El fin de la asimetría informativa

En esta entrada, es el principio de una serie de entradas que irán traduciendo el intercambio en el CATO Unbound entre diversos académicos sobre el fin de la asimetría informativa.

En los últimos años, toda una serie de nuevas tecnologías han tenido un efecto similar: Han hecho que la información sea menos costosa de conseguir y más ubicua. Esto plantea un problema para el diseño de políticas publicas, ya que mucha regulación se basa en la expectativa de que la información es costosa de conseguir y se distribuye de forma desigual. El problema de la asimetría informativa tiene consecuencias de gran alcance en el diseño regulatorio. Pero que pasa cuando la asimetría informativa desaparece?

En el ensayo principal de este mes, los economistas Tyler Cowen  y Alex Tabarrok exploran algunos de los mecanismos a través de los cuales el cambio se está ocurriendo, empezando por el mercado de coches usados, que ha sido durante mucho tiempo el ejemplo de manual de este fenómeno. Argumentan que mercados tan diversos como en salud, reparaciones de automóviles, drogas ilegales y el sector público, la asimetría informativa es cada vez más un problema solucionado. También argumentan que esta tendencia puede tener un lado negativo, en la privacidad que todos hemos abandonado para llegar a donde estamos.

Nos acompañan en el debate de este mes los economistas Joshua Gans de la University of Toronto, Shirley V. Svorny de la California State University Northridge y Jeff Ely de la Northwestern University.


El Fin de la Información Asimétrica

Por Alex Tabarrok y Tyler Cowen [traducido por Ethon]
Lead Essay
Link del texto original: http://www.cato-unbound.org/2015/04/06/alex-tabarrok-tyler-cowen/end-asymmetric-information
Abril 6, 2015

¿Podría ser que la era de la información asimétrica – para bien o para mal – estar terminando? Instituciones de mercado están evolucionando rápidamente hacia una situación en la que muy a menudo el comprador y el vendedor tienen casi el mismo conocimiento. Los desarrollos tecnológicos están dando a todo el mundo que así lo quiere acceso a la mejor información cuando se trata de la calidad del producto, desempeño de los trabajadores, compatibilidad con amigos y parejas y la naturaleza de las transacciones financieras, entre otras muchas áreas.

Estos desarrollos tendrán implicaciones para el funcionamiento de los mercados, cuanto se benefician los consumidores y también para política económica y el Derecho. Como vamos a ver, hay algunos aspectos problemáticos en estos nuevos desarrollos, específicamente en lo que respeta a la privacidad.  Sin embargo, una gran parte de la regulación económica parece dirigida a un conjunto de problemas que, en gran parte, ya no existen.

 Coches usados

Vamos a empezar con una simple y clásica ilustración de la literatura económica, es decir, el artículo pionero de George Akerlof de 1970 sobre la asimetría informativa en un mercado de coches usados. En la versión básica del modelo, los vendedores tienen mejor información que los compradores: los vendedores conocen el valor del coche pero los compradores solo conocen el valor promedio de los coches usados. Ya que los compradores no conocen la calidad del coche del vendedor solo estarán dispuestos a pagar el valor medio de un coche. Pero si los compradores solo están dispuestos a pagar por calidad promedio, porqué debería alguien querer vender un coche cuya calidad es superior a la calidad media, una ciruela?. Cuando las ciruelas salen del mercado, el valor medio de los coches usado cae aún más y los compradores están dispuestos a pagar incluso menos. Siguiendo la lógica, terminamos en una situación donde solo unos pocos limones se compran y venden, de aquí el apodo “el mercado de los limones”.

El mercado de coches usados, sin embargo, ha sido uno de los primeros ejemplos donde instituciones de mercado en gran medida (aunque no completamente) han solucionado el problema de la información asimétrica. Incluso en 1970, el mercado de coches usados era extenso, y existían algunas instituciones para hacer la información más simétrica. Puede que la más importante de estas fuera el odómetro. Utilizado por primera vez por Alejando Magno para medir distancias entre ciudades, los odómetros modernos eran estándar en todos los coches alrededor de  1925. La lectura del odómetro es la pieza más importante de información sobre un coche en específico que determina su valor y esta es la razón por la cual los precios de los coches se ajustan por kilometraje. La ley contribuye a esta solución haciendo la manipulación del odómetro legal y sucesivas leyes a nivel estatal y federal han incrementado las penalizaciones y su aplicación efectiva a lo largo del tiempo. En 1972, por ejemplo, la Federal Odometer Act hizo la manipulación un delito federal. Al igual que otros delitos, el castigo no elimina la manipulación pero reduce su cantidad haciendo las lecturas de odómetro más fiables y la calidad de la información más simétrica. Aún más importante, la Truth in Mileage Act de 1986 requiere que los vendedores revelen y registren las lecturas de odómetro en el título en cada transferencia del título. La Act de 1986 redujo en gran medida los beneficios de la manipulación porque el odómetro no podía ser revertido más que a la lectura de la última venta.

