)5. en este nuevo estudio, además de comparar rentabilidades, también analizamos las rentabilidades corregidas por riesgo utilizando varias 5 el estudio completo del que se extraen las conclusiones que presentamos es Ansejo, Aranberri, bartolomé y Martínez (2016).

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

medidas (alfa6 y ratio de sharpe7). Además, no comparamos únicamente la rentabilidad de los fondos contra sus índices de referencia, que no son invertibles, sino que también lo comparamos con los fondos indexados que se comercializan en españa que sí son invertibles y, por tanto, son opciones reales de inversión. si hubieras invertido 100 euros en 2005 en la media de los fondos españoles de la categoría renta Variable Mixta internacional, en 2015 habrías obtenido 115 euros. es decir, en 10 años habrías ganado apenas 15 euros, un 15% acumulado, equivalente a un 1,4% anual. tu inversión ni siquiera habría cubierto la inflación, que ha sido de 18% en este periodo, por lo que realmente habrías perdido dinero. si hubieras invertido los mismos 100€ en la media de los fondos indexados de la categoría de renta Variable Mixta internacional, fondos extranjeros pero comercializados en españa, en 2015 habrías tenido Figura 2

Rentabilidad acumulada de renta variable mixta internacional (2006-2015)

100%

Rentabilidad acumulada

80% 60% 40% 20% 0%

-20%

Fondos indexados

Fondos de gestión activa

Fuente: Ansejo, Aranberri, bartolomé y Martínez (2016). 6 Alfa es una medida del exceso de rentabilidad anual que tiene un fondo con respecto a la rentabilidad del mercado en el que opera y el riesgo que asume. Por ejemplo si un fondo tiene un alfa anual del 1%, significa que a igualdad de riesgo, obtiene un 1% de rentabilidad adicional al índice de mercado. 7 el ratio de sharpe es otra medida de rentabilidad corregida por riesgo.

unAi Ansejo bArrA

171€. es decir, en 10 años habrías ganado 71 euros, equivalentes a un 71% acumulado o un 5,5% de rendimiento anual. en la figura 2 a continuación se puede observar la diferencia de rentabilidad acumulada en sólo 10 años entre los fondos indexados y los fondos de gestión activa. comparamos este 5,5% de rentabilidad neta de la gestión indexada con el 1,4% de rentabilidad neta de la gestión activa: 4,1% de diferencia anual, 56% de diferencia acumulada a 10 años. en 10 años, para 100€ invertidos, son 71€ de rentabilidad de la gestión indexada frente a 15€ de rentabilidad de la gestión activa: ¡5 veces más! si comparamos otras categorías de fondos obtenemos resultados similares (ver tabla 1 y figura 3 a continuación): Categoría Global Renta Fija Mixta Internacional Renta Fija Mixta Renta Variable Mixta Internacional Rent Fija Largo Plazo RF Garantizado RV Garantizado

tabla 1

Gestión activa anual Total 2,1% 23,2% 1,1% 12,0% 1,3% 13,9%

Gestión indexada anual Total 5,6% 73,1% 5,1% 63,7% 4,4% 53,5%

2,7% 2,7% 2,0%

4,5% 4,5% 4,4%

1,4%

15,2% 30,0% 30,4% 22,1%

5,5%

71,0% 55,3% 55,3% 53,5%

la diferencia de rentabilidad entre los fondos de gestión activa y fondos indexados proviene básicamente de los altos costes de la gestión activa, de los conflictos de interés que tienen las gestoras de grupos bancarios8 y de las malas decisiones de los gestores. los grandes costes de la gestión activa suponen un factor que limita su capacidad de generar rentabilidades superiores o incluso similares a las del mercado. este efecto es especialmente grave en las actuales condiciones de mercado, donde las rentabilidades esperadas son tan bajas. Aunque los inversores no deberían esperar que los índices superen al 100% de los fondos en un 8 especialmente revelador es el estudio de Ferreira, Matos, y Pires (2018). en el artículo muestran cómo los fondos de las gestoras dominadas por bancos rentan un 0,92% menos al año que las independientes y descubren que una de las razones es que los fondos de acciones gestionados por bancos sobreponderan sistemáticamente las empresas que hacen negocio bancario con el banco dueño de la gestora. en este mismo sentido, bezares y Przychodzen (2018) dan evidencia sobre la tendencia de los gestores de gestoras dominadas por bancos a incrementar la inversión en la acción de su banco en momentos de caída de mercado.

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

periodo de tiempo, debido al juego de suma cero, los mayores costes y la eficiencia de los mercados financieros, es poco probable que un inversor sea capaz de seleccionar un fondo de gestión activa que ofrezca una rentabilidad superior al mercado de forma consistente. Figura 3

6,0%

Rentabilidad media anualizada de fondos de gestión activa y fondos indexados (2006-2015)

5,0% 4,0% 3,0% 2,0% 1,0% 0,0%

Global

rF Mixta int. rF Mixta rV Mixta int. rF largo Piz. rF Garant.

Gestión Activa

Fondos indexados

Fuente: Ansejo, Aranberri, bartolomé y Martínez (2016).

rV Garant.

los resultados obtenidos aportan clara evidencia sobre el hecho de que el rendimiento de los fondos de gestión activa en españa ha sido sensiblemente inferior al de sus índices de referencia y al de los fondos de gestión indexada en el periodo 2006-2015. en ninguna de las principales categorías de los fondos hemos observado rentabilidades superiores a la de sus índices de mercado, llegando hasta un -4,2% de diferencia en rentabilidad anual en el caso de la categoría de “renta Variable Mixta internacional”. Asimismo, analizando la rentabilidad corregida por riesgo de los fondos de gestión activa, volvemos a encontrar evidencia de alfas significativamente negativos, lo que vuelve a ilustrar el pobre rendimiento de los fondos de gestión activa a largo plazo en españa. de manera agregada, la pérdida de dinero que supone la gestión activa en los fondos españoles es tremenda. las carteras de gestión activa en españa tenían un volumen total de unos 220 mil millones de euros a fina-

unAi Ansejo bArrA

les del 2015. entre 2006 y ese año, los fondos de gestión activa obtuvieron una rentabilidad anual media del 1,88% frente al 4,51% registrado por los índices y el 4,84% de los fondos indexados. en 10 años, los fondos de gestión activa han obtenido un beneficio teórico de 45 mil millones, menos de la mitad si se compara con los 133 mil millones que, en el mismo periodo, se hubieran obtenido invirtiendo en la gestión indexada. 4. Los beneficios de la automatización

Hay muchísimas razones, como veremos a continuación, para que la gestión de activos se realice de una forma automatizada. esto no significa que la composición de la cartera la vaya a decidir un ordenador. es muy habitual confundir la automatización del proceso de gestión con la automatización de las decisiones de inversión. lo primero se puede hacer perfectamente y tiene muchas ventajas, mientras que las decisiones de inversión, como la composición de la cartera para los diferentes perfiles, debe definirla un equipo de gestión experimentado que conozca y pueda valorar los múltiples detalles y complejidades que ello conlleva. lo que significa que la gestión sea automatizada, es que una vez elegida una cartera modelo, sea un ordenador el que verifique constantemente que la cartera de cada cliente se mantenga ajustada a su cartera modelo. Y esto es justo lo que, nadie mejor que un ordenador, puede hacer. en particular, una gestión automatizada cuenta con las siguientes ventajas frente a la gestión tradicional de un gestor: • es más eficiente y por tanto más barata para el inversor. • se puede testar y por tanto está sujeta a menos errores. • no conlleva sesgos o emociones del gestor.

4.1.1. Eficiencia

la eficiencia que ofrece la tecnología creo que está fuera de cualquier debate. el ahorro de costes que supone la automatización de la gestión diaria se puede repercutir en unos menores costes de gestión para el cliente y con ello una mayor rentabilidad.

4.1.2. Menos errores

la gestión diaria de carteras puede suponer un gran trabajo en cuanto el número de carteras bajo gestión aumenta y con ello la posibilidad de

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

errores aumenta también. imagina, una entidad con diez mil clientes, donde los gestores tienen que estar pendientes de tantos temas como: • los cambios de edad de los clientes, para ver si hay que cambiar de cartera modelo a un cliente. A medida que vaya pasando el tiempo, un cliente va cumpliendo años y su capacidad de tomar riesgos irá disminuyendo. Por ello recalculamos el perfil inversor de todos los clientes cada año, para reflejar su edad actual, y en caso de cambio de perfil inversor modificamos la cartera para adecuarla al nuevo perfil inversor del cliente. • los cambios de situación personal de los clientes que hagan que su perfil, y por tanto su cartera modelo, se vea modificada. Anualmente volveremos a hacer las preguntas al cliente para asegurarnos que la situación financiera o la actitud ante el riesgo no se han modificado. en caso de cambio, reajustaremos su cartera para adecuarla a su nuevo perfil inversor. • los cambios en las carteras modelo. • la evolución de la composición de todas las carteras, para ver si se han desviado de las carteras modelo o no. Por ejemplo, si empezaste con un peso en acciones del 40% y las acciones suben mucho, eventualmente puedes tener un 50%. Y entonces hay que reajustar la cartera9. Fácilmente, puedes observar que además de necesitarse un ejército de gestores pendientes de todas estas circunstancias, las posibilidades de fallar en algún reajuste de cartera son elevadísimas. Por supuesto, un sistema informático puede fallar si está mal programado, pero una vez localizado y corregido el error, este no volverá a ocurrir. con seguridad. Asimismo, cada vez que se realice un cambio en el sistema, se puede testear cómo respondería el sistema ante diferentes circunstancias. en caso de observarse alguna incidencia se podría corregir. lamentablemente, los humanos no somos ni lejanamente tan estables. en mi carrera profesional he podido observar errores humanos que 9 existen diversas formas de realizar los reajustes. unas se basan en realizar los ajustes periódicamente (una vez al mes, al trimestre o al año) y otras se basan en hacer el reajuste siempre que la diferencia sea superior a un umbral fijado. en base a los estudios de tokat (2007) y jaconetty, Kinniry y zilbering (2010) que comparan las diferentes formas de realizar el reajuste es recomendable realizar un reajuste basado en una diferencia en peso no muy elevada. el problema con este método es que hay que estar revisando diariamente la situación de las carteras y los gestores no automatizados no pueden, así que deciden utilizar reajustes periódicos o directamente no reajustar.

unAi Ansejo bArrA

al final acaban costando dinero (órdenes que se quedan en tierra de nadie, comisiones de transacción que no se tienen en cuenta y acaban siendo muy relevantes). con un sistema automático estos errores podrán darse una vez, pero no dos. 4.1.3. No conlleva ni sesgos ni emociones

el reajuste automático de carteras es una forma muy inteligente de gestionar una cartera: cuando un activo ha subido en términos relativos al resto de la cartera se vende y cuando ha bajado se compra. Por ejemplo, supongamos que la cartera modelo de una inversora es 50% acciones y 50% bonos. inicialmente se construye una cartera que tenga exactamente estos pesos. supongamos a continuación que las acciones suben un 20% y los bonos permanecen igual. Ahora la inversora tiene una cartera donde las acciones pesan un 54,5% mientras que los bonos pesarán un 45,5%, y por tanto la cartera se habrá desviado de la cartera modelo. el sistema automático generará órdenes que venderán un 4,5% de acciones para comprar bonos. Por tanto, puedes comprobar cómo el sistema vende cuando el activo sube en términos relativos y compra cuando baja en términos relativos. este tipo de gestión no va a aumentar la rentabilidad esperada de la cartera, pero sí va a reducir significativamente el riesgo asumido y la pérdida máxima esperada y por tanto va a cerciorarse de que tus inversiones continúan teniendo el nivel de riesgo adecuado. esto puede agregar de acuerdo con el estudio de swensen (2005), en promedio un 0,4% de rentabilidad adicional anual. Para un mismo nivel de riesgo se puede obtener más rentabilidad. en definitiva, ejecutar un reajuste sistemático es la única forma de cerciorarse de que tus inversiones continúan teniendo el nivel de riesgo adecuado. siendo un tipo de gestión tan sencillo como parece, mi experiencia es que, de hecho, los gestores tienden a hacer justo lo contrario. cuando un activo cae en términos relativos, difícilmente van a comprarlo: normalmente lo mantendrán y a menudo venderán. ¿Por qué? Porque son gestores que no quieren perder a sus clientes, y si un activo cae y el cliente se enfada, lo más fácil y cómodo es no oponerse y vender. “el cliente siempre tiene la razón” también vale para la gestión de activos. en cambio, cuando esta decisión ha de tomarla una máquina todo es más sencillo: comparará el peso objetivo con el real y actuará en consecuencia.

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

en definitiva, delegar la gestión del día a día en una máquina es muy buena opción que en nada se ve reñida con contar con la experiencia y conocimiento del equipo que genera las carteras modelo de clientes y que define las líneas estratégicas de la gestión. 5. el sector de la gestión automatizada en españa

A principios del año 2020, el sector de la gestión automatizada en españa está formado básicamente por dos grupos de compañías: dependientes de entidades financieras e independientes. las empresas independientes fueron las primeras en lanzar sus servicios y los bancos reaccionaron tiempo después, en un primer momento de manera reactiva, y posteriormente en algunos casos de manera proactiva10. en el sector de los independientes indexa capital ostenta un claro liderazgo con un patrimonio a la escritura de este artículo (11/02/2020) de 395M€ bajo gestión. los siguientes competidores estimamos que tienen un patrimonio sensiblemente inferior (veáse tabla 2). Empresa

Indexa Capital Finizens

Finanbest* Inbestme*

tabla 2

activos bajo gestión (m€) número de clientes 395

150* 15* 15*

17.500 7.900

Fuente: elaboración propia. Fecha 11/02/2020. *No existen datos públicos recientes de activos bajo gestión y los datos mostrados son estimaciones del autor.

Por el contrario, sí que existen datos públicos de los activos bajo gestión que tienen los diferentes gestores automatizados en planes de pensiones. en la figura 4 a continuación podemos observar además el fuerte crecimiento de los gestores automatizados independientes: 10 el listado en orden alfabético de los principales gestores automatizados en españa es: eVo banco, inbestme, indexa capital, Finanbest, Finizens, Myinvestor, naranja + (inG) openbank, Popcoin (bankinter), smart Money (caixabank). son en total 10 empresas independientes o servicios ofrecidos por entidades financieras.

unAi Ansejo bArrA

Figura 4

Crecimiento de activos bajo gestión planes de pensiones (m€)

50 45 40 35 30 25 20 15 10 5 0

2017

2018

Fuente: Quefondos 12/2019.

2019

es especialmente reseñable el crecimiento mostrado por indexa capital, cuyos planes de pensiones han crecido 47 millones de euros en 2019. en el sector de los dependientes, caixabank (smart Money) e inG (naranja +) lideran el ranking, véase tabla 3. Empresa

Smart Money (Caixabank) Naranja + (ING)

Popcoin (Bankinter)

tabla 3

activos bajo gestión (m€) 1.650

número de clientes

809 5*

Fuente: Morningstar, 29/01/2020. * declaraciones de la empresa 2019.

existen otros gestores automatizados dependientes de bancos como openbank o Myinvestor pero no existen datos públicos en cuanto a su volumen gestionado o número de clientes11. como se puede observar los 11

Moreno (2019b).

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

dos principales gestores automatizados vinculados a entidades financieras cuentan con un patrimonio muy significativo que además han conseguido en un corto plazo de tiempo (comenzaron el servicio en 2018 y 2019 respectivamente). esto denota la fuerte capacidad de las entidades financieras de mover a los clientes de depósitos (en los que pierden dinero) a productos más rentables para la entidad. sumando todos los importes, el sector de los gestores automatizados asciende a unos 3.000 millones de euros de un total de 350.000 millones de euros de activos que hay en fondos y pensiones en españa. Por tanto, la gestión automatizada aún cuenta con una cuota de mercado inferior al 1%, pero estimamos que en los próximos años esta cuota se vaya doblando cada año. 6. Conclusión

en este artículo hemos presentado la irrupción de la gestión automatizada e indexada en españa y su situación a principios del año 2020. en estados unidos hace tiempo que comenzó la revolución de la gestión indexada, con empresas como Vanguard liderando este proceso. Actualmente Vanguard es la segunda gestora del mundo por tamaño, buena muestra de que la propuesta de valor de que menos costes suponen una mayor rentabilidad, ha sido ampliamente adoptada por los inversores. también en estados unidos hace algo más de 10 años, empezaron su andadura los primeros gestores automatizados con la misión de generalizar la inversión en fondos indexados y acercarla al público general con un coste muy bajo. los pioneros fueron Wealthfront y betterment. es españa, la gestión indexada es aún poco conocida ya que el sector de la gestión de activos es un oligopolio de unas pocas entidades financieras. no obstante, empresas independientes como indexa capital, han comenzado en 2015 su andadura con el objeto de generalizar este modelo de gestión de contrastado éxito. en apenas 4 años, ya han conseguido que algunas entidades financieras ofrezcan de manera defensiva un servicio similar a sus clientes y en total alcanzar en 4 años una cuota de mercado cercana al 1%. Predecir es muy difícil (especialmente predecir el futuro), pero todo indica que el crecimiento de la gestión automatizada seguirá en los próximos años ya que en estados unidos más de un 50% de los fondos son de gestión indexada mientras que en españa la cuota de mercado es aún incipiente. lo que es seguro es que ese crecimiento se repartirá entre las

unAi Ansejo bArrA

entidades financieras existente y los nuevos jugadores independientes, dando lugar a que en el largo plazo nuevas empresas independientes puedan establecer posiciones de razonable liderazgo en el sector. Bibliografía

Ansejo, u.; bArtoloMé, l. (2016): “Falta de persistencia en la rentabilidad de los fondos de inversión españoles (2006-2015)” https://indexacapital.com/bundles/unaiadvisor/docs/papers/nota-Persistencia-Fondos-espana-2006-2015.pdf Ansejo, u.; ArAnberri, j.; bArtoloMé, l. y MArtínez M.A. (2016): “rendimiento de los Fondos de Gestión indexada y Activa en españa” https://indexacapital. files.wordpress.com/2016/09/rendimiento-de-los-fondos-de-gestic3b3n-indexada-y-activa-en-espac3b1a-2006-2015-estudio3.pdf GoMez-bezAres, F. y PrzYcHodzen (2018): “bank-Affiliated Mutual Fund Managers’ trading Patterns of Parent banks’ stocks: international evidence”, Journal of Behavioral Finance, 19: 2, 199-208. brinson, GArY P.; l. rAndolPH Hood y Gilbert l. beeboWer (1986): determinants of Portfolio Performance. Financial Analysts Journal 42(4): 39-48. cArHArt, MArK M. (1997): “on Persistence in Mutual Fund Performance” The Journal of Finance, Vol. 52, no. 1, pp. 57-82, march. dAVis, j.; F. KinnirY and G. sHeAY (2007): The Asset Allocating Debate: Provocative Questions, Enduring Realities. Vanguard. FernÁndez, P.; del cAMPo, j. (2010): Rentabilidad de los Fondos de Inversión en España. 1991-2009, iese. FerreirA, M.A.; MAtos, P. y Pires, P. (2018): “Asset Management within commercial banking Groups: international evidence”. The Journal of Finance, 73: 2181-2227. jensen, MicHAel c. (1968): “the Performance of Mutual Funds in the Period 1945–1964”. Journal of Finance , 23(2): 389–416. Moreno, M. (2019 a): “la gran banca aumenta su cuota en fondos y ya controla el 66% del sector”, Cinco Días. https://cincodias.elpais.com/cincodias/2019/04/11/ mercados/1554993122_069571.html Moreno, M. (2019 b): “Así es la oferta de la banca en fondos de inversión low cost”. https://cincodias.elpais.com/cincodias/2019/09/20/mercados/1568985207_9753 83.html MorninGstAr (2019a): “Global investor experience”. MorninGstAr (2019b): “liga de las estrellas”. neWlAnds, c.; MAdison, M. (2016): “99% of actively managed us equity funds underperform”, Financial Times, 24/10/2016. PHiliPs, KinnirY, scHlAnGer y Hirt (2014): “the case for index-fund investing”. the Vanguard Group https://pressroom.vanguard.com/content/nonindexed/ updated_the_case_for_index_Fund_in vesting_4.9.2014.pdf.

lA irruPción de lA Gestión AutoMAtizAdA e indeXAdA en esPAñA

Menéndez reQuejo, susana and ÁlVArez otero, susana (2000): “la rentabilidad y persistencia de los resultados de los fondos de inversión españoles de renta variable.” Revista Española De Financiación y Contabilidad, vol. 29, no. 103, pp. 15–36. robert d. Arnott; AndreW l. berKin and jiA Ye (2000): The Journal of Portfolio Management summer, 26 (4) 84-93. sHArPe, WilliAM F. (1966): “Mutual Fund Performance”. Journal of Business 39 (1, Part 2: “supplement on security Prices”): 119–38. sWensen, d. (2005): Unconventional Success — A Fundamental Approach to Personal Investment, isbn: 0743228383. VidAl-GArcíA, jAVier (2013): “the persistence of european mutual fund performance”. Research in International Business and Finance, Volume 28, May 2013, 45–67.

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 99-117)

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

ARTIFICIAL INTELLIGENCE: AN APPROACH FROM FINANCE Agustín Zubillaga Rego Iker Pastor López Pablo García Bringas Universidad de Deusto RESUMEN

La inteligencia artificial es un conjunto de técnicas que permiten desarrollar de manera automática actividades cognitivas propias del ser humano. Aunque fueron desarrolladas hace varias décadas, en el contexto de la revolución digital han venido adquiriendo una relevancia mayor en muchas industrias entre las cuales se encuentran las finanzas. La aplicación de este conjunto de técnicas permite dar solución a muchos tipos de problemas específicos y la generación de nuevos modelos de negocio, lo que está permitiendo convertirse en una ventaja competitiva para las empresas. Sin embargo, como toda tecnología, su aplicación presenta igualmente profundos desafíos de gran alcance que habrán de ser abordados en los próximos años. Palabras clave: Inteligencia artificial, aprendizaje máquina, análisis de datos, negocios digitales. SUMMARY

Artificial intelligence is a set of techniques that allow the automatic development of cognitive activities specific to human beings. Although they were developed several decades ago, in the context of the digital revolution they have been acquiring greater relevance in many industries, including finance. The application of this set of techniques allows for the solution of many types of specific problems and the generation of new business models, which is becoming a competitive advantage for companies. However, as with any technology, its application presents equally profound and far-reaching challenges that will need to be addressed in the coming years. Keywords: Artificial intelligence, machine learning, data analysis, digital business.

1. Introducción

En los últimos años venimos presenciando un rápido proceso de transformación en la sociedad y la economía motivado por la digitaliza-

100

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

ción, lo que ha llevado a denominar el tiempo presente como el de la revolución tecnológica, ya sea la cuarta o la tercera según distintos autores. La emergencia de la inteligencia artificial como uno de los elementos claves sobre los que se puede estar articulando una nueva manera de operar en banca o seguros tiene una explicación múltiple. En primer lugar, el sector financiero lleva integrando sistemas de información desde hace varias décadas con el propósito de poder manejar con suficiente agilidad la información de la que dispone para sus operaciones. Esta naturalización de la tecnología ha hecho posible que el análisis de los datos haya formado parte de este sector desde hace ya mucho tiempo, por lo que no es extraño hablar de business intelligence en la mayoría de operadores en estos mercados. La información económica era la más relevante, y también es cierto que la inteligencia artificial se comenzó a aplicar en la operativa empresarial, aunque buscando superar las limitaciones de potencia de cálculo y datos disponibles que han sido una de las principales barreras para la diseminación de la inteligencia artificial de modo generalizado en las empresas. En los últimos años, se ha producido un considerable giro de la información, principalmente por la comprensión del potencial de generación de valor económico a partir de los datos registrados digitalmente. Este enfoque, aunque lleva algunos años funcionando por parte de algunas compañías tecnológicas, ha alcanzado una enorme relevancia en tanto que estas empresas han alcanzado elevados niveles de productividad por empleado y grandes niveles de capitalización. Aunque no son las únicas, las denominadas Big Tech (Google, Amazon, Facebook, Apple, Microsoft) son grandes compañías que han servido de ejemplo a otras, y han permitido desarrollar el concepto de economía digital, aunque este término fue acuñado en los años 90. Al hilo de la emergencia de la industria 4.0 como paradigma de la empresa del futuro, altamente tecnologizada, aparece un nuevo repertorio de tecnologías como el big data, la inteligencia artificial, la realidad aumentada-realidad virtual, la internet de las cosas (Internet of Things o IoT) los robots colaborativos o dispositivos ciberfísicos o el blockchain o cadena de bloques entre otros. Esta industria 4.0 desde la perspectiva estadounidense no se limita al sector secundario, sino que hace referencia a empresas de cualquier sector de actividad incluido, naturalmente, el sector financiero. Pero, además de esta oferta tecnológica resulta necesario comprender el giro del valor de los datos en paralelo al giro tecnológico.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

101

Desde una perspectiva histórica, la tecnología ha permitido sustituir la energía mecánica de personas y animales por máquinas que desarrollan actividades sin el esfuerzo de los primeros. La incorporación de tecnologías (eléctrica, electrónica) permitió además dotarles de cierta capacidad de control y posteriormente, gracias a las tecnologías de la información, que estas operaciones tuvieran un nivel de sofisticación mayor que les permite desarrollar actividades más complejas. Con la inteligencia artificial se busca, no ya sustituir la capacidad mecánica (desplazar, cargar, subir, bajar…), sino incorporar parte de las capacidades cognitivas de los seres humanos en los procesos de las organizaciones, sean empresas, colectivos sociales o instituciones públicas. De este modo, la inteligencia artificial, igual que las personas, necesita de grandes cantidades de información para poder inferir resultados que se puedan traducir en decisiones. Y para ello, es necesario el proceso de digitalización de la realidad (sea un proceso industrial, el comportamiento de un cliente con su banco o la vida médica de una paciente), entendido como el proceso por el cual de un fenómeno se genera información que lo representa o describe para posteriormente tomar decisiones sobre él. Ahí reside el valor de los datos, que se están convirtiendo en el petróleo del comienzo de siglo. Los datos, al igual que el petróleo, se extraen de distintas fuentes; si el petróleo se refina y se obtienen derivados, los datos se filtran, se cruzan, se analizan e interpretan; si el petróleo se distribuye, los datos se almacenan y sirven para tomar decisiones, ya sean institucionales, de consumidor o desde el punto de vista corporativo. Con todo ello, al tiempo que la tecnología avanza y se sofistica, que se generan cantidades ingentes y crecientes de información, los costes de una y otra se van reduciendo, por lo que resulta relativamente más sencillo y accesible adquirir estos activos empresariales. En el sector de las finanzas, la inteligencia artificial tiene su aplicación en distintas áreas de la industria financiera, tales como los sistemas de pago, la planificación, la financiación, el trading y la inversión, los seguros entre otros. Según la OCDE, además tiene cabida principalmente en el terreno del asesoramiento y la planificación de servicios de agencias, en inversión y trading, en el sector de los seguros, así como en la mejora de las interacciones con los clientes (OCDE, 2018). Ahora bien, las implicaciones que está teniendo el empleo de estas tecnologías emergentes están relacionadas principalmente con aspectos como la eficiencia operativa, facilitando reducciones de esfuerzo y tiempo. Esto puede conducir a cambios en la intermediación en los mercados,

102

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

lo que incluye la desaparición de algunos eslabones en las cadenas de valor, la aparición de otros nuevos y la construcción de nuevas cadenas, mediante la construcción de nuevos modelos de negocio digitales. Estas innovaciones no tecnológicas finalmente están propiciadas por la tecnología, más en particular por nuevas formas de poner en marcha negocios empleando nuevas combinaciones de la tecnología, y con ello superando el enfoque de la productividad para dar paso al enfoque centrado en la innovación. La integración de la tecnología en las relaciones entre cada vez más actores de las cadenas de valor (consolidado y las emergentes) incluye también a los clientes, sobre quienes cada vez más parece centrarse la atención. Así mismo, dado el nivel de integración, se busca automatizar cada vez más actividades, incluida la relación con los clientes, de manera no lineal, sino a través de estrategias de multicanalidad soportadas tecnológicamente y generando crecientes cantidades de datos. Por otro lado, a nivel interno en las organizaciones, la velocidad de su operativa y la velocidad del cambio tecnológico se incrementan, produciendo aceleración y al mismo tiempo tensiones organizativas y de mercado ante la nueva competición que tiene un marcado acento tecnológico. 2. Aproximación a la inteligencia artificial

El desarrollo de la inteligencia artificial busca comprender cómo funciona la inteligencia humana para así poder construir otras entidades inteligentes. Pero lo hace desde un enfoque de la inteligencia principalmente racional, otorgando una gran influencia a la lógica. Aunque existen multitud de definiciones de inteligencia artificial, podemos definirla como la combinación de una serie de algoritmos con el objetivo de dotar a las máquinas de capacidades propias de los seres humanos. Esto, implica que las máquinas aprendan de la experiencia, se ajusten a los datos que llegan de su entorno y desempeñen ciertas tareas tal y como lo hacemos los seres humanos. Las primeras aproximaciones de la inteligencia artificial datan de la década de los 50, donde principalmente se exploraban temas relacionados con la resolución de problemas y métodos simbólicos. Posteriormente, en los años 60, el Departamento de Defensa de los Estados Unidos comenzó a mostrar interés por entrenar computadoras para que imitaran el razonamiento humano básico. La mayor parte de las

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

103

investigaciones realizadas, se canalizaron a través de la Agencia de Proyectos de Investigación Avanzada de Defensa DARPA (por sus siglas en inglés). Estos trabajos iniciales supusieron la construcción de una base sólida para comenzar con la automatización y el razonamiento formal que podemos observar en la actualidad en los dispositivos inteligentes que nos acompañan, incluyendo sistemas de soporte a decisiones, así como sistemas de búsqueda inteligentes que sirven para complementar y aumentar las capacidades humanas (Figura 1). Figura 1

Esquema temporal de la inteligencia artificial

Fuente: Copeland (2019).

