SciELO - Scientific Electronic Library Online

 
vol.22 issue36Governing is caring?Subnational Variation in the Socioeconomic Response to the Pandemic in Argentina author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

  • Have no cited articlesCited by SciELO

Related links

  • Have no similar articlesSimilars in SciELO

Share


Trabajo y sociedad

On-line version ISSN 1514-6871

Trab. soc. vol.22 no.36 Santiago del Estero June 2021

 

Dossier - Artículo

¿Gobernar es cuidar?Los estilos de gestión de la Pandemia en América del Sur: los casos de Argentina, Brasil y Uruguay

Governing is caring?The styles management of the Pandemic in South America: the cases of Argentina, Brazil and Uruguay

J. Martín Azerrat1  * 

María Celeste Ratto2  ** 

Anabella Fantozzi3  *** 

1 Universidad Nacional de Río Negro/Instituto de Investigaciones en Diversidad Cultural y Procesos de Cambio-Concejo Nacional de Investigaciones Científicas y Técnicas, Universidad Nacional de San Martín (UNRN-IIDyPCa/CONICET, UNSAM) Correo: juanmaazerrat@gmail.com

3 Universidad Nacional de Río Negro/Instituto de Investigaciones en Diversidad Cultural y Procesos de Cambio-Concejo Nacional de Investigaciones Científicas y Técnicas, (UNRN-IIDyPCa/CONICET) Correo: mceleste_ratto@hotmail.com

2 Instituto de Investigaciones Forestales y Agropecuarias Bariloche - Instituto Nacional de Tecnología Agropecuaria. Concejo Nacional de Investigaciones en Ciencia y Técnica (IFAB-INTA/CONICET) / Correo: fantozzi.anabella@inta.gob.ar

RESUMEN

Frente a la pandemia del COVID-19 los gobiernos del mundo han adoptado distintas medidas a fin de reducir los contagios, las muertes y las consecuencias en términos económicos. El objetivo de este artículo es analizar las políticas públicas de restricción y de ayuda económica; el impacto en la movilidad de la población; y las visiones de gobierno para administrar la emergencia sanitaria en los países de América del Sur, desde los primeros casos de COVID-19 registrados en cada país al 14/9/2020. Para realizar el análisis utilizamos una metodología mixta. Partimos de un estudio estadístico para estudiar las pautas comunes de las medidas implementadas por los países de América del sur, a saber: Argentina, Bolivia, Chile, Brasil, Uruguay, Paraguay, Perú, y Colombia. A partir de esta primera evaluación se llevó a cabo una reconstrucción cualitativa de los contextos de tres países de la región: Brasil, Argentina y Uruguay. El análisis evidencia que las medidas adoptadas por los gobiernos tuvieron impactos medibles que se reflejaron de forma directa en la movilidad y de forma indirecta en términos de contagios. Sostenemos que las políticas públicas y la visión que cada gobierno le otorga en su mensaje hacia la sociedad, importan a la hora del aumento o reducción de los casos nuevos diarios de COVID-19.

Palabras clave: Políticas Públicas; Política comparada; Movilidad; COVID19; Sudamérica

ABSTRACT

Facing COVID-19 pandemic, national governments around the world have adopted different measures in order to reduce infections, deaths and the consequences on the economy. This article aims to analyze public policies of restriction and economic aid; the impact on population mobility; government visions to manage this health crisis South American countries. In order to carry out the analysis we applied a mixed methods research. We use a statistical study to study the common patterns of the measures implemented by South American countries: Argentina, Bolivia, Chile, Brazil, Uruguay, Paraguay, Peru, and Colombia. Then a qualitative reconstruction of the contexts of three countries in the region was carried out: Brazil, Argentina and Uruguay. The analysis shows that the measures required by the governments had significant impacts that were directly reflected in mobility and indirectly in terms of infections. We observed that public policies and the government visions given in its message to society matter in terms of increasing or decreasing new daily cases of COVID-19.

Keywords: Public policies; Comparative politics; Mobility; COVID19; South America

RESUMO

Diante da pandemia COVID-19, os governos do mundo têm adotado diversas medidas para reduzir infecções, mortes e as consequências em termos econômicos. O objetivo deste artigo é analisar as políticas públicas de restrição e ajuda econômica; o impacto na mobilidade da população; e os estilos de gestão dos governos para gerir as emergências sanitárias nos países sul-americanos. Para realizar a análise, usamos uma metodologia mista. Partimos de um estudo estatístico para estudar os padrões comuns das medidas implementadas pelos países da América do Sul, a saber: Argentina, Bolívia, Chile, Brasil, Uruguai, Paraguai, Peru e Colômbia. Avaliamos o efeito das medidas na mobilidade e depois nas novas infecções diárias. A partir dessa primeira avaliação, foi realizada uma reconstrução qualitativa dos contextos de três países da região: Brasil, Argentina e Uruguai. A análise mostra que as medidas adotadas pelos governos tiveram impactos mensuráveis ​​que se refletiram diretamente na mobilidade e indiretamente ao nível das infecções. Sustentamos que os modelos de gestão e a visão que cada governo transmite em sua mensagem à sociedade, importam no que se refere ao aumento ou redução de novos casos diários de COVID-19.

Palavras chaves: Políticas publicas; Políticas comparativas; Mobilidade; COVID-19; América do Sul

SUMARIO

1. Introducción 2. Un enfoque desde la política comparada y las políticas públicas. 3 La pandemia del COVID-19. 3.1 La pandemia en América del Sur. 4. Datos, Variables y Análisis. 4.1 Hacia una explicación. 5 Los casos seleccionados de América del Sur: Argentina, Brasil y Uruguay. 6 Los países y las medidas adoptadas en función de las etapas de la pandemia. 6.1 Argentina al 13 de septiembre: una visión Estado-céntrica. 6.2 Brasil al 13 de septiembre: una visión mínima. 6.3 Uruguay al 13 de septiembre: una visión socio-céntrica. 7 Conclusiones. 8 Bibliografía. 9 Anexo

1. Introducción

La aparición del Coronavirus, transformó rápidamente el mundo tal como lo conocíamos. Si nos permitimos el ejercicio de volver un año atrás, es difícil creer que alguien se hubiera imaginado enfrentar las enormes transformaciones que la vida social ha tenido en estos últimos meses. Desde finales de diciembre la pandemia ha dejado más de 30 millones de casos confirmados y más de 1 millón de muertes1. Además del número de muertes, la enfermedad por COVID-19 dejó a gran parte del globo en aislamiento social, con fuertes restricciones a la movilidad, con sistemas sanitarios colapsados, y con Estados sin saber bien cómo contener o mitigar la crisis. Esta situación no sólo modifica nuestras vidas, sino que pone en debate las formas tradicionales de nuestra organización social: el peso de la economía frente al riesgo de la salud o la vida, el rol de lo público, la función del Estado, entre otras.

El desafío ha sido enorme y los distintos gobiernos han adoptado distintas medidas a fin de reducir los contagios, las muertes y las consecuencias en términos económicos. Las estrategias han variado mucho de país a país, algunos países tardaron en implementar medidas, otros los tomaron apenas registraron sus primeros casos. Muchos mantuvieron cuarentenas extensas, otros más cortas y otros nunca llegaron a imponer restricciones a la movilidad. La realidad refleja que, ante respuestas disímiles, existen consecuencias políticas, sociales y económicas particulares en cada país que actualmente están en tensión y debate. Nos proponemos aquí abordarlas. El objetivo de este artículo es analizar las respuestas estatales de los países de América del Sur frente a la pandemia de COVID-19, evaluar sus resultados y reflexionar sobre los estilos de gestión que los gobiernos sudamericanos mostraron frente a la crisis producida por la enfermedad por Coronavirus.

Para realizar el análisis utilizaremos una metodología mixta que combinará el análisis cuantitativo y el cualitativo. Partimos de un estudio estadístico que nos permitirá estudiar las pautas comunes de las medidas implementadas por los países de América del sur, a saber: Argentina, Bolivia, Chile, Brasil, Uruguay, Paraguay, Perú y Colombia2. Para ello emplearemos la base COVID-19 Dashboard del Center for Systems Science and Engineering (CSSE) de Johns Hopkins University que tiene un registro diario por país de los nuevos casos, la muertes y los casos acumulados. También empleamos la base Oxford COVID-19 Government Response Tracker (OxCGRT) que posee distintos indicadores que miden las decisiones políticas, las fiscales y económicas y las estrategias que los gobiernos llevaron adelante frente a la pandemia. Los datos de tales modelos estadísticos serán empleados para caracterizar las respuestas estatales y sus efectos. A partir de esta primera evaluación de las medidas implementadas, se hará una reconstrucción cualitativa de los contextos de 3 países de la región Brasil, Argentina y Uruguay, con el objetivo de comprender más detalladamente los distintos tipos de gestión de la pandemia y sus posibles consecuencias.

2. Un enfoque desde la política comparada y las políticas públicas

Este artículo se estructura a partir de las contribuciones de tres enfoques: el estudio de las políticas públicas, las herramientas de la política comparada, y algunos aportes sobre los estudios de movilidad.

Dentro del primer enfoque, retomaremos distintos aportes del estudio de las políticas públicas que nos permitan analizar las medidas implementadas por los gobiernos y caracterizar los distintos tipos de gestión frente a la pandemia. Podemos decir entonces que desde los inicios de la epidemia de Coronavirus, hemos visto cambiar la dinámica cotidiana en todos los países del mundo y esto ha sido implementado, principalmente, por los Estados nacionales. Los Estados que luego de varios años de globalización se volvieron más porosos, vieron reducida su capacidad de regulación (Peters, 2003:2) y cuya centralidad fue por momentos cuestionada ante un mundo altamente interconectado, hoy vuelve a adquirir un rol protagónico para poder afrontar esta crisis inédita. Esta situación nos lleva a pensar una vez más al Estado como problema o como solución (Evans, 1996). En tal sentido, la pandemia pone el foco en la capacidad de gobernanza de los Estados, entendida como la capacidad de gobierno para conducir a la sociedad y la economía hacia un objetivo común (Pierre y Peters, 2001). El COVID-19 ha dejado en claro al Estado como gran articulador de un orden social (Acuña y Chudnosvky 2013, 14). Es la capacidad del Estado como actor principal en la articulación de prioridades colectivas para el logro de metas comunes (Peters 1998, 3) lo que adquiere centralidad. Vista la disparidad de resultados y formas de gestionar la pandemia, la pregunta central a la cual apunta a responder este trabajo es ¿Cómo gestiona el Estado una pandemia inesperada y desconocida? ¿Qué conclusiones podemos extraer sobre cómo los Estados han cumplido sus funciones sociales y económicas, durante el contexto de pandemia?