Desde el Act de 1986 , las lecturas de odómetros y su registro se han vuelto más frecuentes. Las lecturas de odómetro, por ejemplo, ahora se hacen durante las inspecciones de emisión y seguridad. En muchos estados estas lecturas se hacen una vez por año. Servicios como CarFax recolectan y reportan las lecturas de odómetro a partir de transferencias de títulos y inspecciones, haciendo la información fácilmente accesible por un módico precio. En el futuro, los Estados o el sector privado podrían proveer esta información online gratuitamente. Adicionalmente a las lecturas de odómetro, servicios como CarFax recogen información de estaciones de servicio y empresas de seguros sobre reparaciones y accidentes. La información recogida es incompleta pero puede ser muy útil para los casos importantes, como cuando un coche se ha inundado ha quedado totalmente intutilizado. [1].

 Puede que el hecho más revelador sea que el mercado de coches usados es tres veces mayor que el mercado de coches nuevos (medido por unidades vendidas, según el Bureau of Transportation Statistics). En 2012, por ejemplo, hubo 40,5 millones de coches usados comprados comparado con 14,5 millones de coches nuevos vendidos (NIDIA 2013). En promedio, los coches usados se venden por un tercio del precio de los coches nuevos, de forma que el tamaño total de los dos mercados es similar con alrededor de 330 miles de millones de dólares en ventas. Simplemente no hay suficientes limones para sostener un volumen tan alto de transacciones. De hecho tanto coches de alta como de baja calidad están disponibles en mercados bastante líquidos y transparentes.

La simetría informativa sobre la calidad de los automóviles es muy probable que incremente. Casi todos los vehículos tienen “grabadores de datos de eventos” también conocidos como “cajas negras”, similares a los que se encuentran en aviones. Los grabadores de datos de eventos registran datos del rendimiento del vehículo y controles diagnósticos pero también datos sobre la velocidad, frenada, uso del cinturón y otra información relevante para la seguridad y accidentes de coches. Algunas empresas de automóviles, en especial Tesla, pueden recolectar esta información de forma remota o retransmitirla en tiempo real. Tesla, por ejemplo, recopila información del odómetro del vehículo, historial de servicio, velocidad, localización, uso de la batería, frenada, tiempos de arranque y parada, despliegue del air-bag – incluso el uso de la radio y claxon. [2] Cuando un vehículo es vendido los datos son transferidos con el vehículo. Ahora es posible probar que un coche usado realmente fue conducido por una abuela solo en los domingos.

La asimetría informativa ya no es una plausible descripción del mercado de coches usados y, como resultado, no deberíamos sorprendernos que estos mercados estén prosperando, ya sea en términos de volumen, diversidad del producto o su habilidad de proveer un producto fiable a un precio razonable.

¿Y qué hay del argumento de la selección adversa que se aplica en los seguros de salud? Ahí también parece que estamos viendo un rápido aumento de la simetría de la información.

Las cajas negras para personas aún no son la norma, pero los sensores portátiles pueden controlar el movimiento, el ritmo cardíaco, presión sanguínea y los niveles de oxígeno en la sangre y los niveles de glucosa y otras estadísticas relacionadas con la salud. Esta información puede ser almacenada y transferida a través de apps, teléfonos y otros dispositivos portátiles. Los seguros de vida ya tiene suficiente información de tablas actuariales para hacer buenas estimaciones de la salud de un individuo. En los datos vemos que las tasas de seguros de vida disminuyen con la compra de políticas de mayor cobertura, que es lo opuesto de la predicción del modelo de selección adversa, a saber, que las tasa deberían incrementar con la compra de mayor cobertura (Cawley y Phillipson 1999)

El problema actual con los mercados de seguros de salud tiene menos que ver con información asimétrica y selección adversa que con un exceso de información. Esto puede hacer el seguro de algunas personas muy caro a primas actuarialmente justas. Por ejemplo, si usted tiene cáncer de algún tipo, esto es verificable para el mundo exterior y si los costes del tratamiento son 200.000 dólares, el coste de la póliza de seguro estará alrededor de 200.000 dólares. Comprar la póliza no será más barato que comprar los tratamientos, y en este sentido el mercado de seguros no está siempre presente. Este es un problema de políticas públicas muy real, pero no  se comprende bien invocando las teorías estándar de información asimétrica.