Pero sin duda uno de los desarrollos más importantes en la inteligencia artificial proviene de los años 80, cuando comienza a popularizarse el término aprendizaje automático o machine learning. Este es una rama de la inteligencia artificial que cambió y está cambiando en la actualidad, no sólo la manera en la que interactuamos con las máquinas, sino también la forma que tenemos de relacionarnos e interactuar con nuestro entorno. El aprendizaje automático se puede definir como la capacidad de un computador para aprender sin ser programado explícitamente. Para ello, se hace uso de una variedad de técnicas matemáticas donde las

104

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

computadoras aprenden y redefinen sus propias soluciones basadas únicamente en un entrenamiento que realizan con un conjunto de datos. En este sentido, es necesario destacar que las computadoras fueron originalmente diseñadas para ejecutar algoritmos, donde un algoritmo es básicamente una serie de etapas que se codifican en un lenguaje que una computadora es capaz de entender. De esta forma, es relativamente sencillo modelar un proceso repetitivo y predecible, donde las decisiones que se toman son deterministas, esto es, ante unos mismos datos de entrada la respuesta es siempre la misma. Pero no todos los procesos siguen reglas fácilmente definibles e inmutables, y muchas decisiones que tomamos cada día, no conducen únicamente a una única respuesta unívoca. Es en este punto donde los sistemas de aprendizaje automático desempeñan un rol diferenciador, ya que se basan en probabilidades, esto es, cuando se ejecuta una tarea, se toman las decisiones partiendo de la hipótesis de que la información de la que se dispone es incompleta, por lo que a cada uno de los resultados posibles se le asigna una probabilidad de ser correcto. Simplificando la definición de aprendizaje automático, podemos decir que utiliza algoritmos programados que reciben y analizan datos de entrada, con el objetivo de predecir los valores de salida dentro de un determinado rango. A medida que se introducen nuevos datos, estos algoritmos aprenden y optimizan las operaciones que realizan con dos objetivos principales: (i) mejorar el rendimiento, y (ii) desarrollar cierto grado de inteligencia con el tiempo. 2.1. Tipos de aprendizaje

Las técnicas de aprendizaje automático incluyen distintos algoritmos que podemos agrupar en tres tipos principales: (i) el aprendizaje supervisado, (ii) el aprendizaje no supervisado y (iii) el aprendizaje por refuerzo. a) Aprendizaje supervisado

En este tipo de algoritmos se genera un modelo capaz de realizar predicciones que se basa en los datos de entrada y de salida. Este matiz de “salida” es importante ya que implica tener un conjunto de datos previamente etiquetado o clasificado, esto es, es necesario tener un conjunto de muestra en el que ya se sabe a qué grupo, categoría o valor pertenece cada uno de los ejemplos. Con este grupo de datos es que con el que se

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

105

realiza el entrenamiento, que básicamente se traduce a un ajuste del modelo inicial planteado. De esta forma, el algoritmo va aprendiendo a clasificar las muestras de entrada, comparando el resultado que obtiene al clasificar las muestras de entrada y la etiqueta real de cada muestra. En este punto se van realizando compensaciones respectivas al modelo de acuerdo con cada error que se produce en la estimación del resultado. Dentro de este tipo de aprendizaje encontramos distintos algoritmos. A continuación, describiremos brevemente los más relevantes: • Redes bayesianas. Estas se basan en el teorema de Bayes para realizar las predicciones cuando viene una muestra desconocida. Principalmente, basa su funcionamiento en un método estadístico que razona a partir de un número de observaciones conocidas para determinar la validez de una hipótesis dada (véase Figura 2). De esta forma, va ajustando las probabilidades tan pronto como dispone de nuevas observaciones. Figura 2

Ejemplo de una red bayesiana

Fuente: Elaboración propia.

• Máquinas de soporte vectorial. Este tipo de clasificadores se basan en el uso de hiperplano para dividir el espacio en el que representamos los datos en varias regiones. De esta manera, intenta buscar la

106

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

forma óptima para separar los elementos de cada tipo (véase Figura 3). Figura 3

Ejemplo de una máquina de soporte vectorial

Fuente: Elaboración propia.

• K-vecinos más cercanos. Este tipo de algoritmos se basan en la cercanía de una muestra desconocida, con respecto a los elementos ya conocidos para el entrenamiento. Básicamente, cuando llega una nueva muestra, se calcula una distancia con respecto a las muestras de entrenamiento, y se le establece la categoría de las que están más cerca de ella. Una buena forma de definir su funcionamiento es mediante el dicho “Dime con quién andas y te diré quién eres” (véase Figura 4).

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

Figura 4

107

Ejemplo de K vecinos más cercanos

Fuente: Elaboración propia.

• Árboles de decisión. Una de las principales características que presentan estos clasificadores es que pueden representarse utilizando para ello una estructura en forma de árbol (véase Figura 5). En este árbol todos los nodos interiores representan los posibles estados que vienen dados por las condiciones del problema, mientras que los nodos finales u hojas, constituyen las decisiones finales que puede devolver el clasificador.

108

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

Figura 5

Ejemplo de árbol de decisión

Fuente: Elaboración propia.

• Redes neuronales artificiales. Este tipo de clasificador es un modelo matemático que se inspira en la estructura y en los aspectos funcionales de las neuronas biológicas, esto es, tratan de simular el comportamiento del cerebro humano. Formalmente, una red neuronal consiste en una serie de neuronas interconectadas que procesan información utilizando un enfoque de computación basado en conexiones (véase Figura 6). En este punto queremos destacar, que desde 2015, se comenzó a aplicar un nuevo enfoque de red neuronal denominado aprendizaje profundo o deep learning. La principal diferencia con respecto a los modelos anteriores es el número de capas de neuronas intermedias que tiene la red, ya que en el aprendizaje profundo este número de capas es mucho mayor, acercándose más todavía si cabe, a la forma en la que funciona un cerebro humano.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

Figura 6

109

Ejemplo de una red neuronal artificial

Fuente: Elaboración propia.

b) Aprendizaje no supervisado

Los algoritmos que pertenecen a este tipo de aprendizaje trabajan de forma muy similar a los del aprendizaje supervisado, con la diferencia de que éstos solo ajustan el modelo con el que predicen teniendo en cuenta los datos de entrada, sin importar la salida. Esto, implica que los datos de entrada no tengan que estar previamente etiquetados o clasificados, ya que no es necesario para entrenar el modelo (véase Figura 7). Dentro de este tipo de aprendizaje encontramos distintos algoritmos. A continuación, describiremos brevemente los más relevantes: • Algoritmos de agrupamiento. Estos algoritmos funcionan mediante la búsqueda de grupos dentro de los datos, necesitando indicarle inicialmente el número de grupos que se esperan. • Algoritmos de reducción de dimensionalidad. Estos algoritmos buscan reducir el número de variables de entrada, intentando representar la mayor cantidad de información con un número menor de variables. Una aplicación característica de estos algoritmos es la compresión de imágenes.

110

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

Figura 7

Ejemplo de algoritmo de agrupamiento

1 0,8 0,6 0,4 0,2 0

0,2

0,4

0,6

0,8

Fuente: Elaboración propia.

c) Aprendizaje por refuerzo

Este tercer grupo de algoritmos buscan definir modelos y funciones que maximicen una medida de recompensas, basados en acciones que se realicen en un entorno dado. Este tipo de modelos es el más cercano a la psicología conductista de los seres humanos, ya que es un modelo de acción-recompensa, que busca que el algoritmo se ajuste a la mejor recompensa dada por el entorno, y que sus acciones a tomar estén sujetas a estas recompensas (Figura 8). Una de las aplicaciones más interesantes de este tipo de algoritmos es el uso de robots para que aprendan de su entorno para realizar diferentes tareas.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

Figura 8

111

Ejemplo de algoritmo de aprendizaje por refuerzo

Fuente: Samudita (2019).

3. Aplicando inteligencia artificial

Aunque la inteligencia artificial (IA) se ha venido aplicando desde hace décadas, en los últimos años su despegue ha sido enorme, respondiendo a distintas cuestiones o problemas de diversos sectores. El conjunto de distintas técnicas que componen la denominada inteligencia artificial no está pensado para responder a problemas específicos, sino que se podrían considerar de ámbito general. En cambio, los resultados y eficacia difieren del tipo del asunto a resolver. A partir de la naturaleza de la cuestión, el grado de experiencia y aprendizajes llevados a cabo en diferentes sectores es posible afirmar que el potencial del uso de la IA varía en función del sector y del tipo de problemática al que se aplica. Cada una de las técnicas o tipos de algoritmos descritos en la sección anterior se pueden aplicar para resolver distintos problemas. A continuación, se enumeran algunos. Por ejemplo, cuando se busca clasificar nuevas entidades asignándolas a grupos preexistentes o predefinidos; cuando se pretende predecir el comportamiento de una variable en el tiempo, a partir de series de datos preexistentes. Estos algoritmos pueden resultar útiles en problemas de categorización o clustering a partir de una serie

112

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

de atributos o rasgos para cada entidad; en situaciones que requieren la optimización de una variable, por ejemplo, maximización de rentabilidad o minimización del coste entendidas como un ruta o serie de pasos. Se emplean así mismo en la detección de anomalías o casos variantes, aunque en este caso se trata en realidad de un tipo de clasificación específica. Igualmente, los algoritmos descritos previamente funcionan para proporcionar una ordenación de una variable o fenómeno en relación a unos criterios definidos con anterioridad. Los sistemas de recomendación de productos o servicios son ejemplos de este tipo de problemas, en los que tradicionalmente se han basado en el comportamiento de los usuarios o de otros usuarios con unas pautas similares. Por último, se emplean para la generación de datos, a partir de datos preexistentes. La inteligencia artificial, entendida como un conjunto de técnicas para el análisis de la información, y aplicada de manera material sobre algoritmos que se programan y funcionan sobre un sistema informático se puede considerar como una parte de las tecnologías de la información y comunicación (TIC). Dada la amplitud de potencial desarrollo y aplicación, ya que no son específicas para un dominio o problema concreto, se les otorga una capacidad como tecnologías de propósito general o GPT (general purpose technologies) que han venido adquiriendo un papel cada vez más relevante para la competitividad de un territorio, por lo que se les reconoce el papel de KET (key enabler technologies) en la especialización territorial inteligente. Sin ánimo de ser exhaustivos, por citar algunas tipologías de soluciones aportadas por el empleo de la inteligencia artificial podemos apuntar que la mejora en los sistemas de reconocimiento de voz se puede emplear en los sistemas de gestión de clientes, por ejemplo, mediante técnicas específicas para el reconocimiento del tono emocional de los clientes. En los últimos años han cobrado igualmente interés las técnicas empleadas para categorizar a un cliente de seguros o servicios financieros en base al riesgo, la rentabilidad o cualquier otro criterio. En otro orden, el desarrollo de las técnicas de marketing personalizado gracias a los buenos resultados que pueden aportar un mix de técnicas de categorización, recomendación y optimización, llegando a una microsegmentación de clientes o bien para la construcción de robots conversacionales o chatbots. Estos robots conversacionales pueden complementar o sustituir parte de las interacciones con los clientes, alterando la gestión de canales comerciales, así como los de operaciones y atención a clientes.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

113

Por último, uno de los ámbitos con mayor grado de implantación de técnicas algorítmicas basadas en inteligencia artificial es la construcción de perfiles de usuario (profiling) a partir del comportamiento de una persona determinada mientras usa un servicio, producto o aplicación informática. A partir de este perfilado, el siguiente eslabón suele ser el diseño de nuevos productos financieros en base a la integración de comportamientos, preferencias o intereses, o el perfilado de uno o varios usuarios. Las técnicas de IA se han venido aplicando principalmente en las áreas de marketing y ventas, que operan en la primera línea de relación con los clientes finales. La diferencia de los modelos b2b (business to business) y b2c (business to consumer) en relación a la aplicación de inteligencia artificial estriba en la cantidad de datos que se pueden obtener y analizar en uno y otro caso. Así, mientras en los negocios b2b la interacción es más sofisticada o profunda, en los b2c existe una mayor base de clientes que son capaces de aportar más datos y más diversos, lo que permite que los algoritmos puedan aprender sobre la base de más datos. El ejemplo son las plataformas de comercio electrónico a diferencia de la venta de máquina-herramienta o equipos eléctricos o aerogeneradores, donde la venta es más técnica y suele incluir una parte de consultoría personalizada. Para alcanzar niveles de eficacia mediante la aplicación de IA es igualmente importante el tipo de datos sobre los cuales se van a emplear las distintas técnicas. Esta información puede tener distintas fuentes, pudiendo provenir de los sistemas de contabilidad, de las operaciones en los mercados, de las operaciones de los clientes a través de internet (ya sea en el navegador o a través de una aplicación móvil) o de una conversación telefónica, presencial o en videoconferencia. Como consecuencia, resulta fundamental convertir en datos que puedan ser analizados por los algoritmos textos, imágenes o vídeos o información desestructurada proveniente de la interacción de un usuario o de una persona de la empresa a través de los distintos sistemas informáticos desplegados en la organización. Pero además de esto, las distintas técnicas de IA se pueden aplicar, además de en relación a los productos, clientes y mercados (outbound), puertas adentro (inbound). En este segundo caso estaríamos hablando de una aproximación de industria 4.0 que busca la optimización de procesos, reducción de costes y esfuerzos y la eficiencia organizativa. Una transformación digital en términos de madurez digital en una organización implica esta doble dirección.

114

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

En este contexto resulta clave igualmente la importancia de disponer de grandes cantidades de datos que hagan posible, no solamente aprender, sino hacerlo de la manera más eficiente y precisa posible, reduciendo errores de los cuales no está exenta la inteligencia artificial. Así mismo, dada la creciente capacidad para obtener datos desde múltiples y variadas fuentes (big data) se plantea la necesidad no solamente de aplicar técnicas más o menos sofisticadas de análisis, sino de hacerlo sobre sistemas hardware que tengan mayor capacidad de cálculo, lo que abre un escenario futuro para el desarrollo de la computación cuántica, con una potencia de varios órdenes de magnitud superior a la electrónica actual basada en microchips, mejorando con ello la eficiencia de manera sustancial. 4. Desafíos

El pleno despliegue de la inteligencia artificial en las organizaciones plantea una serie de desafíos de distinto orden. En primer lugar, incorporar este tipo de competencias en las organizaciones requiere un notable esfuerzo en tanto que existe cierta escasez de personas cualificadas en la materia. Aunque en los últimos años se aprecia el crecimiento de la oferta formativa en la educación terciaria y específicamente en la formación continua, no es menos cierto que la oferta de profesionales plenamente capacitados es limitada. A ello se suma la complejidad y el alto grado de especialización que supone la inteligencia artificial a la hora de formarse para poder realizar desarrollos dentro de las organizaciones. En la segunda década del siglo XXI existe una cierta concepción y acuerdo sobre la necesidad de trasladar la inteligencia artificial aplicándola a los procesos de los negocios, en la conveniencia de aplicar estas técnicas debido a su natural eficacia, superando incluso el criterio humano. En cambio, en los últimos años están emergiendo con fuerza corrientes de opinión que han identificado debilidades intrínsecas en los algoritmos que sustentan tal aplicación, además de otros cuestionamientos en cuanto a la forma de utilización de los propios algoritmos. Así, las cuestiones éticas han aparecido ante los desafíos que plantea, por ejemplo, las consecuencias de un accidente en un vehículo que funciona automáticamente. Esto ha conducido a que estas materias aparezcan en las agendas de los gobiernos, que en el caso de la Unión Europea se ha traducido en sendas estrategias de inteligencia artificial y de datos para el futuro social y económico de la Unión, muestra inequívoca del papel absolutamente clave de esta tecnología y de las limitaciones a que debe ser objeto.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

115

Los aspectos sociales, éticos y regulatorios del uso de la IA son especialmente relevantes en el caso del sector financiero, pero también se extienden a otros sectores como el médico y farmacéutico, o la movilidad con vehículos autómatas. Así mismo, desde la perspectiva de las finanzas públicas, la fiscalidad ofrece un espacio propicio para la aplicación de técnicas de inteligencia artificial, especialmente en la investigación y detección del fraude. Contar con capacidades efectivas de inteligencia artificial en una organización supone un esfuerzo notable, aunque esta barrera de acceso se viene reduciendo. Las grandes compañías financieras están dando pasos en la adquisición de estos activos parar poder competir, tanto en los mercados existentes como en los que se están creando, construyendo sus nuevas ventajas competitivas o buscando no quedarse atrás en relación, principalmente a las grandes tecnológicas. Sin embargo, otras compañías con menores capacidades pueden verse seriamente amenazadas por los anteriores y por la emergencia de startups o empresas de base tecnológica con alto potencial de crecimiento. Desde la academia, el desafío de la inteligencia artificial tiene distintas derivadas. En primer lugar, como actividad económica, las universidades se enfrentan al reto de interiorizar este tipo de capacidades e integrarlas con las propias en lo docente, de investigación y transferencia. Así mismo, se ven apeladas a formar personas preparadas no solamente para el desempeño de su actividad profesional en el mercado actual, sino también futuro. A ello se añade la dificultad de abordarlo, no desde un planteamiento de la IA como una materia exclusivamente tecnológica, sino desde un enfoque integral, holístico y multidisciplinar. Este enfoque es especialmente relevante en las facultades no tecnológicas, pero no exclusivo de ellas. Finalmente, la evolución de los mercados laborales señala una incipiente y creciente polarización en relación a la preparación-cualificación de los profesionales. Si a esto unimos el potencial de sustitución de empleo por razones de la automatización, la adquisición de competencias digitales, entre ellas las relacionadas con la inteligencia artificial, plantean la necesidad de reenfocar tanto las carreras profesionales como la formación a lo largo de la vida desde una perspectiva de incrementar el nivel de competencias de las personas (upskill), o añadiendo nuevas competencias (re-skill) para evitar riesgos de exclusión del mercado laboral. Con ello se estarían reduciendo los riesgos de que el debate sobre la inteligencia artificial se polarice binariamente en torno a una

116

AGUSTÍN ZUBILLAGA REGO, IKER PASTOR LÓPEZ Y PABLO GARCÍA BRINGAS

lógica de ganadores o perdedores claramente empobrecedora para la economía y la sociedad en su conjunto. Bibliografía

ACEMOGLU, D. y RESTREPO, P. (2017): Robots and jobs: Evidence from US labor markets. National Bureau of Economic Research. AUTOR, D. y SALOMONS, A. (2018): “Is Automation Labor Share-Displacing? Productivity Growth, Employment, and the Labor Share”. Brookings Papers on Economic Activity, vol., no. 1, pp. 1-87. BAYES, THOMAS (1763): “LII. An essay towards solving a problem in the doctrine of chances. By the late Rev. Mr. Bayes, FRS communicated by Mr. Price, in a letter to John Canton, AMFR S”. Philosophical transactions of the Royal Society of London, nº. 53: 370-418. BUGHIN, JACQUES; JEONGMIN SEONG; JAMES MANYIKA; MICHAEL CHUI, y RAOUL JOSHI (2018): Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute. CASTILLO, ENRIQUE; JOSE M. GUTIERREZ y ALI S. HADI (2012): Expert systems and probabilistic network models. Springer Science & Business Media. CHUI, MICHAEL; JAMES MANYIKA; MEHDI MIREMADI; N. HENKE; R. CHUNG, P. NEL, y S. MALHOTRA (2018): Notes from the AI frontier: Insights from hundreds of use cases. McKinsey Global Institute. COPELAND, MICHAEL (2019): “What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning?”, https://blogs.nvidia.com/ blog/2016/07/29/whats-difference-artificial-intelligence-machine-learningdeep-learning-ai/. FIX, EVELYN y JOSEPH L. HODGES Jr. (1952): Discriminatory analysis-nonparametric discrimination: Small sample performance. California Univ. Berkeley. HIGH-LEVEL EXPERT GROUP ON ARTIFICIAL INTELLIGENCE (2019): Ethics Guidelines for trustworthy AI. European Commission. HKDH, BHADESHIA (1999): “Neural networks in materials science”. ISIJ international 39, n.o 10, 966–979. KOTSIANTIS, SOTIRIS B.; I. ZAHARAKIS, y P. PINTELAS (2007): “Supervised machine learning: A review of classification techniques”. Emerging artificial intelligence applications in computer engineering, 160, 3-24. LE CUNG, YANN, YOSHUA BENGIO y GEOFFREY HINTON (2015): “Deep learning”. Nature, 521, n.o 7553: 436-444. MORGAN STANLEY (2016): Disruptions and productivity growth in the next decade of the digital revolution. NAVARRO, MIKEL y XAVIER SABALZA (2016): “Reflexiones sobre la Industria 4.0 desde el caso vasco”. Ekonomiaz: Revista vasca de economía, nº. 89: 142-173.

INTELIGENCIA ARTIFICIAL: UNA APROXIMACIÓN DESDE LAS FINANZAS

117

OCDE (2018): Financial Markets, Insurance and Pensions. Digitalisation and finance. OPPENHEINER, ANDRÉS (2018): ¡Sálvese quien pueda! El futuro del trabajo en la era de la automatización. Buenos Aires: Debate. PORTER, M.E. (2008): On competition. Harvard Business Press. QUINLAN, J. ROSS (2014): C4. 5: programs for machine learning. Elsevier. QUINLAN, J. ROSS (1986): “Induction of decision trees”. Machine learning 1, nº. 1: 81-106.G RANSBOTHAM, SAM; PHILIPP GERBERT; MARTIN REEVES; DAVID KIRON y MICHAEL SPIRA (2018): “Artificial intelligence in business gets real”. MIT sloan management review 60280. RIFKIN, J. (2014): La sociedad de Coste marginal cero: el internet de las cosas, los bienes comunes y el eclipse del capitalismo. Barcelona: Paidos Ibérica. SAMUDITA, GAYAN (2019): “What is Reinforcement Learning”. https://towardsdatascience.com/what-is-reinforcement-learning-b047d9bb05cc. ZUBILLAGA REGO, A. (2018): Economía y sociedad digitales en el País Vasco 2018. Bilbao: Orkestra - Instituto Vasco de Competitividad.

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 119-141)

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

DE FINTECH A BIGTECH: UNA RESPUESTA REGULATORIA EN EVOLUCIÓN Lucía Pacheco Rodríguez Pablo Urbiola Ortún BBVA

SUMMARY

The digital transformation of financial services has led to the opening up of the market to new providers, giving rise to a new competitive environment characterized first by the unbundling of services by FinTech start-ups and increasingly by the re-bundling within BigTechs’ digital ecosystems. Policymakers responded first to the FinTech phenomenon with a piecemeal approach, defined and implemented mainly at the national level, that sought to ensure an adequate control of new risks while promoting innovation-enhancing competition. In this article we argue that BigTech’s entry is likely to more significantly change the structure of the financial industry and therefore the magnitude and nature of risks. Therefore, we explain why and how policymakers’ mindset should evolve towards a more comprehensive response to ensure the financial sector remains safe, stable and open to competition. Keywords: Financial, regulation, financial markets, digital markets, competition policy, data. RESUMEN

La transformación digital de los servicios financieros ha llevado a la apertura del mercado a nuevos proveedores, dando lugar a un nuevo entorno competitivo caracterizado primero por la desagregación de servicios por las startups FinTech y, cada vez más, por la reagregación dentro de los ecosistemas digitales de las BigTech. Las autoridades han respondido al fenómeno FinTech con un enfoque fragmentado, definido e implementado principalmente a nivel nacional, para controlar los riesgos y promover la competencia y la innovación. En este artículo argumentamos que la entrada de las BigTech puede cambiar de forma más significativa la estructura de la industria financiera y, por tanto, la magnitud y la naturaleza de los riesgos. Por lo tanto, explicamos por qué y cómo debe evolucionar la mentalidad de las autoridades para proporcionar una respuesta más holística que asegure que el sector financiero sigue siendo seguro, estable y abierto a la competencia. Palabras clave: Regulación, financiera, mercados financieros, mercados digitales, política de competencia, datos.