Aquí el foco se dirige específicamente a las capacidades de los Estados de dar respuesta a la pandemia. La existencia de capacidad estatal facilita la provisión de bienes públicos y, por lo tanto, mejora el bienestar público (Saylor 2014:2). Ello es así porque el Estado concentra la gestión de lo público. Público entendido en tres dimensiones: como lugar de confluencia de los intereses compartidos, comunes, del interés general; como aquello que es sujeto de revisión pública y abierta por parte de sus ciudadanos, es decir como espacio de la transparencia; y como depositario y administrador de los recursos públicos (Aguilar Villanueva 1992, 36). Así entendidas las políticas públicas son las decisiones tomadas por el Estado con el objetivo de garantizar el bien común, con los recursos públicos, y por lo cual deben ser abiertas y transparentes y estar sujetas a revisión por parte de las y los ciudadanos. Cuando hablamos de las “políticas públicas”, nos referimos a los procesos, decisiones y resultados que implica la toma de decisiones políticas de un Estado (Lindblom, 1991).

Sin ingresar en los debates en torno a la autonomía de la administración pública (Aguilar Villanueva, 1993), consideramos a la definición del problema como primera instancia en la formulación de políticas públicas. Comenzando por distintas definiciones ante el problema en cuestión, la pandemia ocupó rápidamente la agenda pública y gubernamental (Subirats 2001, 262) de los países. Sin la mayoría de los elementos necesarios para una óptima gestión del problema, se pusieron en funcionamiento una batería de políticas que requirieron una coordinación-coherencia de múltiples niveles de gobierno y de actores. Vale aquí hacer una distinción analítica. Consideramos a la coordinación entendida desde dos tipos distintos y entrelazados, la coordinación horizontal y la vertical (Acuña 2019). La primera refiere a la coordinación entre áreas de políticas públicas (2019, 2) mientras que la segunda remite a la coordinación entre niveles de gobierno: federalismo, gobierno multinivel y coordinación de jurisdicciones que muestran relativa autonomía (2019, 7). En complementación, la coordinación para confluir en una convergencia de políticas públicas requiere de una instancia anterior, señalada por Martínez Nogueira (2010, 19): la coherencia de las mismas. Surgen aquí dos dimensiones centrales de las políticas públicas que son tensionadas ante la necesidad de gestionar la pandemia. Ambas dimensiones fueron puestas a prueba en los Estados de América del sur. Los distintos tipos de gestión de la crisis nos condujeron a resultados muy diversos y lo cual nos induce a analizar las políticas públicas implementadas (Matus 1987; Heredia 2000; Young 2003; Przeworski 2007, 155) frente al flagelo del coronavirus.

Dentro del segundo enfoque, retomaremos los aportes relacionados con la política comparada como método (Sartori, 1984; Collier, 1993). Ello nos permitirá contar con las bases metodológicas necesarias para diseñar y estructurar la comparación de los tipos de gestión de los gobiernos de sudamérica para afrontar la crisis provocada por la enfermedad de Coronavirus. Éste constituirá el foco del análisis. La comparación resulta sumamente útil al momento de describir resultados concretos frente a un mismo fenómeno. El estudio se basará fundamentalmente en una comparación explícita bajo la modalidad del método de las similitudes (Mill, 1843; Lijphart, 1971) en la cual se seleccionan una serie de países en virtud de sus características comunes excepto en el fenómeno a estudiar. Tal técnica permite centralizar el foco del estudio en aquellas variables independientes distintas que podrían ser la causa de tal resultado divergente. En nuestro caso, dado que el interés de este trabajo es estudiar los distintos tipos de gestión frente a la pandemia de Coronavirus, tomaremos a los países de América del sur y nos centraremos en las políticas públicas implementadas, a fin de analizarlas en virtud de los resultados concretos (el número de nuevos contagios diarios).

En relación a los aportes de los estudios de movilidad se vuelven central ya que la principal medida para contener la pandemia y evitar la difusión del COVID-19 en todo el globo fue la restricción en las movilidades humanas. Estas movilidades en tanto práctica social ligada al cambio sucesivo de localización de personas, ponen en juego necesidades de la población para desarrollar sus actividades de reproducción de la vida social (Levi, 2001; Guiterrez, 2009; Massey, 2008). En lo cotidiano, estas prácticas están asociadas a desplazamientos de la población por razones laborales, de estudio, de acceso a los alimentos, por relaciones humanas, entre otras. Asimismo, en la actualidad, las movilidades están imbricadas al proceso de globalización (Montanari y Staniscia, 2016). Como menciona Bertoncello en 2018 (p.17): “el incremento de las posibilidades de desplazamiento o circulación territoriales es una condición distintiva del contexto de globalización actual, que se ha expresado como meta y condición en las dimensiones más diversas, como la circulación de mercaderías, capitales, información o personas”. La globalización, sumado a las características de la población y de los asentamientos humanos están estrechamente vinculados a los altos niveles de movilidad y a una gran difusión de enfermedades como el COVID-19 (Sigler et al. 2020). Estos aportes serán retomados a fin de poder caracterizar un aspecto central en la relación bajo estudio. En este trabajo consideramos que el efecto de las medidas implementadas por los gobiernos, se encuentran mediados por el nivel de acatamiento que hay en cada una de las sociedades. Así, es posible encontrar algunos países que, si bien han tenido un alto grado de implementación de medidas por parte del gobierno central, el bajo acatamiento ha diluido el posible efecto sobre la contención de los nuevos contagios. Para poder caracterizar mejor este tipo de comportamiento explicaremos dos momentos: una primera instancia donde evaluaremos el efecto de las distintas medidas implementadas por los gobiernos sobre la movilidad, que será considerada un indicador indirecto de acatamiento; y una segunda instancia en donde evaluaremos el efecto de ese acatamiento (la movilidad) en los nuevos contagios diarios por país. Los datos de movilidad serán extraídos de los reportes COVID-19 Community Mobility de Google.

Antes de pasar al análisis nos gustaría mencionar algunos trabajos que utilizan datos similares a los empleados aquí. Si bien al día de hoy no contamos con muchos artículos que permitan evaluar cómo los estados han gestionado la pandemia por la contemporaneidad del fenómeno, sí es posible mencionar algunos destacables antecedentes. El trabajo de Barberia et al (2020a) emplea las mismas variables de la base de Oxford pero para medir las respuestas de los estados al interior de Brasil y encuentra un alto nivel de heterogeneaidad sobre las medidas de distanciamiento social implementadas por los estados. En un trabajo posterior Barberia et al (2020b) encuentran que la efectividad de las medidas de distanciamiento en los estados brasileños es mayor cuando se toman medidas más amplias que se sostienen a lo largo del tiempo. Ello permite un mayor nivel de adhesión por parte de la ciudadanía (Barberia et al 2020:15). Por su parte, Balayeth Hussain (2020) empleando la misma base de datos de Oxford que aquí usamos, encuentra que los países con respuestas y medidas gubernamentales más estrictas han experimentado un mayor cumplimiento de los consejos de "distanciamiento social" y, por lo tanto, experimentaron tasas de crecimiento de coronavirus más lentas que los países con restricciones más suaves. Por último, también queremos mencionar el trabajo de Jayatilleke et al (2020) que empleando la base de Oxford arriba a la conclusión de que no sólo el tipo de medidas implementadas por los estados son importantes, sino también el momento en el cual tales medidas fueron adoptadas y flexibilizadas. Finalmente, también la relación entre medidas restrictivas y movilidad tiene algunos antecedentes interesantes. En un artículo de este año Banaccorsi et al. (2020), analizan cómo las restricciones impuestas por los Estados a la movilidad afectan las condiciones económicas individuales y de los mismos gobiernos. Concluyen que el impacto de la restricción sobre la movilidad (el acatamiento), es alto en municipios con mayores capacidades fiscales. Y además encuentran un efecto de segregación, ya que la contracción de la movilidad es más fuerte en los municipios en los que la desigualdad es mayor y entre las personas que tienen menores ingresos per cápita.

3. La pandemia del COVID-193

El 31 de diciembre de 2019 se registró el primer caso de COVID-19 en Wuhan, provincia de Hubei, China. A partir de ello, se estima que el primer caso real de la nueva enfermedad ocurrió el 1 de diciembre de ese mismo año. El 7 de enero de 2020 se identificó el nuevo coronavirus. El 31 de enero, la Organización Mundial de la salud (OMS) declaró la emergencia y el 11 de marzo la Pandemia. La fecha de los datos empleados para el presente análisis en todos los casos es desde el inicio de la pandemia hasta el día 14 de septiembre de 2020.

Desde la aparición del primer caso, la enfermedad se desparramó rápidamente, y para el 15 de junio hay casos en 188 países del mundo. Comenzó en Asia, y luego fue abarcando gran parte del globo bajo la forma de focos en las distintas regiones del mundo. Alcanzó luego a Europa, en donde colapsó los sistemas de salud de varios países como Italia y España (más puntualmente colapsos regionales como Lombardía o Madrid), que en poco tiempo llegaron a superar los 200.000 contagios y las 30.000 muertes. Posteriormente pasó a América del Norte, llegando a saturar el sistema de salud en algunos estados metropolitanos (como New York) que al día de hoy registra más de 2,5 millones de casos y más de 120.000 muertes. El último gran foco de la pandemia está teniendo lugar en América Latina, donde al 15 de junio, Brasil superó el millón de contagios y las 50.000 muertes, Perú 250.000 casos y más de 8.000 muertes, Chile más de 250.000 contagios y las 5.000 muertes.

Actualmente, los países de Europa que tras numerosos contagios y muertes habían logrado contener la pandemia, se encuentran enfrentando una segunda ola de contagios que ya registra varios países con récords en cantidad de casos diarios. Las escuelas que habían vuelto a reabrir sus puertas, las han tenido que cerrar, los países que habían habilitado el turismo, en algunos casos han dado marcha atrás. El relajamiento de las medidas de los gobiernos y de los cuidados de los ciudadanos, han tenido un importante impacto en la gestión de la pandemia en estos países.