La secuenciación barata del genoma humano puede acelerar e intensificar estos problemas. La ciencia aún no es capaz de inferir demasiado a partir de una secuencia del genoma humano, pero hasta el punto en que esto cambie la información médica, y en general, la información más general sobre la persona será más pública. Incluso si hay legislación de privacidad en vigor, el equilibrio del mercado puede inducir una gran cantidad de divulgación, porque los empleadores y otros (¿posibles parejas?) inferirán información negativa de la falta de divulgación (Tabarrok 1994). En el caso límite podemos imaginarnos que cada persona va a llevar indicadores de información genética y también del trasfondo educativo, permitiendo a otras partes evaluar este individúo con mucha más precisión que antes.

Riesgo moral

El riesgo moral es otro tipo de problema de información asimétrica que muy a menudo se puede superar tolerablemente con información barata de conseguir y ubicua. Por riesgo moral  se entiende la tendencia de la parte mejor informada a explotar su ventaja información de forma no deseable o deshonesta: por ejemplo, un caso de riesgo moral es cuando un trabajador holgazanea en su trabajo o cuando una empresa toma demasiado riesgo, posiblemente a expensas de sus tenedores de bonos.

Vamos a considerar de nuevo el ejemplo de los coches. Un problema típico de riesgo moral podría ser que los consumidores aseguran sus coches, pero luego conducen imprudentemente, sabiendo que la aseguradora va a pagar la factura de los daños causados. Los deducibles han ayudado con este problema, pero hoy en día hay aún mejores remedios. Por ejemplo, los consumidores puede usar el tipo de datos recogidos por Tesla y otros fabricantes no solo para cuando venden sus coches, pero también para compartirlos con empresas de seguros a cambio de tasas más bajas. Un consumidor que es un buen conductor responsable y puede probarlo al resto del mundo, o por lo menos dar una buena indicación de que es probables que así sea

Desde 1996 todos los coches fabricados y vendidos en los Estados Unidos de América deben tener un puerto estándar de Diagńostico de A Bordo (OBD). Un requerimiento similar existe para Europa y China y para vehículos pesados (HDOBD). Hoy, Progressive Insurance ofrece “Snapshot” un sencillo dispositivo que se conecta al puerto OBD. El dispositivo Snapshot continuamente transmite flujos de datos como la velocidad, tiempo, número VIN y la fuerza G a Progressive. Los consumidores que conducen menos millas, conducen durante el día o la tarde y sin frenazos bruscos reciben menores tasas. Snapshot en parte, permite a Progressive seleccionar a mejores conductores, pero también reduce el riesgo moral. Un usuario, por ejemplo, informó:

Después de mi sexto mes usando Snapshot, he concluido que es más efectivo ayudando a los conductores a ser más conscientes del estado de su vehículo y condiciones de conducción y a frenar suavemente a un stop. Me tomó más o menos un par de meses re-entrenar mi forma de conducir.

 

Una característica interesante de Snapshot es que el usuario no tiene por qué ser, actualmente, un cliente de Progressive. Cualquiera puede instalarse Snapshot por 30 días y al final de esos 30 días recibir una oferta de seguro. Allstate ofrece un sistema similar, al igual que los seguros GMAC para clientes que utilicen el sistema OnStar de GM. Ahora es posible en algunos estados comprar seguros por milla, una extensión lógica de estos sistemas. Premiará a los conductores que exponen sus vehículos a menos riesgos y por supuesto los mismos conductores también estarán exponiendo a otros vehículos y peatones a menor riesgo.

La extensa información disponible a través del puesto OBD puede ser utilizada no solo para controlar el comportamiento del conductor sino también la de los talleres de reparación. Recuerda que la mayoría de personas  tienen el poder de cálculo de un superordenador Cray-II de 1990 en su bolsillo. Con un conector Bluetooth al puerto OBD, una aplicación de smartphone puede transmitir los códigos de avería, temperatura del refrigerador, presión del combustible y muchas más características además de la velocidad, distancia, localización, etc. La extensa información del coche puede ser utilizada para analizar y diagnosticar problemas exactamente como lo haría un mecánico. Una vez más, la información no debe ser perfecta o perfectamente comprendida para aliviar los problemas más serios de riesgo moral. Si el mecánico dice que el coche necesita una nueva varilla Johnson, y el smartphone no reporta ningún problema, el consumidor sabe que por lo menos ha llegado el momento de buscar una segunda opinión

Mecanismos de Reputación

La reputación es una forma muy general de pensar en soluciones al riesgo moral. Un mecánico con reputación de dar un trato honesto puede hacer más negocio a un mayor precio. Engañar pasa a ser menos valioso cuando su precio es una perdida de reputación.