120

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

1. The digital transformation and competition in finance

The financial sector has always been a pioneer in adopting technological innovations, with the aim of enhancing efficiency and improving the service offered to its customers. However, the most recent wave of digital transformation that has shaken the economy, and evidently also the financial sector, is proving to be radically different to previous waves, and thus is leading to a more profound reconfiguration of the financial industry. Three factors illustrate this statement. First, it has led to a radical shift in clients’ needs and expectations. Consumers, used to receive immediate, ubiquitous and convenient digital services (e.g. social media or e-commerce), have extended those expectations to their providers of financial services. This has led to the appearance of new channels for distribution and customer service (i.e. electronic banking webs and mobile apps). This enables new providers to exploit the opportunity of entering into the financial space with more cost-effective digital distribution models. Second, this process of digital transformation is marked by an exponential technological change, mainly due to the appearance of enabling technologies - most notably, cloud computing - that are increasing computing power while reducing its cost. By enabling companies to consume on-demand computing and software capacity, cloud computing provides more efficiency, scalability and flexibility than traditional systems and thus is lowering barriers to entry to markets that make an intensive use of IT, such as the financial sector. Third, permanent connectivity and the digitisation of interactions through digital distribution models are driving exponential growth in the volume of data that is generated, while the aforementioned technological change is enabling the storing (cloud computing) and the processing and analysis (the exploitation of big datasets and the use of artificial intelligence) of that data. The greater availability of data in the overall digital economy has also lowered some barriers to entry in finance, given the value of information beyond the product or service where it has been generated. The combination of these factors has thus led to the opening up of the financial services market to new providers, giving rise to a new competitive environment populated by a myriad of companies: fintech startups first and increasingly large technology companies. This increased competition, despite having obvious benefits, could have implications for financial stability, consumer protection and the integrity of the financial

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

121

system that require a response from supervisors and policymakers (González-Páramo, 2017). In this paper we will explore how different types of companies have made their inroads into financial services and the implications of this for the aforementioned public policy objectives. Moreover, we will explore how authorities have responded to these challenges so far and discuss how their mindset should evolve to define the optimal stance towards pending public policy challenges.

2. A piecemeal regulatory response to FinTech and the unbundling of financial services

The first wave of those new competitors were small, digital-native startups which have come to be referred to as FinTechs1. These new entrants are characterized by their specialization, as they tend to concentrate on specific segments of the banks’ value chain. Furthermore, they have shown a tendency to focus on those financial services that are subject to a less stringent regulatory framework, are not capital-intensive or show higher returns on equity, such as payments, credit-related services that do not entail deposit-taking (i.e. crowdfunding or marketplace lending), or applications that help customers manage their finances (i.e. account information aggregators or automated financial advisors). These companies try to revamp the way financial service providers create value for their clients, by designing and delivering fully digital products and services with a great user experience. They have the advantage of starting without the burden of having to maintain a physical distribution network. They also benefit from state-of-the-art technologies and are not constrained by legacy IT systems or the rigidities of corporate culture (Vives, 2019). The initial objective of these new entrants was to disrupt traditional business models, de-coupling banking products and services from traditional financial institutions, and making traditional banking relationships unnecessary.

1 The Financial Stability Board (FSB, 2019a) defines FinTech as “technology-enabled innovation in financial services that could result in new business models, applications, processes or products with an associated material effect on the provision of financial services.” The wording FinTech firms or FinTechs is also used in this paper to describe firms whose business model relies on those innovations.

122

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

However, consensus is now building on the impact of FinTech companies being less disruptive than initially foreseen. Several reasons support this assessment. First, FinTech companies have found substantial limits to scaling, driven mainly by the high cost of acquiring new customers, the majority of which seem to prefer integrated financial services solutions from a trusted provider. The latter seems to be confirmed as many FinTech firms have lately started to move towards the aggregation of products and services, even becoming banks where the regulation facilitates obtaining a banking license. According to the European Banking Authority (EBA), most payments institutions in the European Union (EU) are currently focusing their strategies in expanding their offering and entering new markets (EBA, 2019a). A second reason can be found in banks’ reaction to the FinTech phenomenon. On the one hand, most banks have made significant investments with the aim of gaining agility and improving their digital offerings. On the other hand, most banks have adopted a collaborative stance towards the FinTech companies, forging strategic alliances and partnerships and making substantial investments in these companies2. As a result, the strategy of many FinTechs now is targeted at partnering or offering white label solutions to incumbent banks. Given their relatively small size, the predominantly cooperative/ collaborative relationship, and the fact that new business models rarely have entailed a significant change in risks, the impact of FinTech firms on financial stability has been assessed as being low (FSB, 2019a). Not surprisingly, FinTech developments have not resulted in a significant upheaval in the structure of financial regulation and supervision. Notwithstanding, regulators across jurisdictions have strived to deal with new or evolving challenges - mainly related to consumer and data protection, operational resilience and Anti-Money Laundering and Combating the Financing of Terrorism (AML/CFT) - while trying to reap the benefits associated with enhanced competition and the innovation brought forward by FinTech companies. In the pursuit of those two objectives, financial authorities have resorted to two main types of 2 According to the EBA (2018b), the most predominant relationship between incumbent financial institutions and newly established FinTech companies is one of collaboration and partnership. In fact, 95% of the financial institutions consulted to elaborate the report claimed having an ongoing relationship with Fintech firms. Furthermore, the same report also stated that 76% of EU banks have invested in FinTech firms (e.g. venture capital).

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

123

policy responses3: those aimed at filling existing loopholes in the regulatory framework and those that seek to promote innovation by the different players. Introduction of new licensing and supervisory regimes

The entry of new FinTech competitors has contributed to the emergence of new services or business models, not covered under existing regulations. In the ongoing process of ensuring that the regulatory perimeter is fit for purpose, authorities have seen merits in the introduction of new activity-specific licencing frameworks (EBA, 2019b). Generally speaking, these rules apply to both banks and non-bank players and usually deal with consumer and investor protection - most notably, the safeguarding of customersâ&#x20AC;&#x2122; funds - and market integrity, in the context of a particular product or service. Nevertheless, the introduction of such frameworks also responds to policymakersâ&#x20AC;&#x2122; desire of enabling the spread and scaling of novel services or business models by providing trust to the market. Developments in this front have been uneven among the different financial sector verticals: â&#x20AC;&#x201C; Deposit-taking. This is a highly standardized, tightly regulated activity which remains exclusive to institutions with a bank charter. Developments in this front are often limited to providing support to facilitate the authorisation process for credit institutions with a technology-intensive business model. For instance, the European Central Bank issued guidance on how credit institution authorisation requirements apply to new entrants with FinTech business models, while in the United Kingdom (UK) financial authorities set up the New Bank Start-up Unit to support applicants for a bank license. Some jurisdictions, though, have introduced targeted licensing frameworks for digital-only banks, such as Singapore and Hong Kong (Ehrentraud, J. et al., 2020).

3 Although not specifically targeted to respond to the entry of new competitors, financial authorities have also taken actions to provide legal certainty for the effective application of technological innovations (such as cloud computing, distributed ledger technologies or artificial intelligence) in the financial industry. In most cases, though, policies have also focused on limiting potential risks associated with the use of a technology or with the increased dependency on third parties.

124

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

– Payments and other store-of-value services. This is probably the area that has seen the greatest innovation in recent years, and thus the regulatory framework has been subject to deeper changes. In the EU, for instance, this has materialized in the Second Payment Services Directive (PSD2)4, which in addition to reinforcing the security of payments operations, has extended the regulatory perimeter to cover services that were being offered in the EU market but were out of the scope of the first payment services directive. This refers to payment initiation services (PIS) and the aggregation of the information on balance and movements of several payments accounts held by the client in different institutions (AIS or account information services). The main characteristic of these services is that the provider does not need to operate the payment account, but instead can access the information or initiate operations (with the consent of the customer) in the paymensts accounts she holds with other institutions. These companies are generally known as thirdparty providers or TPPs. In many jurisdictions, the regulatory framework has also incorporated another type of company operating in the payments field: electronic money institutions5. These companies can usually provide the same services as payment institutions, as well as offer storeof-value services in the form of digital wallets or multipurpose prepaid cards. They are thus allowed to hold client money when they issue electronic money equal to the fiat currency deposited by the client. E-money institutions are not allowed to intermediate or invest those funds. The payment space is thus increasingly formed by different types of entities (payment institutions, electronic money institutions, providers of account information and payment initiation services6). All these companies need to be authorised or registered by competent authorities, but requirements (prudential, operational, informational and security) vary hugely between AIS providers on the lighter end and e-money institutions on the other. Most notably, these ins-

Directive (EU) 2015/2366. Electronic money and e-money are used interchangeably throughout this document. 6 Credit institutions are usually entitled to perform the same activities permitted to payment institutions. 4 5

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

125

titutions are subject to requirements to guarantee the safeguarding of customersâ&#x20AC;&#x2122; funds, which demand they set aside those funds in liquid, safe investments, which usually are accounts at commercial banks. â&#x20AC;&#x201C; Lending. Innovations in the lending space have taken different forms. In some cases, FinTechs have engaged in lending with their own funds. In most jurisdictions this falls within existing frameworks for non-bank providers of credit, and generally brand new regimes have not been crafted (Ehrentraud, J. et al., 2020). However, lending or crowdfunding marketplaces have introduced a different business model from that used by banks and other credit providers. These platforms do not provide credit themselves (nor with their own capital or through financial intermediation), but instead connect savers and borrowers and enable them to directly sign credit agreements. As a result of the expansion of this market, governments around the world issued local regulations or guidelines with different approaches. These provisions generally cover issues related to the role of the platforms, transparency, reporting and the protection of users (including through the establishment of investment limits). It must be noted that in most jurisdictions crowdfunding (lending or equity based) is the only platform-based marketplace activity that has been brought into the financial regulatory perimeter7. â&#x20AC;&#x201C; Crypto-assets and related activities. Regulation in this field differs significantly across jurisdictions. Authorities have often issued warnings, informing investors of the risks and safeguards and clarifying the regulation applicable to issuers, holders and intermediaries. However, significant uncertainties remain on the nature and treatment of different types of crypto assets. Also, in most jurisdictions authorities have sought to control risks of AML/CFT by including providers and intermediaries in these markets (i.e. exchange platforms and custodian wallets) as obliged entities in AML regulations. Moreover, several authorities have gone further and have banned specific activities related to crypto-assets (e.g. China or India), or have issued dedicated regulation (e.g. France) 7 EBA (2019b) suggests that additional consideration might be needed for some marketplacerelated activities (i.e. deposit marketplaces) that sit outside the perimeter.

126

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

(Ehrentraud, J. et al., 2020). Further work is underway both at global and EU level to classify crypto-assets and decide on the appropriate regulatory treatment for each type8. More generally, this is the area where we expect more regulatory developments in the foreseeable future given the rapid market developments and the existing regulatory gaps.

Promotion of innovation by all players

Most jurisdictions have made efforts to actively promote digital innovation in financial services, creating the appropriate policy enablers, ensuring that all players have access to key inputs or facilitating experimentation. The following is a non-exhaustive list of public policies with that aim: – Policy enablers. Many jurisdictions have undertaken reforms to allow financial institutions and new FinTech companies to use digital technologies to identify and verify the identity of their customers remotely, thus enabling the provision of end-to-end digital financial services. These efforts have often taken the form of regulatory changes aimed at reducing unnecessary obstacles. In other countries, especially among emerging markets, the public sector has played a crucial role by encouraging or developing dedicated solutions and infrastructures. – Access to key inputs for the provision of financial services. Information has always been a key input for any activity in finance, but digitisation is increasing the importance of accessing data and information, as many products and services are data-based in the digital economy. Also, new processing capabilities and analytical tools allow a more sophisticated and intensive use of data. Within this context, several financial authorities have taken steps to facilitate new players access to customers’ data, with their consent, under Open Banking ecosystems. In the EU, for instance, this has been regulated under the aforementioned PSD2 which grants access to

8 In December 2019, the European Commission launched a public consultation on the regulatory framework for crypto-assets. Also, the Basel Committee on Banking Supervision (BCBS) issued a discussion paper on the prudential treatment of banks’ exposures to crypto-assets (BCBS, 2019a).

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

127

bank accounts to third-party providers, acting on behalf of the client. Furthermore, the development of standardised Application Programming Interfaces (APIs) will provide a more efficient and secure mechanism for exchanging data or conducting banking operations (BCBS, 2019b). Rules on the exchange of customers’ information are not restricted to the financial sector, though. For instance in Europe the new General Data Protection Regulation (GDPR)9 includes a right to data portability of personal data. However, firms are only “encouraged” to develop interoperable formats and data will only have to be directly transmitted between firms “where technically feasible”, which raises questions on its practical effectiveness (Fernández de Lis and Urbiola, 2019). On the other hand, Australia’s open banking rules are embedded within a broader Consumer Data Right10, with plans to allow users to also share data held in the energy and telecommunications sectors, and potentially data held in digital platforms. Moreover, authorities have also sought to allow new competitors access key payments infrastructures. As already discussed the European PSD2 has allowed third parties authorised as payment initiation service providers to access bank account data and initiate payments on behalf of clients. – Innovation facilitators. Acknowledging that regulatory obstacles or uncertainties might come to hinder the development of innovative financial solutions, many financial authorities around the world have introduced “innovation facilitators”. These typically take the form of “innovation hubs” or “regulatory sandboxes” and aim at facilitating innovation for all players, under safe and even conditions, by ensuring access to regulatory and supervisory guidance. Innovation hubs are the most extended of these facilitators (Ehrentraud, J. et al., 2020). They provide a dedicated point of contact for firms on FinTech related issues, and to seek non-binding guidance on regulatory and supervisory expectations (EBA, 2018a). Regulatory sandboxes go one step further, by providing a

Regulation (EU) 2016/679. Treasury Laws Amendment (Consumer Data Right) Bill 2019 (Australia).

128

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

controlled environment in which projects featuring technologybased innovation that might be beneficial to consumers or the market are tested with real clients in a closed and supervised manner. Regulatory sandboxes were first introduced in the world of finance in 2015 by the UK’s Financial Conduct Authority, but the concept has later been replicated in other geographies11. Approaches to sandboxes vary across jurisdictions in terms of: governance - ruled by one or multiple authorities -, eligible market participants - limited to unregulated FinTech startups or open to all types of innovative providers, including banks -, criteria for accepting projects - ready for testing or in pilot phase -, application process - cohorts or rolling-, and the tools available to the authorities responsible of the sandbox - ranging from individual guidance and temporary approvals for testing, common to most jurisdictions, to no enforcement action letters and temporary waivers or modifications to non-critical rules. Furthermore, participation in the sandbox is usually conditional upon the company accepting testing parameters (e.g. limits on the number of consumers and/or the funds involved) and safeguards that ensure no detriment to the customers or to the market. Obviously, sandboxes are not only aimed at facilitating access to regulatory and supervisory clarity, but are also conceived as a very useful tool in the hands of authorities to accelerate their understanding of novel business models and their risks, thus helping authorities in their efforts of filling existing loopholes in the regulatory framework and removing obstacles to innovation (EBA, 2019b). In this regard, sandboxes can be seen as a tool for more evidencebased policy interventions, since authorities can test beforehand the adequacy of different risk mitigation measures. This overview seems to suggest that policymakers have so far taken a piecemeal approach, resorting to a wide range of separate measures to meet different policy objectives. It is also noteworthy that policy responses to FinTech have been defined and implemented nationally – or, in Europe, at the EU level –, with limited (or none) international coordina11 The IMF-World Bank global fintech survey identified 33 sandboxes by 2019 (IMF and World Bank, 2019).

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

129

tion. The next section will explore whether this approach to regulation and supervision of FinTech developments will be fit-for-purpose with the advent of a new type of player: large, global technology companies that have successfully created digital ecosystems of interconnected products and services.

3. BigTechs’ re-bundling of financial services: new challenges for regulators

This new breed of competitors, commonly known as BigTech companies12, are also starting to offer some financial products and services and, as the FinTechs, have so far focused in payments and credit, while in some cases also targeting insurance or wealth management13. The difference is that, while FinTech companies operate primarily in financial services, BigTech companies offer financial products only as an extension of a much broader set of business lines. The latter is due to these companies’ shared strategy of building around their customers an ecosystem of interconnected products and services (Fernández de Lis and Urbiola, 2019). BigTech firms can achieve scale very quickly when entering new business lines, including financial services, since their digital ecosystems already have millions of active users, and have several characteristics that contribute to consolidate their position in the markets in which they operate and help them enter new ones. First, they develop network effects - a user’s benefit from participating in the ecosystem increases with the number of users, creating self-reinforcing feedback loops. Second, they have a position as gatekeepers - some of their products and services act as an entry point to other products or markets, giving these companies the ability to exert some control over connected markets. Third, they have access to vast amounts of data from their users’ interactions with different services, and have unrivalled capacity to analyse that data. The latter contributes to dynamic economies of scale and facilitates moving into adjacent business lines for which existing datasets are valuable. These characteristics illustrate why digital ecosystems might 12 Currently the term BigTech is most frequently associated with Google, Amazon, Facebook and Apple (GAFA) in the US and with Baidu, Alibaba (Ant Financial) and Tencent (WeChat) in China (BAT). 13 For a description of BigTechs’ current activities in finance, see FSB (2019b).

130

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

add new products and services not only as new direct sources of revenue, but to reinforce the strength of their ecosystems. Financial services are not an exception, and might enable BigTechs to collect additional customer data and to increase their customer base and loyalty to their core commercial activities. Given their aforementioned comparative advantages, even if BigTech companies’ inroads into financial services are of limited relevance in most markets so far, with the significant exception of China, this situation could change rapidly. Moreover, regulation can also act as a catalyst of BigTechs’ inroads into financial services. Most notably, the spread of open banking frameworks, as explained in Section 2, can be used by BigTechs to get access to their users’ bank data as well as to initiate payments on their behalf. Therefore, assessing the effects of different forms of BigTech participation in financial services is of relevance for regulators to remain prepared to provide a timely policy response to rapid market shifts. In engaging in the provision of financial services, BigTechs can both collaborate and compete with traditional financial institutions. This is to say that these companies either provide services on top of or in collaboration with existing financial institutions or develop new services outside the traditional financial network. The first type might refer to those cases in which a BigTech partners with one or few leading financial institutions to become the customerfacing provider of a certain finance service (i.e. a fully-fledged bank current account or loan, with a partner financial institution as the trusted back-end provider that holds the customer funds or bears the risk of the loan). It might also include business models in which a BigTech company creates one additional layer on top of existing services, for instance acting as a marketplace - i.e. offering customers the ability to access the products of multiple financial institutions through their distribution channel or platform - or relying on third-party infrastructures - i.e. leveraging existing card and inter-bank payment schemes to offer mobile wallets, payment initiation services or online acquiring services. The second type refers to instances in which BigTechs act as direct providers of financial services to end-users in direct competition with traditional financial institutions. In the most extreme case, BigTechs could create a parallel infrastructure to the existing financial sector setup (i.e. offering payment or e-money services with the possibility that processing, clearing and settlement of transactions eventually all takes place

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

131

within its own ecosystem). An interesting example of the latter case can be found in the Libra project14, the Facebook-led global stablecoin initiative announced in June 2019. In jurisdictions where authorities have already walked the path described in Section 2 of filling the regulatory loopholes made evident by the FinTech phenomenon, most of these activities and interactions would fall within the existing perimeter of activity-specific regulations. BigTechs could be regulated as lending marketplaces, non-bank lenders, e-money or payments institutions15, and thus would be subject to regulatory and supervisory requirements aimed at ensuring adequate conduct of business, the safeguarding of customers’ funds and the prevention of money laundering. In the case of activities that remain outside the regulatory scope, there is consensus on the need to fill in certain gaps (mainly activities related to crypto-assets), while it has been argued that others like marketplace businesses other than crowdfunding or mobile wallets (i.e. enablers of NFC payments) are of an ancillary, non-financial nature and thus it is yet unclear whether they need to be regulated (EBA, 2019b). However, the fitness of the regulatory perimeter - both in terms of breadth of activities covered and sufficiency of the existing requirements/safeguards in activity-specific frameworks - might be challenged if these activities are to be performed at a much greater scale than initially foreseen. This, as has been argued, is of non-negligible likelihood in the presence of BigTech companies, and financial stability risks might emerge should BigTechs gain a dominant position in different verticals: – Payments and other store-of-value services. Were non-deposit store of value products - such as e-money - to become prominently used in an economy, a relatively large pool of funds may be controlled outside of the banking system. Although existing regulations often require providers of such products to deposit these funds with commercial banks, as a means to ensure the safeguarding of customers’ funds, this implies a change in banks’ funding structures - i.e. a sig14 Libra has been announced as a stablecoin backed by a basket of deposits and high-quality, liquid assets denominated in strong sovereign currencies. For more information see Libra Association Members (2019). 15 We see the possibility of BigTechs obtaining a banking licence less likely in the current context. This possibility is thus not discussed in this paper.

132

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

nificant proportion of retail funding would be replaced by wholesale funding - which would increase banks’ funding costs. Furthermore, this pool of funds is likely to show greater mobility compared with retail deposits, which may reduce the stability of bank funding. In sum, this could eventually undermine the financial sector’s role in financing long term investments. Even where BigTech firms provide an interface between providers of financial services and their customers (i.e. marketplace for deposits or payment initiation services), rather than competing directly with them, there remains some risks. Especially when coupled with instant payments, a widespread use of BigTechs’ solutions in this field would facilitate rapid and large-scale movements of clients’ funds, reducing the stickiness of bank deposits. This could have implications on banks’ cost and stability of funding as already described. – Lending. A rapid expansion of credit provision by BigTech firms could give rise to different risks. These refer to the potential reduction in lending standards, which might be a result of a greater risk appetite, a less stringent governance framework or the misalignment of incentives under an agency lending model16. Also, there exists uncertainty on the performance of new forms of credit assessment which have not been tested through a full business and financial cycle. All the above might lead to enhanced procyclicality in credit provision, as funding flows from BigTech could become large or unstable or concentrated in some market segments and the ability of BigTechs to maintain the credit supply during a downturn is not clear (although it is probably less of a problem than for smaller FinTech companies) (CGFS and FSB, 2017). Regardless the field of activity and given BigTechs’ features and scale, financial stability risks can also arise as a result of their systemic importance, the increased interconnectedness and operational linkages and the change in the structure of the industry. – Systemic importance. Where BigTechs add new layers on top of existing services (for instance, as provider of a deposit or credit marketplace or as part of the payments infrastructure), they could 16 In models where BigTechs retain a limited stake in the loans they originate, they could have an incentive to take on excessive risk, investing less efforts in screening loans distributed to banks they collaborate with.

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

133

become critical infrastructures for the functioning of the market. Also, to the extent that they directly offer services to end-users, they could become themselves systemic providers of essential financial services for the economy such as lending, storing customers’ savings or channelling payments. In both cases, their failure could cause widespread disruption to other parts of the financial system or the economy more broadly. And unlike existing regulations for banks, financial markets infrastructures and other providers of systemic importance, existing activity-specific rules seem unlikely to ensure the continuity in the provision of those essential services should an idiosyncratic or system-wide event take place. Given the key features of digital ecosystems explained above and their associated tendency to market concentration, the systemic importance of BigTechs’ services may not only materialize in a relatively short period of time, but it can also reasonably be expected to increase over time. As noted by the Financial Stability Board (FSB, 2019b), the new structure of the financial industry could be one in which a small number of BigTech firms dominate, rather than diversify, the provision of certain financial services17. This has already happened in a number of other (non-financial) digital markets, where these companies benefit from strong network effects, economies of scale and/or gatekeeper roles, and in some cases they have been found to engage in anti-competitive practices to further consolidate their position. Also linked to its systemic importance, growing credit activity outside the prudential regulatory net could create risks akin as those often attributed to the phenomenon of “shadow banking”18 and could limit the effectiveness of macroprudential policies19, since traditional tools are almost exclusively applied through the banking 17 The debate over the impact of BigTechs in competition evidently goes beyond the financial sector. It has been argued that although the foundations of competition policy are sound, existing tools might be insufficient to address the challenges of digital markets. 18 “Shadow banking” (also referred to as non-bank financial intermediation or NBFI) was originally defined by the FSB as a system of credit intermediation that involves entities and activities outside of the regular banking system. Shadow banking has raised concerns of systemic risks (e.g. arising from activities that generate maturity and/or liquidity transformation or that create leverage). See Financial Stability Board (2011). 19 The effectiveness of monetary policy may also suffer in a scenario of growing banking disintermediation.

134

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

sector. In fact, Braggion et al. (2018) find evidence that peer-topeer credit in China helped undermine loan-to-value caps. Moreover, supervisors may be less able to monitor activity that is more dispersed and outside the prudential perimeter. – Interconnectedness and operational links are likely to arise, especially if models in which BigTechs interact, partner or act as interface with traditional financial institutions become widespread. For instance, an operational failure or financial shock with a BigTech acting as either direct provider of e-money or consumer-facing party of a bank account, could be disruptive for the financial institution(s) holding the funds. – Risks of the transition to a new market structure. Growing BigTech competition is likely to erode the viability of some existing business models, and financial institutions might see their resilience affected either by squeezed profitability (as a result of direct competition or due to dependency on BigTechs’ in partnership models) or less stable funding. This could generate financial stability risks if an orderly transformation of the industry is not guaranteed. The regulatory reform put in place in response to the global financial crisis has equipped financial authorities with a range of instruments to deal with crisis situations, including recovery and resolution planning and tools and well-capitalized, better functioning deposit guarantee schemes. On top of testing the validity of these tools, the transition might create other risks that financial authorities should manage, including excessive risk-taking by some financial institutions. Admittedly, it is yet impossible to predict exactly how technological developments will disrupt the financial industry, and whether the entry of new competitors will lead to more concentration or give raise to all or part of the financial stability risks outlined above, or rather will promote innovation-enhancing competition in the financial sector. Nevertheless, we argue that the response to these questions will be influenced by several factors shaping the competitive landscape today. In the remainder of this section we will try to illustrate how existing policies could impact the speed and form of the reconfiguration of the industry, and the extent to which different players can be unduly penalised. These include both sectorial regulations specific to the financial sector and their interplay with other cross-sectorial regimes, in particular, rules on data access and portability.