En cada región que ha sido epicentro de la Pandemia, los países implementaron medidas distintas y experimentaron resultados con distintos niveles en términos de contagios y muertes. En cada lugar podemos identificar algunos casos con respuestas más tardías, laxas y con colapso de sus sistemas sanitarios por un lado y por el otro, casos dentro de la misma región que actuaron más rápidamente, de forma temprana, efectiva y que pudieron contener los efectos negativos, el número de muertes y no llegaron al colapso del sistema sanitario. La respuesta estatal cuenta y mucho en la Pandemia.

3.1. La pandemia en América del sur

El primer caso de coronavirus en América del sur se registró en Brasil el 26 de febrero de 2020. El 19 de marzo alcanzó a todos los países de la región. En Junio, la región se convirtió en el epicentro de la enfermedad. Los distintos países implementaron distintas estrategias políticas frente a la pandemia del COVID-19. Por ejemplo el caso de Brasil que a mitad de junio superó el millón de casos confirmados y las 50.000 muertes, siendo el segundo país en número de contagios en el mundo. Para mitad de septiembre había superado los 4 millones de contagios y las 100.000 muertes. Perú a mitad de septiembre registró 722.832 casos acumulados y 30.526 muertes. Colombia al 14 de septiembre registró 716.319 casos acumulados y 22.924 muertes. México registró a la misma fecha 668.381 casos acumulados y 70.821 muertes. Otros países en cambio respondieron de forma más rápida, coordinada y lograron mantener contenidos los contagios experimentados en sus países. Uruguay es uno de esos casos que al 14 de septiembre sólo registró 1780 casos acumulados desde el inicio de la pandemia y 45 muertes. Otros países como Argentina o Bolivia, tomaron medidas inmediatas al registrar sus primeros casos de Coronavirus y mantuvieron contenidos los contagios durante los 4 primeros meses, luego de lo cual y quizás por la dificultad de sostener las medidas restrictivas a lo largo de tanto tiempo, comenzaron a evidenciar crecimiento mucho mayores en el número de casos.

Para poder tener una mejor idea de la trayectoria de los distintos países de la región a lo largo de la pandemia de COVID-19, es importante tener en cuenta el número de población que hay en cada país. A continuación se presenta el gráficos de casos nuevos diarios sobre población, desde los primeros 100 casos registrados en cada país en adelante.

Fuente: Elaboración propia en base a datos de COVID_19 Global Cases by the CSSE at Johns Hopkins University.

Gráfico 1: América del Sur.  

En el gráfico 1 podemos ver la evolución de los nuevos casos diarios por país, a los largo de los días de pandemia y teniendo en cuenta el tamaño de la población. Es posible distinguir algunos grupos de países. Argentina y Perú son los casos que a mediados de septiembre están experimentando un mayor número de nuevos casos diarios. Luego en un segundo grupo donde la tendencia al aumento de nuevos casos diarios ha comenzado a frenar e inclusive, descender. Son los casos de Brasil, Colombia, Paraguay, Chile y Bolivia. Luego encontramos dos países cuyo número de casos diarios, se ha mantenido relativamente estable y bajo a lo largo de toda la pandemia.

Veamos ahora lo ocurrido con la movilidad a lo largo de los días de pandemia.

Fuente: Elaboración propia en base a datos de COVID-19 Mobility Reports de Google

Gráfico 2: América del Sur. Movilidad de tránsito 

En relación a la movilidad, la tendencia general de los países de América del sur ha sido un brusco descenso al inicio, luego un período donde la estabilidad fue muy baja en casi todos los países en estudio (hasta el día 60 de pandemia). Posteriormente se ve paulatino aumento de la movilidad de todos los países. Uruguay es el país que mantuvo la movilidad más alta a lo largo de todo el período. Bolivia, Chile y Perú son los países que han registrado una movilidad menor a lo largo de la pandemia Entre los países que han registrado una movilidad media se encuentra Argentina y Colombia.

4. Datos, Variables y Análisis

El objetivo de este trabajo es obtener una primera evaluación del impacto de los distintos tipos de gestión de la pandemia sobre la movilidad, entendida como un indicador de acatamiento y de ésta sobre la progresión de los contagios nuevos diarios, para luego profundizar en la caracterización de tres países que mostraron distintos estilos de gestión de la pandemia, a saber: Brasil, Argentina y Uruguay. La primera parte del estudio incluirá análisis de regresión multivariada del tipo Time Series Cross Sectional. Este tipo de análisis estadísticos tiene la ventaja de poder evaluar simultáneamente el impacto de los distintos tipos de medidas estatales sobre la movilidad y luego de ésta sobre los nuevos contagios diarios, distinguiendo la pertenencia a cada país. Pese a esta ventaja, dado el número reducido de países y observaciones al interior de cada uno de ellos, este análisis no debe tomarse como concluyente, sino más bien como orientativo para la etapa posterior de reconstrucción cualitativa de cada país.

La base de datos contiene información diaria de 8 países de América Latina: Argentina; Bolivia; Brasil, Chile; Colombia; Perú; Paraguay y Uruguay. Ecuador fue excluido porque registraba muchos errores de carga de datos. Venezuela fue excluido del análisis ya que no tiene información sobre pobreza extrema, una de las variables independientes incluidas en el análisis.

La movilidad será la variable dependiente de nuestro primer modelo y será tomada de los reportes de movilidad provistos por Google, COVID-19 Community Mobility Reports4. Estos informes muestran las tendencias de movimiento durante la pandemia de COVID-19 a lo largo del tiempo ordenadas por zonas geográficas y clasificadas en diversas categorías de lugares, como tiendas y espacios de ocio, supermercados y farmacias, parques, estaciones de transporte, lugares de trabajo y zonas residenciales. En nuestro caso extrajimos la información por día de cada país, respecto al tránsito en general. Los datos muestran cómo el tránsito cambia en comparación con los días de referencia. El día de referencia es el valor medio del periodo de 5 semanas comprendido entre el 3 de enero y el 6 de febrero del 2020. Un valor positivo demuestra aumento de tránsito ese día en ese país, un valor negativo demuestra la reducción del tráfico durante ese día y en ese país determinado.

También emplearemos para el análisis los datos de la base COVID-19 Dashboard del Center for Systems Science and Engineering (CSSE) de Johns Hopkins University. Esta base nos reporta el número de contagios y muertes por día y país, así como la cantidad acumulada. El número de nuevos contagios será nuestra variable dependiente en el segundo modelo de regresión, en tanto es una medida que nos permitirá evaluar la progresión diaria y a lo largo de los meses de cómo ha sido la progresión de contagios de COVID-19. Dentro de esta base se seleccionaron los 8 países de interés.

A su vez esta base fue complementada por los datos que provee la base Oxford COVID-19 Government Response Tracker (OxCGRT) que posee indicadores que miden las distintas medidas tomadas por los gobiernos para enfrentar al Coronavirus. Emplearemos acá 3 índices que ponderan las medidas restrictivas, las medidas económicas y fiscales; y las medidas de contención sanitarias. En cuanto al índice de medidas restrictivas incluye una valoración del cierre de las instituciones educativas, del cierre de espacios de trabajo, de la cancelación de eventos públicos, del cierre del transporte público, de las campañas públicas de información, de las restricciones al movimiento interno de personas y de las restricciones a viajes internacionales de personas. Todas estas variables que son medidas diariamente por país, luego son integradas en un índice que varía entre 0 (máxima flexibilización) y 100 (máxima restricción). En tal sentido, nuestra expectativa es que el coeficiente de regresión resulte significativo y de signo negativo, indicando que a mayor restricción de las medidas gubernamentales, menor sea la movilidad registrada en ese país, indicando un alto acatamiento de la medida. Por su parte, el índice de medidas económicas y fiscales incluye evaluaciones de las políticas de estímulo económico, como políticas fiscales para estimular la economía, políticas monetarias de intervención, inversiones de emergencia en el sistema de salud y campañas públicas de vacunación. Todo ello es resumido en un índice que varía de 0 (sin medidas de estímulo y contención económica) a 100 (máximo acompañamiento económico y fiscal del Estado). Nuestra expectativa es que el coeficiente de regresión de esta variable sea significativo y negativo, es decir ante un mayor paquete de medidas de acompañamiento fiscal y económico, la población se encuentre en mejores condiciones para acatar las medidas del gobierno. Por último, dentro de esta grupo de variables se incluyó un efecto de interacción entre las medidas restrictivas y las medidas económicas a fin de captar la posibilidad de que ambas variables estén relacionadas. Esto es que el efecto de las medidas restrictivas esté condicionado por las medidas económicas.

También se incorporarán al modelo otras variables de control que nos permitirán poder dar cuenta de las características propias de cada uno de los países. Ellas son: densidad poblacional; PBI per cápita; porcentaje de población bajo condiciones de pobreza extrema; y camas de hospital cada 1.000 habitantes5. Estas variables tienen valores fijos por país a lo largo de todos los días de la pandemia. Por lo cual funcionan como efectos fijos que nos permiten corregir las diferencias sociodemográficas entre los países.

Para el segundo modelo, donde la variable dependiente es nuevos casos diarios, y teniendo en cuenta que entre los 8 países de América Latina que aquí se analizan hay una gran variación de contextos, decidimos incorporar una última variable que nos permita distinguir grupos de países. Básicamente entendemos que las políticas tomadas por los gobiernos y su nivel de acatamiento pueden variar de acuerdo a la cantidad de casos promedios que se registren. Es decir, no es lo mismo si tenemos un número de nuevos casos promedio bajo, medio o alto. Tanto las medidas que se tomen a partir de tales escenarios como el efecto que tales medidas del gobierno podrían tener, también puede ser diferente. Por ello, incluimos la variable “Régimen”, que indica el régimen de contagios promedio y distingue los grupos de países de acuerdo a la media de nuevos casos diarios. Así tenemos 4 grupos. Uruguay que registra una media de 10 nuevos casos diarios a lo largo de toda la pandemia. Luego otro grupo con una media de baja que varía entre 11 y 1000 casos diarios. Es este grupo se encuentran los siguientes países: Bolivia (678) y Paraguay (146). El último grupo son los países que tiene una media alta, entre 1001 y 5000 casos nuevos diarios en promedio a lo largo de toda la pandemia. El grupo está constituido por: Argentina (2848), Chile (2229), Colombia (3750), y Perú (3764). Por último, está el caso de Brasil que posee un promedio diario de 21.544 casos nuevos, muy superior al experimentado por el resto de países de la región. De esta forma, esta variable nos permitirá en el segundo modelo corregir la estimación de acuerdo al número de casos promedio que a lo largo de la pandemia registraron los países.