En los últimos tiempos, las tecnologías de la información han hecho más fácil observar la reputación de un vendedor y contribuir a la formación de la reputación del vendedor a un bajo coste. Yelp, la Angie’s List y Amazon Reviews hacen facilita a los anteriores consumidores el informar de la calidad del vendedor y para los futuros compradores, permite observar la reputación acumulada del vendedor. Y por supuesto, no solo los vendedores que son evaluados, los trabajadores también son evaluados de diferentes formas; por ejemplo, muchos empleadores comprueban la calificación crediticia del trabajador o su historial en la red antes de contratar. Puede que estemos creando problemas de privacidad con estas técnicas, pero los problemas de simetría de la vieja escuela van desapareciendo rápidamente.

Los primeros mecanismo de reputación eran en de un solo sentido, a saber, los compradores generarían reputación para los vendedores, pero ahora las evaluaciones van en ambos sentidos. Muchos de los intercambios en la economía colaborativa, incluyendo Uber (transporte), Airbnb (alojamiento) y Feastly (cocineros) utilizan sistemas de reputación bidireccionales. Es decir, el consumidor califica el conductor de Uber, pero a la vez el conductor de Uber califica el cliente. Sistemas duales de reputación pueden llegar a sostener una cantidad notable de intercambios incluso en ausencia de la ley o regulaciones. El mercado de bienes ilegales Silk Road, por ejemplo, sostuvo millones de dolares intercambiados a través de un sistema de reputación dual. En Silk Road era posible pagar por bienes a crédito o comprar bienes que se entregaban antes del pago. En cada caso, la honestidad se mantenía a través de la reputación incluso sin recursos legales a los que acudir en caso de incumplimiento de contrato. [4] Por lo tanto, en estos casos la reputación mantuvo la cantidad, incluso cuando las teorías de la información asimétrica habrían predicho la naturaleza problemática del cualquier intercambio.

A partir de estos ejemplos, sin embargo, podemos ver uno de los principales problemas de la nueva economía de la información, es decir, la fata de privacidad. Por ejemplo, en el caso de los coches, es fácil  hacer un seguimiento de a donde va el conductor, cuanto tiempo permanece allí y tal vez cuál era su estado de ánimo durante en el trayecto. Nuestros teléfonos móviles rastrean nuestros movimientos personales, al igual que Facebook. Más generalmente, la información online da una imagen bastante completa de quienes somos, quienes son nuestros amigos, qué hacemos, y muchos puntos de vista e inclinaciones personales, incluyendo previas infracciones y defectos en nuestra personalidad. De ninguna forma todo esto es malo ya que en gran parte podemos proyectar una imagen hacia el mundo, y encajar mejor con los amigos, parejas y trabajos. Sin embargo, de ninguna forma todo el mundo siente que los límites de la privacidad se encuentran en el lugar correcto y nuestro mundo puede ser uno donde las segundas oportunidades sean más difíciles de conseguir.

Si usted tiene antecedentes penales, o se ha comportado mal en un pasado, es difícil de crear una nueva identidad social cuando hay tanta información accesible online. Es  concebible que esto pueda significar pocas posibilidades de recuperarse de errores. En teoría, los agentes racionales siempre pueden descontar información de baja calidad, pero muchas personas no son Bayesianas. Es revelador, que el sistema legal a menudo impide a jurados de escuchar información relevante sobre ambos criminales y defensa. En un mundo Bayesiano esto no tendría sentido, pero si la gente sobrereacciona a ciertos tipos de información, menos información puede resultar en mejores decisiones.

Los retornos privados de la información también pueden diferir. Cada empleador puede encontrar barato el discriminar contra potenciales trabajadores con un historial de arrestos, pero cuando todos los empleadores discriminan de esta forma, una gran clase de personas pueden tener dificultades para encontrar un empleo y a su vez puede incrementar la reincidencia.