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

135

It is evident that the banking industry has a crucial economic role being central to the payment system, the financing of the economy and the safeguarding of the publicâ&#x20AC;&#x2122;s deposits - and as such, is subject to extensive regulation. Most notably, prudential regulation and supervision seek to enhance the resilience of the banking sector to economic shocks by ensuring sufficient levels of capital, provisions and liabilities with loss-absorption capacity. It also imposes strong requirements for risk management and control. In addition, banks are subject to other pieces of regulation, which do not fall directly from their role as deposittakers. This includes regulation concerning AML and CFT, as well as for the protection of consumers. These latter bodies of regulation are generally specific to each type of financial product and service, and thus have been embedded in the activity specific licencing frameworks discussed previously in this paper. Therefore, these regulatory provisions do not, on a general basis, lead to competitive imbalances between providers of the same activity. The case with prudential regulation and supervision is completely different as it is applied on a consolidated basis to all entities engaged in deposit-taking. This means that, even if some of the services offered by banks can be conducted by subsidiaries that are not funded with deposits, authorities understand that risks cannot be easily ring-fenced within a banking group. Thus, they have adopted a conservative approach and extended the application of prudential requirements to all the entities that form it. The regulatory and supervisory implications of this extension are such that new entrants have most often refrained from crossing the barrier of deposit-taking. As a result, in performing those non-core activities (i.e. not funded with deposits), BigTechs are only subject to activity-specific regulatory frameworks while banks always face the additional scrutiny that comes with the prudential umbrella. Leaving traditional regulatory frameworks aside, we have already signalled several forms in which regulators have proactively sought to facilitate the opening up of the financial sector to new competitors, by reducing barriers to entry. The rules on access and sharing of customersâ&#x20AC;&#x2122; data are of particular relevance in this discussion. In the particular case of the EU, the PSD2 requires banks to open up their payments-related data in a standardized, real-time manner and without monetary compensation, but there is no equivalent requirement for data of non-bank players. As discussed in section 3, the requirements enshrined in GDPR are a reflection of basic individual rights over privacy and seek to ensure

136

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

users’ control over the data that one creates. Therefore, the Regulation includes, among other rights, a right to data portability. However, as commented this right is proving much less powerful than the opportunities for data sharing that are arising from open banking frameworks. This creates a data asymmetry: financial firms must provide easy access to standardised payments data but other sectors’ data isn’t available on similar terms. The FSB highlighted this asymmetry recently and how it could help change the dynamics of competition quickly, with potential implications for financial stability (FSB, 2019b). In fact, this puts the financial sector at a disadvantage when providing digital financial services, and reinforces BigTechs’ competitive data advantage and damages the level playing field in detriment to banks’ customers. 4. Conclusions and policy recommendations

The response to the first wave of disruption in finance was guided by two objectives: ensuring an adequate control of risks and the promotion of innovation-enhancing competition. As a result, a wide range of policy measures have been introduced, as described in Section 2 of this paper. However, the magnitude and nature of risks are likely to change, as is the nature and degree of competition in the financial industry, with the second wave of competition - the BigTechs. Therefore, further action by supervisors and policymakers might be warranted. This is not to say that those overarching objectives need to be changed, but rather that new considerations and consequent policy actions need to be added. We envisage three main lines of action that policymakers and supervisors should embrace to start crafting an adequate response to the potential financial stability risks associated with the entry of BigTechs in finance.

Fine-tuning activity-specific regulatory frameworks

First, the licensing and supervisory frameworks in place for activities such as electronic money or non-bank lending might need to be revisited to ensure their fitness for the potential risks of large-scale provision of these services by the BigTechs. This could include tightening prudential, operational resilience and resolution requirements, demanding closer supervision and more exhaustive risk governance or defining additional reporting and disclosure requirements.

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

137

Authorities should also consider whether some of the business models not previously covered by regulation should be brought into the regulatory perimeter, and be subject to targeted obligations regarding AML/CFT, reporting or consumer protection as deemed adequate. In the case of some marketplace business models, authorities might need to clearly assign responsibilities between platforms and financial institutions, for instance in case of fraud, failure or cyberattacks, to adequately reflect the allocation of liabilities to the governance of systems and risk prevention. In addition, given the interest of some BigTechs in entering in the field of crypto-assets, potentially with the launch of stablecoins tied to one or multiple fiat currencies, the clarification of the classification and regulatory treatment of different types of crypto-assets – that we have already signalled as a gap in the regulatory perimeter – becomes even more important. Fortunately, there is work underway both at the EU and global levels on this front. However, in the context of a potential global stablecoin20 launched by a BigTech and given the possibility that some of these crypto-assets fall within existing activity-specific frameworks (e.g. e-money)21, it is necessary that authorities consider the validity of such frameworks to deal also with these developments. Promotion of innovation by all players under fair and even conditions

As has been argued, different types of financial service providers might be subject to markedly different standards, which obviously hampers the level playing field. Thus authorities should tackle those asymmetries in regulation that are not justified by risk considerations. This requires effectively applying the principle “same activities, same risks, same regulations” by shifting towards an activity and risk-based approach where rules are currently entity-based22. To this end, authorities 20 The G7 Working Group on Stablecoins defines global stablecoins as those sponsored by large technology or financial institutions. As they are built on large customer bases, these stablecoins have the potential to scale rapidly. See G7 Working Group on Stablecoins (2019). 21 The EBA (2019c) has stated that certain crypto-assets - in particular, those that are fully collateralized by a fiat currency - qualify as e-money. 22 The need for such a reform has already been brought forward by the European Commission Expert Group on Regulatory Obstacles to Financial Innovation (ROFIEG). See Expert Group on Regulatory Obstacles to Financial Innovation (2019).

138

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

should explore whether the proportionality principle embedded in financial regulation could be more consistently applied to better respond to the actual risks created by certain activities within banking groups. We have previously referred to rules on access to data that are financial-sector specific (i.e. open banking) as a source of unlevel playing field. This has led some authors to the conclusion that BigTechs’ data superiority needs to be addressed in order to preserve appropriate competition in financial services (de la Mano, M. and Padilla, J., 2018). However, this can be done in different ways. We are of the view that there is huge potential in extending the rationale of open banking across other sectors of the economy. In fact, we believe that allowing users to share their nonfinancial data with other firms can promote innovation and competition, further empower consumers and level the playing field in financial services. This would be best achieved following a horizontal rather than sector-specific approach, which needs to ensure high security standards, for which the use of standardised sharing interfaces could be explored23. Finally, to ensure fair and even competition between BigTechs and other players, we are of the view that competition policy needs to be updated so as to ensure that adequate consideration is given to the role of data and the impact of mergers and potential anti-competitive practices on dynamic competition - market contestability and innovation incentives. Furthermore, it is important to ensure that policy tools remain effective for digital markets. For instance, investigations should move fast enough, and the use of interim measures should be considered to address certain conducts before they have led to entrenched market effects difficult to undo. This could also be complemented by regulatory action in some cases. In addition to a new user data sharing regulation, policymakers should consider introducing neutrality (no self-preferencing) obligations for the most significant platforms, to ensure they do not give an unfair advantage to their own vertically integrated products and hold back competition. 23 This view is shared by the ROFIEG Expert Group. See Expert Group on Regulatory Obstacles to Financial Innovation (2019).

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

Address BigTechs’ systemic dimension

139

In addition to the strengthening of activity-based frameworks, authorities should consider whether a response at macro level is needed to deal with the financial stability risks associated with BigTechs’ potential systemic dimension. This might include the enhancement of monitoring of non-bank providers of finance - as has been discussed in the context of shadow banking - and the revision of macroprudential policies and tools to ensure they are fit to deal with the accumulation of risks outside of the banking sector. Also, authorities should consider whether new BigTech services, to the extent that they become critical for the functioning of the global financial system, fit within the existing standards for critical financial market infrastructures. However, as BigTechs’ services form part of a broader network of interconnected services and IT infrastructures serving the broader economy, policymakers should question whether in some cases responses to tackle operational or cyber-security issues should be defined with a horizontal, rather than activity-specific view. In conclusion, the appropriate response to the potential challenges created by the entry of BigTech companies into the financial sector requires a combination of different regulatory measures. This is a major policy challenge, as many of the issues raised along this paper span well beyond the financial sector. Financial authorities cannot, thus, act in isolation. Rather, they should coordinate with authorities in other fields, notably competition and data protection. Moreover, given the scale and global nature of innovation and the business models of many new players, coordination must also take place across borders. Luckily, the G20 has already made a call for a concerted effort, starting at the G20 itself (G20 Presidency, 2019). References

BASEL COMMITTEE ON BANKING SUPERVISION (2019a): Designing a prudential treatment for cryptoassets: Discussion paper issued for comment by 13 March 2020, Bank of International Settlements, Basel. BASEL COMMITTEE ON BANKING SUPERVISION (2019b): Report on open banking and application programming interfaces, Bank of International Settlements, Basel. BRAGGION, F. and MANCONI, A. and ZHU, H. (2018): Can Technology Undermine Macroprudential Regulation?: Evidence from Online Marketplace Credit in China, CEPR Discussion Paper No DP12668.

140

LUCÍA PACHECO RODRÍGUEZ Y PABLO URBIOLA ORTÚN

COMMITTEE ON THE GLOBAL FINANCIAL SYSTEM (CGFS) and the FINANCIAL STABILITY BOARD (FSB) (2017): FinTech credit: Market structure, business models and financial stability implications, Bank for International Settlements and Financial Stability Board, Basel. DE LA MANO, M. and PADILLA, J. (2018): “Big Tech Banking”. Journal of Competition Law & Economics, Vol. 14, Issue 4, Pages 494–526. DIRECTIVE (EU) 2015/2366 of the European Parliament and of the Council of 25 November 2015 on payment services in the internal market. EHRENTRAUD, J. et al. (2020): “Policy responses to fintech: a cross-country overview”, FSI Insights on policy implementation, No 23, Bank of International Settlements, Basel. EUROPEAN BANKING AUTHORITY (2018a): EBA Report on FinTech: Regulatory sandboxes and innovation hubs, European Banking Authority, London. EUROPEAN BANKING AUTHORITY (2018b): EBA Report on the impact of FinTech on incumbent credit institutions’ business models, European Banking Authority, London. EUROPEAN BANKING AUTHORITY (2019a): EBA Report on the impact of FinTech on payment institutions’ and e-money institutions’ business models, European Banking Authority, London. EUROPEAN BANKING AUTHORITY (2019b): EBA Report on regulatory perimeter, regulatory status and authorisation approaches in relation to FinTech activities, European Banking Authority, London. EUROPEAN BANKING AUTHORITY (2019c): EBA Report with advice for the European Commission on crypto-assets, European Banking Authority, London. EXPERT GROUP ON REGULATORY OBSTACLES TO FINANCIAL INNOVATION (ROFIEG) (2019): 30 Recommendations on Regulation, Innovation and Finance - Final Report to the European Commission, European Commission, Brussels. FERNÁNDEZ DE LIS, S. and URBIOLA, P. (2019): Digital transformation and competition in the financial sector, BBVA Research Working Paper 19/02. FINANCIAL STABILITY BOARD (2011): Shadow Banking: Scoping the Issues A Background Note of the Financial Stability Board, Financial Stability Board, Basel. FINANCIAL STABILITY BOARD (2019a): FinTech and market structure in financial services: Market developments and potential financial stability implications, Financial Stability Board, Basel. FINANCIAL STABILITY BOARD (2019b): BigTech in finance. Market developments and potential financial stability implications. Financial Stability Board, Basel. G7 WORKING GROUP ON STABLECOINS (2019): Investigating the impact of global stablecoins, Bank of International Settlements. G20 PRESIDENCY (2019): Overview of Saudi Arabia’s 2020 G20 Presidency: Realizing Opportunities of the 21st Century for All. GONZÁLEZ-PÁRAMO, J.M. (2017): “Financial innovation in the digital age: Challenges for regulation and supervision”, Revista de Estabilidad Financiera, no. 32. Madrid.

FROM FINTECH TO BIGTECH: AN EVOLVING REGULATORY RESPONSE

141

INTERNATIONAL MONETARY FUND and WORLD BANK (2019): Fintech: The Experience So Far, IMF Policy Paper No 19/024. LIBRA ASSOCIATION MEMBERS (2019): An Introduction to Libra. REGULATION (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data (General Data Protection Regulation). VIVES, X. (2019): “Digital disruption in banking”, Annual Review of Financial Economics, Vol. 11, pp. 243-272.

BoLetin de estudios economicos Vol. LXXV - n.º 229 - Abril 2020 (Páginas 143-170)

ESTRUCTURA FINANCIERA Y CREACIÓN DE VALOR: UNA APROXIMACIÓN A TRAVÉS DE LA TRIP FINANCIAL STRUCTURE AND VALUE CREATION: AN APPROACH BASED ON THE PENALIZED INTERNAL RATE OF RETURN (PIRR) Javier santibáñez Leyre Goitia-Berriozabal José A. madariaga

Profesores del departamento de Finanzas y economía de deusto Business school1 RESUMEN

La decisión de inversión está considerada desde hace años como la más importante en las finanzas empresariales: es la clave en la creación de valor. Pero las diferentes circunstancias de los mercados pueden también propiciar oportunidades para crear valor con la financiación. mucho se ha discutido desde la Academia sobre cómo y cuándo podemos crear valor con la forma de financiación, con la denominada estructura financiera. en este artículo se utilizarán conceptos conocidos como los leverages operativo y financiero, junto a otros menos conocidos como la tasa de Rentabilidad interna Penalizada, para, de manera sencilla, ayudar a los responsables financieros a crear valor con la estructura financiera. Palabras clave: Apalancamiento operativo, apalancamiento financiero, riesgo, endeudamiento, creación de valor, tasa de rentabilidad interna penalizada. SUMMARY

investment decision has been considered for years as the most important one in business finance: it is the key in value creation. But different market circumstances can also provide opportunities to create value with the financing decision. much has been discussed in the Academy about how and when we can create value through the so-called Financial structure. this paper will use very well–known concepts as operational or financial leverages, along with others that are less known as the Penalized internal Rate of Return, to easily help financial managers create value with the Financial structure. Key words: operating leverage, financial leverage, risk, leverage, value creation, penalized internal rate of return. 1 Queremos agradecer al profesor Fernando Gómez-Bezares, compañero y amigo, sus interesantes sugerencias al texto original. Los errores, en todo caso, son responsabilidad exclusiva de los autores.

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

144

1. Introducción

el objetivo de este artículo es el de ayudar al gestor financiero a conocer y valorar las consecuencias de la decisión de un mayor apalancamiento financiero en el binomio “rentabilidad esperada-riesgo” del accionista, tratando de ponerle en una mejor disposición a la hora de decidir si ese mayor endeudamiento crea o no valor. Lógicamente, la decisión de un mayor endeudamiento solo creará valor en el caso de que el aumento de rentabilidad esperada sea más que suficiente para compensar el aumento de riesgo que supone para el accionista. desde un punto de vista teórico, y si atendemos a las ideas de modigliani y miller (1958), la decisión relativa a la estructura financiera sería irrelevante en mercados perfectos. y solo serían las imperfecciones de mercado las que darían relevancia a dicha decisión; así, un trato fiscal imperfecto y discriminatorio podría provocar un interés por el endeudamiento (modigliani y miller, 1963); que tendría un límite en lo que se conoce como la aparición de los costes de bancarrota. si aceptamos esta lógica, nos encontraríamos en una situación similar a la que proponía hace tiempo la conocida como “postura tradicional”, en la medida en que habría un máximo valor posible para un mismo activo, que se correspondería con aquella estructura financiera que permitiera aprovechar la ventaja fiscal asociada al endeudamiento (cuando el sistema fiscal no es neutral), evitando que el mercado vea más grave la posibilidad de bancarrota cuando esos costes sean mayores que las ventajas fiscales citadas. en cualquier caso, el estudio de la estructura financiera adecuada se circunscribiría al análisis de las consecuencias de las imperfecciones de mercado apuntadas (Gómez-Bezares, 2012; Gómez-Bezares y santibáñez, 2011). el razonamiento de modigliani y miller es perfectamente compatible con la lógica de otro elemento emblemático de las finanzas modernas: el modelo de valoración de activos de capital, más conocido por sus siglas en inglés cAPm (capital Asset Pricing model2). de hecho, la formulación habitualmente utilizada en el cálculo del coste de los fondos a partir del apalancamiento de betas está en esa línea (la conocida fórmula de Hamada3 se deriva de la conjunción de los planteamientos propuestos 2 3

sharpe (1964 y 1970). Hamada (1969).

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 145

por ambos modelos, asumiendo la hipótesis de existencia –solo– de un impuesto de sociedades que trata mejor a la deuda que a los fondos propios, y que da lugar a una ventaja para el endeudamiento4). como es sabido, el cAPm indica cuál debería ser la rentabilidad a exigir a una inversión en función de su riesgo relevante que, en el contexto del modelo, sería únicamente el sistemático. Así, el modelo exige calcular cuál es la cantidad de riesgo sistemático (la conocida beta), lo que permite, mediante la fórmula de la Línea del mercado de títulos (smL en inglés), obtener la rentabilidad que la inversión debería proporcionar: inversiones con rendimiento superior serían interesantes (crean valor); y viceversa. muchas son las hipótesis en las que se apoya el modelo, unas más fáciles de aceptar y otras que podrían plantear alguna mayor dificultad5. en cualquier caso, el modelo plantea diversos problemas: las herramientas de las que disponemos para hacer los cálculos y estimaciones necesarias para aplicarlo en la realidad tienen una escasa precisión y tampoco la robustez del modelo está del todo clara. no disponemos de una metodología ideal para calcular la beta, ni tenemos garantías de que se mantenga estable en el tiempo. tampoco nuestras estimaciones del tipo de interés sin riesgo y del premio por riesgo que el mercado dará en el futuro son incuestionables. Por otro lado, el modelo se asienta sobre la idea de que el aportante de los fondos puede evitar todo el riesgo eliminable por diversificación, lo que no siempre es cierto, y en cualquier caso plantea problemas al aplicarlo a empresas pequeñas. en definitiva, el cAPm plantea sin duda ideas y reflexiones extraordinariamente interesantes y con consecuencias directas en la gestión empresarial, pero no es “la verdad absoluta”. en cuanto a las ideas de modigliani y miller, nos encontramos también ante un planteamiento intelectualmente difícil de discutir en abstracto, pero el mundo real no se comporta en muchos aspectos según lo propuesto en ese razonamiento ideal. nuevamente, no se trata de tirar a la papelera sus conclusiones (sería una necedad desde todo punto de vista; por reducción al absurdo, 4 Aunque cabe hacer muchas matizaciones a este procedimiento, tal como puede comprobarse en santibáñez, Alcañiz y Gómez-Bezares (2014a, 2014b y 2015). 5 Aunque no parece lógico criticar un modelo en función del grado de cumplimiento de sus hipótesis de partida (siempre supuesto que no son absurdas), sino más bien en función de su capacidad explicativa de la realidad (tal como se deriva de los trabajos de Karl Popper, que defiende que la calidad científica de un modelo depende de las posibilidades que tenga de ser falsado).

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

146

en la medida que ambos son Premios nobel de economía; y porque cuando se piensa en sus ideas es fácil colegir que son puro sentido común financiero), pero lo cierto es que si tratamos de convencer a los profesionales que trabajan en el mundo real de la idea de que “la financiación no importa” corremos el riesgo de que la conversación termine de inmediato (y tal vez de manera abrupta). Pero vayamos más allá (o tal vez más acá, en la medida en que hay hipótesis implícitas en todo lo anterior que tal vez convenga explicitar). el cAPm se apoya en la teoría de cartera de markowitz (1952 y 1959), que da lugar a la conocida como “frontera eficiente”: el modelo se basa en la idea de que, supuesta la hipótesis de mercados eficientes, en los que la información es pública y disponible para todos los agentes (que la interpretan de la misma forma), somos capaces de calcular el “mapa de oportunidades posibles” (combinaciones de rentabilidad y riesgo alcanzables en un determinado momento a partir de los títulos disponibles); y sobre la base de dicho mapa, el individuo solo tendrá en cuenta algunas de las carteras posibles (las que se encuentran en la mencionada frontera eficiente, es decir, aquellas que “baten” a las demás, al permitir alcanzar la máxima rentabilidad esperada para cada nivel de riesgo y el mínimo riesgo posible para cada rendimiento esperado). todo ello exige una buena cantidad de estimaciones discutibles (y más teniendo en cuenta que la información de la que disponemos, en el mejor de los casos, es histórica; y la utilizamos para referirnos al futuro), entre ellas las que tienen que ver con el grado de aversión al riesgo del decisor (lo que constituye una auténtica pesadilla para la legislación que viene desarrollándose en los últimos tiempos con relación a la información que debe conocer el potencial inversor, el proceso que debe seguirse para garantizar que es consciente de las consecuencias de sus decisiones, así como la propia formación que debe tener el gestor de sus fondos6). Vaya pues por delante nuestro respeto a las ideas de autores, en nuestra opinión auténticamente geniales, por proponer líneas de razonamiento sumamente interesantes; pero tengamos también en cuenta que la realidad es siempre más compleja de lo que podemos representar en nuestros modelos, y que dada la escasa calidad de la información con la que contamos y nuestra limitada capacidad para hacer estimaciones sobre rentabilidades futuras o de elementos como el grado de aversión al ries6

cfr. miFid, en sus distintas ediciones.

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 147

go al que aludíamos anteriormente, parece razonable plantear también modelos que tal vez puedan “chocar” en algunos puntos con la aceptación “a ultranza” de los mencionados planteamientos. se trata de proporcionar herramientas que vayan en la línea de “ayudar” a tomar decisiones, que hagan consciente al gestor de las potenciales consecuencias de dichas decisiones, y que le permitan estar en una mejor posición para elegir aquellas opciones que creen valor. insistimos en la idea que defendemos: si aceptamos al pie de la letra las proposiciones de estos dos premios nobel en economía (modigliani y miller), no tendría sentido perder el tiempo pensando en si la decisión de estructura financiera crea o no valor: en mercados perfectos no lo haría; y en mercados reales la reflexión parecería ir en la línea de tratar de aprovechar las ventajas fiscales y evitar la posibilidad de bancarrota. Pero dadas las condiciones reales en cuanto a información, transparencia de los mercados, grado de conocimiento de los agentes de muchas de las variables (incluida su propia aversión al riesgo), puede resultar de interés explicitar las consecuencias de las decisiones (incluida la relativa al endeudamiento) para ayudar al decisor a valorar la conveniencia de endeudarse más o menos. dicho de otra manera: en la medida en que los mercados se perfeccionan, la decisión de financiación pierde importancia con relación a la de inversión (siempre en cuanto a su contribución al objetivo financiero, crear valor); pero mientras no se den las condiciones de dichos mercados perfectos no podemos dedicar nuestro tiempo únicamente a la decisión de inversión7. 2. El concepto de apalancamiento

es fácil encontrar en cualquier libro de finanzas el concepto de apalancamiento. en Física, el concepto de palanca tiene que ver con la posibilidad de aprovechar el intelecto para conseguir, con un esfuerzo “razonable”, cosas que a primera vista podrían parecer imposibles. efectivamente, una persona con una fuerza “normal” sería incapaz de mover una piedra de 200 kilos. sin embargo, si se dan las condiciones 7 en todo este apartado, y en el resto del artículo, partimos de una hipótesis de racionalidad de los agentes que operan en los mercados. sin embargo, no siempre se observa dicha racionalidad y, de hecho, una línea importante que ha venido desarrollándose en Finanzas en los últimos años tiene que ver con este tema: es lo que se conoce como “behavioral finance” (véase, por ejemplo, Przychodzen, Gómez-Bezares, Przychodzen y Larreina, 2016; o Gómez-Bezares y Przychodzen, 2018).

148

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

adecuadas, es posible que “haciendo palanca” pueda llegar a mover la mencionada piedra realizando un esfuerzo mucho menor. en economía hablamos en muchas ocasiones de “efectos multiplicadores” que tendrían también que ver con este concepto. también en Filosofía hay referencias a este mecanismo. un ejemplo sería la conocida “plusvalía” de marx, según la cual el propietario de los medios de producción se enriquece (injustamente), aprovechándose de que dicha propiedad le permite “apropiarse” de una parte del valor creado por otro interviniente necesario en el proceso de producción, el trabajador; lo que da como resultado un “apalancamiento” de la riqueza del empresario. en el contexto financiero puede hablarse de distintos “apalancamientos”. Fernando Gómez-Bezares (2012) habla del apalancamiento operativo y el apalancamiento financiero. siguiendo a este autor, el apalancamiento operativo se manifiesta en una fórmula sencilla, que en realidad está implícita en la propia definición del beneficio (antes de intereses e impuestos; en la medida en que el respeto a las ideas de modigliani y miller aconseja separar el análisis del activo del correspondiente al pasivo8): BAii = (V – VPm) · mBP

(1)

donde BAii es el beneficio antes de intereses e impuestos; V representa las ventas realizadas; VPm son las ventas de punto muerto (las que permiten cubrir los costes operativos, fijos y variables) y mBP es el margen bruto por euro vendido (lo que un euro de ventas deja como margen para la empresa después de cubrir solo su coste variable). es fácil deducir de lo anterior que un aumento del mBP (supuestos dados los costes fijos a cubrir) tendría dos efectos: para el mismo nivel de ventas, permitiría aumentar el beneficio; y simultáneamente, las ventas de punto muerto serían menores, haría falta vender menos para cubrir los mismos costes9; lo que a su vez volvería a redundar en un mayor beneficio. en otras palabras, un aumento del mBP “apalancaría el beneficio” (y, por tanto, la 8 Véase nuevamente que nuestro respeto por la lógica de las ideas de los autores señalados en la introducción es total. sus ideas influyen en nuestros razonamientos, y de manera poderosa, aunque ello no suponga que cualquier planteamiento que no respete al 100% las hipótesis de partida o las conclusiones que se derivan de ellas sea automáticamente descartable. 9 Los costes fijos se podrían cubrir con unas menores ventas al aumentar el margen por euro vendido.