Por último, y teniendo en cuenta que entre los 8 países de América del sur que aquí se analizan hay una gran variación de contextos, también se incluyeron variables dicotómicas que distinguen la pertenencia a cada uno de los países. Ello se hizo a fin de corregir el impacto contextual de cada país6 y controlar posibles influencias relacionadas con algunos casos en particular, y que escapen a razones sociodemográficas o que no hayan sido incluidas en los modelos.

Es necesario recordar aquí que dada la restricción en el número de casos y países, los resultados obtenidos no deben ser tomados de forma determinante, sino más bien como orientativo. Tales resultados serán los que orientarán el análisis en profundidad de los 3 países seleccionados para caracterizar más detalladamente los estilos de gestión frente a la pandemia: Brasil, Argentina y Uruguay. De esta manera la investigación adoptará un carácter más cualitativo, permitiendo cerrar el círculo, al lograr una triangulación de técnicas, que proporcionará un mayor control de las variables independientes, dependientes e intervinientes.

Nuevamente debemos advertir una serie de limitaciones del presente análisis. La primera tiene que ver con la calidad de los datos y la dificultad de poder registrar contagios dadas las características de la enfermedad por Coronavirus. Al día de hoy (Septiembre de 2020) cada país informa a la Organización Mundial de la Salud (OMS) sus datos, cada país establece sus propios criterios para registrar los casos confirmados, sospechosos y las muertes, y tales criterios difieren de país a país, con lo cual podemos estar comparando cosas que son técnicamente incomparables. En general puede verse a través de distintos indicadores que hay más casos en los países que los que realmente se han confirmado. Además el Coronavirus se trata de una enfermedad nueva de la cual aún hay muchas características que se desconocen, aún más, con el correr de los días vamos adquiriendo nuevos conocimientos que modifican lo conocido previamente. Esto quiere decir que lo que sabemos hoy en día de la enfermedad y de su dinámica en base a la información disponible actualmente, puede luego cambiar y ser invalidado por nueva información y nuevos descubrimientos. Al dinamismo del conocimiento que se tiene de la enfermedad, se le suma, que los registros se realizan en tiempo real y en un contexto de emergencia, donde pueden variar su calidad de acuerdo a la etapa de la curva de crecimiento de contagios en la cual el país se encuentra y no se están sujetos a controles de calidad. Una última limitación del análisis que aquí se presenta es el número reducido de países que se están comparando (N=8), que podría limitar los grados de libertad del análisis de regresión. Con lo cual las conclusiones que puedan extraerse de los modelos, deben ser consideradas como orientadoras de posibles relaciones, pero nunca en sentido determinante o estricto.

4.1. Hacia una explicación

Como se explicó previamente estimaremos dos modelos de regresión lineal múltiple del tipo Time Series Cross Sectional7 que nos permite distinguir el agrupamiento por país y la sucesión temporal de los datos registrados:

Tabla Nº1: Modelos de regresión linear TSCS para explicar los niveles de movilidad de tránsito (Mod 1) y de nuevos casos diarios (Mod. 2) en los países de América del Sur: Argentina, Bolivia, Brasil, Chile, Colombia, Paraguay, Perú y uruguay del 23/1/2020 al 14/9/2020 

En la tabla 1 8 se presentan dos modelos de regresión lineal Time Series Cross Section. Los coeficientes presentados en la columna (1) fueron estimados bajo un modelo con errores estándares corregidos por panel. Este modelo tiene como variable dependiente a la movilidad, entendida como un indicador de acatamiento. El modelo general con todas sus variables independientes incluidas logra explicar el 82% de la explicación de la movilidad. El modelo fue estimado para un total de 1457 observaciones pertenecientes a las 8 países de América del sur, a lo largo de la pandemia y resultó ser significativo. Incluye un primer bloque de variables más estructurales que permiten incorporar características propias de cada uno de los países (densidad poblacional, pobreza extrema, y PBI per cápita). Luego se introdujeron el conjunto de variables que distinguen las medidas implementadas por los gobiernos (medidas restrictivas, y medidas económicas y un término de interacción entre ambas).

En relación con el primer bloque de variables más estructurales alcanza significatividad la densidad poblacional, que muestra que cada punto adicional de densidad se reduce un 0.08 por ciento la movilidad. El resto de medidas sociodemográficas no alcanzaron significatividad. Sobre nuestras variables de interés, el índice de medidas restrictivas del gobierno alcanzó significatividad, y es de signo negativo. Esto nos indica que por cada punto que se incrementa el índice se reducen casi 0.36 la movilidad. El índice de medidas económicas no fue significativa. Pero el término de interacción que pusimos a prueba también resultó significativo y positivo, esto estaría indicando que las medidas económicas refuerzan el efecto de las medidas restrictivas, en la reducción de la movilidad. Este dato permite captar la multidimensión que requieren las medidas gubernamentales. No sólo son necesarias medidas restrictivas a fin de reducir los contagios diarios, esas medidas deben estar acompañadas por políticas económicas y fiscales de contención que permitan a todos aquellos que dejaron de percibir ingresos por las medidas frente al coronavirus, puedan seguir acatando y cumpliendo con lo que el gobierno se encuentra implementando. Este hallazgo concuerda con el registrado en (Barberia et al., 2020b), que apunta a la importancia de adoptar medidas más abarcativas a fin de lograr una mayor adhesión a las medidas de distanciamiento social. Para terminar de comprender mejor el efecto de los tipos de medidas implementados por el gobierno y de su interacción, realizamos a continuación un gráfico que nos muestra, en base a simulaciones, el efecto de los márgenes de predicción sobre los valores predichos de movilidad, cuando pasamos por los distintos valores de medidas restrictivas y medidas económicas.

Márgenes de predicción del Modelo 1, sobre los valores predichos de Movilidad, al cambiar los valores de las medidas restrictivas y las medidas económicas (intervalos de confianza al 95%) 

Podemos apreciar que cuando hay mayor valor de medidas económicas, el efecto de las medidas restrictivas reduce aún más la movilidad, que cuando los valores de medidas económicas son bajos. Es decir, en los escenarios con medidas restrictivas bajas, tener más medidas económicas permite reducir la movilidad en 13 punto porcentuales. En un escenario de medidas restrictivas altas, pasar de tener bajas medidas económicas a tener altas medidas económicas permite una reducción de la movilidad de 12 puntos porcentuales. Del gráfico también se desprende que el efecto de las medidas restrictivas es mayor que el de las económicas. En un escenario de medidas económicas bajas, pasar de tener pocas a muchas medidas restrictivas nos lleva de un escenario con un 27 por ciento de movilidad a uno de reducción del 55 por ciento de la movilidad. En un escenario con medidas económicas altas, ese mismo cambio en las medidas restrictivas no permite pasar de una movilidad de 14 puntos porcentuales a otra de reducción del 43 por ciento. El efecto de las medidas restrictivas en la movilidad es muy alto, y es aún mayor cuando tales medidas están acompañadas con medidas económicas.

El modelo reportado en la columna 2, tiene como variable dependiente a la variable nuevos casos diarios. Este modelo reporta un R2 que nos indica que el modelo permite explicar un 67% de la variación en el número de nuevos casos diarios al interior de los países. El modelo resultó significativo. El modelo fue estimado para un total de 1400 observaciones pertenecientes a las 8 países de América del sur, a lo largo de la pandemia y resultó ser significativo. Este modelo incluyó una variable que registra los nuevos casos diarios de 10 días antes que logró significatividad. Su coeficiente nos indica que, cada nuevos casos diario registrado 10 días antes, suma 76 nuevos casos en el día actual. En relación al primer bloque de variables sociodemográficas alcanza significatividad la densidad poblacional, que muestra que cada punto adicional de densidad hay 33 nuevos contagios diarios menos. La otra variable de este bloque que es significativa es las camas de hospital cada 1000 habitantes. Cada cama adicional cada 1000 habitantes reduce 253 nuevos casos diarios. El resto de medidas sociodemográficas no alcanzaron significatividad. Sobre nuestra variable de interés, la movilidad, alcanza significatividad y con signo positivo. Mientras mayor nivel de movilidad (menor nivel de acatamiento), mayor es el número de nuevos contagios diarios por país y día. Por cada punto adicional de movilidad se suman 21 nuevos casos diarios. Por último la variable Régimen de contagios fue altamente significativa y positiva, así pasar a un régimen con un mayor número de contagios diarios promedio implica aumentar 244 nuevos casos.

Figura 1: Resumen completo de los modelos 

5. Los casos seleccionados de América del Sur: Argentina. Brasil y Uruguay

Hasta ahora hemos podido caracterizar algunos rasgos comunes sobre las formas en las cuales los distintos gobiernos de América del Sur han gestionado la crisis ocasionada por la pandemia de COVID-19. Para poder profundizar mejor en los distintos estilos de manejo de la crisis, en la segunda sección del trabajo, seleccionamos tres casos de interés: Argentina, Brasil y Uruguay. Si tenemos en cuenta la evolución de los casos acumulados en la región, podemos identificar 3 tipos de países. Aquellos que poseen un mayor número de contagios acumulados -Chile, Perú y Brasil-, un grupo intermedio -Colombia, Argentina y Bolivia- y un grupo con un menor número de casos sobre población -Paraguay y Uruguay-. De cada grupo hemos seleccionado un país a fin de poder profundizar en las medidas tomadas a lo largo de la pandemia, su forma de implementación y sus resultados en términos de contagios. Como se observa en el gráfico 1, estos países se comportan de acuerdo a tres grupos que poseen curvas de contagios acumulados (sobre población) distintas. Y si bien, al 15/9 como señala el gráfico 2 (Anexo) Argentina es el que posee mayor casos diarios (sobre población), el comportamiento de los tres países varía en función del grupo de países que pertenece.