Incluso para personas que no han hecho nada malo habrá una mayor aversión al riesgo ex ante. Todos vamos a trabajar demasiado duro para evitar hacer algo malo. Si no hay segundas oportunidades entonces pensar dos veces se vuelve cada vez más importante. Tal vez no deberíamos enviar ese tweet, escribir esa entrada del blog o contribuir a Cato Unbound! Incluso si no hay repercusiones hoy, no podemos saber cómo el futuro va a juzgar nuestro pasado.

Incluso cuando se permite una privacidad “opt-out”, sigue habiendo un problema. Aquellos individuos que desean mantener mayor privacidad tienen que abandonar los beneficios de la tecnología moderna y volver al más costoso mundo de la asimetría informativa.  Todos podemos pensar que esos trade-off valen la pena, “todo considerado” y aún ver problemas a como parte de estos trade-off se desarrollan.

Es posible que los avances en criptografía puedan crear mecanismos de reputación que son compatibles con la demanda de privacidad. Uno de los descubrimientos más notables de la informática y investigación en criptografía, por ejemplo ha sido que la reputación es compatible con la anonimidad y se puede aprovechar en los mercados con diferentes seudónimos (Camenisch & Lysyanskaya 2001, Androulaki et. al. 2008). Usted puede comprar y vender en Ebay, por ejemplo, sin tener un nombre públicamente conocido y aún así obtener los beneficios de la moderna economía de la reputación. Una conjunto frontera de problemas es como será la demanda para estos sistemas y en qué medida estos mecanismos pueden extenderse. Por el momento esto sigue siendo una cuestión abierta.

Problemas Principal-Agente

Este tipo de problemas tienen una estructura común, a saber, que el principal contrata a agentes para producir. La producción es una función de las acciones de los agentes y también ruido. Los agentes conocen sus acciones pero los principales no, y por lo tanto los principales deben inferir las acciones de los agentes a partir de la producción y la estructura del ruido. La teoría del diseño de incentivos nos da lecciones de cómo los principales pueden inferir de forma óptima las acciones de los agentes y cómo las recompensas deben ser estructuradas para navegar de la mejor forma por los trade-off entre poner demasiado o demasiado poco riesgo en los agentes (Prendergast 1999).

Una sencilla solución al problema principal-agente es reducir la asimetría informativa de forma que los principales observen las acciones de los agentes mejor. Considere la empresa de entrega de paquetes UPS. UPS supervisa el rendimiento mecánico de todos sus camiones y su localización, velocidad, y comportamiento en la frenada. UPS también sabe cada vez que un camión arranca o se detiene, cuando se abre y se cierra una puerta y si un conductor lleva o no cinturón de seguridad, entre otra información. UPS utiliza esa información para optimizar líneas de producción. El número de paradas y arranques requeridos para entregar el paquete se minimizan. Las rutas se adaptan a los vehículos que obtienen mejor kilometraje a las velocidades que las rutas requieren, etc. Las acciones del conductor en las mismas rutas también se comparan para asegurarse de que los conductores se comportan con la máxima eficiencia. [5] UPS estima que ahorrar un minuto por día por trabajador incremente los beneficios en 14.5 millones de dólares a lo largo de un año. [6] Como resultado de su tecnología, UPS, el principal, sabe más sobre las acciones de los agentes que ellos mismos. Esto es una inversión de la teoría principal-agente, y este estado de las cosas es característico de la nueva revolución de la información.

Incluso información simple puede ser usada para superar muchos problemas principal-agente, incluso en entornos tecnológicos menos avanzados. Una muestra aleatoria de profesores en India encontró que un cuarto están ausentes en cualquier día determinado (Kremer et al. 2005). En un experimento de campo, Duflo, Hanna y Ryan (2012) mostraron que requerir a los profesores tomar una foto al principio y al final de cada día mostrándose ellos y sus alumnos redujo las tasas de absentismo en más de un 50%, resultando en mejoras significativas en el aprendizaje y logro de los niños. Sistemas de este tipo son tan baratos que están siendo trasladados de experimentos de campo a la práctica. En 2014, India introdujo un sistema que registra los tiempos de entrada y salida de funcionarios. El sistema utiliza escáneres de huellas digitales baratos para evitar el engaño y toda la información está disponible públicamente en tiempo real a http://attendance.gov.in/. Actualmente, más de 80.000 funcionarios de Nueva Delhi están registrados y otros 35.000 están registrados por un sistema similar en el estado de Jharkhand (http://attendance.jharkhand.gov.in/). El sistema sólo registra el tiempo de entrada y salida, pero la ausencia laboral es probablemente el problema principal-agente más importante en este contexto.