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 149

rentabilidad de la inversión realizada; rentabilidad “operativa”, es decir, no influida por la forma en que se financie la empresa, rentabilidad “previa” a la decisión de endeudamiento). el mismo autor propone también una explicación sencilla e interesante de otro apalancamiento: el financiero, que se deduce fácilmente de la propia definición de beneficio neto (supuesto definidos también una serie de ratios particularmente relevantes). Veámoslo. Podemos definir el beneficio neto de la siguiente forma: Bn = (V – c – Am – i – is) = (V – c – Am – i) · (1–t)

(2)

donde V son las ventas realizadas; c hace referencia a los costes operativos (los que no son financieros) con desembolso; Am es la amortización (que en general incluiría cualquier coste operativo sin desembolso); i son los intereses pagados por la utilización de deuda con coste explícito; e is es el impuesto sobre beneficios, que resulta de aplicar el tipo impositivo (t) a la base imponible. supondremos en todo el desarrollo que no hay resultados de operaciones no recurrentes. sobre la base de lo anterior podemos definir algunos ratios especialmente relevantes: hablaremos de “rendimiento operativo” para referirnos a lo que un euro invertido en el activo rinde con independencia de su procedencia (es decir, de si ha sido aportado por los accionistas o por los prestamistas); definiremos un ratio de coste de la financiación ajena, que indica lo que, en términos incrementales, cuesta utilizar un euro de deuda (considerando que el pago de intereses conlleva también el ahorro fiscal correspondiente); plantearemos un ratio de rentabilidad (contable) del accionista que indica lo que cada euro de financiación propia obtiene en la empresa; finalmente, definiremos un ratio de estructura financiera, que “habla” de las proporciones utilizadas por la empresa en la financiación de las actividades. y realizaremos todo el análisis desde una perspectiva de largo plazo, centrándonos en las inversiones permanentes (activo fijo + fondo de maniobra, AF+Fm) y en los capitales permanentes (fondos ajenos a largo plazo y fondos propios, FALP+FP). Rendimiento operativo

(3)

donde a la nomenclatura anterior hay que añadir BAidi, que es el Beneficio antes de intereses y después de impuestos (BAidi = BAii · (1–t); es decir, el beneficio neto si no hubiera deuda); y cV y cF, que son los costes operativos con desembolso variables y fijos, respectivamente.

150

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

Rendimiento financiero

coste de la financiación ajena a largo plazo Ratio de endeudamiento

(4) (5)

(6)

A partir de las definiciones anteriores es fácil llegar a la fórmula del apalancamiento financiero propuesta por el autor. Así, la rentabilidad del accionista puede descomponerse en dos elementos: la que se obtendría en ausencia de endeudamiento (el rendimiento operativo); y la aportación del citado endeudamiento (supuesto r>i, el accionista ve apalancada su rentabilidad como consecuencia de la “apropiación” del diferencial correspondiente entre lo que renta un euro invertido en el activo, y lo que cuesta si procede de financiación ajena):

Rendimiento financiero

(7)

Así pues, pueden mostrarse gráficamente los dos conceptos señalados (figura 1). como puede comprobarse fácilmente, en ambos gráficos puede hablarse del concepto de apalancamiento: en el izquierdo (apalancamiento operativo), supuesto unos costes fijos dados, un aumento del margen bruto por euro vendido (pendiente de la recta que relaciona BAii con las ventas) permite conseguir un “apalancamiento” del beneficio (y, por tanto, de la rentabilidad, del rendimiento operativo resultante), tal como puede verse al pasar de la situación “mBP bajo” a “mBP alto”. en el gráfico derecho de la misma figura (apalancamiento financiero) se muestra la aportación del endeudamiento a la rentabilidad del accionista: en este caso, el punto de palanca es el coste de la financiación ajena, sobre el que bascula la recta que toma una mayor pendiente cuanto mayor sea el endeudamiento (apalancando así la rentabilidad del accionista, así como su riesgo).

3. Una visión integrada del apalancamiento operativo y el apalancamiento financiero

en este punto analizaremos la rentabilidad del accionista y su relación con el rendimiento operativo. de alguna manera, se trata de estudiar

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 151

nuevamente las consecuencias de un mayor o menor endeudamiento, por lo que presentaremos también ese “efecto palanca”, aunque desde una perspectiva algo diferente (con ventajas e inconvenientes con respecto a la anterior). Figura 1

Apalancamiento operativo y apalancamiento financiero

el punto de partida es la misma ecuación propuesta en el punto anterior, en la que descomponíamos la rentabilidad del accionista en dos elementos: el rendimiento operativo (que se corresponde exclusivamente con un comportamiento dado del activo) y el “apalancamiento financiero” (elemento que combina el desempeño del activo, el coste de la deuda y el nivel de endeudamiento que se decida para la empresa): operando, podemos expresar la misma fórmula de otra manera:

(7)

(8)

152

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

Que, como puede verse, es la ecuación de una recta en el mapa que relaciona la rentabilidad del accionista (e) con el rendimiento operativo (r): la ordenada en el origen sería –i · (FALP/FP); y la pendiente viene dada por el término (1+FALP/FP). Por otro lado, puede también calcularse fácilmente el punto de corte con el eje horizontal: supuesto un valor positivo de endeudamiento (en caso contrario la recta sería la bisectriz del primer cuadrante, es decir, el rendimiento financiero coincidiría con el rendimiento operativo y pasaría por el origen de coordenadas), dicho punto de corte se calcularía buscando el valor de r que hace que el rendimiento financiero sea nulo: (9)

(10) Podemos representar gráficamente la relación entre el rendimiento financiero y el operativo (figura 2). una visión rápida del gráfico propuesto permite constatar que, como es obvio, en ausencia de endeudamiento, el rendimiento financiero coincide con el operativo, por lo que la recta que relaciona ambos conceptos es la bisectriz del primer y tercer cuadrantes (es decir, la recta de 45 grados que pasa por el origen de coordenadas). si consideramos ahora la posibilidad de que la empresa se endeude, y supuesto un determinado coste de la deuda, la recta basculará sobre el punto que representa el mencionado coste de la deuda, tomando una pendiente superior a 1 en el momento en que haya algún endeudamiento; pudiendo por tanto hablarse de “apalancamiento de la rentabilidad del accionista”, que actúa en sentido positivo (si r se sitúa por encima de i) y viceversa. Así pues, la rentabilidad del accionista es tanto más alta cuanto mayor sea el endeudamiento si r>i; pero es menor a más endeudamiento si finalmente r<i. Lo anterior significa que el endeudamiento lleva aparejado, como también es lógico a priori, un mayor riesgo para el accionista (de hecho, solo tiene sentido suponer que i se mantiene

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 153

Figura 2

Relación entre rendimiento financiero y rendimiento operativo

constante si asumimos deuda garantizada, es decir, si suponemos que r no puede tomar un valor que ponga en riesgo el cumplimiento del servicio de la deuda; en caso de que ese riesgo existiera, el punto sobre el que basculan las rectas se desplazaría hacia la derecha y hacia arriba en el gráfico propuesto; pero, en aras de una mayor simplicidad en los razonamientos, no consideraremos por el momento esta posibilidad). Veamos un ejemplo concreto para poner de manifiesto de una manera clara las consecuencias de un mayor endeudamiento en el riesgo del accionista (figura 3). supongamos un determinado rango de valores posibles para r (que vendrá determinado –supuestos constantes los costes fijos operativos a cubrir, un margen bruto por euro vendido, así como la inversión a realizar y el tipo impositivo– por el rango posible que puedan tomar las ventas).

154

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

Figura 3

Riesgo operativo y riesgo total

en la mencionada figura 3 se representa la situación asociada a “endeudamiento cero”, que, dados los valores posibles de r, determina lo que llamamos “riesgo operativo” (y que, en ausencia de endeudamiento, es el que soporta el accionista); y también una situación de riesgo moderado (ratio de endeudamiento FALP/FP = 1), que da lugar a un mayor rango posible de valores de e, poniendo de manifiesto un mayor riesgo (por euro invertido) para el accionista. La diferencia entre el riesgo total y el riesgo operativo es lo que podemos llamar “riesgo financiero”. en la situación representada, es fácil ver que no solo aumenta el riesgo (el rango posible de valores), sino que ese riesgo se sitúa en una zona “mala” (no hemos asignado probabilidades a los distintos valores posibles; de momento supondremos que son “equiprobables”). Así, lo que

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 155

vemos es la consecuencia de que la r máxima está mucho más cerca del coste de la financiación ajena que el rendimiento operativo mínimo (que, además, puede incluso tomar valor negativo; aunque no muy alto). evidentemente, la situación cambiaría si el rango de valores posible de r se desplazara hacia la derecha: si se mantiene la diferencia entre los extremos, también lo hará el riesgo (tanto el operativo como el total), pero ese rango se situará en una zona más alta (idéntico riesgo, pero rentabilidad esperada, tanto operativa como financiera, mayores). en la figura 4 introducimos también el concepto de “apalancamiento operativo”, en una versión algo modificada: en la parte izquierda del gráfico se presenta la visión original propuesta por Gómez-Bezares, mientras que en la derecha puede verse la alternativa. supuesto dados los costes fijos operativos (cF+Am), la inversión necesaria (AF+Fm), el margen bruto por euro vendido (mBP) y el tipo impositivo (t), el rango de valores de ventas determina el rango posible de valores que tomará el rendimiento operativo (r). Figura 4

Visión complementaria del apalancamiento operativo



156

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

si invertimos los ejes del gráfico presentado a la derecha, de manera que en abscisas aparezca el rendimiento operativo, dejando el margen bruto por euro vendido en el eje vertical, podemos presentar el gráfico relativo al leverage operativo debajo del correspondiente al leverage financiero y obtener así una imagen de conjunto. es lo que se muestra en la figura 5. A la vista del gráfico propuesto en la figura 5, el lector puede pensar en las consecuencias que provocaría en los distintos elementos implicados la adopción de diferentes medidas posibles. Plantearemos, sin ánimo de ser exhaustivos, algunas de ellas. Pensemos primero en cualquier medida que consiguiera aumentar el margen bruto por euro vendido. ejemplos de ello serían, a todo lo demás constante, una reducción en el precio de compra de alguna materia prima; una mejora en el control de calidad que supusiera una disminución de las unidades compradas con defectos; un incremento en el precio de venta del producto; un mejor aprovechamiento de la materia prima utilizada que propiciara una disminución de las mermas; o la reducción de la mano de obra directa necesaria en el proceso de fabricación; entre otras muchas. cualquiera de estas medidas tendría como efecto un aumento del mBP, por lo que en la parte inferior del gráfico la horquilla de valores posibles de “r” se trasladaría en vertical hacia arriba, provocando simultáneamente un desplazamiento hacia la derecha de los valores rmin y rmax, a la vez que un aumento de la diferencia entre ambos. en la parte superior del gráfico, lo anterior se traduciría en un aumento del rendimiento financiero esperado, pero también en un incremento del riesgo total, que sería tanto mayor cuanto más alto sea el endeudamiento. ¿y qué efecto tendría, a igualdad de todo lo demás, una reducción de los costes fijos operativos? estaríamos pensando, por ejemplo, en la reducción del coste de iluminación de las oficinas o del coste de personal cuyo importe no cambie directamente con la cantidad fabricada y vendida; o en medidas como el abaratamiento del alquiler de un local o la reducción de una prima de seguro. en este caso, el efecto en la parte inferior del gráfico sería un desplazamiento hacia la derecha de las dos rectas que delimitan los valores posibles de r (ya que el punto de corte de ambas con el eje horizontal se trasladaría a la derecha; es decir, que a igualdad de todo lo demás, una reducción de los costes fijos provocaría una rentabilidad menos negativa en caso de que mBP fuera nulo); supuesto el mismo mBP, ello significaría que el riesgo operativo se man-

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 157

tiene (la diferencia entre rmax y rmin es la misma), al igual que el riesgo financiero asociado a cualquier nivel de endeudamiento, pero todo ello con valores superiores tanto de r como de e. dicho de otro modo, este tipo de medida permitiría aumentar la rentabilidad esperada sin alterar el riesgo. Finalmente, dediquemos unas breves líneas a reflexionar sobre los efectos en el gráfico de medidas relativas a la inversión necesaria; ejemplos de lo anterior serían la reducción del plazo de cobro a clientes, el aumento del plazo de pago a proveedores o la utilización de una maquinaria más barata; todas ellas supondrían una menor inversión necesaria para realizar la actividad habitual. en cualquiera de los casos anteriores, y a igualdad de todo lo demás, el punto de corte con el eje horizontal se desplazaría hacia la izquierda (los mismos costes fijos netos divididos entre una inversión menor provocan una rentabilidad más negativa), manteniéndose los puntos de corte con el eje vertical (que tienen que ver con el mBP necesario para cubrir los costes fijos) y reduciéndose por tanto la pendiente de dichas rectas. supuesto que mBP se mantiene, así como el rango posible de valores para las ventas, se reduce la rmin y aumenta la rmax, siendo el cambio en el segundo elemento más acusado que el correspondiente al primero. todo ello se traduce en el gráfico superior en un aumento de la horquilla de valores posibles de r (aumenta el riesgo operativo; y lo hace también el financiero en el caso de que haya endeudamiento), todo ello junto con un aumento en la rentabilidad esperada. el lector puede comprobar que una reducción del tipo impositivo soportado provocaría idénticos resultados que los correspondientes a una disminución de la inversión necesaria y que han sido apuntados en el párrafo anterior.

158

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

Figura 5

Visión integrada de los apalancamientos operativo y financiero

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 159

4. Una breve referencia a la tasa de rentabilidad interna penalizada

en el año 1984, Fernando Gómez-Bezares proponía un método de análisis del interés de los proyectos de inversión en entornos de riesgo que podía complementar la visión dada por los métodos tradicionales, los sistemas clásicos conocidos como “ajuste del tipo de descuento” y “equivalente de certeza”10. Ambos parten de la hipótesis de aversión al riesgo, y tratan de penalizar el interés de los proyectos en función de su riesgo de dos maneras distintas: mientras que el primero lo hace a través del denominador del Valor Actualizado neto –VAn– (descontando las generaciones de fondos esperadas a un tipo primado, que se calcula añadiendo al tipo de interés sin riesgo una prima que será mayor cuanto más alto sea el riesgo del proyecto), el equivalente de certeza lo hace en el propio numerador del VAn (aplicando una penalización a las generaciones de fondos esperadas mediante un coeficiente, menor que la unidad, de manera que la generación de fondos resultante pueda ser interpretada como la “equivalente cierta” de la esperada sujeta a riesgo). de manera alternativa a los anteriores (aunque no excluyente), Gómez-Bezares propone penalizar directamente el VAn esperado con su riesgo (medido con la desviación típica). Lógicamente, ello exige calcular los VAnes posibles para, a partir de ellos y de sus probabilidades de ocurrencia, estimar su promedio y desviación típica, todo lo cual se hace descontando los flujos de los distintos escenarios posibles al tipo de interés sin riesgo: se evita así caer en el problema de la “doble penalización”. de esta manera, los VAnes posibles se calculan “como si fueran ciertos”, y a partir de los valores posibles y de sus probabilidades se estima el valor esperado y el riesgo, procediendo en ese momento a realizar la penalización. muchas son las formas posibles de realizar la penalización aludida. de entre ellas, nos decantamos por la penalización lineal, que presenta ventajas teóricas (aunque también plantea inconvenientes11) frente a las demás; ventajas que son mayores aún en contextos en los que sea aceptable la normalidad de la distribución del VAn, en cuyo caso la interpreGómez-Bezares (1984 y 1993). Véase santibáñez, Gómez-Bezares y madariaga (2019), trabajo en el que se aprovechan las ventajas de la penalización lineal tratando de superar sus inconvenientes. Aunque a los efectos de una mayor simplicidad, no entraremos en ello aquí. 10 11

160

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

tación del parámetro de penalización aparece más clara. Así pues, supuesto un proyecto de inversión con un comportamiento conocido en términos de flujos de fondos esperados como el que se presenta en la figura 6, los criterios aplicables en el análisis de su interés serían los que se proponen a continuación: Ajuste del tipo de descuento:

(11)

equivalente de certeza:

(12) (13)

Valor actualizado penalizado:

donde di es el desembolso inicial; e (GFi) es el flujo (o generación) de fondos esperado del año “i” (µi en la figura 6); k es el tipo de interés sin riesgo; R es el tipo de descuento primado (entendido como k+P, tipo sin riesgo más prima de riesgo); αi es el coeficiente de penalización utilizado para convertir la generación de fondos esperada en la “equivalente cierta”; e (VAn) y σ (VAn) son, respectivamente, la esperanza y desviación típica de VAn, calculados ambos al tipo de interés sin riesgo; y t es en este contexto el parámetro de penalización utilizado en el criterio VAP. Figura 6

Perfil de fondos de un proyecto de inversión con riesgo

como indicábamos anteriormente, supuesta normalidad del VAn, la interpretación del parámetro de penalización “t” es sencilla: depende de

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 161

la garantía que queramos exigir al valor tomado como referencia. en efecto, al decidir el valor de “t” estamos fijando “a cuántas desviaciones típicas del promedio” se aleja el valor (de VAn) que tomamos como referencia para analizar el interés del proyecto, por lo que definimos la probabilidad a la izquierda y a la derecha de dicho valor (figura 7). Figura 7

VAP y valor del parámetro de penalización t

Así pues, calcular el VAP restando una desviación del promedio (penalización lineal; valor del parámetro t igual a uno), supone que “nos fijamos” en aquel valor de VAn que deja a su izquierda un 16% de probabilidad, aproximadamente, por lo que podemos decir que “está garantizado como mínimo” en un 84% de los casos. en trabajos posteriores hemos seguido trabajando sobre el criterio. en 1995 dos profesores del departamento de Finanzas de la Facultad presentábamos una comunicación12 en la que aplicábamos la lógica propuesta por Gómez-Bezares a la tasa de Rentabilidad interna, tRi, dando lugar al criterio que llamamos tRiP (tasa de rentabilidad interna penalizada). de manera análoga a lo propuesto para el VAn, de lo que se trataría es de obtener los posibles valores de tRi que se corresponden con 12

Laka y santibáñez (1995).

162

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

los distintos escenarios, y a partir de ellos y teniendo en cuenta sus probabilidades de ocurrencia, estimar la tRi esperada y la desviación típica. si suponemos normalidad en la distribución de la tRi, la interpretación de la tRiP es nuevamente sencilla: es la rentabilidad mínima garantizada con una determinada probabilidad, que depende del valor de t elegido. Así pues, a mayor valor de “t”, más garantía (y mayor posibilidad de rechazar el proyecto). Además, es fácil ver que la tRiP puede entenderse como una “tRi equivalente cierta” (del mismo modo que el VAP es también un VAn equivalente cierto): efectivamente, si representáramos los proyectos en los que se puede invertir en un mapa “µ-σ” (promedio-riesgo) de rentabilidad, todos aquellos que se situaran en la misma recta de pendiente “t” presentarían una tRiP común, idéntica a la de un proyecto que se sitúa en el propio eje de ordenadas (que, por definición, sería un proyecto seguro). Así las cosas, la tRiP sería algo así como “la rentabilidad segura por la que estaríamos dispuestos a renunciar a una rentabilidad esperada (superior, supuesto t>0), pero sujeta a riesgo”. Puede verse lo anterior de una manera gráfica en la figura 8. en ella se ha representado el comportamiento de tres proyectos en el mapa “rentabilidad esperada-riesgo”: el proyecto “A” tiene una rentabilidad esperada del 12% con un riesgo (medido con la desviación típica de resultado) del 10%; el proyecto “B” presenta una rentabilidad esperada inferior (un 11%), pero reporta también un menor riesgo (5%); y finalmente, tenemos el proyecto “c”, que ofrece una rentabilidad esperada (segura) del 10%. supongamos que el decisor muestra una aversión al riesgo que le lleva a decidir y valorar los proyectos en función de su rentabilidad mínima garantizada con una probabilidad del 58%. en estas condiciones, y supuesta normalidad de las distribuciones de tRi, el valor que daría al parámetro de penalización sería de t=0,2; puede comprobarse que los tres proyectos propuestos presentarían la misma tRiP, por lo que aparecerían como indiferentes. y todos ellos son igualmente deseables que el proyecto c, que recordemos que es un proyecto seguro. Así pues, la tRiP puede entenderse como la “rentabilidad equivalente cierta” de cada rentabilidad esperada sujeta a riesgo. supongamos ahora que el tipo de interés sin riesgo (suele entenderse por tal el rendimiento de la renta fija del estado) fuera del 9%: en estas condiciones cualquiera de los tres proyectos sería interesante (rentabilidad equivalente cierta superior a la que reporta el título sin riesgo), y los tres (A, B y c) serían totalmente indiferentes.

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 163

Figura 8

Representación gráfica de la TRIP

en trabajos posteriores también relacionábamos la tRiP con algunas medidas clásicas en lo que se refiere a la evaluación de la gestión de fondos y carteras en bolsa. Así, el criterio puede verse como una alternativa a los índices de sharpe, treynor y Jensen, el m2 de modigliani y modigliani o el ratio de información, con ventajas (e inconvenientes) frente a cada uno de ellos13. en este trabajo, proponemos utilizar el criterio como una medida que ayude a detectar la posibilidad de crear valor mediante la decisión de endeudamiento. Así, y dado que, como hemos indicado, un mayor endeudamiento supuesto un determinado activo en el que está invertido el dinero supone un apalancamiento de la rentabilidad esperada y el riesgo del accionista, lo que se trataría de ver es en qué condiciones dicha 13 Véase Gómez-Bezares, madariaga y santibáñez (2003 y 2004) y Gómez-Bezares, madariaga, santibáñez y Apraiz (2007a y 2007b).

164

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

decisión de endeudamiento conduciría a una “rentabilidad equivalente cierta superior” (lo que supondría que el aumento de rendimiento esperado compensa con creces el riesgo que obliga a tomar; en cuyo caso podríamos hablar de creación de valor asociada a la decisión de endeudamiento); y viceversa. Aunque naturalmente ello es discutible, supondremos en lo que sigue que el valor de t que recoge de una manera adecuada la aversión al riesgo del accionista es 1. esto significa que el accionista considera suficiente que el valor tomado como referencia esté garantizado con un 84% de probabilidad, aproximadamente, lo que probablemente es una garantía demasiado elevada14. Lógicamente, la tRiP debería en cualquier caso ser superior al tipo de interés sin riesgo, pero aquí nos centraremos en el análisis de si un mayor endeudamiento provoca aumentos o disminuciones en tRiP (como indicio de creación de valor). 5. Un ejemplo sencillo de simulación

A continuación, se presentan los resultados obtenidos supuestos diferentes escenarios posibles en lo que se refiere al rango de valores de r, combinados a su vez con distintos valores de i. un par de precisiones metodológicas previas. como puede verse, se muestran en cada simulación los resultados asociados a distintos niveles de endeudamiento: la ordenada en el origen y la pendiente de la recta que relaciona el rendimiento financiero (e) y el rendimiento operativo (r) –figuras 2, 3 ó 5–, así como el punto de corte con el eje de abscisas; los valores mínimo y máximo de dicho rendimiento financiero, el valor esperado, el riesgo, la tRiP (rentabilidad equivalente cierta) y la probabilidad de que el mencionado rendimiento financiero presente un valor negativo. calculamos la rentabilidad esperada como media equiponderada de los valores optimista y pesimista; y no se comete un error demasiado grande al suponer que entre dichos valores hay seis desviaciones típicas (lo que, supuesta normalidad de la rentabilidad, supondría prescindir de menos de un 0,3% de todos los valores posibles). 14 en algunos de los trabajos citados anteriormente, concretamente en Gómez-Bezares, madariaga y santibáñez (2003 y 2004), veíamos que cuando el riesgo relevante es el total –medido con la desviación típica–, una referencia lógica para determinar el valor del parámetro de penalización (t) sería la pendiente de la línea del mercado de capitales; que normalmente presenta valores claramente inferiores al utilizado en este estudio.

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 165

i r min r max fAlP/fP

0,00 1,00 2,00 3,00 4,00 5,00

0,02 -0,02 0,16

t (tRiP) Garantía

simulación 1

e = -i x fAlP/fP + (1+fAlP/fP) x r

1,00 84%

Corte con fAlP/ eje (fAlP+fP) Ordenada Pendiente horizontal 0,00 0,00 1,00 0,0000 0,50 -0,02 2,00 0,0100 0,67 -0,04 3,00 0,0133 0,75 -0,06 4,00 0,0150 0,80 -0,08 5,00 0,0160 0,83 -0,10 6,00 0,0167

e min

e max

-0,0200 -0,0600 -0,1000 -0,1400 -0,1800 -0,2200

0,1600 0,3000 0,4400 0,5800 0,7200 0,8600

(emax+emin)/2 (emax-emin)/6

E (e)

0,0700 0,1200 0,1700 0,2200 0,2700 0,3200

σ (e)

0,0300 0,0600 0,0900 0,1200 0,1500 0,1800

Prob (e<0)

TRIP

0,0400 0,0600 0,0800 0,1000 0,1200 0,1400

0,0098 0,0228 0,0295 0,0334 0,0359 0,0377

en la simulación 1 nos encontraríamos con un caso en el que “aumentos de endeudamiento se corresponderían siempre con rentabilidades equivalentes ciertas crecientes”, lo que significa que el endeudamiento crea valor. La situación viene propiciada por una asimetría clara de r con respecto a i (el escenario optimista se aleja mucho más del coste de la deuda en comparación con lo que lo hace el pesimista) y un valor bajo del coste de la financiación ajena. Veamos lo que ocurre si suponemos un aumento del coste de la deuda de un par de puntos porcentuales (simulación 2). i r min r max

fAlP/fP

0,00 1,00 2,00 3,00 4,00 5,00

0,04 -0,02 0,16

t (tRiP) Garantía

simulación 2

e = -i x fAlP/fP + (1+fAlP/fP) x r

1,00 84%

Corte con fAlP/ eje (fAlP+fP) Ordenada Pendiente horizontal 0,00 0,00 1,00 0,0000 0,50 -0,04 2,00 0,0200 0,67 -0,08 3,00 0,0267 0,75 -0,12 4,00 0,0300 0,80 -0,16 5,00 0,0320 0,83 -0,20 6,00 0,0333

e min

-0,0200 -0,0800 -0,1400 -0,2000 -0,2600 -0,3200

e max

0,1600 0,2800 0,4000 0,5200 0,6400 0,7600

(emax+emin)/2 (emax-emin)/6

E (e)

0,0700 0,1000 0,1300 0,1600 0,1900 0,2200

σ (e)

0,0300 0,0600 0,0900 0,1200 0,1500 0,1800

TRIP

0,0400 0,0400 0,0400 0,0400 0,0400 0,0400

Prob (e<0)

0,0098 0,0478 0,0743 0,0912 0,1026 0,1108

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

166

Quiere la casualidad en este caso que la rentabilidad equivalente cierta se mantenga sea cual sea el nivel de endeudamiento (ya que, dados los comportamientos definidos, el diferencial entre rendimiento esperado y riesgo se mantiene constante). estaríamos ante un caso en el que dicho nivel de endeudamiento es indiferente. Veamos qué ocurre si el tipo de interés sigue creciendo (simulación 3). i r min r max

fAlP/fP

0,00 1,00 2,00 3,00 4,00 5,00

0,06 -0,02 0,16

t (tRiP) Garantía

simulación 3

e = -i x fAlP/fP + (1+fAlP/fP) x r

1,00 84%

Corte con fAlP/ eje (fAlP+fP) Ordenada Pendiente horizontal 0,00 0,00 1,00 0,0000 0,50 -0,06 2,00 0,0300 0,67 -0,12 3,00 0,0400 0,75 -0,18 4,00 0,0450 0,80 -0,24 5,00 0,0480 0,83 -0,30 6,00 0,0500

e min

-0,0200 -0,1000 -0,1800 -0,2600 -0,3400 -0,4200

e max

0,1600 0,2600 0,3600 0,4600 0,5600 0,6600

(emax+emin)/2 (emax-emin)/6

E (e)

0,0700 0,0800 0,0900 0,1000 0,1100 0,1200

σ (e)

0,0300 0,0600 0,0900 0,1200 0,1500 0,1800

TRIP

0,0400 0,0200 0,0000 -0,0200 -0,0400 -0,0600

Prob (e<0)

0,0098 0,0912 0,1587 0,2023 0,2317 0,2525

como puede verse, en este caso el endeudamiento dejaría de ser interesante, ya que la rentabilidad equivalente cierta más alta se obtiene en ausencia de endeudamiento (aunque todavía el rango de valores posibles de r no está “centrado” con respecto a i; situación que se daría para i=7%, tal como puede verse en la simulación 4).