Fuente: Elaboración propia en base a datos de COVID_19 Global Cases by the CSSE at Johns Hopkins University

Gráfico 3:  América del Sur  

Como se señala en la primera sección, nuestro argumento gira en torno a que los distintos tipos de gestión política frente a la pandemia que implementó cada gobierno, muestran las distintas formas de concebir el rol del Estado. Brasil, desde el primer momento llevó adelante un discurso que minimizaba las consecuencias de la pandemia frente a las consecuencias stsociales y en donde las medidas tomadas priorizaban el sostenimiento de la actividad económica. Para Argentina, el discurso frente a la pandemia se construyó destacando el rol central del Estado, donde se priorizaba la contención de las consecuencias sociales de la pandemia, frente a las consecuencias económicas, articulando un enfoque Estado-céntrico. Uruguay, llevó adelante un discurso más equilibrado entre contener las consecuencias sociales de la pandemia y mantener cierto grado de actividad económica, que podríamos caracterizar como socio-céntrico. Como se observa en el gráfico 2 (Anexo), la dinámica de las curvas de contagios de Argentina y Brasil son inversas. Argentina sostuvo una baja tasa de contagios diarios hasta el día 160 desde el primer caso registrado y luego subió rápidamente. Brasil en cambio, tuvo una alta tasa de contagios diarios al comienzo de la pandemia y una baja a partir del día 150. Uruguay al contrario, mantuvo baja su tasa de contagios diarios en todo momento desde el comienzo de la pandemia hasta la actualidad. Caracterizar estos tres estilos de gestión, nos permitirá conocer más acabadamente las estrategias desarrolladas por los países suramericanos frente a la pandemia y extrapolar algunas conclusiones sobre el rol del Estado.

6. Los países y las medidas adoptadas en función de las etapas de la pandemia

En la Tabla 2 se pueden ver las distintas medidas tomadas por cada país seleccionado en tres etapas distintas: la etapa I (día 1 a 50), etapa II (día 51 a 149) y etapa III (día 150 a 210). Este recorte temporal se justifica por la notable diferencia tanto de la curva de contagios acumulados como de contagios diarios como se observa en los gráficos 1 y 2. En detalle cada país tuvo distintas secuencias de políticas restrictivas9, sanitarias10 y económicas11 que, para describirlas, utilizamos la base de datos COVID-19 Government Response Tracker de Oxford University desde la cual unificamos el criterio analítico. Cada etapa es analizada a partir de los tres estilos de gestión de la pandemia -mínima, Estado-céntrica y socio-céntrica- que proponemos. Argumentamos que la eficacia de las políticas que tendieron a la reducción de la movilidad de las personas, estuvo influenciada por la estrategia política que los tres gobiernos plantearon obteniendo, así, resultados muy disímiles entre sí.

De la Tabla 2 podemos ver que Argentina es el país que ha mantenido políticas restrictivas más estrictas a lo largo de las distintas fases de la pandemia. Sólo flexibilizando entre la segunda y tercera etapa la posibilidad de concurrir a los lugares de trabajo, la cuarentena y el movimiento interno. En el caso de Brasil, podemos ver en la Tabla 2 que se mantuvieron mayores niveles de flexibilidad en las medidas implementadas a lo largo de las distintas etapas de la pandemia. Nos referimos a la posibilidad de acudir a los lugares de trabajo, la posibilidad de hacer reuniones entre personas, una cuarentena parcial al inicio, mantener el movimiento interno e internacional y desarrollar una política de rastreo de contactos limitada. El caso de Uruguay, desarrolló un perfil mixto con menores medidas restrictivas en algunos aspectos y sosteniendo ciertas restricciones en algunos otros aspectos. Por ejemplo, las clases presenciales de las instituciones educativas fueron restringidas hasta parte de la segunda fase. No hubo restricciones a las reuniones entre personas, la cuarentena fue muy laxa, no hubo restricciones la transporte público, no hubo restricciones al movimiento interno y la política de rastreo de contactos fue limitada. Abordaremos más detalles de esta tabla en la reconstrucción de cada caso.

Tabla 2. Argentina, Brasil y Uruguay frente a la pandemia de Covid -19, a lo largo de marzo a septiembre de 2020 

6.1. Argentina al 13 de septiembre: una visión Estado-céntrica

Fuente: Elaboración propia a partir de COVID-19 Government Response Tracker. More at: https://github.com/OxCGRT/covid-policy-tracker/

Gráfico 4:  Argentina (555,537 casos totales) 

En el caso de Argentina, los primeros casos se registraron a principios del mes de marzo. En cuanto a las medidas restrictivas del gobierno, hubo una política estricta respecto al cierre presencial de las instituciones educativas, a la imposibilidad de concurrir presencialmente a los lugares de trabajo, a la realización de eventos públicos, se prohibieron las reuniones de más de 10 personas, hubo fuertes restricciones en relación al funcionamiento del transporte público, hubo una cuarentena estricta, se redujo fuertemente el movimiento interno. A mitad del mes se dio un cierre parcial de frontera, de vuelos provenientes de áreas afectadas y posteriormente se procedió al cierre total de fronteras. En cuanto a las políticas sanitarias hubo una fuerte campaña de información pública, la política de testeos se basó en los casos con síntomas y hubo una fuerte política de contactos estrechos. En lo referente a las políticas económicas, Argentina fue con Uruguay, uno de los países que más recursos destinó para contener la reducción de la actividad económica y la movilidad de las personas. Por un lado, tres días después de decretar la cuarentena social, solidaria y obligatoria se implementó una compensación menor o igual a 50% de salarios (23 de marzo) de las empresas (REPRO) que perdura hasta la actualidad y, por otro lado, aplicó un congelamiento generalizado de tarifas y de obligaciones financieras desde el 25 de marzo a la actualidad. Finalmente, se planteó un sistema de apertura progresiva de la actividad económica a través de fases que consiste de 5 Fases: I (10 de marzo al 24 de marzo), II (20 de marzo al 13 de abril), III (27 de abril al 10 de mayo), IV (11 de mayo-actualidad) y la V denominada “nueva normalidad” aún no aplicada. Estas fases se fueron implementando de manera diferenciada en cada provincia de acuerdo a la evolución de los contagios registrados y a una serie de criterios epidemiológicos.

La mayoría de estas medidas adoptadas en marzo siguen, total o parcialmente, en vigencia pero la dinámica de la curva de contagios diarios aumentó significativamente a partir del mes de julio. Estas políticas que describimos, han sido implementadas desde un componente Estado-céntrico que utilizó el gobierno nacional desde el comienzo de la pandemia. Estas políticas diseñadas desde el gobierno central, fueron coordinadas con los y las gobernadoras de las distintas provincias. Apelando en cada acción de gobierno al rol central del Estado como articulador tanto de las políticas nacionales como del cumplimiento de las medidas de prevención, el presidente Alberto Fernández centralizó en su figura presidencial el manejo de la pandemia. Por un lado, se apuntó a una discusión entre actividad económica y prevención sanitaria por la cual el presidente en reiteradas oportunidades, tanto a principio de la cuarentena obligatoria como en cada extensión de la misma (como muestra el gráfico 4), apeló a frases tales como “una economía que cae, se levanta. Pero una vida que se cae no la levantamos más”. Nuevamente, la apelación a un rol activo del Estado nacional orientó la dirección de cada Fase de apertura, en acompañamiento de los gobiernos provinciales, que fueron parte de esta estrategia mostrando una fuerte coordinación vertical entre los Estados.

Por otro lado, las campañas informativas sanitarias utilizaron frases como “el Estado te acompaña”, “quedate en casa”, “seguí cuidándote” señalando mensajes desde al ámbito público a la sociedad en forma de recomendación. Puede verse aquí una diferencia respecto de los mensajes emitidos en Uruguay, que apeló a colocar a la sociedad en el centro de la responsabilidad en sus mensajes. El gobierno nacional de Argentina apuntó a asumir la responsabilidad de los resultados, sean a favor o en contra, de las políticas preventivas y, fundamentalmente, asumió la responsabilidad de la baja en la actividad económica. Con el paso de los meses, la caída en la actividad económica comenzó a hacerse sentir y el consenso inicial frente al sostenimiento de las medidas restrictivas comenzó a mermar. Ciertos sectores sociales comenzaron a manifestarse en pequeñas convocatorias presenciales que tienen múltiples demandas, entre ellas, el fin de la cuarentena obligatoria.

6.2. Brasil al 13 de septiembre: una visión mínima

Fuente: Elaboración propia a partir de COVID-19 Government Response Tracker. More at: https://github.com/OxCGRT/covid-policy-tracker/

Gráfico 5: Brasil (4.330.455 casos totales) 

El caso de Brasil, en este momento ya es un caso paradigmático junto a EEUU y Gran Bretaña por la cantidad de contagios alcanzados en poco tiempo. El 26 de febrero se anuncia el primer caso del país y también de la región. La primera política registrada en la base de datos OxCGRT es 3 semanas después con el cierre de instituciones educativas y restricciones a reuniones con más de 10 personas (12 de marzo). A su vez, en relación a los lugares de trabajo en un primer momento se sugirió la realización de tele-trabajo que con el correr de los días se hizo obligatorio. Se mantuvieron de forma parcial y más flexibles la política al funcionamiento del transporte público, la cuarentena, y el cierre de fronteras fue parcial. La política sanitaria seguida desde el gobierno nacional ha sido una estrategia laxa que incluso tensionó el sistema político con algunos estados federales que no acompañaron esa estrategia. Sin embargo, hubo una fuerte política de comunicación, la política de testeo se restringió a personas con síntomas y hubo una limitada política de rastreo de contactos. Como se observa en la tabla 2, sólo se mantuvieron flexibles las políticas respecto a la cuarentena y al transporte público, y respecto a la política de contactos estrechos también continuó siendo limitada. Se pudo ver una importante descoordinación vertical, entre las políticas implementadas desde el gobierno central y los gobiernos estaduales. Incluso en un período de un mes (del 16 de abril al 14 de mayo) el Ministerio de Salud tuvo 3 ministros distintos por diferencias con el presidente. En lo referente a la política económica, la situación sigue la misma lógica ya que, al igual que Chile, a partir del 17 de marzo se implementó un congelamiento parcial de tarifas y obligaciones financieras y 2 semanas después, una compensación del 50% o menor de los salarios.