Los funcionarios en los EE.UU también están siendo objeto de mayor vigilancia, más notablemente los agentes de policía. Las inconsistencias entre informes policiales y el posterior descubrimiento de grabaciones de un teléfono móvil indica que muchas veces la policía se comporta peor de lo que informan. Muchas localidades ahora están debatiendo sobre la posibilidad de exigir a la policía llevar cámaras corporales. Un ensayo aleatorio controlado encontró que después de que las cámaras corporales se pusieran en marcha, los informes sobre el uso de la fuerza se se redujeron más de la mitad al igual que el número de quejas contra los oficiales de policía (Ariel, Farrar, Sutherland 2014).

Muchos problemas de “public choice” son realmente problemas de información asimétrica. En el modelo de la burocracia de William Niskanen (1974), los funcionarios normalmente se benefician de grandes agencias y son capaces de expandirlas a tamaños ineficientes porque son los principales proveedores de información a los políticos. Algunas agencias, como la NSA y la CIA aún pueden utilizar el secretismo para beneficiarse de la información asimétrica. Por ejemplo, pueden decirle a un político que necesitan mayores recursos para prevenir amenazas y es difícil oír respuestas bien informadas del otro bando.  La información precisa y rápidamente obtenida sobre la mayoría de otras burocracias, sin embargo, es fácilmente accesible a los políticos y cada vez más para el público. A medida que la información se vuelve más simétrica, el modelo de Niskanen (1974) aplica menos y esto puede ayudar a controlar el crecimiento la burocracia innecesaria.

Los sensores baratos están enormemente extendiendo cuanta información puede ser económicamente recopilada y analizada. No es raro que se registre cada pulsación de tecla de los trabajadores de oficina. Cuando uno llama al servicio de atención, ¿A quién no se le ha dicho “esta llamada puede ser monitorizada para fines de control de calidad?” A los  trabajadores de soporte técnico se les rastrea su localización a través de sus teléfonos móviles. Incluso, la información que se pensaba que era puramente subjetiva ahora puede ser recogida y analizada, a menudo con la ayuda de software inteligente o inteligencia artificial. Una empresa, por ejemplo, usa placas equipadas con micrófonos, acelerómetros y sensores de localización para medir el tono de la voz, postura y lenguaje corporal, así como con quién hablaron y por cuánto tiempo (Lohr 2014). El propósito no es sólo de monitorizar a los trabajadores sino también averiguar cuándo, dónde y por qué los trabajadores son más productivos. Estamos, otra vez, viendo trade-offs que traen mayor productividad y limitan la información asimétrica, aunque a costa de algo de privacidad.

Según la información se vuelve más frecuente y simétrica, las soluciones originales a problemas asimétricos serán menos necesarias. Cuando los empleadores no pueden observar fácilmente a los trabajadores, por ejemplo, los empleadores pueden llegar a pagar a los trabajadores salarios inusualmente altos, generando rentas. Los trabajadores entonces trabajan a niveles elevados a pesar de la observación poco frecuente por parte del empleador, para mantener sus rentas futuras (Shapiro and Stiglitz 1984). Pero estos altos salarios implican un coste, es decir, que un menor número de trabajadores serán contratados y los contratos que se hicieron normalmente van dirigidos a candidatos conocidos por la empresa. Un mejor seguimiento de los trabajadores significará que los empleadores van a contratar más personas y, además, pueden estar más predispuestos a correr riesgos con desconocidos, en vez de candidatos que vienen con pedigrí impecable. Si el desconocido no trabaja y no produce a un nivel aceptable, es fácil darse cuenta y posteriormente despedirle.

Sistemas de Fideicomiso, Agentes Artificiales y Memoria Maleable

Cuando dos partes no confían una en la otra, pueden ser reacios a intercambiar si la información sobre la calidad de la mercancía o el pago no pueden ser fácilmente observados. Un sistema de fideicomiso incrementa el comercio introduciendo un tercero de confianza. Los comerciantes  ponen la mercancía y el pago en manos del tercero que hace la transferencia si y sólo si las mercancías y  recursos satisfacen las condiciones de ambos comerciantes.

Los propios Terceros de confianza pueden ser difíciles de encontrar o ser caros. Es posible, sin embargo, crear terceras partes de confianza en software. Utilizando un sistema basado en blockchain de dinero descentralizado, por ejemplo, se pueden crear contratos que se ejecutan solo cuando ciertas condiciones se cumplen; por ejemplo si el S&P 500 seincrementa un 5% o más en un día en el que el Nikkei baja un 5% o más. Es más, este tipo de contractos de confianza pueden ser creados sin que ninguna de las partes conozca la identidad de la parte correspondiente.