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 167

i r min r max

fAlP/fP

0,00 1,00 2,00 3,00 4,00 5,00

0,07 -0,02 0,16

t (tRiP) Garantía

simulación 4

e = -i x fAlP/fP + (1+fAlP/fP) x r

1,00 84%

Corte con fAlP/ eje (fAlP+fP) Ordenada Pendiente horizontal 0,00 0,00 1,00 0,0000 0,50 -0,07 2,00 0,0350 0,67 -0,14 3,00 0,0467 0,75 -0,21 4,00 0,0525 0,80 -0,28 5,00 0,0560 0,83 -0,35 6,00 0,0583

e min

e max

-0,0200 -0,1100 -0,2000 -0,2900 -0,3800 -0,4700

0,1600 0,2500 0,3400 0,4300 0,5200 0,6100

(emax+emin)/2 (emax-emin)/6

E (e)

0,0700 0,0700 0,0700 0,0700 0,0700 0,0700

σ (e)

0,0300 0,0600 0,0900 0,1200 0,1500 0,1800

TRIP

0,0400 0,0100 -0,0200 -0,0500 -0,0800 -0,1100

Prob (e<0)

0,0098 0,1217 0,2184 0,2798 0,3204 0,3487

como era previsible, tampoco en este caso resulta interesante el endeudamiento, disminuyendo más rápido el valor de la tRiP ante aumentos del mismo. el lector puede ver lo que ocurre si se mantiene el rendimiento operativo esperado, pero se reduce el riesgo (manteniéndose el tipo de interés en el nivel considerado en la simulación 1). Lógicamente, en este caso, la tRiP aumenta más que en la situación original: el aumento del rendimiento esperado se combina con un menor incremento del riesgo y sigue interesando el endeudamiento. y la situación persiste también si el tipo de interés subiera al 4%: la tRiP sigue aumentando con el endeudamiento (véase simulación 5). i r min r max

fAlP/fP

0,00 1,00 2,00 3,00 4,00 5,00

0,04 0,00 0,14

t (tRiP) Garantía

simulación 5

e = -i x fAlP/fP + (1+fAlP/fP) x r

1,00 84%

Corte con fAlP/ eje (fAlP+fP) Ordenada Pendiente horizontal 0,00 0,00 1,00 0,0000 0,50 -0,04 2,00 0,0200 0,67 -0,08 3,00 0,0267 0,75 -0,12 4,00 0,0300 0,80 -0,16 5,00 0,0320 0,83 -0,20 6,00 0,0333

e min

0,0000 -0,0400 -0,0800 -0,1200 -0,1600 -0,2000

e max

0,1400 0,2400 0,3400 0,4400 0,5400 0,6400

(emax+emin)/2 (emax-emin)/6

E (e)

0,0700 0,1000 0,1300 0,1600 0,1900 0,2200

σ (e)

0,0233 0,0467 0,0700 0,0933 0,1167 0,1400

TRIP

0,0467 0,0533 0,0600 0,0667 0,0733 0,0800

Prob (e<0)

0,0013 0,0161 0,0316 0,0432 0,0517 0,0580

168

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

Los presentados son los resultados obtenidos considerando una penalización por riesgo probablemente exagerada. dejamos al lector el análisis de los mismos escenarios utilizando un valor inferior (entre 0,5 y 1, por ejemplo), en cuyo caso, y como puede comprobarse, el endeudamiento tiende a presentar una mayor capacidad de creación de valor. 6. Conclusiones

es generalmente admitido en Finanzas que la asunción de riesgos por parte de los inversores es y debe ser premiada en el largo plazo. en este artículo hemos propuesto un sencillo modelo que permite relacionar los conocidos conceptos de “apalancamiento operativo” y “apalancamiento financiero”, viendo los efectos que diferentes medidas provocarían en ambos, y como consecuencia, en el binomio rentabilidad esperada-riesgo del accionista. Aunque las finanzas modernas consideran que la decisión relativa a la estructura financiera (proporciones de deuda y fondos propios a utilizar en la financiación de la empresa) tiene una importancia relativa menor con respecto a la decisión de inversión, las imperfecciones de mercado, combinadas con nuestra limitada capacidad de prever el futuro o de medir el grado de aversión al riesgo del decisor, parecen sugerir la conveniencia de contar con herramientas sencillas que permitan decidir en qué momentos puede resultar interesante un mayor o menor endeudamiento. sobre la base de todo lo anterior, una posibilidad es apoyar el razonamiento en la que hemos denominado tasa de Rentabilidad interna Penalizada (tRiP). el criterio se basa en penalizar la rentabilidad esperada en función del riesgo asumido; en este trabajo nos hemos decantado por una penalización lineal. de esta manera, disponemos de una herramienta sencilla que nos permitirá detectar contextos en los que puede resultar conveniente un mayor endeudamiento, frente a otros en los que es más aconsejable utilizar mayores proporciones de fondos propios.

Bibliografía

Gomez-BezARes, F. (1984): “Algunos modelos básicos para la selección de inversiones con flujos relacionados”, XIV Congreso de la SEIO, caja de Ahorros de Granada, Granada, vol. 1, págs. 40-51. Gomez-BezARes, F. (1993): “Penalized present value: net present value penalization

estRuctuRA FinAncieRA y cReAción de VALoR: unA APRoXimAción A tRAVés ... 169

with normal and beta distributions”, en Aggarwal, ed., Capital budgeting under uncertainty (1993), Prentice - Hall, englewood cliffs, nueva Jersey, págs. 91102. Gómez-BezARes, F. (2012): Elementos de Finanzas Corporativas, desclée de Brouwer, Bilbao. Gómez-BezARes, F., J.A. mAdARiAGA y J. sAntiBáñez (2003): “medidas de performance: algunos índices clásicos y relación de la tRiP con la teoría de cartera”, Análisis Financiero Internacional, 113, tercer trimestre, págs. 5-19. Puede verse una versión ampliada en Gómez-BezARes, F., J.A. mAdARiAGA y J. sAntiBáñez (2004): Lecturas sobre Gestión de carteras, universidad comercial de deusto, Bilbao, págs. 253-303 (disponible para su descarga de manera gratuita en www.eumed.net). Gómez-BezARes, F., J.A. mAdARiAGA y J. sAntiBáñez (2004): “Performance ajustada al riesgo: índices clásicos y nuevas medidas”, Análisis Financiero, 93, Primer cuatrimestre, págs. 6-16. Gómez-BezARes, F., J.A. mAdARiAGA, J. sAntiBáñez y A. APRAiz (2007a): “Índices de performance, gestión activa y eficiencia. un análisis empírico”, Revista Europea de Dirección y Economía de la Empresa, vol. 16, nº 2, págs. 21-40. Gómez-BezARes, F., J.A. mAdARiAGA, J. sAntiBáñez y A. APRAiz (2007b): “Índices de performance, gestión activa y eficiencia. un análisis de sensitividad y del fenómeno de la persistencia”, Ekonomiaz, nº 66, 3er cuatrimestre, págs. 220-245. Gómez-BezARes, F. y W. PRzycHodzen (2018): “Bank-Affiliated mutual Fund manager’s trading Patterns of Parent Banks’ stocks: international evidence”, Journal of Behavioral Finance, vol. 19, nº 2, págs. 199-208. Gómez-BezARes, F. y J. sAntiBáñez (2011): “Perspectiva histórica de la financiación empresarial”, Revista de Contabilidad y Dirección, Vol. 12, págs. 115-143. HAmAdA, R.s. (1969): “Portfolio analysis, market equilibrium and corporation finance”, Journal of Finance, marzo, págs. 13-31. LAKA, J.P. y J. sAntiBáñez (1995): “Algunas reflexiones sobre el Valor Actualizado Penalizado (VAP)”, presentada en el III Foro de Finanzas, universidad comercial de deusto, Bilbao, noviembre-diciembre. Publicada en GómezBezares, F. y J.V. ugarte, ed., III Foro de Finanzas (1995), Bilbao, págs. 75-91. mARKoWitz, H. (1952): “Portfolio selection”, Journal of finance, marzo, págs. 7791. mARKoWitz, H. (1959): Portfolio selection: Efficient diversification of investments, Wiley, nueva york. modiGLiAni, F. y m.H. miLLeR (1958): “the cost of capital, corporation finance and the theory of investment”, American economic review, 48, Junio, págs. 261–297. modiGLiAni, F. y m.H. miLLeR (1963): “corporate income taxes and the cost of capital: A correction”, American economic review, 53, Junio, págs. 433–443. PRzycHodzen, J., F. Gómez-BezARes, W. PRzycHodzen y m. LARReinA (2016): “esG issues among Fund managers - Factors and motives”, Sustainability, vol. 8, nº 10:1078, págs. 1-19.

170

JAVieR sAntiBáñez, LeyRe GoitiA-BeRRiozABAL y José A. mAdARiAGA

sAntiBáñez, J., L. ALcAñiz y F. Gómez-BezARes (2014a): “cost of funds on the basis of modigliani and miller and cAPm propositions: a revision”, Análisis Financiero, 124, págs. 6-16. sAntiBáñez, J., L. ALcAñiz y F. Gómez-BezARes (2014b): “Alternativa a la formulación clásica para el proceso de betas apalancadas: una aplicación al caso español”, Boletín de Estudios Económicos, 212, Agosto, págs. 329-356. sAntiBáñez, J., L. ALcAñiz y F. Gómez-BezARes (2015): “Alternative formulation for the estimation of cost of funds: sensitivity analysis”, Revista Española de Capital Riesgo, 3/2015, págs. 17-32. sAntiBáñez J., F. Gómez-BezARes y J.A. mAdARiAGA (2019): “Valor actualizado penalizado: penalización lineal por tramos”, Boletín de Estudios Económicos, 226, Abril, págs. 191-221. sHARPe, W.F. (1964): “capital asset prices: a theory of market equilibrium under conditions of risk”, Journal of finance, septiembre, vol. 19, nº 3, págs. 425-442. sHARPe, W.F. (1970): Portfolio theory and capital markets, mcGraw–Hill, nueva york.

BOLETIN DE ESTUDIOS ECONOMICOS Vol. LXXV - N.º 229 - Abril 2020 (Páginas 171-196)

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR VETERINARIO EN ESPAÑA

ECONOMIC GROWTH VERSUS DEVELOPMENT IN A SECTOR: THE CASE OF THE VETERINARY SECTOR IN SPAIN Óscar Gutiérrez Aragón

Director del Departamento de Empresa de la Escola Universitària Mediterrani de Barcelona (Universitat de Girona). RESUMEN

El crecimiento económico en una organización, un sector o un país se mide de forma cuantitativa, generalmente en términos de producción. El desarrollo se sustenta en la mejora continua de las condiciones de vida y de trabajo de quienes afecta el crecimiento. El sector veterinario español muestra esta disyuntiva entre crecimiento y desarrollo, pues, a partir de 2015, experimenta una progresiva recuperación en muchos de sus indicadores económicos y financieros, a la vez que se deterioran aquellos otros relacionados con la calidad del empleo y el salario medio por empleado. Este artículo explica esta situación y expone posibles soluciones al problema. Palabras clave: Crecimiento, desarrollo, sector veterinario, brecha salarial, precarización. SUMMaRy

Economic growth in an organization, a sector or a country is measured quantitatively, usually in terms of production. Development is based on the continuous improvement of the living and working conditions of those people affected by the growth. The Spanish veterinary sector shows this dilemma between growth and development. Since 2015, many of its economic and financial indicators are being recovered, while those related to the quality of employment and the average salary are being deteriorated. This article explains this situation and exposes possible solutions to the problem. Keywords: Growth, development, veterinary sector, wage gap, precarization.

1. Introducción

Desde diversos campos de la ciencia económica frecuentemente se ha considerado que crecimiento y desarrollo eran términos casi sinónimos, partiendo de la premisa de que el desarrollo de una organización social,

172

ÓSCAR GUTIÉRREZ ARAGÓN

de un sector o de un país se ha de fundamentar en la existencia previa de un crecimiento económico y, que este, fundamentalmente, se ha de medir en términos de producción. En realidad, el crecimiento, al tratarse de una noción meramente cuantitativa, en ocasiones lleva aparejadas derivaciones negativas de tipo social relacionadas con desempleo, precarización o caída de salarios. El desarrollo, sin embargo, abarca muchos otros aspectos que conciernen a lo cualitativo (en el ámbito social, ambiental, cultural o laboral), tratando de repartir de un modo más justo los beneficios derivados del crecimiento entre todos los agentes económicos que contribuyeron a su generación. Así, el crecimiento económico se verifica en las variaciones cuantitativas de los indicadores que lo miden, generalmente relativos a la producción agregada a través del tiempo, mientras que el desarrollo se sustenta en la mejora continua de las condiciones de vida y de trabajo de aquellos a quienes afecta el crecimiento. Bajo estos argumentos, la premisa de la que parte la elaboración de este trabajo es que en el sector veterinario español actualmente se está produciendo una disyuntiva entre crecimiento y desarrollo económico, pues el incremento notable de indicadores como la cifra de negocio, el valor añadido, la producción o el excedente bruto de explotación, ha venido acompañado de una bajada de la productividad por ocupado, un deterioro de las condiciones laborales de los trabajadores y una caída del salario medio del sector. Asumiendo esta propuesta y realizando un estudio sistemático de series estadísticas obtenidas principalmente de fuentes oficiales, el principal objetivo de este artículo es realizar un análisis de cifras, ratios, indicadores y datos del sector veterinario en el periodo 2009-2017, tratando de explicar las razones por las cuáles se ha producido una fractura entre un indudable crecimiento sectorial y un deterioro significativo de las condiciones laborales y salariales de los trabajadores del sector (principalmente los más jóvenes) y aportando posibles soluciones que ayuden a superar los retos que plantea este evidente problema. Para la consecución de estos objetivos, el artículo se estructura en cuatro partes relacionadas entre sí. Tras esta breve introducción, se establece el marco teórico de la investigación. A continuación, se expone la metodología empleada y se realiza el análisis de resultados, examinando la evolución de diversos indicadores socioeconómicos y financieros relativos a la actividad veterinaria. Finalmente, se cierra la investigación con las conclusiones del estudio.

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

2. Marco teórico

173

El sector veterinario español, debido a su particular estructura y al comportamiento de sus clientes ante las variaciones de precios, tiende a padecer las consecuencias de las crisis u otros condicionantes negativos (p.e. incremento del gravamen del IVA), con cierta profundidad, deteriorándose habitualmente las cifras de facturación y empleo (GutiérrezAragón, 2019). En este sentido, fueron los jóvenes graduados en veterinaria quienes más sufrieron el aumento de la precarización (en salario y parcialidad), especialmente en las clínicas veterinarias de pequeños animales (Badiola, 2016), y, a pesar de la mejoría macroeconómica y del sector, su situación no parece haber mejorado sustancialmente (Gutiérrez-Aragón, Barahona-Márquez y Berbel-Giménez, 2018). Así, a partir de 2015, coincidiendo con la mejora económica del país, el sector veterinario ha experimentado una progresiva recuperación en un gran número de sus indicadores (valor añadido, facturación, producción, excedente bruto de explotación, compras, inversión, etc.) (Gutiérrez-Aragón, 2019). Sin embargo, otros índices relativos a la calidad del empleo como el número de eventuales o el de trabajadores no remunerados han seguido creciendo a pesar de la recuperación económica. Así mismo, el salario medio ha disminuido notablemente desde el inicio de la crisis, siendo uno de los más bajos del conjunto de actividades del país (Instituto Nacional de Estadística, 2019 a), y la productividad por ocupado, a pesar de recuperarse desde 2015, sigue siendo más baja que al comienzo de la crisis (Gutiérrez-Aragón, 2019). Evidentemente, con el fin de paliar los efectos negativos de las crisis y tratar de superarlas, en un primer momento se intenta reducir el desempleo, y posteriormente, se asientan las bases que permitan la consecución de un crecimiento estable con unos objetivos más duraderos en términos de empleo, igualdad, bienestar o capital humano (Galindo-Martín, Méndez-Picazo y Castaño-Martínez, 2016). En este sentido, cabe recordar que ha sido lógica habitual en el pensamiento económico considerar crecimiento y desarrollo como términos semejantes, partiendo del supuesto de que un mayor crecimiento implica una mejora del progreso o un mayor desarrollo (Montuschi, 2017), cuando realmente el primero está relacionado con lo cuantitativo mientras que los segundos se vinculan más a lo cualitativo (Holcombe, 2007). Así, por ejemplo, un modelo de generación de empleo basado en la precarización podría generar un gran número de puestos de trabajo, pero

174

ÓSCAR GUTIÉRREZ ARAGÓN

probablemente serían de baja calidad (escasa protección), y en recesión se destruirían con la misma facilidad que se crearon (Lorenzo-Gilsanz, 2014). Obviamente, no todos los empresarios, empresas y sectores contribuyen igualmente al proceso de desarrollo económico, pues no todos son capaces de generar el mismo número de empleos ni aportar en igual medida al crecimiento de la producción, por lo que resulta necesario aceptar que los aspectos cualitativos del crecimiento también son relevantes para que exista desarrollo económico (Schumpeter, 1911; Baumol, 1990; Montoya-Suárez, 2004; Guzmán y Santos, 2009; Guzmán-Alfonso, Santos y Barroso-González, 2016). En cualquier actividad económica, el crecimiento en cantidad será una condición necesaria para la mejora en los niveles de bienestar, pero no suficiente para lograr el desarrollo, ya que el crecimiento como único instrumento de progreso puede potenciar los efectos negativos que a veces trae aparejados, como el desempleo, la precarización y la caída de salarios (Guzmán, 2006; Ayala-Cañón, 2016; Montuschi, 2017). De este modo, mientras el crecimiento sólo alcanza a los aspectos matemáticos de la actividad económica, el desarrollo involucra a muchos otros (sociales, ambientales, culturales o laborales) que deberían ser un corolario incuestionable del mismo (Montoya-Suárez, 2004). El desarrollo ha sido objeto de estudio y debate desde hace siglos y bajo diferentes enfoques, existiendo quienes lo han aproximado semánticamente a la riqueza o progreso, mientras otros tendían a relacionarlo con la prosperidad o el crecimiento (Vergara-Tamayo y Ortiz-Motta, 2016). En cualquier caso, en lo que la mayor parte de los economistas coinciden es que está estrechamente relacionado con la variable temporal. Se trata, pues, de un concepto dinámico y no estático, que implica, al contrario que el mero crecimiento, un proceso de transformación cualitativa de la sociedad a la que afecta (Schumpeter, 1911; Montoya-Suárez, 2004). Para que el crecimiento de una organización, un país o un sector pueda ser sostenible en el tiempo resultará imprescindible que esté ligado a un proceso que permita alcanzar una distribución socialmente justa de lo conseguido, para evitar tensiones que puedan perjudicar el propio crecimiento futuro (Varian, 1975; Galindo-Martín, Méndez-Picazo y Castaño-Martínez, 2016). Si bien el crecimiento en términos de producción normalmente sirve como generador de empleo, hay ocasiones que se acompaña de fragilidades sistémicas relativas a la precariedad o la exclusión, que, en caso de cambio de ciclo, pueden causar problemas de fractura social (Lorenzo-Gilsanz, 2014).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

175

El sector veterinario español ha disfrutado de un proceso de progresiva feminización desde hace varias décadas, por lo que las últimas promociones de egresados, en su mayor parte mujeres, se han incorporado a la profesión con unas condiciones laborales muy deterioradas por la crisis de 2008 y el incremento del IVA de 2012 (Gutiérrez-Aragón, Barahona-Márquez y Berbel-Giménez, 2018). En este escenario, a consecuencia de una desigual distribución de los beneficios generados por el crecimiento, podría entenderse que actualmente se está produciendo en el sector una brecha salarial de género, problema social consistente en la diferencia retributiva entre mujeres y hombres cuya existencia es reconocida por un número importante de economistas y sociólogos (Marcos, 2015; Gómez-Pérez, 2017; Navarro, 2017) y se produce principalmente en aquellos sectores más feminizados (Sánchez-Mira, 2017). No obstante, la situación parece adecuarse más a las características de una brecha salarial generacional o relacionada con la edad (GutiérrezAragón, 2019), ya que el deterioro laboral de los trabajadores veterinarios (incremento de parcialidad y eventualidad, notable descenso de los salarios), ha perjudicado en mayor medida a los más jóvenes, donde la proporción de mujeres es muy grande (Confederación Empresarial Veterinaria Española, 2018). De hecho, a nivel global, uno de los colectivos más afectados por las consecuencias negativas de la crisis han sido los trabajadores menores de 35 años, que han sufrido más que la media problemas de renta baja, privación material y desplome de los sueldos de entrada al mercado laboral (Martínez-López y Navarro-Ruiz, 2016; Doncel, 2018). La facturación y los resultados económicos del sector veterinario se recuperaron tras la crisis (mejorando notablemente entre 2015 y 2017), pero, al tiempo que el empleo crecía, se deterioraban otros indicadores como la productividad por empleado o el salario medio (en valores inferiores a los previos a la crisis) (Gutiérrez-Aragón, 2019). Esta situación no es exclusiva en España de este sector, ya que en muchos otros aparece esta relación inversa entre el crecimiento del empleo y la caída de productividad y salario medio (p.e. construcción o sector financiero). En otros sectores productividad y salario medio crecen a medida que el número de trabajadores disminuye (p.e. sector tecnológico, energía o suministros) (López-Prol y Palazuelos, 2016). En cualquier caso, si la combinación de estas circunstancias persiste, el salario de los veterinarios más jóvenes (principalmente mujeres) tenderá a alejarse de forma gradual del de los más veteranos, incrementándose así la brecha entre ambos (GutiérrezAragón, Barahona-Márquez y Berbel-Giménez, 2018).

176

ÓSCAR GUTIÉRREZ ARAGÓN

Evidentemente, si un modelo de crecimiento fracasa en sus objetivos significa que su base teórica, de algún modo, es errónea, por lo que sería necesario adoptar una visión que inspire una nueva concepción de desarrollo (Schumpeter, 1911; Dosi, Fagiolo y Roventini, 2008; Boyer, 2015). El crecimiento en diferentes sectores en muchos casos ha venido acompañado de importantes dudas sobre sus efectos negativos en el ámbito sociolaboral (p.e. destrucción de empleo, pérdida de derechos laborales, paso de empleo asalariado a autónomo, desigualdades salariales, brechas salariales o laborales, secuelas sobre la protección social, reparto desigual de los resultados del aumento de la producción) (Aragón, 2016; Degryse, 2016; Rocha-Sánchez, 2017), por lo que resultaría necesario implementar un modo más equitativo de distribuir entre todos los agentes partícipes del crecimiento (stakeholders), y no sólo a una parte de ellos, los potenciales beneficios que pudieran derivarse de los incrementos de la producción, tratando de evitar situaciones de marginalización o exclusión (Sagardoy de Simón y Mercader-Uguina, 2017; Montuschi, 2017). En este sentido, las retribuciones salariales deberían estar en proporción a las contribuciones de los trabajadores a la producción, para tratar de evitar que se generen tensiones que redujeran su rendimiento, al faltarles el aliciente de ser merecidamente retribuidos en función de su real aportación al crecimiento (Juhn, Murphy & Pierce, 1993; Galindo-Martín, Méndez-Picazo y Castaño-Martínez, 2016). 3. Metodología

Para poder contar con cifras fiables de los diversos indicadores utilizados en la elaboración del presente informe ha sido necesario emplear técnicas cuantitativas de recogida de datos centrada sobre todo en fuentes secundarias, con el fin de llevar a cabo un análisis descriptivo de la situación del sector veterinario. Para el estudio de los indicadores y variables de tipo sectorial se ha analizado la evolución de las series temporales históricas aportadas por el Instituto Nacional de Estadística (INE) en la Encuesta Anual de Servicios (CNAE-2009) relativa al CNAE 75 (actividades veterinarias). Del INE también se han utilizado los datos aportados sobre las series estadísticas de profesionales sanitarios colegiados y las relativas a la enseñanza universitaria en España. Estas últimas se han completado con datos de las series de estudiantes del Ministerio de Educación y Formación Profesional.

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

4. análisis de resultados

177

El epígrafe 75 de la Clasificación Nacional de Actividades Económicas CNAE-2009 (Instituto Nacional de Estadística, 2019 b) recoge las actividades veterinarias, que comprenden el control y cuidados médicos dispensados a animales de compañía o de granja (Instituto Nacional de Estadística, 2012). Este trabajo, partiendo de los datos que ofrece la Estadística Estructural de Empresas (Instituto Nacional de Estadística, 2019 c), realiza un estudio objetivo de las principales magnitudes e indicadores económicos del sector veterinario, analizando su evolución de 2009 a 2017 (cuadro 1), último ejercicio sobre el que el INE ofrecía datos al elaborar el mismo. Cuadro 1

Evolución de las principales magnitudes e indicadores económicos (miles de euros) Facturación total sector Valor añadido a coste factores Valor de la producción Excedente bruto de explotación Total de compras bienes y servicios Inversión en activos materiales Gastos de personal

2009

2010

2011

2012

2013

2014

2015

2016

2017

754.607 756.078 730.796 720.785 683.194 707.988 887.179 969.693 997.149 345.290 342.136 336.470 319.496 293.238 299.909 382.848 392.190 459.585 627.360 592.394 589.851 579.699 562.812 569.975 639.265 705.505 739.656 166.308 160.581 150.030 140.281 110.936 125.131 188.031 177.670 212.064 424.348 427.001 402.190 411.338 401.362 421.286 514.587 591.377 553.454 35.711

31.366

24.618

23.941

29.615

30.783

48.787

40.142

42.697

178.982 181.555 186.440 179.215 182.302 174.778 194.816 214.520 247.521

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Fuente: Instituto Nacional de Estadística (2019 c).

