Académico del Instituto de Economía evaluó la toma de decisiones de Startups con subsidios

A través del paper Subsidizing Startups under Imperfect Information? —publicado en el Journal of Monetary Economics—, Javier Turén investigó cómo este tipo de políticas muchas veces afectan negativamente a las empresas, amplificando la falta de información en aspectos claves como cuándo entrar a un mercado, la verdadera demanda y el conocimiento de la competencia.

¿En qué consistió la investigación?

Las ideas eran básicamente 2. Existe una literatura muy grande en economía que dice que hogares, empresas y personas en general, cuando toman decisiones lo hacen con información incompleta, esto es, conociendo solo parcialmente la información relevante para ellos y sus alcances. En este contexto, pensamos en empresas nacientes, startups, que si bien tienen una idea de negocios, en general aun no conocen perfectamente bien el mercado donde operarán, su verdadera demanda, el nivel de competencia real que enfrentarán, entre otras cosas. Por eso, en el paper modelamos las decisiones de empresas nuevas de 1) entrar o no a un mercado y 2) condicional a entrar, cuanto producir, todo esto con información imperfecta respecto al alcance de sus decisiones. La segunda parte es, en este contexto, estudiar la efectividad de programas de subsidios a startups que existen en muchos países. En chile por ejemplo existen créditos Corfo (capital semilla) para emprendedores y el programa Startup Chile.

 

¿En qué está basada la afirmación de que los startups toman discusiones propensas a error?

En línea con lo anterior, ellos toman decisiones con información limitada o incompleta. De ahí que estén sujetos a equivocaciones. En el paper mostramos que muchas veces, debido a la información limitada, un grupo menor de startups decide entrar al mercado, creyendo que iban a ser productivos, pero posterior a la entrada cuando ya logran aprender verdaderamente su productividad efectiva se dan cuenta que nunca debieron haber entrado de un principio. Este es el “sentido” de la información incompleta o ruidosa, que si bien muchos entran cuando efectivamente era óptimo que entraran, un grupo entra cuando no debían. Esa es la propensión para equivocarse. Mismo con su tamaño, cuando entran, es  posible que produzcan más de lo que verdaderamente deberían (sobreestiman su demanda) nuevamente por la falta de información. Esto es interesante, porque un modelo como el nuestro es capaz de racionalizar ciertos hechos estilizados de los datos como que, por ejemplo, al cabo de un año, 20% de los startups “mueren” (desaparecen del mercado). La asimetría de información es capaz de explicar esto (entre otras cosas, además).

 

¿Cuál es la propuesta del paper frente a esta hipótesis?

La hipótesis es que la asimetría de información es relevante, particularmente en este subconjunto de empresas nuevas, que aún están decidiendo entrar en el Mercado. En este contexto, evaluamos la efectividad de programas de subsidios. En los datos, muchas veces se muestran que estos subsidios no son tan efectivos para propiciar entradas de empresas y que sus resultados respecto a su verdadera efectividad son muy heterogéneos. Mostramos que, en nuestro caso, los subsidios muchas veces afectan negativamente a las empresas en el sentido que amplificar la falta de información. La intuición es: “en este mundo donde la información es imperfecta, cada empresa está eligiendo cuanto aprender antes de tomar una decisión (entrar o no a un mercado y cuanto producir)”. El subsidio transfiere recursos directamente a las empresas en la forma de dinero, atenuando las potenciales consecuencias negativas de las malas decisiones. Esto sería como si el subsidio “amortigua” mis perdidas en caso de tenerlas. En el modelo, la transferencia del subsidio hace que las empresas quieran aprender menos (relativo a un mundo sin subsidios) amplificando estas decisiones propensas a error que mencionaba anteriormente.

 

¿Cuáles serían las principales conclusiones y qué aplicaciones pueden tener?

En este contexto, los subsidios pueden tener consecuencias no esperadas, desincentivando el aprendizaje y así distorsionando aún más las decisiones. Aplicaciones para el diseño de este tipo de políticas son muchas. Por ejemplo, clasificar los distintos proyectos a ser sujetos de posibles en base al conocimiento que los emprendedores tengan sobre el mercado, haber testeado su producto, focus groups, y potencialmente ya haber entrado al mercado antes de ser elegibles para esto.