Los comerciantes, a veces, son reacios a comerciar porque incluso pujar o preguntar puede revelar información que el comerciante no quiere que se revele. Los sistemas de fidecomiso utilizando software pueden solucionar muchos de estos problemas. Un sencillo pero revelador ejemplo es expresar interés en salir con otra persona. Revelar interés puede ser incómodo, especialmente cuando puede que no sea correspondido. Aplicaciones de móvil como Tinder permiten a los usuarios expresar interés en otros usuarios, pero a los usuarios no se les permite contactar sin que ambos expresen interés el uno por el otro. En este caso, la doble coincidencia de voluntades no es el problema, sino una característica. La utilidad de la aplicación Tinder en superar el problema de la información asimétrica se ve reflejado en su base de 50 millones de usuarios, que en conjunto hacen millones de conexiones al año (Bilton 2014).

La evolución de la inteligencia artificial sugiere que aún hay más vías de superar las asimetrías informativas. Arro (1936) sostiene que hay un problema con en mercado para la información y es que es difícil para el comprador conocer el valor de la información sin conocer la información en sí. Una vez la información es conocida, sin embargo, el potencial comprador ya no necesita comprarla. [7]

Un sistema de fideicomiso de tercera parte puede solucionar este problema si y solo si la tercera parte juzga que el comprador valoraría la información por encima del precio si el comprador conociera la información. Dos problemas con el fideicomiso de tercera parte son, primero, que se debe confiar en que el tercero no vaya a utilizar la información adquirida para sus propios fines, y el segundo que el tercero debe ser de confianza para representar al comprador cuando juzga si el comprador valoraría la información a su precio. Ambos problemas se pueden solucionar haciendo que el tercero sea una inteligencia artificial.

Una inteligencia artificial puede ser entrenada para evaluar información en nombre del comprador (o vendedor). Se han señalado algunos sistemas así, como el sistema de bitcoin que hace un intercambio financiero solo cuando ciertas condiciones se cumplen. En este caso, la inteligencia artificial solo necesita consultar información pública. Sin embargo, mucho más es posible a medida que los sistemas de I.A. aumentan en potencia. En una compra potencial, el sistema de I.A. de un comprador puede que se le de acceso a los informes financieros internos de una corporación. A continuación, informaría al comprador si la corporación era una buena compra al precio propuesto, y si fuera necesario la memoria de la I.A. podría ser borrada. De esta forma, la I.A. solo informaría de un si o no, facilitando la transacción pero manteniendo la información básica confidencial.

Conclusiones

Mucha teoría económica sobre la información asimétrica, aunque lógicamente correcta, ha quedado empíricamente obsoleta. No estamos sugiriendo que este nuevo mundo es perfecto en todos los sentidos, y de hecho la privacidad es una de las mayores preocupaciones. Aún así, superar muchas asimetrías informativas llevará a mayor facilidad para comerciar, mayor productividad, y mejores asignaciones de personas a puestos de trabajo y entre ellas mismas.

Estos cambios también arrojan nueva luz sobre los costes de un sistema político que produce muchas nuevas regulaciones pero deroga muy pocas de las viejas. El aparato regulatorio Americano está cada vez más obsoleto. Está orientado a problemas que alcanzaron su cúspide en la generación pasada o incluso antes. Deberíamos revisitar el tema de la reforma regulatoria, con énfasis hacia hacer que más regulaciones sean temporales, o tener provisiones automáticas de extinción, a menos que sean conscientemente e intencionalmente renovadas por razones de su continua utilidad.

Notas


[1] Adicionalmente, las leyes estales de los limones generalmente requieren que el consumidor tiene derecho a reembolso o reemplazo de un “limón,” definido como un coche que no ha sido reparado dentro de un número razonable de intentos. Los coches que han sido denominados limones bajo la ley, son registrados.

[2] El sitio web de Tesla, PRIVACY, PATENTS, LEGAL, AND INFORMATION SECURITY, http://www.teslamotors.com/legal, accessed November 10, 2014.

[3] La información que Tesla y otras compañías de automóviles recopila es actualmente de fácil acceso a Tesla y mecánicos autorizados. Una propuesta de ley en California, The Consumer Car Information and Choice Act (http://leginfo.legislature.ca.gov/faces/billNavClient.xhtml?bill_id=201320140SB994), daría a los consumidores el derecho de acceder fácilmente a todos los datos recopilados por los fabricantes de autonómicos de forma que también podría ser mandada a terceros.