La primera magnitud analizada es la cifra de negocio o de facturación del sector veterinario, que comprende el total de los importes facturados por todas las empresas por las ventas de bienes y servicios (Instituto

178

ÓSCAR GUTIÉRREZ ARAGÓN

Nacional de Estadística, 2016). Esta cifra se ha incrementado un 32,14% pasando de 754,6 millones de euros en 2009 a 997,1 millones de euros en 2017, siendo resaltable el incremento espectacular del 25,31% en 2015 (Instituto Nacional de Estadística, 2019 c). El valor añadido bruto a coste de los factores determina la aportación de cada sector al conjunto de la economía nacional, ya que refleja el valor del conjunto de bienes y servicios aportados descontando impuestos indirectos y consumos intermedios (Instituto Nacional de Estadística, 2016). El valor añadido del sector veterinario alcanzó casi 460 millones de euros en 2017, con un incremento del 33,10% respecto al año 2009, a pesar de los decrementos padecidos en la época de crisis económica hasta 2014. Es de significar el incremento del 27,65% en 2015 (Instituto Nacional de Estadística, 2019 c). Por su parte, el valor de la producción de un sector mide el importe de los bienes y servicios producidos por las empresas, incluyendo las ventas, las variaciones de existencias y la reventa de bienes y servicios (Instituto Nacional de Estadística, 2016). Esta magnitud llegó a casi 740 millones de euros en 2017 para la totalidad del sector veterinario, un 17,90% de incremento desde 2009, habiendo seguido una senda bastante estable, tanto durante la crisis como posteriormente (destacando la caída del 5,57% en 2010 y los incrementos del 12,16% en 2015 y del 10,36% en 2016) (Instituto Nacional de Estadística, 2019 c). Un indicador financiero muy relevante es el excedente bruto de explotación, cuya evolución es uno de los determinantes fundamentales para conocer si un sector presenta señales de fortaleza o deterioro. Se calcula restando los gastos de personal del valor añadido bruto a coste de los factores, recogiendo, pues, el remanente del valor añadido una vez remunerado el factor trabajo (Instituto Nacional de Estadística, 2016). Obviamente, no es el beneficio de una empresa, pero comporta la base para que este pueda ser consistente. Este indicador, que alcanzó los 212 millones de euros en 2017, mostraba una tendencia en el periodo de crisis que comenzó en 2008 claramente bajista (caídas entre el 3% y el 7% anual), pero el incremento del IVA a final de 2012 provocó un decremento muy notable de casi un 21% en un solo ejercicio, el 2013. A partir de 2014 comienza una recuperación con una mejora espectacular en 2015 del 50,27%, hasta casi doblar resultados en el periodo 2013-2017 (91,16% de incremento), indicando la gran fortaleza económica actual del sector (Instituto Nacional de Estadística, 2019 c).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

179

Las compras de bienes y servicios representan el valor de todos los bienes (no de inversión) y de todos los servicios comprados destinados a la reventa o al funcionamiento corriente de la empresa (Instituto Nacional de Estadística, 1997). Este indicador no suele presentar variaciones muy grandes de un ejercicio a otro en sectores muy maduros (como el veterinario). De hecho, entre 2009 y 2014 sólo tuvo un leve decremento del 0,72% de variación acumulada. El gran crecimiento de las compras en 2015 (22,15%) y 2016 (14,92%) es parejo a la ya advertida evolución positiva de otros indicadores (facturación o excedente bruto), derivada del incremento sustancial de la actividad del sector (Instituto Nacional de Estadística, 2019 c). El índice que recoge la inversión en activos materiales (bienes adquiridos o fabricados para autoconsumo con una vida útil superior a un año) suele evolucionar de un modo similar al de los indicadores de confianza empresarial (cuando estos son optimistas los empresarios están motivados a incrementar la inversión en sus negocios). Lamentablemente, el INE sólo recoge la evolución del índice de confianza empresarial armonizado desde el año 2012. En el periodo 2012-2017 este indicador se ha incrementado un 30,07% (Instituto Nacional de Estadística, 2019 d), como consecuencia de la mejora general de la situación macroeconómica del país. A la par que mejoraba este indicador, la inversión en activos materiales del sector veterinario crecía casi un 80% entre 23,9 millones de euros de 2012 y los 42,7 millones de euros de 2017 (con un gran incremento del 58,49% en 2015). Del mismo modo, en peor época de la crisis, la inversión decreció casi un 33% entre 2009 y 2012 (ante un panorama económico negativo, los empresarios retrasaron o cancelaron las inversiones no estrictamente necesarias) (Instituto Nacional de Estadística, 2019 c). Los gastos de personal comprenden todas las retribuciones pagadas a los empleados por su trabajo, incluyendo impuestos y cotizaciones a la seguridad social de empleados y empresario (Instituto Nacional de Estadística, 2016). El sector veterinario se caracteriza por un alto porcentaje de empresas con muy pocos empleados, donde prima la familiaridad y la confianza, existiendo una gran predisposición al mantenimiento del empleo. Por ello, en el sector los gastos de esta partida tienden a tener cierta estabilidad en las épocas económicamente malas y a incrementarse a medida que la actividad crece. Así, en el periodo 2009-2014, de profunda crisis económica, los gastos de personal se mantuvieron prácticamente constantes (ligero descenso del 2,35%), siguiendo un rápido crecimiento

ÓSCAR GUTIÉRREZ ARAGÓN

180

de más de un 40% en tres años (de 174,7 millones de euros en 2014 a 247,5 millones de euros en 2017) derivado del incremento de la contratación en el sector (Instituto Nacional de Estadística, 2019 c). Se considera personal ocupado al conjunto de personas que trabajan en empresas del sector produciendo bienes o servicios o realizando actividades auxiliares. Incluye tanto al personal remunerado (trabajadores con contrato que perciben remuneración) como al no remunerado (personas que trabajan de forma regular sin percibir sueldo, p.e. propietarios, gerentes autónomos y familiares sin remuneración) (Instituto Nacional de Estadística, 2016). El personal ocupado del sector ha crecido de manera moderada durante la crisis y de forma más sólida a partir de 2014, alcanzando un 38,84% de incremento en el periodo 2009-2017 (cuadro 2). El personal remunerado aumentó un 50,28% entre 2009 y 2017, de una forma bastante errática, con aumentos notables en 2011, 2016 y 2017. El personal no remunerado también se ha incrementado de manera considerable (25,39% en el periodo 2009-2017). Cuadro 2

Personal ocupado, remunerado y no remunerado Personal ocupado (media anual) Variación anual

Variación acumulada Pers. remunerado (media anual) Variación anual Variación acumulada Pers. no remunerado (media anual) Variación anual Variación acumulada

2009

2010

2011

2012

2013

0,07%

3,57%

7,01% 11,27% 15,84% 17,73% 29,58% 38,84%

9.364

7.957

3,98%

10.176

-0,10%

9,62%

8,67% 15,98% 18,36% 22,57% 36,01% 50,28%

7.978

7.674

0,26% -3,81% 0,26% -3,56%

8.359

8,93% 5,05%

6,72% 8.413

0,65%

2,05%

8.982

11.477

12.736

7,15%

10.265

9,73% -0,87%

11.083

1,63% 10,07%

24.049

9.355

-0,10%

10.860

4,11%

22.445

2017

18.535 3,32%

20.392

2016

17.939 3,50%

20.065

2015

17.321 17.333 0,07%

19.273

2014

14.072

3,55% 10,97% 10,49% 8.915

6,76% -0,75%

9.709

8,91%

9.977

2,76%

5,73% 12,88% 12,04% 22,02% 25,39%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Fuente: Instituto Nacional de Estadística (2019 c).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

181

El salario medio del sector en los peores de la crisis había seguido una tendencia descendente similar a la de otros sectores económicos (cuadro 3), pero la decisión de incrementar la carga impositiva a estos servicios provocó una recaída de mayor calado (las mayores bajadas se produjeron precisamente en 2012, 2013 y 2014), acumulándose a final de 2017 una pérdida salarial del 10,43% con respecto a 2009 (en términos absolutos 1.595 euros menos, habiendo alcanzado un máximo de 2.046 euros de decremento). Estos datos parecen confirmar que la mayor contratación de trabajadores en el sector esconde un problema social de gran calado, ya que el descenso notable del salario medio de los profesionales veterinarios revela una mayor precarización laboral, probablemente tanto en parcialidad como estabilidad laboral. Cuadro 3

Salario medio (euros) Variación anual (euros) Variación anual (porcentaje) Variación acumulada (€) Variación acumulada (%)

2009

2010

Salario medio

2011

2012

2013

2014

2015

2016

2017

15.294 15.472 15.239 14.864 14.285

13.363

13.258

13.248

13.699

1,16% -1,51% -2,46% -3,90%

-6,45%

-0,78%

-0,08%

3,40%

178

-233

-375

-579

178

-55

-430

-1.009

-922

-1.931

-105

-2.036

-10

-2.046

450

-1.595

1,16% -0,36% -2,81% -6,60% -12,63% -13,31% -13,38% -10,43%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Fuente: Instituto Nacional de Estadística (2019 c).

Además, el salario medio anual de las actividades veterinarias es considerablemente menor al salario medio de las actividades sanitarias y sociales y al salario medio de todas las actividades en España a lo largo de todo el periodo analizado (2009-2016), encontrándose, de facto, bastante más cercano al de actividades de menor o ninguna cualificación (actividades administrativas y servicios auxiliares, servicios de restauración y comercio, hostelería, peones, etc.) (Gutiérrez-Aragón y BerbelGiménez, 2017). En 2016 el salario medio nacional y el de las actividades sanitarias eran un 74,78% y un 95,91%, respectivamente, más altos que el del sector veterinario. Así, mientras el salario medio de las activi-

ÓSCAR GUTIÉRREZ ARAGÓN

182

dades sanitarias representaba en 2016 el 112,09% del salario medio nacional, el de las actividades veterinarias tan sólo alcanzaba el 57,21%. Tomando como base 100 los datos de 2009, se evidencia el gran quebranto salarial sufrido por las actividades veterinarias, cuyo salario medio en 2016 representaba el 86,63% del que había en el 2009 (cuadro 4). En ese mismo periodo el salario medio nacional subió un 2,86% y el de las actividades sanitarias un 1,30%. Cuadro 4

Evolución del salario medio del sector veterinario, actividades sanitarias y sociales y total España Salario medio sector veterinario Salario medio activ. sanitarias y sociales Salario medio todas las actividades Evolución sector veterinario Evolución activ. sanitarias y sociales Evolución todas las actividades

2009

2010

2011

2012

2013

2014

2015

2016

25.623

26.331

26.058

25.104

24.804

24.826

25.824

25.955

15.294 22.511

15.472 22.790

15.239 22.899

14.864 22.726

14.285 22.698

13.363 22.858

13.258 23.106

13.248 23.156

100,00% 101,16% 99,64% 97,19% 93,40% 87,37% 86,69% 86,63% 100,00% 102,76% 101,70% 97,97% 96,81% 96,89% 100,78% 101,30% 100,00% 101,24% 101,72% 100,95% 100,83% 101,54% 102,64% 102,86%

Base 100 Año 2009. Fuente: Instituto Nacional de Estadística (2019 c) Instituto Nacional de Estadística (2019 e).

Según datos de la Encuesta Trimestral de Coste Laboral, tras años de grave deterioro, el salario medio neto mensual de los trabajadores del sector veterinario, con 1.039,45 euros, se encontraba a final de 2017 en el grupo de cola de las 79 actividades de la CNAE, sólo por encima de actividades deportivas, recreativas y de entretenimiento, servicios a edificios y actividades de jardinería y servicios de comidas y bebidas, representando menos de la mitad del salario medio de las actividades sanitarias (2.126,23 euros) (Instituto Nacional de Estadística, 2019 a). En este marco, el aumento de la precarización en el sector se puede constatar examinando la evolución de dos indicadores: el número de trabajadores eventuales y el de trabajadores no remunerados (cuadro 5).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

183

Ambas variables se habían comportado de forma errática durante la crisis económica, pero, a partir del incremento de IVA de 2012, se consolida su tendencia al alza, alcanzando un 44,90% más de eventuales y un 25,39% más de no remunerados en el periodo 2009-2017. Cuadro 5

Número de trabajadores eventuales y no remunerados Trabajadores eventuales

Variación anual

Variación acumulada Trabajadores no remunerados Variación anual Variación acumulada

2009

1.862

7.957

2010

2011

2012

-15,47%

2,10%

9,65% 34,00% -3,22% -23,06% 42,83%

7,45%

7.978

7.674

8.359

9.977

1.574

1.607

1.762

2013

2.361

2014

2.285

2015

1.758

2016

2.511

2017

2.698

-15,47% -13,69% -5,37% 26,80% 22,72% -5,59% 34,85% 44,90% 0,26% -3,81% 0,26% -3,56%

8,93% 5,05%

8.413

0,65%

8.982

8.915

6,76% -0,75%

9.709

8,91%

2,76%

5,73% 12,88% 12,04% 22,02% 25,39%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Fuente: Instituto Nacional de Estadística (2019 c).

Por otra parte, el incremento de empleados remunerados parece estar asociado a un descenso de los salarios medios (cuadro 6), ya que a medida que se incrementa el primer indicador (50,28% de aumento entre 2009 y 2017), va disminuyendo el segundo (descenso del 10,43%, producido sobre todo a partir del incremento impositivo del año 2012). Este contexto sólo se puede producir con la existencia de un mayor número de empleados a tiempo parcial (lo cual, unido a los salarios más reducidos, revela el aumento de la precarización). La tasa de estabilidad en el empleo es la proporción de trabajadores con contrato fijo sobre el número de remunerados totales. En el sector veterinario este ratio había alcanzado su techo del periodo en 2011 (84,10%), justo antes del incremento de IVA. A partir de entonces, sucesivos decrementos le hicieron descender hasta el 79,40% en 2014, para después recuperarse moderadamente hasta el 80,83% de 2017, una cifra sólo un 0,34% menor que la de 2009 y muy superior a la media nacional, que en la última década ha oscilado entre el 59% y el 64% (Gutiérrez-Aragón y BerbelGiménez, 2017; Instituto Nacional de Estadística, 2019 c).

ÓSCAR GUTIÉRREZ ARAGÓN

184

Cuadro 6

Evolución del número de trabajadores remunerados y salarios medios 2009

2010

2011

2012

2013

2014

2015

2016

2017

Trabajadores 9.364 9.355 10.265 10.176 10.860 11.083 11.477 12.736 14.072 remunerados Salario medio 15.294 15.472 15.239 14.864 14.285 13.363 13.259 13.249 13.699 (euros) Evolución trab. 100,00% 99,90% 109,62% 108,67% 115,98% 118,36% 122,57% 136,01% 150,28% remunerados Evolución 100,00% 101,16% 99,64% 97,19% 93,40% 87,37% 86,69% 86,63% 89,57% salario medio Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Base 100 Año 2009. Fuente: Instituto Nacional de Estadística (2019 c).

La productividad en euros por persona ocupada de un sector se mide dividiendo el valor añadido a coste de los factores entre el número medio de ocupados (Instituto Nacional de Estadística, 2016). Este indicador en el sector veterinario resultó muy afectado por la crisis económica (con unos descensos moderados) y por el cambio de gravamen del IVA de 2012 (tras el que se incrementan notablemente las caídas), hasta alcanzar en 2014 un retroceso acumulado del 21,98% con respecto a 2009, lo que suponía una productividad media por trabajador de 4.382 euros menos (cuadro 7). A partir de 2015, al mejorar sustancialmente la situación económica-financiera del sector, este ratio crece de forma significativa hasta situarse a sólo 824 euros de la cifra de 2009 (un 4,13% menor que aquella). Al relacionar la evolución del valor añadido a coste de los factores, la productividad por empleado ocupado y el número de empleados ocupados (cuadro 8) es posible verificar la relación inversa que existía en el sector en el periodo de crisis y tras la subida del IVA (principalmente 2013 y 2014) entre los dos primeros indicadores y el número de ocupados. Así, mientras la ocupación alcanzaba en 2014 un 115,84% con respecto a 2009, el valor añadido se situaba en un 86,86% y la productividad en un 78,02%. Obviamente, una reducción del valor añadido y de la productividad, contratando un mayor número de trabajadores, sólo se consigue aumentando la precarización. La posterior mejora del valor añadido (133,10% en 2017 con respecto a 2009) y, en menor medida, de la productividad (95,87%), en un sector que ha seguido incrementando el número de empleados (138,84% en 2017 con respecto a 2009), no parece que haya servido para paliar la precarización.

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

185

Cuadro 7

Evolución de la productividad en euros por persona ocupada 2009

2010

2011

2012

2013

2014

2015

2016

2017

Productividad 19.935 19.739 19.285 17.859 15.823 15.553 18.775 17.474 19.111 (euros) Variación anual -196 -454 -1.426 -2.036 -270 3.222 -1.301 1.637 productividad (€) Variación anual -0,98% -2,30% -7,39% -11,40% -1,71% 20,72% -6,93% 9,37% productividad (%) Var. acumulada -196 -650 -2.076 -4.112 -4.382 -1.160 -2.461 -824 productividad (€) Var. acumulada -0,98% -3,26% -10,41% -20,63% -21,98% -5,82% -12,35% -4,13% productividad (%)

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Fuente: Instituto Nacional de Estadística (2019 c).

Cuadro 8

Comparativa de la evolución del valor añadido a coste de los factores, productividad por empleado ocupado y número de empleados ocupados Valor añadido (miles de euros) Evolución del valor añadido Productividad (euros/ocupado) Evolución de la productividad Número de ocupados Evolución de ocupados

2009

2010

2011

2012

2013

2014

2015

2016

2017

345.290 342.136 336.470 319.496 293.238 299.909 382.848 392.190 459.585

100,00% 99,09% 97,45% 92,53% 84,93% 86,86% 110,88% 113,58% 133,10% 19.935

19.739

19.285

17.859

15.823

17.321

17.333

17.939

18.535

19.273

15.553

100,00% 99,02% 96,74% 89,59% 79,37% 78,02% 20.06 5

18.775

94,18 % 20.39 2

17.474

87,65 %

22.445

19.11 1

95,87% 24.049

100,00% 100,07% 103,57% 107,01% 111,27% 115,84% 117,73% 129,58% 138,84%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Base 100 Año 2009. Fuente: Instituto Nacional de Estadística (2019 c).

El número de empresas del sector veterinario ha venido incrementándose a lo largo del periodo analizado de una forma constante hasta alcanzar las 10.358 en 2017, 2.591 unidades más que en 2009 (33,36% de

ÓSCAR GUTIÉRREZ ARAGÓN

186

incremento) (Instituto Nacional de Estadística, 2019 c). Detrás de este significativo crecimiento del número de empresas en el sector se ocultan, sin embargo, efectos bastantes perniciosos para la salud laboral del sector. En primer término, aún manteniéndose los porcentajes de empresas por número de empleados estables a lo largo del periodo, seguramente debido a la disminución salarial y al aumento de la eventualidad, aumentó de forma notable el autoempleo, llegando al final de 2017 al 57,62%, habiéndose incrementado el número de sociedades con una sola persona ocupada un 35,37% desde 2009. Además, el 99,35% de las empresas tienen menos de 20 empleados. La gran fragmentación existente, como en cualquier otro sector, suele ser indicativo de precarización (GutiérrezAragón, 2019; Instituto Nacional de Estadística, 2019 c). Si se examinan los datos desagregados en función del tamaño de la empresa (cuadros 9 y 10), se pueden obtener interesantes revelaciones sobre la estructura económica del sector. En concreto, de los datos de 2017 se puede deducir que el 98,07% de las empresas tienen menos de 10 empleados y generan el 80,25% de la cifra total de negocio (gran fragmentación). Por otro lado, las empresas de 2 a 9 empleados parecen las más dinámicas, pues representando el 40,44% del total, generan el Cuadro 9

Principales magnitudes económicas según tamaño (por personal ocupado)

TOTaL

1 persona ocupada De 2 a 9 empleados De 10 a 19 empleados De 20 a 49 empleados De 50 a 249 empleados

Valor Excedente Número Cifra de Valor de la añadido Inversión Gastos de Personal Total de en de bruto de compras activos personal ocupado negocios producción (cost. explotación empresas materiales fact.)

10.358 997.149

739.656 459.585

212.064 553.454

42.697 247.521

24.049

4.189 610.305

421.313 252.009

95.453 361.779

25.315 156.556

14.261

5.969 189.949 134

80.429

25.229

91.237

165.183 109.486 62.917

37.121

20.900

17.258

69.343

43.711

101.833

84.986

6.279

43.667

1.807

11.045

6.691

51.977

6.878

7.653

2.374

30.842

4.880

15.451

3.250

37.020

5.700 1.685 1.664 740

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Año 2017. Unidades: empresas, miles de euros, personas. Fuente: Instituto Nacional de Estadística (2019 c).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

187

61,20% de la cifra de negocio, el 56,96% de la producción, el 54,83% del valor añadido, el 65,37% de las compras, el 59,29% de la inversión y el 63,25% de los gastos de personal. También resulta significativo que el 93,03% del excedente bruto de explotación se origine en las empresas con menos de 10 empleados, confirmando el poco peso real que tienen las empresas más grandes. Cuadro 10

Porcentajes según tamaño (por personal ocupado) de las principales magnitudes económicas

Valor Excedente Número Cifra de Valor de la añadido Inversión Gastos de Personal Total de en de bruto de compras activos negocios producción (cost. empresas materiales personal ocupado fact.) explotación

1 persona 57,63% 19,05% ocupada De 2 a 9 40,44% 61,20% empleados De 10 a 19 1,29% 8,07% empleados De 20 a 49 0,57% 9,15% empleados De 50 a 249 0,08% 2,53% empleados

22,33% 23,82% 56,96% 54,83% 8,51%

8,08%

2,83%

3,76%

9,38%

9,51%

48,02% 15,36% 45,01% 65,37% 2,96%

7,89%

0,85%

2,00%

3,16%

9,39%

16,11%

3,09% 23,70%

59,29% 63,25% 59,30% 5,56% 12,46% 7,61% 14,96%

11,43%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Año 2017. Fuente: Instituto Nacional de Estadística (2019 c).

6,24%

7,01% 6,92% 3,08%

Si se examinan los datos sobre personal ocupado, remunerado y no remunerado en función del tamaño de las empresas (cuadro 11), se puede inferir que aquellas con un solo empleado, manteniendo el 23,70% del personal ocupado, por un lado, tan solo sustentan el 2,27% del remunerado, y, por otro, cargan con el 53,92% del no remunerado (98,65% si se toma el dato del total de empresas de menos de 10 empleados). Estos datos parecen confirmar la existencia de un gran número de profesionales autónomos regentando su propio negocio en la mayor parte de las empresas con una sola persona ocupada (de hecho, el 94,39% del personal que presta sus servicios en estas empresas es no remunerado, cifra que ya baja al 31,29% en empresas de 2 a 9 empleados). En las empresas más grandes, a partir de 20 trabajadores, se emplea tan solo el 10% del personal ocupado y el 16,62% del personal remunerado.

ÓSCAR GUTIÉRREZ ARAGÓN

188

Cuadro 11

Comparativa entre personal ocupado, remunerado y no remunerado en función del número de personas empleadas Una sola persona ocupada De 2 a 9 empleados

De 10 a 19 empleados De 20 a 49 empleados

De 50 a 249 empleados

Personal ocupado

Personal remunerado

59,30%

6,92%

5.700

23,70%

1.685

7,01%

14.261

1.664 740

3,08%

Personal no remunerado

9.799

69,63%

4.462

1.624

11,54%

320

1.615 715

2,27%

11,48% 5,08%

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Año 2017. Fuente: Instituto Nacional de Estadística (2019 c).

5.380

53,92%

0,70%

40 25

44,72%

0,40% 0,25%

Al analizar el excedente bruto de explotación por empresa en función del número de empleados (cuadro 12), se advierte que se incrementa de forma notoria a medida que ganan tamaño, creciendo de los 17.060 euros en empresas con un solo empleado a los 225.875 euros en las de más de 50, razón por la que sería aconsejable que las empresas del sector intentaran aumentar su tamaño. Cuadro 12

Excedente bruto de explotación por empresa en función del número de personas empleadas TOTaL

Una sola persona ocupada De 2 a 9 empleados

De 10 a 19 empleados De 20 a 49 empleados

De 50 a 249 empleados

Número de empresas

Excedente bruto de explotación (miles de euros)

Excedente bruto de explotación por empresa

5.969

101.833

17.060

10.358 4.189 134 59 8

212.064 95.453 6.279 6.691 1.807

20.473 22.787 46.858

113.407

225.875

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Año 2017. Unidades: empresas, miles de euros, euros. Fuente: Instituto Nacional de Estadística (2019 c).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

189

Otro argumento a favor de esta tesis se encuentra al confrontar los datos de la productividad por empleado (valor añadido a coste de los factores por persona) y el gasto medio por persona remunerada (cuadro 13). El ratio resultante mide la productividad del factor trabajo, revelando el valor añadido que genera cada trabajador remunerado con relación a cada euro empleado en gastos de personal. La media de este indicador es de 1,09 para el total del sector (por cada euro empleado en remunerar trabajadores se obtienen 1,09 euros de valor añadido, es decir, se genera un remanente de 9 céntimos de euro sobre el coste de personal). Este indicador sólo es menor que 1, en concreto 0,80, en las empresas con una persona ocupada (y remunerada), advirtiendo que, en estas empresas, por cada euro empleado en remunerar trabajadores se generan 20 céntimos de euros menos de valor añadido, situación financieramente nada recomendable. A medida que las empresas tienen un mayor número de empleados este indicador tiende a crecer, llegando a 1,15 en las empresas de más de 10 empleados. El ratio es más pequeño en las empresas de más de 50 empleados, debido a que su productividad es menor que la de empresas de 20 a 49 empleados (probablemente a causa de la existencia de un mayor número de empleados de soporte o no productivos). Cuadro 13

Valor añadido que genera cada trabajador remunerado por cada euro empleado en gastos de personal en función del número de personas empleadas Productividad

Gastos de personal medios

Ratio productividad vs. gasto personal

Una sola persona ocupada

19.207

23.921

0,80

De 10 a 19 empleados

22.033

TOTaL

De 2 a 9 empleados

De 20 a 49 empleados

De 50 a 249 empleados

19.111

17.672 26.273 23.338

17.589 15.978

1,09

1,11

19.092

1,15

21.626

1,08

22.796

Encuesta Anual de Servicios. CNAE 75. Actividades Veterinarias. Año 2017. Fuentes: Gutiérrez-Aragón, 2019; Instituto Nacional de Estadística (2019 c).