Brasil, a diferencia de Argentina y Uruguay, no ha apelado a un mensaje de responsabilidad desde el Estado o desde la sociedad sino que, al contrario, el presidente Jair Bolsonaro ha minimizado las consecuencias sanitarias de la pandemia y ha realizado una perspectiva activa de reapertura temprana tanto de la actividad económica como de la movilidad de las personas. El presidente en reiteradas ocasiones ha mencionado “el coronavirus es una fantasía inflada por la prensa”, “algunos políticos cerraron todo durante la pandemia y yo siempre dije que no tenían que cerrar nada” o “Dios nos dio la hidroxicloroquina” (medicamento que luego se comprobó no tenía beneficios clínicos para pacientes infectados por el COVID-19 e incluso su uso puede tener consecuencias para la salud). La estrategia del gobierno de Brasil ha sido priorizar una rápida apertura económica justificandolo a partir de minimizar la pandemia. El propio presidente al ser notificado positivo de COVID-19 (08/07) declaró “este virus es casi como la lluvia, te va a afectar” haciendo referencia a la inevitabilidad del contagio general de la población. Brasil ha sido de los tres países seleccionados, el que en el largo plazo menos caída del Producto Bruto Interno ha tenido al mismo tiempo que más muertes sobre población posee. La visión minimizadora del cuidado sanitario frente a la pandemia y la prioridad en la continuidad de la actividad económica se refleja en dicha situación.

6.3 Uruguay al 13 de septiembre: una visión socio-céntrica

Gráfico 6: Uruguay (1.780 casos totales) 

Uruguay registró el primer caso el 14 de marzo a partir de lo cual, como se observa en la tabla 2, se implementaron una serie de políticas tempranas con el fin de frenar la reproducción de los contagios. Efectivamente, Uruguay es el país de la región que en términos comparativos, mejor se encuentra a nivel epidemiológico. En relación a las políticas restrictivas este país mantuvo un perfil entre laxo y mixto, sosteniendo restricciones fuertes en algunas áreas y más laxas en otras. En relación a las instituciones educativas mantuvo el cierre de escuelas, en marzo, abril y mayo, flexibilizando en junio. La política de concurrencia a los lugares de trabajo se mantuvo laxa a lo largo de todo el período. Hubo una política estricta en relación a la restricción de eventos públicos. Sobre la política de reuniones entre personas no hubo ninguna restricción. La política de cuarentena fue laxa en gran parte del período al igual que las restricciones al movimiento interno que fueron parciales. La particularidad de este caso es el achatamiento de la curva sin la necesidad de implementar una cuarentena obligatoria. Sobre las políticas sanitarias hubo una fuerte política de comunicación, los testeos se hicieron a personas sintomáticas y la política de rastreo de contactos estrechos fue limitada durante todos los meses. En la dimensión de políticas económicas, el caso de Uruguay es interesante ya que, si bien no realizó una cuarentena obligatoria y descansó en la responsabilidad de la sociedad en el cuidado y prevención individual, sí incentivó esta visión desde la política económica. De los países seleccionados, es el que más rápido respondió en este rubro desde el primer caso y 4 días después realizó una compensación del 50% o menor de los salarios (18 de marzo) y un congelamiento generalizado de tarifas y obligaciones financieras al otro día (19 de marzo). Esto nos permite reafirmar, también, que la relación entre la política económica y la implementación/cumplimiento de la misma se refuerzan.

Al mismo tiempo, la particularidad del país ha sido mantener una curva de contagios diarios constante y en baja de marzo a septiembre. Tanto la visión del gobierno, encabezado por el presidente Luis Alberto Lacalle Pou, como la políticas sanitaria y económica seguidas, se sintetizan en lo que el presidente definió como libertad responsable. A diferencia de Argentina, no se instrumentó una cuarentena obligatoria extensa (por la baja cantidad de casos) pero, a diferencia de Brasil, no lo hizo desde una visión minimizadora de la pandemia, sino ubicando a la sociedad en el centro de la responsabilidad frente a la pandemia. Por lo tanto Uruguay presenta un caso particular de equilibrio donde el Estado se hizo presente con políticas públicas y campañas de prevención, pero sin asumir la responsabilidad completa de los contagios, sino que lo realizó compartiendo la responsabilidad de los resultados con la sociedad. Está vigente una emergencia sanitaria en el país pero al mismo tiempo existe apertura progresiva de la actividad económica, oficinas públicas y sistema educativo en general. Así, el presidente en distintas oportunidades expresó frases que reflejan esta responsabilidad compartida: “Nos relajamos un poco, retrocedimos casilleros (...) esperamos volver a retomar la idea de levantar la emergencia sanitaria pero depende de la conducta de los uruguayos”, “si hoy los registros de la pandemia en nuestro país son aceptables en comparación con el resto del mundo no es por el gobierno, nosotros sólo interpretamos la vocación nacional que era la utilización responsable de su libertad”, “lo que subyace atrás y para mí es el ejemplo que tenemos que tener es el fino equilibrio social y fino equilibrio de sintonía que encontró un gobierno con su gente”, “el gobierno lo que hizo fue confiar en la gente”.

En ese sentido, desde el comienzo de la pandemia donde el gobierno decidió no decretar una cuarentena obligatoria, Uruguay se diferenció rápidamente de los países que sí tomaron esa vía, como Argentina. Pero también se diferencia de aquellos países que minimizaron la pandemia, como Brasil. Y si bien Uruguay se encuentra en septiembre en medio de una recesión económica, el gobierno ha extendido la decisión de mantener el cierre parcial de fronteras internacionales y sostener la emergencia sanitaria a pesar de que una porción grande de su Producto Interno Bruto se compone de la actividad proveniente del turismo internacional. Nuevamente, a pesar de que la mayoría del turismo uruguayo proviene de Argentina, el gobierno decidió no abrir las fronteras.

7. Conclusiones

Hace apenas seis meses que fue reconocida la existencia del nuevo COVID-19. En un breve lapso de tiempo el virus recorrió el mundo y transformó la vida cotidiana de quienes lo habitamos. Las formas tradicionales de organización social fueron transformadas y la capacidad de gestión de los Estados fue desafiada de un modo sin precedentes. Ciertos Estados respondieron de formas más tardías o laxas y llegaron a saturar (o tensionar) sus sistemas sanitarios. Otros países adoptaron medidas de forma temprana y efectiva, con lo cual lograron contener la situación sanitaria y evitar el agotamiento de los recursos sanitarios. Ante respuestas disímiles, existen consecuencias políticas, sociales y económicas particulares en cada país que actualmente están en tensión y debate.

El objetivo principal que nos propusimos en este artículo fue el analizar los distintos tipos de respuestas estatales de los países del Cono Sur frente a la pandemia de COVID-19, evaluar sus resultados y reflexionar sobre sus consecuencias en distintos aspectos de la organización social y política. Para ello, comenzamos estimando dos modelos de regresión para conocer cómo las medidas restrictivas y las medidas económicas afectaron a la movilidad en los 8 países de América del sur y luego cómo esa movilidad afectó el número de nuevos casos diarios.

En primer lugar, pudimos ver que las medidas tomadas por los gobiernos tuvieron una fuerte influencia en los nuevos contagios a través de la reducción de la movilidad. Pudimos ver que las medidas restrictivas afectaron la movilidad, reduciéndola, pero su efecto fue mayor cuando estas medidas fueron acompañadas por medidas económicas. En este sentido, la coordinación y la coherencia de las políticas públicas implementadas importa. A lo largo de este trabajo encontramos evidencia preliminar que nos permite afirmar que las medidas adoptadas por los gobiernos tuvieron impactos medibles que se reflejaron de forma directa en la movilidad y de forma indirecta en términos de contagios.

A mayor restricción en las medidas implementadas por los gobiernos del Cono Sur, menor movilidad se experimentó. A su vez una menor movilidad se reflejó en un menor número de nuevos contagios diarios. Esta afirmación se sostiene en los datos aquí presentados. Los cuales demuestran que no sólo las medidas restrictivas fueron beneficiosas a la hora de reducir los contagios sino que, la coherencia de un paquete vasto y amplio de medidas hizo la diferencia. Los países que incluyeron medidas restrictivas pero también medidas económicas y financieras, podrían definirse como la mejor estrategia a la hora de reducir los contagios de COVID-19. Es decir, la coherencia y coordinación entre políticas sanitarias, económicas y políticas (intra e interestatal) tuvieron efecto positivo en la reducción del número de contagios.

Luego de caracterizar las pautas comunes, buscamos profundizar en los estilos de gestión de la pandemia experimentados por los 8 países de América del sur. Analizamos tres casos representativos Argentina, Brasil y Uruguay que nos permitieran ver ahora las diferencias en los estilos de gestión durante la crisis ocasionada por el Coronavirus. Así encontramos que para Argentina, Alberto Fernández planteó desde un inicio una administración de la pandemia un rasgo Estado-céntrico. Por su lado, Brasil con la presidencia de Jair Bolsonaro, sostuvo la minimización de los efectos de la pandemia priorizando la actividad económica y la apertura de las actividades habituales de la sociedad tempranamente. Finalmente, Uruguay con Luis Alberto Lacalle Pou, transitó desde el comienzo un fuerte componente socio-céntrico compartiendo la responsabilidad de la trayectoria de la pandemia entre el Estado y la sociedad.

El principal desafío que enfrentan hoy en día los gobiernos de los países sudamericanos, se relaciona con cómo sostener las medidas restrictivas y cómo irlas flexibilizando sin que ello afecte el número de nuevos contagios. No existe hasta el momento respuesta clara. El presente trabajo nos deja algunas reflexiones en dicho sentido. Las medidas económicas son importantes para lograr adhesión y acatamiento de las medidas restrictivas y principalmente para poder sostenerlas a lo largo del tiempo.

Con el transcurrir de la pandemia, la adopción de cuarentenas extensas se hace sentir en la población . Los países que adoptaron cuarentenas estrictas que se han alargado en el tiempo, han visto disminuir la efectividad de las medidas adoptadas por sus gobiernos (como se ve claramente en Argentina). Los datos que aquí aportamos parecen abonar la interpretación de que sólo es posible mantener dichas restricciones si existen un conjunto de medidas integrales que aseguren una contención económica para aquellos sectores más perjudicados por la disminución de la actividad económica que traen aparejadas las cuarentenas. También, el caso de Uruguay nos refleja que una responsabilidad compartida entre Estado y sociedad puede ser un posible camino exitoso para controlar futuros brotes ante la apertura económica, equilibrando actividad social con cuidado ciudadano. El efecto de las medidas restrictivas parecen diluirse a medida que se extienden en el tiempo las restricciones. En tal caso, las medidas de contención económicas parecen ser aún más importantes para poder seguir conteniendo los contagios en cada país.

La tarea pendiente es ampliar el estudio de las posibles salidas de las cuarentenas. Evaluar qué políticas resultan más coherentes y coordinadas a la hora de flexibilizar las cuarentenas sin que ello conlleve riesgos para el sistema sanitario. Otro importante interrogante nos muestra este trabajo tiene que ver con las movilidades: ¿una vez atravesada esta pandemia las movilidades cotidianas volverán a ser como antes, tanto en su magnitud como en sus características?