[4] El Silk Road original fue cerrado por el FBI pero rápidamente resurgió como Silk Road II que también ha sido posteriormente cerrado. Silk Road 3.0 probablemente estará operacional pronto.

[6] Goldstein, J. 2014. To Increase Productivity, UPS Monitors Drivers’ Every Move. NPR.org. Retrieved November 11, 2014, from http://www.npr.org/blogs/money/2014/04/17/303770907/to-increase-producti…

[7] Las patentes son un intento de superar este problema. Si se patenta cierta información no todo el mundo que la conoce la puede utilizar como quieran. Los acuerdos de no divulgación tiene una propósito similar para información no patentada. Sin embargo, no toda la información se puede patentar y los acuerdos de no divulgación se filtran y frecuentemente son difíciles de hacer cumplir.

 

Referencias

Androulaki, E., Choi, S. G., Bellovin, S. M., & Malkin, T. 2008. Reputation Systems for Anonymous Networks. In N. Borisov & I. Goldberg (Eds.), Privacy Enhancing Technologies, Lecture Notes in Computer Science (pp. 202–218). Springer Berlin Heidelberg. Retrieved from http://link.springer.com/chapter/10.1007/978-3-540-70630-4_13

Ariel, B., Farrar, W. A., & Sutherland, A. 2014. The Effect of Police Body-Worn Cameras on Use of Force and Citizens’ Complaints Against the Police: A Randomized Controlled Trial. Journal of Quantitative Criminology, 1–27.

Bilton, N. 2014, October 29. Tinder, the Fast-Growing Dating App, Taps an Age-Old Truth – NYTimes.com. Retrieved January 16, 2015, from http://www.nytimes.com/2014/10/30/fashion/tinder-the-fast-growing-dating…

Camenisch, J., & Lysyanskaya, A. 2001. An Efficient System for Non-transferable Anonymous Credentials with Optional Anonymity Revocation. In B. Pfitzmann (Ed.), Advances in Cryptology — EUROCRYPT 2001, Lecture Notes in Computer Science (pp. 93–118). Springer Berlin Heidelberg. Retrieved from http://link.springer.com/chapter/10.1007/3-540-44987-6_7

Cawley, J., & Philipson, T. 1999. An Empirical Examination of Information Barriers to Trade in Insurance. The American Economic Review, 89(4): 827–846. Retrieved from http://www.jstor.org/stable/117161

Duflo, E., Hanna, R., & Ryan, S. P. 2012. Incentives Work: Getting Teachers to Come to School. American Economic Review, 102(4): 1241–78.

Goldstein, J. 2014. To Increase Productivity, UPS Monitors Drivers’ Every Move. NPR.org. Retrieved November 11, 2014, from http://www.npr.org/blogs/money/2014/04/17/303770907/to-increase-producti…

Kremer, M., Chaudhury, N., Rogers, F. H., Muralidharan, K., & Hammer, J. 2005. Teacher Absence in India: A Snapshot. Journal of the European Economic Association, 3(2-3): 658–667.

Lifsher, M. 2014, March 18. Bill would give auto owners more control over vehicle data. Los Angeles Times. Retrieved from http://www.latimes.com/business/la-fi-connected-cars-bill-20140319-story…

Lohr, S. 2014, June 21. Workplace Surveillance Sees Good and Bad. The New York Times. Retrieved from http://www.nytimes.com/2014/06/22/technology/workplace-surveillance-sees…

Manna, J. 2014, June 21. What Every Driver Needs to Know about Progressive Snapshot. Joe Manna. Retrieved January 10, 2015, from https://blog.joemanna.com/progressive-snapshot-review/

Niskanen, W. A. 1974. Bureaucracy and Representative Government. Transaction Publishers.

Prendergast, C. 1999. The Provision of Incentives in Firms. Journal of Economic Literature, 37(1): 7–63. Retrieved from http://www.jstor.org/stable/2564725

Shapiro, C., & Stiglitz, J. E. 1984. Equilibrium Unemployment as a Worker Discipline Device. The American Economic Review, 74(3): 433–444. Retrieved from http://www.jstor.org/stable/1804018

Tabarrok, A. 1994. Genetic Testing: An Economic and Contractarian Analysis. Journal of Health Economics 13:75-91. http://www.sciencedirect.com/science/article/pii/0167629694900051 

Anuncios

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s