1,15

Como ya se ha apuntado, aunque históricamente la profesión veterinaria ha sido de marcado carácter masculino, se ha producido en las últimas décadas una progresiva feminización hasta alcanzar un 48,77% de

ÓSCAR GUTIÉRREZ ARAGÓN

190

colegiadas veterinarias en 2017 (Instituto Nacional de Estadística, 2019 f), cerca ya de superar en porcentaje a sus compañeros varones, cuestión que se producirá próximamente, ya que en la actualidad casi un 75% de los estudiantes matriculados y un 70% de los egresados en veterinaria son mujeres (Ministerio de Educación y Formación Profesional, 2019). Estos excelentes datos en favor de la igualdad no deben ocultar que, debido a las circunstancias descritas en este trabajo, tras la crisis y la subida del IVA, los profesionales veterinarios (tanto mujeres como hombres y, sobre todo, los más jóvenes) se encuentran ante una grave situación de precarización laboral (Gutiérrez-Aragón y Berbel-Giménez, 2017). De hecho, analizando las cifras de colegiados por tramos de edades en 2017 queda patente como, a menor edad, mayor presencia femenina (cuadro 14). Puesto que la precarización afecta, en casi todos los sectores, en mayor medida a los más jóvenes (los contratados de mayor antigüedad suelen gozar de mejores condiciones), parece evidente que en el sector veterinario, debido a su composición demográfica, serán mujeres en mayor número quienes padezcan un peor contexto laboral y con menores salarios. Cuadro 14

Composición colegiados veterinarios por tramos de edades (año 2017)

aÑO 2017

Total

Hombres Mujeres

Hombres (%) Mujeres (%)

Total

32.555 16.678 15.877

51,23% 48,77%

Menores De 35 a 44 De 45 a 54 De 55 a 64 De 65 a 69 Mayores de de 35 años años años años años 70 años 7.995

8.219

9.661

4.552

613

1.515

5.650

4.997

4.028

1.095

2.345 29,33% 70,67%

3.222 39,20% 60,80%

Fuente: Instituto Nacional de Estadística (2019 f).

5.633 58,31% 41,69%

3.457 75,94% 24,06%

539 87,93% 12,07%

1.482 97,82%

2,18%

Lamentablemente, el INE no facilita cifras sobre salarios medios en España por sector y tramos de edades, por lo que para obtener datos sobre este particular es necesario acudir a otras fuentes que proporcionen cifras fiables. Así, un estudio de la Federation of Veterinarians in Europe (2015) determina que el salario anual medio de los veterinarios españo-

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

191

les crece de manera progresiva con la edad, situándose el de los menores de 40 años en menos de la mitad del mayor rango salarial en el mejor de los casos (28,57% los menores de 30 años, 34,22% entre 30 y 34 años y 48,98% entre 35 y 39 años). Puede inferirse, pues, que existe una brecha salarial en el sector que afecta principalmente a las trabajadoras femeninas, aunque no por el hecho de ser mujeres, sino por ser más numerosas las más jóvenes, que han accedido a la profesión en peores condiciones laborales y salariales (Gutiérrez-Aragón, Barahona-Márquez y BerbelGiménez, 2018). 5. Conclusiones

El contexto del sector veterinario, tras la crisis y el incremento del IVA al 21% a los servicios a animales de compañía en 2012, se caracterizaba por la existencia de notables perjuicios económicos y sociolaborales (Gutiérrez-Aragón y Berbel-Giménez, 2017). A partir de 2015, coincidiendo con la mejora macroeconómica del país, el sector experimenta una progresiva recuperación en diversos indicadores económicos y financieros, evidenciando fortaleza y crecimiento en la actualidad. Sin embargo, esta notable mejora no ha servido para atemperar la situación de precarización laboral y bajos salarios de muchos de sus trabajadores. En el análisis del periodo 2009-2017 se ha podido evidenciar que el sector veterinario español ha disfrutado de incrementos considerables de su cifra de negocio (32,14%), valor añadido generado (33,10%), valor de la producción (17,90%), excedente bruto de explotación (27,51%, con un 91,16% de alza entre 2013 y 2017), compras (30,42%) e inversión en activos materiales (19,56%, con un 30,07% de aumento en el periodo 2012-2017). Así mismo, se ha incrementado el personal ocupado (38,84%), el personal remunerado (50,28%) y los gastos de personal (38,29%). La tasa de estabilidad en el empleo, que alcanzó su techo en 2011 (84,10%), se sitúo en 2017 en el 80,83%, sólo un 0,34% menor que en 2009, y bastante superior a la media nacional, señal de que este sector tiene una fuerte resistencia a los efectos perniciosos de las crisis. Por otro lado, a la vez que estas mejoras, también se produce el deterioro de una serie de indicadores sociolaborales. Así, se han verificado descensos del salario medio anual (-10,43%) y de la productividad en euros por persona ocupada (-4,13% en total, -21,98% en el periodo 2009-2014), elevándose el personal no remunerado (25,39%), los eventuales (44,90%) y las empresas con un único trabajador (35,37%), en las

192

ÓSCAR GUTIÉRREZ ARAGÓN

que el 94,39% es no remunerado. Además, el 98,07% de las empresas tienen menos de 10 empleados, generando el 80,25% de la cifra de negocio, evidenciando la gran fragmentación del sector, fuente habitual de precarización. De hecho, el salario medio neto mensual a final de 2017 (1.039,45 euros) estaba en el grupo de cola de la CNAE y representaba menos de la mitad del de las actividades sanitarias (2.126,23 euros). Este deterioro de las condiciones laborales se produce en un sector ya altamente feminizado, sobre todo en las cohortes de menos edad (el 65,67% de los colegiados menores de 45 años son mujeres), que en el futuro lo estará aún más (en 2018 el 74,26% de los matriculados en veterinaria y el 70,17% de los egresados eran mujeres). En este contexto un gran número de profesionales veterinarios (tanto mujeres como hombres y, sobre todo, los más jóvenes) padecen una grave situación de precarización, base de una brecha salarial relacionada más con la edad que con el género, debida a que los veterinarios más jóvenes han accedido más recientemente a la profesión, con peores condiciones laborales y salariales (Gutiérrez-Aragón, Barahona-Márquez y Berbel-Giménez, 2018). En definitiva, el crecimiento experimentado en el sector veterinario español en el periodo analizado no ha alcanzado a todos los agentes económicos que han contribuido al mismo, pues una parte importante de sus trabajadores (principalmente los más jóvenes) han venido padeciendo deterioros salariales y laborales. Ha existido, pues, un crecimiento evidente en términos cuantitativos (como apuntan los indicadores relacionados con la producción), que no ha traído vinculada una mejora de relevantes aspectos cualitativos relativos al empleo que corroboren un desarrollo económico completo en el sector. Obviamente, si el actual modelo de crecimiento del sector comporta fenómenos estructurales negativos que afectan a un gran colectivo de trabajadores, parecería justo implementar un modo más equitativo de distribuir entre todos los agentes partícipes los beneficios derivados del alza de la producción. Así, en principio, salvaguardando esa equidad, ya sea a través de la inversión interna o de procesos de concentración, se debería promover el aumento del tamaño de las empresas como forma de mejorar empleo, competitividad y productividad (Casado-Juan, 2015), pues la evolución de diversos indicadores así lo aconseja (el excedente bruto de explotación por empresa y la productividad por euro empleado en remunerar trabajadores se incrementan con el tamaño). Otra cuestión a afrontar sería el exceso de oferta del mercado laboral veterinario (Gutiérrez-Aragón, 2019), en cuya resolución han de implicarse tanto la

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

193

profesión como las universidades, para que la generación de egresados se corresponda con la dimensión y necesidades del sector. En cualquier caso, el principal reto que quizás se deba plantear sería un cambio estratégico que implicara transformaciones significativas en la organización empresarial, propiciando el tránsito de un modelo productivo cimentado en el crecimiento, la inversión y la producción, a otro basado en la prestación de servicios de mayor valor añadido y la calidad del empleo, en el cual las retribuciones salariales fuesen siempre proporcionales a las contribuciones de los trabajadores a la producción. 6. Referencias bibliográficas

ARAGÓN, J. (2016): “Notas sobre una ¿una nueva revolución industrial? Economía digital y trabajo”, Gaceta Sindical: Reflexión y Debate, nº 27, diciembre de 2016, pp. 11-22. AYALA-CAÑÓN, L. (2016): “Desigualdad estructural, crecimiento económico y redistribución ¿una nueva agenda?”, Revista Española del Tercer Sector, nº. 32, pp. 47-76. BADIOLA, J.J. (2016): “Toma de posesión del nuevo presidente del Consejo de Colegios Veterinarios de Castilla y León”. En EFE (2016): “Badiola alerta de la precariedad laboral de los profesionales veterinarios”, La Vanguardia, 11/06/2016. BAUMOL, W. (1990): “Entrepreneurship: productive, unproductive and destructive”, The Journal of Political Economy, vol. 98, n. 5, pp. 893-921. BOYER, R. (2015): “Crecimiento, empleo y equidad: el nuevo papel del Estado”. En BÁRCENA, A. y PRADO, A. (edit.) (2015): Neoestructuralismo y corrientes heterodoxas en América Latina y el Caribe a inicios del siglo XXI, CEPAL (ONU), Santiago de Chile, pp. 299-324. CASADO-JUAN, F. (2015): “Aumentar el tamaño empresarial es fundamental para aumentar el empleo, la competitividad y la productividad”, Boletín de Estudios Económicos, vol. 70, nº 214, pp. 31-53. CONFEDERACIÓN EMPRESARIAL VETERINARIA ESPAÑOLA (2018): “Las clínicas veterinarias aportarían 5 millones de euros más cada año al Estado si se les aplicara el IVA reducido”, Revista Argos, nº 197, pág. 6. DEGRYSE, C. (2016): Digitalisation of the economies and its impact on labour markets, ETUI Working Paper 2016.02, Brussels. DOSI, G.; FAGIOLO, G. & ROVENTINI, A. (2008): “Schumpeter meeting Keynes: a policy friendly model of endogenous growth and business cycles”, LEM Working Paper Series, nº 2008/21, Scuola Superiore Sant’Anna, Laboratory of Economics and Management (LEM), Pisa, pp. 1-34. DONCEL, L. (2018): “Y por los jóvenes, ¿quién se moviliza?”, El País, 25/03/2018. FEDERATION OF VETERINARIANS IN EUROPE (2015): FVE Survey of the Veterinary

194

ÓSCAR GUTIÉRREZ ARAGÓN

Profession in Europe, Mirza & Nacey Research Ltd, Southdown House, Ford Arundel (West Sussex). GALINDO-MARTÍN, M.A.; MÉNDEZ-PICAZO, M.T.; CASTAÑO-MARTÍNEZ, M.S. (2016): “Crecimiento, progreso económico y emprendimiento”, Journal of Innovation & Knowledge, vol. 1, nº 1, enero-abril 2016, pp. 62-68. GÓMEZ-PÉREZ, A. (2017): “De la igualdad de oportunidades a la igualdad de resultados: la educación aún no es suficiente garantía para las mujeres”, Lan harremanak, Revista de relaciones laborales, nº 38, pp. 13-41. GUTIÉRREZ-ARAGÓN, Ó. y BERBEL-GIMÉNEZ, G. (2017): Informe sobre la situación socioeconómica y laboral del sector veterinario de animales de compañía en España. El deterioro de la profesión tras el incremento del tipo de gravamen de IVA y propuesta de soluciones, Confederación Empresarial Veterinaria Española (adscrita a CEOE), pp. 1-86. GUTIÉRREZ-ARAGÓN, Ó.; BARAHONA-MÁRQUEZ, F. y BERBEL-GIMÉNEZ, G. (2018): “Efectos del incremento del tipo de gravamen del IVA en 2012 sobre el empleo y las condiciones laborales en el sector veterinario en España. Influencia en la profundización de la brecha laboral de género”, Estudios de Economía Aplicada, vol. 36, nº 3, pp. 921-944. GUTIÉRREZ-ARAGÓN, Ó. (2019): Informe sobre la situación socioeconómica y laboral del sector veterinario en España. Año 2018, Confederación Empresarial Veterinaria Española (adscrita a CEOE), pp. 1-53. GUZMÁN, J. (2006): “El rol del entrepreneurship en el proceso del crecimiento económico”, Estudios de Economía Aplicada, vol. 24, nº 2, pp. 361-387. GUZMÁN, J. y SANTOS, F. J. (2009): “Entrepreneurial structure from a regional perspective”. En GALINDO, M.A., GUZMÁN, J. y RIBEIRO, D. Entrepreneurship and business: a regional perspective, Springer, Berlin, pp. 51-75. GUZMÁN-ALFONSO, C.; SANTOS, F. J. y BARROSO-GONZÁLEZ, M.O. (2016): “Cooperativismo, factor empresarial y desarrollo económico propuesta de un modelo teórico de enlace”, REVESCO: Revista de Estudios Cooperativos, nº. 122, pp. 110-134. HOLCOMBE, R.G. (2007): Entrepreneurship and Economic Progress, Routledge, New York. INSTITUTO NACIONAL DE ESTADÍSTICA (1997): “INEbase. Encuesta de servicios. Metodología”, INE, https://bit.ly/2Fu4olD (Consultado el 22/01/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2012): “CNAE-2009”, INE, https://bit.ly/2USvnxI (Consultado el 22/01/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2016): “INEbase. Estadística estructural de empresas: sector servicios. Informe metodológico estandarizado”, INE, https://bit.ly/2uvXreF (Consultado el 22/01/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2019 a): “Encuesta trimestral de coste laboral. Resultados nacionales. Componentes del coste laboral total. Coste laboral por trabajador por divisiones de la CNAE-09. Coste salarial ordinario”, INE, https://bit.ly/2OryxpL (Consultado el 05/02/2019).

CRECIMIENTO VERSUS DESARROLLO SECTORIAL: EL CASO DEL SECTOR ...

195

INSTITUTO NACIONAL DE ESTADÍSTICA (2019b): “Clasificación Nacional de Actividades Económicas. CNAE”, https://bit.ly/2ibdzfM (Consultado el 22/01/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2019c): “Estadística Estructural de Empresas: Sector Servicios. Encuesta anual de servicios. Series Históricas 2009-2017”, INE, https://bit.ly/2KatEhj (Consultado el 30/01/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2019d): “Indicadores de confianza empresarial”, INE, https://bit.ly/2TBw78Q (Consultado el 02/02/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2019e): “Encuestas de estructura salarial”, INE, https://bit.ly/2snEY4b (Consultado el 03/02/2019). INSTITUTO NACIONAL DE ESTADÍSTICA (2019f): “Estadística de profesionales sanitarios colegiados”, INE, https://bit.ly/2NU1SYy (Consultado el 07/02/2019). JUHN, C.; MURPHY, K.M. & PIERCE, B. (1993): “Wage inequality and the rise in returns to skill”, Journal of Political Economy, vol. 101, n. 3, pp. 410-442. LÓPEZ-PROL, J. y PALAZUELOS, E. (2016): “Relación entre beneficios e inversión: crecimiento económico de España 1994-2007”, Revista Problemas del Desarrollo, vol. 185, nº 47, abril-junio 2016, pp. 111-136. LORENZO-GILSANZ, F. J. (2014): “Pobreza y exclusión social en España: consecuencias estructurales de nuestro modelo de crecimiento”, Ehquidad, Revista Internacional de Políticas de Bienestar y Trabajo Social, nº 1, pp. 91-114. MARCOS, S. (2015): “A vueltas con la brecha salarial”, Aedipe, Revista de la Asociación Española de Dirección de Personal, nº. 23, págs. 56-57. MARTÍNEZ-LÓPEZ, R. y NAVARRO-RUIZ, C. (2016): “Pobreza y privación material tras la crisis”, Revista Española del Tercer Sector, nº 32, pp. 107-139. MINISTERIO DE EDUCACIÓN y FORMACIÓN PROFESIONAL (2019): “Estadísticas e Informes Universitarios. Estadísticas Universitarias. Estadística de estudiantes. Series de estudiantes”, MECD, https://bit.ly/2mUI5g0 (Consultado el 07/02/2019). MONTOYA-SUÁREZ, O. (2004): “Schumpeter, innovación y determinismo tecnológico”, Scientia et Technica, año 10, nº 25, pp. 209-213. MONTUSCHI, L. (2017): “Crecimiento económico, progreso social y felicidad”, CEMA Working Papers, Serie Documentos de Trabajo, nº 620, Universidad del Centro de Estudios Macroeconómicos de Argentina (UCEMA), pp 1-27. NAVARRO, P.A. (2017): “Las trabajadoras, cada vez más pobres: La brecha salarial hombre-mujer se convierte en un mal endémico en el planeta”, El siglo de Europa, nº 1214. ROCHA-SÁNCHEZ, F. (2017): “La digitalización y el empleo decente en España. Retos y propuestas de actuación”. En MINISTERIO DE EMPLEO Y SEGURIDAD SOCIAL (2017): El futuro del trabajo que queremos, Conferencia Nacional Tripartita, Volumen II, pp. 259-274. SAGARDOY DE SIMÓN, I. y MERCADER-UGUINA, J.R. (2017): “Desarrollo de la robotización y justo reparto de la riqueza”. En MINISTERIO DE EMPLEO Y SEGURIDAD SOCIAL (2017): El futuro del trabajo que queremos, Conferencia Nacional Tripartita, Volumen II, pp. 123-133.

196

ÓSCAR GUTIÉRREZ ARAGÓN

SÁNCHEZ-MIRA, N. (2017): “La brecha salarial y las desigualdades de género en el mercado de trabajo: una revisión de aproximaciones teóricas y aportaciones empíricas”, Anuario IET de trabajo y relaciones laborales, vol. 4, pp. 87-98. SCHUMPETER, J.A. (1911): The theory of economic development: an inquiry into profits, capital, credit, interest, and the business cycle, Harvard University Press, Cambridge (Massachusetts), 1934 edition. VARIAN, H.R. (1975): “Distributive justice, welfare economics and the theory of fairness”, Philosophy and Public Affairs, vol. 4, n. 3, pp. 223–247. VERGARA-TAMAYO, C.A y ORTIZ-MOTTA, D.C. (2016): “Desarrollo sostenible: enfoques desde las ciencias económicas”, Apuntes Cenes, vol. 35, nº 62, pp. 15-52.

Relación de títulos publicados en el (Continuación)

BOLETIN DE ESTUDIOS ECONOMICOS

Algunas reflexiones sobre recientes normativas y su impacto en la actividad empresarial (N.º 194, Agosto 2008). Compromiso empresarial con el desarrollo sostenible (N.º 195, Diciembre 2008). Relaciones Laborales (N.º 196, Abril 2009). Comunicación y transparencia: algunas posibilidades (N.º 197, Agosto 2009). Reflexiones tras dos años de crísis económica y financiera (N.º 198, Diciembre 2009). Algunas novedades en finanzas (N.º 199, Abril 2010). Economía sostenible (N.º 200, Agosto 2010). Política fiscal y concierto económico frente a la crisis (N.º 201, Diciembre 2010). Gestión del riesgo (N.º 202, Abril 2011). La gestión de personas (N.º 203, Agosto 2011). Diferentes economías, diferentes problemas (N.º 204, Diciembre 2011). Emprender (N.º 205, Abril 2012). Finanzas éticas y alternativas (N.º 206, Agosto 2012). Estrategias empresariales frente a la crisis (N.º 207, Diciembre 2012). Novedades en la información contable (N.º 208, Abril 2013). Reformas estructurales: una agenda abierta (N.º 209, Agosto 2013). En torno a la crisis (N.º 210, Diciembre 2013). Dirigir con ética (N.º 211, Abril 2014). El reto de la financiación empresarial (N.º 212, Agosto 2014). Competitividad e Innovación (N.º 213, Diciembre 2014). Pymes y salida de la crisis (N.º 214, Abril 2015). Nuevos desafios del marketing (N.º 215, Agosto 2015). Retos y oportunidades en la economía (N.º 216, Diciembre 2015). Retos en el liderazgo y dirección de personas (N.º 217, Abril 2016). Economia y Futuro (En homenaje al Centenario de Duesto Business School) (N.º 218, Agosto 2016). Transformación digital (N.º 219, Diciembre 2016). Fundaciones (En homenaje a la Fundación Vizcaína Aguirre) (N.º 220, Abril 2017). Entorno geopolítico y sus implicaciones para la gestión (N.º 221, Agosto 2017). Retos de la construcción europea (75º Aniversario del Boletín de Estudios Económicos) (N.º 222, Diciembre 2017). Evolución financiera: mercados, banca, inversión (N.º 223, Abril 2018). Inversión Socialmente Responsable (N.º 224, Agosto 2018). Los riesgos y su gestión (Nº 225, Diciembre 2018). El futuro del negocio asegurador (Nº 226, Abril 2019). La economía de cooperación (Nº 227, Agosto 2019). Algunos paradigmas económicos emergentes (Nº 228, Diciembre 2019).

Precios de suscripción: España: 40,90 €. Extranjero: 46,60 €. Números sueltos y atrasados: 1.ª serie: Números 1 al 45: 17,60 €. 2.ª serie: Números 46 en adelante: 21,20 €. Tarifa de estudiante: 25% de descuento.

Dirija la correspondencia al: BOLETIN DE ESTUDIOS ECONOMICOS Deusto Business Alumni Teléfono 94 445 63 45 - 94 445 22 12 - Fax 94 445 72 54 Apartado 20044 - 48080 BILBAO (España) E-mail: boletin.dba@deusto.es

NORMAS PARA LA PUBLICACION DE ARTICULOS EN EL BOLETIN DE ESTUDIOS ECONOMICOS

–El objetivo del BEE (en adelante, la Revista) es la publicación de trabajos de economía y gestión empresarial, intentando siempre conseguir el equilibrio entre el rigor científico y la divulgación. La Revista asume los más elevados estándares éticos en su proceso de análisis y selección de trabajos y en su comportamiento con autores, evaluadores y la sociedad1.

–Publica números monográficos sobre temas programados de antemano y por colaboradores invitados personalmente. Sin embargo, en cada número se reserva espacio para temas libres, distintos del tema monográfico. Los trabajos pueden estar escritos en castellano o en inglés.

–Los artículos enviados para su publicación en la Revista deben estar escritos a máquina a doble espacio, por duplicado, con una extensión aproximada de 15 a 20 páginas. El autor deberá acompañar un resumen del artículo de no más de 150 palabras, junto con una lista de palabras clave, en número no superior a cinco, ambos en español e inglés. También deberá enviar el título del artículo en inglés y adjuntar el soporte informático donde esté contenido el trabajo.

–Las notas aclaratorias van a pie de página y se hará referencia a ellas mediante superíndices, en numeración sucesiva. Los libros y artículos de revistas tendrán una sola cita completa al final del artículo por orden alfabético de autores. La referencia a los mismos se hace por medio del apellido del autor seguido entre paréntesis del año de publicación de la obra citada. Así: E. Chacón (1966), que remite a la obra de Chacón, Enrique (1966): “La formación de equipos de IO en la empresa”. Boletín de Estudios Económicos, vol. XII, número 68, mayo-agosto, pp. 279-296. El enunciado completo de la obra se menciona sólo al final del artículo.

–Las figuras que eventualmente deban aparecer en el artículo deben presentarse de forma que sean aptas para su reproducción directa, y en tamaño suficientemente grande, lo mismo que las letras que las acompañan, para que admitan la reducción necesaria. Todas las figuras y tablas irán numeradas, y para referirse a ellas en el texto, habrán de citarse con su número. –Deben evitarse las notas matemáticas a pie de página, es preferible el uso de apéndices matemáticos.

–En la notación matemática se recomienda el uso de aquéllas fórmulas que, sin perder la claridad necea o fxy en vez de la expresión que saria, puedan escribirse en una sola línea. Por ejemplo a/b en vez de b utiliza los signos explícitos de derivada parcial.

–El Comité de Dirección estudiará la posibilidad de publicación de los originales que le sean remitidos, en atención a la línea editorial de la Revista y las directrices emanadas de su Consejo de Redacción, y, en base a los informes y valoraciones preparados por los evaluadores nombrados al efecto. Tal evaluación será anónima, ciega y habrá más de un evaluador para cada trabajo. Actúan como pares, los miembros del Comité de Redacción del BEE, expertos externos del mundo académico y empresarial, así como los miembros del claustro de profesores de la Universidad de Deusto en quienes, por su mera condición de tales, concurre la condición de expertos en la materia y un pleno conocimiento de los deberes y responsabilidades que asumen como revisores. En base a dicha revisión, el trabajo podrá ser aceptado, revisado o rechazado.

–Los originales deberán ser inéditos y no estar pendientes de publicación o evaluación en ninguna otra revista.

–Los trabajos recibidos para evaluación serán tratados como material confidencial y ninguna información contenida en los mismos será revelada o discutida, salvo consentimiento del autor, con personas distintas del propio autor, de los editores o de los revisores.

–Los autores serán responsables de sus trabajos, que habrán de realizar de forma ética y responsable. Presentarán sus trabajos con honestidad, absteniéndose de manipular u omitir la cita de trabajos de terceros, así como de citar aquellos que no hayan leído.

–El Boletín de Estudios Económicos no se hace responsable de los datos utilizados, criterios, opiniones o conclusiones expresadas en los artículos publicados, que corresponden exclusivamente a sus autores y no reflejan la posición de la revista ni de sus editores. Las erratas de edición detectadas, que sean relevantes, se rectificarán en un Boletín posterior. 1

Siguiendo las recomendaciones de Elsevier y COPE´s Best Practice Guidelines.

Business lumni A Deusto

Boletín de Estudios Económicos

Creando Oportunidades

Boletín de Estudios Económicos

Abril 2020

Editado por Deusto Business Alumni

#QuédateEnCasa y hazlo todo desde la app Ahora más que nunca, queremos estar contigo para ayudarte con tus gestiones.

Realiza trasferencias y envía o recibe dinero con Bizum

Paga tus impuestos y recibos no domiciliados

Vol. LXXV Abril 2020 Núm. 229

Modifica el límite de tus tarjetas

L Í D E R

MUNDIAL EN BANCA MÓVIL

2017 18 19

The Forrester Banking Wave™: Global Mobile Apps Summary, 2019

A 229

Business lumni A Deusto