A modo de cierre podemos decir entonces, que la respuesta estatal importa y mucho en la contención de la Pandemia y sus posibles consecuencias en la población. Pero también importan los enfoques y los modelos de gestión con los cuales cada gobierno ha respondido a la pandemia. Cómo cada gobierno comunica a la sociedad, es un punto a seguir profundizando con mayor atención en futuros análisis. Las respuestas más tempranas se han demostrado más eficaces a la hora de contener los contagios. Las restricciones, las políticas sanitarias y las económicas han permitido una disminución en la movilidad, que ha impactado positivamente en el número de nuevos contagios. Las medidas integrales que abarcan distintos aspectos y que incluyen además de restricciones, medidas de acompañamiento económico, al igual que los modelos de gestión que proponen responsabilidades compartidas parecen ser la clave en la región a la hora de enfrentar al COVID-19.

Bibliografía

Acuña, Carlos H. 2019. «Sobre la Coordinación de Políticas: Importancia y Complicaciones». En , 12. Buenos Aires: Sociedad Argentina de Análisis Político (SAAP) y la Universidad Nacional de San Martín. [ Links ]

Acuña, Carlos H., y Mariana Chudnosvky. 2013. «Cómo entender las instituciones y su relación con la política. Lo bueno, lo malo y lo feo de las instituciones y los institucionalismos». En ¿Cuánto importan las instituciones? Gobierno, Estado y actores en la política argentina, 19-70. Estado y política. Siglo Veintiuno Ed. [ Links ]

Aguilar Villanueva, Luis. 1992. «El estudio de las políticas públicas», 29. [ Links ]

Barberia, Lorena; Cantarelli, Luis; Claro, M. Leticia; de Paula Moreira, Natália; Seelaender Costa Rosa, Isabel; Schmalz, Pedro; da Silva Pereira, Fabiana y Zamundio, Marcela (2020a) “The Effect of State-Level Social Distancing Policy Stringency Measures (SDPS) on Willingness to distance in the States of Brazil”. Mimeo. Junio 2020. [ Links ]

Barberia, Lorena; Cantarelli, Luis; Claro, M. Leticia; Seelaender Costa Rosa, Isabel; da Silva Pereira, Fabiana y Zamundio, Marcela (2020a) “Confronting the COVID-19 Pandemic: Brazilian Federal and Subnational-Government Responses, Technical Reporto n Social Distancing Stringency (SDS) 1.0”. Mimeo. Abril 2020. [ Links ]

Beck, Nathaniel y Kats, Jonathan. 1995. “What to do (and not to do) with Time-Series Cross-Sction Data”. The American Political Science Review, Vol. 89, No. 3. (Sep., 1995), pp. 634-647. [ Links ]

Belayeth, Hussain. 2020. “Stringency in policy responses to COVID-19 pandemic and social distancing behavior in selected countries”. Working paper, Mimeo. Abril 2020. [ Links ]

Bertoncello, R. (2018) Movilidad, migración, fijación territorial de la población. Desafíos para la investigación en Geografía. En: Claudia Mikkelsen y Natasha Picone (comp.), Geografías del presente para construir el mañana: reflexiones geográficas que aportan a pensar el futuro. Tandil: UNCPBA. ISBN 978-950-658-467-2 [ Links ]

Bonaccorsi, G., Pierri, F., Cinelli, M., Flori, A., Galeazzi, A., Porcelli, F., Schmidt, A. L., Valensise, C. M., Scala, A., Quattrociocchi, W., & Pammolli, F. (2020). Economic and social consequences of human mobility restrictions under COVID-19. Proceedings of the National Academy of Sciences, 117(27), 15530-15535. https://doi.org/10.1073/pnas.2007658117 [ Links ]

Cais, Jordi. 1997. Metodología del análisis comparativo, (Madrid: Centro de Investigaciones Sociológicas). Capítulos: 1, 2, 3 ,4 y 5. [ Links ]

Castiglioni, Franco. 1997. “La Política Comparada”; en: Pinto, J. (comp.), Introducción a la Ciencia Política, Buenos Aires: EUDEBA. [ Links ]

Collier, David y LEVITSKY, Steven. 1998. “Democracia con adjetivos. Innovación conceptual en la investigación comparativa”, Agora, Buenos Aires, Número 8. [ Links ]

Collier, David, “El método comparado: dos décadas de cambio”, en Morlino, L. y Sartori, Giovanni, (comps.). 1993. La comparación en las Ciencias Sociales, (Madrid: Alianza). [ Links ]

Collier, David. 1995 Trajectory of a Concept: ‘Corporatism’ in the Study of the Latin American Politics. [ Links ]

Dogan, Mattei y Pelassy, Dominique. 1984. “El análisis político comparado”, en Revista Contribuciones, Buenos Aires. [ Links ]

Evans, P., & Wolfson, L. (1996). El Estado como problema y como solución. Desarrollo económico, 529-562. [ Links ]

Gutierrez, A. (2009). Movilidad o inmovilidad, ¿qué es la movilidad? Aprendiendo a delimitar los deseos. XV CLATPU, 2009 , Buenos Aires. [ Links ]

Heredia, José Alfonso. 2000. «Planificación y estrategia en las organizaciones contempo- ráneas», 77. [ Links ]

Jayatilleke, Achala U., Sanjeewa Dayarathne, Padmal de Silva, Pandula Siribaddana, Rushan A.B. Abeygunawardana, Olivia Nieveras, Nilanthi de Silva, Janaka de Silva. 2020. “COVID-19 case forecasting model for Sri Lanka base don strngency Index”. doi: https://doi.org/10.1101/2020.05.20.20103887. [ Links ]

Lapalombara, J., & Beck, C. 1970. Burocracia y desarollo político. Paidos. [ Links ]

Levy, J. (2001). Os novos espaços da mobilidade. GEOgraphia nº 6. [ Links ]

Lijphart, Arendt. 1971. “Comparative Politics and Comparative Method”, American Political Science Review. [ Links ]

Longstreth, F., Steinmo, S., & Thelen, K. A. (Eds.). 1992. Structuring politics: historical institutionalism in comparative analysis. Cambridge University Press. [ Links ]

Macridis, R. 1955. The study of comparative politics. NY: Random House, 9-11. [ Links ]

March, J. G., & Olsen, J. P. 1989. The organizational basis of politics. Free. [ Links ]

Martínez Nogueira, Roberto. 2010. «La Coherencia y la Coordinación de las Políticas Públicas. Aspectos conceptuales y experiencias». Proyecto de Modernización del Estado. Argentina: Jefatura de Gabinete de Ministros de la Nación. [ Links ]

Massey, D. (2008) Pelo Espaço. Uma Nova politica da espacialidades. Bertrand. Rio de Janeiro. [ Links ]

Matus, Carlos. 1987. Política, planificación y gobierno. Caracas: Fundación Altadir. [ Links ]

Mill, J. S. 1843. Of the four methods of experimental inquiry. A System of Logic, Raciocinative, and Inductive, 450-479. [ Links ]

Montanari A., Staniscia B. (2016) Human Mobility: An Issue of Multidisciplinary Research. In: Domínguez-Mujica J. (eds) Global Change and Human Mobility. Advances in Geographical and Environmental Sciences. Springer, Singapore. https://doi.org/10.1007/978-981-10-0050-8_1 [ Links ]

Peters, B. G., & Pierre, J. (2001). Developments in intergovernmental relations: towards multi-level governance. Policy and Politics, 29(2), 131. [ Links ]

Peters, B. Guy. 1998. «Managing Horizontal Government: The Politics of Co-Ordination». Public Administration 76 (2): 295-311. https://doi.org/10.1111/1467-9299.00102. [ Links ]

Peters, Guy. 2003. “La capacidad para gobernar: ¿retrocediendo hacia el centro?” Revista del CLAD Reforma y Democracia. No. 27. (Oct. 2003). Caracas. [ Links ]

Podestá, F. (2002). Recent Developments in Quantitative Comparative Methodology: the Case of Pooled Time Series Cross-section Analysis. [ Links ]

Przeworski, Adam. 2007. «Democracy, Equality, and Redistribution». En Political Judgement, editado por Richard Bourke y Raymond Geuss, 281-312. Cambridge: Cambridge University Press. https://doi.org/10.1017/CBO9780511605468.011. [ Links ]

Sartori, Giovanni. 1984. La Política. Lógica y método en las Ciencias Sociales, (México: Fondo de Cultura Económica). Capítulo IX. [ Links ]

Saylor, R. (2014). State building in boom times: Commodities and coalitions in Latin America and Africa. Oxford University Press. [ Links ]

Sigler, Thomas et al. 2020. «The Socio-Spatial Determinants of COVID-19 Diffusion: The Impact of Globalisation, Settlement Characteristics and Population». https://www.researchsquare.com/article/rs-33615/v1 (22 de octubre de 2020). [ Links ]

Stimson, J.A. 1985. “Regression in Space and Time: A Statistical Essay”, in American Journal of Political Sciences, 29(4) pp. 914-947 [ Links ]

Subirats, Joan. 2001. «El análisis de las políticas públicas». Gac Sanit, Políticas públicas y sociedad civil, 15 (3): 259-64. [ Links ]

Urbani, Giorgio. 1988. “Política Comparada”, en Bobbio, N.; Matteucci, N. y Pasquino, Gianfranco, Diccionario de Ciencia Política, (México: Siglo XXI). [ Links ]

Weber, M. 1904. La objetividad cognoscitiva de la ciencia social y de la política social. Ensayos sobre metodología sociológica, 39. [ Links ]

Young, Richard D. 2003. «Perspectives on Strategic Planning». University of South Carolina, Institute for Public Service and Policy Research, 28. [ Links ]

1Este artículo fue escrito a mitad de septiembre del año 2020. Los datos empleados corresponden al período que comprende desde el primer caso de COVID-19 registrado en cada país al 14/9/2020

2Ecuador fue excluido de la muestra dado que los registros de la base de datos que emplearemos en la primera parte del análisis, contenían una gran cantidad de errores y problemas de carga. Venezuela fue excluido porque no tiene información sobre pobreza extrema.

3Todos los datos de esta sección son adquiridos de la base de COVID-19 Dashboard del Center for Systems Science and Engineering (CSSE) de Johns Hopkins University.

4https://www.google.com/COVID19/mobility/

5Para un detalle de cómo están medidas cada una de estas variables y sus fuentes, remítase al anexo.

6Tales variables fueron incluidas en los dos modelos de regresión como forma de controlar la influencia contextual de cada país. Pero las mismas no se reportan en las tablas a fin de ofrecer mayor claridad en la interpretación de los resultados. Se tomó como referencia el caso de Argentina que posee la misma media de movilidad que la obtenida para el conjunto de países de América del sur. Ello implica que el resto de variables dicotómicas permiten corregir las desviaciones de cada país de la pauta promedio. Algunas de las variables fueron excluidas automáticamente por colinearidad con las variables sociodemográficas.

7Si bien el limitado número de países incluido al análisis podría limitar los alcances del modelo de regresión y sus conclusiones deben ser tomadas con cautela, dada la estructura de los datos, por día y por país, no es plausible estimar otro modelo más sencillo ya que no reconozca la línea temporal o los agrupamientos por país. Desconocer la estructura longitudinal y anidada por país de los datos implicaría muchos más riesgos de posibles sesgos y errores en los coeficientes estimados. Se estimaron los diagnósticos correspondientes para comprobar los supuestos de linealidad, homocedasticidad, no colinearidad y normalidad de los residuos. También fueron estimados los diagnósticos para descartar autocorrelación. Adicionalmente se calcularon y se reportan errores estándar corregidos por panel. Se pueden ver los diagnósticos del modelo en el anexo

8Las variables Nuevos casos diarios (10 días antes/Lag10) Movilidad (1 día antes/ lag1) y Movilidad (14 días antes/lag14) se incluyen en ambos modelos para corregir el posible riesgo de correlación espacio temporal de primer orden AR-1. Las bases de datos que poseen series temporales y espaciales, suelen tener un problema de correlación de primer orden (first order autocorrelation) que se corrige empleando “Panel corrected standard errors” e incluyendo la variable dependiente con efecto retrasado (lag 1 /lag10) Beck y Katz (1995). Asimismo la inclusión de estas variables nos permite controlar el efecto de ventana que posee la incubación de la enfermedad por Coronavirus de entre 10-14 días. Es decir los contagios de hoy son el reflejo de los contagios que hubo hace 10-14 días. En el apéndice del artículo se ofrecen más detalles sobre este tipo de estimación y sus controles.

9De acuerdo a la base: cierre de instituciones educativas, cierre de lugares de trabajo, restricción del transporte público, restricción de circulación interna, restricción de eventos masivos, restricción de cuarentena obligatoria, control del movimiento internacional.

10De acuerdo a la base: política de testeos, político de información pública, política de contactos estrechos de los contagiados.

11De acuerdo a la base: políticas económicas tendientes a compensar 50% o más del salario del la población económicamente activa ante la disminución de la actividad económica; congelamiento de tarifas de servicios públicos y congelamiento de compromisos financieros públicos y privados (parcial o total)

ANEXO

Libro de códigos 

Dependent Variable Modelo 1: Movilidad Información por día de cada país, respecto al tránsito en general. Los datos muestran cómo el tránsito cambia en comparación con los días de referencia. El día de referencia es el valor medio del periodo de 5 semanas comprendido entre el 3 de enero y el 6 de febrero del 2020. Un valor positivo demuestra aumento de tránsito ese día en ese país, un valor negativo demuestra la reducción del tráfico durante ese día y en ese país determinado. Fuente: Google, COVID-19 Community Mobility Reports.
Dependent Variable Modelo 2: New Daily infections New Daily infections, by country and day Source: COVID-19 Dashboard base of the Center for Systems Science and Engineering (CSSE) of Johns Hopkins University
Independent Variables
New Daily infections, 10 days before New Daily infections, Lagged 10 days before Source: (CSSE) of Johns Hopkins University
Population density People per square kilometer Source: OurWorld Data
GDP per capita GDP per capita is adjusted for price differences between countries (it is expressed in international dollars). Source: OurWorld Data
Extreme poverty Percentage of the total population of each country under extreme poverty Source: OurWorld Data
Hospital beds every 1,000 inhab. the total number of hospital beds divided by 1000 hab. Source: OurWorld Data
Stringency Index (SI) It is a Government Restrictive Measures Index. This includes an assessment of the closure of educational institutions and workspaces, cancellation of public events and public transport, public information campaigns, restrictions on the internal movement of people and restrictions on international travel. All these variables measured daily by country, are then integrated into an index that varies between 0 (maximum flexibility) and 100 (maximum restriction). This variable was lagged 14 days before Source: Oxford COVID-19 Government Response Tracker (OxCGRT)
Economic Support Index (EF) This includes evaluations of the fiscal policies to stimulate the economy, monetary intervention policies, emergency investments in the health system, and massive public vaccination campaigns. All of this is summarized in an index that varies from 0 (without economic stimulus and containment measures) to 100 (maximum economic and fiscal support of the government). This variable was lagged 14 days before Source: OxCGRT
Contagion Regimen This indicates the average contagion regimen and distinguishes the groups of countries according to the mean number of new daily cases by country. We have 3 groups. Value 0: Uruguay, which registers an average of 10 new daily cases throughout the entire pandemic. Value 1: another group with a low average, varying between 11 and 1000 daily cases. In this group are the following countries: Bolivia (678), Costa Rica (289), Panama (541), Paraguay (146), Honduras (362), El Salvador (150), Venezuela (329), Dominican Republic (515 ), and Guatemala (445). Value 2: the last group is with countries that have a high mean in daily infections. These are: Argentina (2848), Chile (2229), Colombia (3750), Mexico (3375), and Peru (3764). Source: OxCGRT

Source: COVID-19 Dashboard base of the Center for Systems Science and Engineering (CSSE) of Johns Hopkins University. Retrieved from https://coronavirus.jhu.edu/map.html

Source: OurWorld Data. Retrieved from https://ourworldindata.org/coronavirus-source-data

Source: Oxford COVID-19 Government Response Tracker (OxCGRT). Retrieved from https://www.bsg.ox.ac.uk/research/research-projects/coronavirus-government-response-tracker

Sobre los modelos de regresión empleados:

Este trabajo se basa en un análisis de regresión multivariada del tipo Time Series Cross Sectional (Beck and Katz, 1995; Podestá 2002; Stimson 1985). Este tipo de análisis estadísticos tiene la ventaja de poder evaluar simultáneamente el impacto de los distintos tipos de medidas estatales sobre la movilidad y a su vez en el segundo modelo, el impacto de la movilidad sobre los nuevos contagios confirmados por día, distinguiendo la pertenencia a cada país. La base de datos fue fijadas por país y por día de la epidemia (xtset pais dia). Esto es, en lugar de fecha, se fija la base desde el día 1 en que se detectó el primer caso de Coronavirus en cada país, hasta el día 14 de septiembre que es el último registro de nuestra base de datos. El máximo son 200 días de pandemia y el promedio de días es 95 días al interior de los países. Los modelos estimados son Time-series cross-section (TSCS) y se emplea en bases de datos donde tenemos observaciones repetidas (en nuestro caso día de la pandemia) en unidades fijas por grupos (países). A diferencia de los datos de panel, el modelo TSCS se emplea cuando hay muchas observaciones en el tiempo y hay una cantidad de grupos reducidos o medios. El uso de un modelo de regresión lineal múltiple regular para este tipo de datos se vuelve problemático ya que viola varios supuestos de la regresión. Los modelos TSCS en cambio permiten errores correlacionados temporal y espacialmente, y heteroscedasticidad. Para controlar estos problemas se emplean un modelo TSCS, con un método de estimación por OLS con panel corrected Standard errors (Beck and Katz, 1995), que calcula de forma más adecuada los parámetros del modelo, también se aplican transformaciones para controlar la auto-correlación de los datos (se pueden ver los detalles, y diagnósticos en el anexo)[1]. Para controlar la posibilidad de auto-correlación por serie (serial auto- correlation) del tipo AR(1), se incluyó la variable movilidad laggeada 1 día, tal como sugiere Beck and Katz, 1995 y Podestá 2002.

El planteo general del modelo construido sigue la siguiente fórmula:

Ytj=a+β1X1(t1)j2X2tj3X2tj4X4tj5X5tj6X6tj7(X7tjX6tj)+etj Ecuación 1

En este primer modelo la variable dependiente Y tj es la movilidad por país y por día de la pandemia. Donde, a es la constante de los parámetros β1 a β7 son los coeficientes de las distintas variables independientes. Cada variable Xi tiene dos sub índices. El subíndice j corresponde a cada país. El subíndice t es el tiempo expresado en días desde que se registró el primer caso en el país. El subíndice entre paréntesis indica el lapso de tiempo en días de la variable correspondiente. Por ejemplo, la variable X1 fue retrasada 1 día para controlar el posible efecto de autocorrelación del tipo AR1. El bloque de 3 variables sociodemográficas de control fueron incluidas como: X2 tj, X3 tj, X4 tj y registran el efecto de densidad de población, PBI per cápita, y pobreza extrema. El bloque de medidas del gobierno, incluye: X5 tj, X6 tj y (X5 tj X6tj ) que corresponden a las medidas restrictivas y las medidas económicas, y el efecto de interacción entre ambas, respectivamente. Finalmente hay un término de la sumatoria de los errores e tj.

El segundo modelo, sigue la misma fórmula:

Ytj=a+β1X1(t10)j2X2tj3X2tj4X4tj5X5tj6X6tj7(X7tjX6tj)+etj Ecuación 2

Aquí la variable dependiente son los nuevos casos diarios por día y por país. La variable X1 (t-10)j mide los nuevos contagios diarios de 10 días antes. Esta variable fue incluida para captar el período de incubación de la enfermedad por COVID-19. El bloque de 4 variables sociodemográficas de control fueron incluidas como: X2 tj, X3 tj, X4 tj , X5 tjy registran el efecto de densidad de población, PBI per cápita, pobreza extrema y camas de hospital cada 1000 habitantes. Luego se incluye el efecto de la variable movilidad: X6 tj . Por último se incluye la variable Régimen X7 tj, que permite distinguir el efecto de los 4 grupos de países de acuerdo al promedio de casos diarios registrados. Finalmente hay un término de la sumatoria de los errores e tj.

Tabla 3: Estadística descriptiva de variables 

Received: September 10, 2020; Accepted: November 14, 2020

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons