¿Una medida objetiva de corrupción?

Image credit: Pexels

La corrupción es un problema, no solo porque degrada y perjudica la calidad institucional de un país, sino por su dificultad de ser observada: es un fenómeno que ocurre en la clandestinidad, lejos de la luz pública, y no hay registro que nos permita detectarla con precisión. Para tratarla de un modo analítico y empírico, es preciso inferir su presencia en base a datos que nos puedan indicar de alguna manera la existencia del fenómeno. Las medidas de corrupción más utilizadas en los últimos años han confiado en indicadores subjetivos para detectarla mediante preguntas a la población o a expertos. Se argumentaba que, delante de los problemas de fiabilidad de las medidas objetivas, la percepción de la corrupción podría ser una medida más fiable de capturar el fenómeno. Sin embargo, unos investigadores han desarrollado recientemente un índice que mide la corrupción a través de datos procedentes de fuentes documentales. Este apunte repasa desde un punto de vista histórico las diferentes medidas de corrupción y argumenta que, aunque todos los indicadores tienen sus limitaciones, el nuevo índice elaborado a partir de fuentes objetivas ayuda a complementar los otros índices subjetivos existentes.

library(readr)
library(stringr)
library(ggplot2)
library(dplyr)
library(tidyr)
library(gridExtra)
library(sf)

Índices de corrupción

Los primeros indicadores de corrupción aparecieron en Estados Unidos durante los años 90 y medían el concepto a partir de la cantidad de casos de corrupción investigados. En seguida se detectaron sus limitaciones: La corrupción investigada en un territorio puede obedecer a otras cuestiones que no tengan nada que ver con la corrupción real: puede ser debido a una mayor eficiencia de los tribunales y fiscales en el territorio en cuestión o incluso debido a una intencionalidad política concreta.

Delante de los problemas de fiabilidad asociados a la observación directa, los estudios de corrupción han recurrido a medidas subjetivas como opiniones de la ciudadanía, de empresarios y de expertos para medirla. Se piensa que en lugares con una percepción más alta de la corrupción habrá en efecto una mayor presencia del fenómeno. Las tres medidas más populares, el indicador de corrupción del European Quality of Government Index (EQGI) de la Universidad de Goteburgo [@charron2019], el Índice de Percepción de Corrupción (IPC) de Transparencia Internacional (Transparency Internacional, 2020) y el indicador de control de corrupción de World Governance Indicators (WGI) del Banco Mundial [@kaufmann2009], se basan en percepciones para calcular la corrupción. El uso de las percepciones, como es obvio, también tienen sus inconvenientes: lo que consideramos corrupción varía según nuestra cultura (el mismo hecho puede parecer corrupción a un sueco pero no a un italiano), podemos ser más indulgentes con la corrupción si ha sido cometida por partidos afines a nuestra ideología (no la veremos tan preocupante si la cometen políticos de nuestro partido) y también podemos percibir más o menos corrupción según nuestra exposición a los medios de comunicación y a los casos destapados recientemente (aunque la corrupción se haya producido años atrás, percibiremos que la corrupción es alta en el momento que sale por las noticias).

El índice CRI

En un intento de ofrecer otra perspectiva en el análisis de la corrupción, los investigadores Fazekas y Kocsis [@fazekas2020] han desarrollado recientemente el Corruption Risk Index (CRI), un índice que mide la corrupción a través de datos procedentes de fuentes documentales. Es decir, en lugar de medidas subjetivas, utilizan medidas objetivas a través de la explotación de datos del Tenders Electronic Daily (TED), el diario europeo de contratación pública. A partir de su base de datos, los investigadores han desarrollado indicadores del riesgo de corrupción como la restricción injustificada a otros competidores o la existencia de un solo licitador en el concurso público.

En la siguiente Figura 1 hemos comparado a nivel de regiones europeas (NUTS2) el indicador subjetivo de corrupción EQGI y el indicador objetivo CRI. Hemos indicado en rojo las Comunidades Autónomas españolas y, en azul, Catalunya.

download.file("http://digiwhist.eu/wp-content/uploads/documents/fazekas_nuts2_ppcorr_151015.csv.zip", "corruption_risk.zip")
unzip("corruption_risk.zip")
corisk <- read_csv("fazekas_nuts2_ppcorr_151015.csv")

corisk$nuts <- str_replace(corisk$nuts, "ITD1", "ITH1")
corisk$nuts <- str_replace(corisk$nuts, "ITD2", "ITH2")
corisk$nuts <- str_replace(corisk$nuts, "ITD3", "ITH3")
corisk$nuts <- str_replace(corisk$nuts, "ITD4", "ITH4")
corisk$nuts <- str_replace(corisk$nuts, "ITD5", "ITH5")
corisk$nuts <- str_replace(corisk$nuts, "ITE1", "ITI1")
corisk$nuts <- str_replace(corisk$nuts, "ITE2", "ITI2")
corisk$nuts <- str_replace(corisk$nuts, "ITE3", "ITI3")
corisk$nuts <- str_replace(corisk$nuts, "ITE4", "ITI4")
corisk$nuts <- str_replace(corisk$nuts, "HR01", "HR04")
corisk$nuts <- str_replace(corisk$nuts, "HR02", "HR04")
corisk$nuts <- str_replace(corisk$nuts, "HU1", "HU10")
corisk$nuts <- str_replace(corisk$nuts, "GR3", "EL30")

corisk2 <- corisk[rep(112:113, c(2,2)),]
corisk <- rbind(corisk, corisk2)
corisk$nuts[which(corisk$nuts == "HU2")[1]] <- "HU21"
corisk$nuts[which(corisk$nuts == "HU2")[1]] <- "HU22"
corisk$nuts[which(corisk$nuts == "HU2")[1]] <- "HU23"
corisk$nuts[which(corisk$nuts == "HU3")[1]] <- "HU31"
corisk$nuts[which(corisk$nuts == "HU3")[1]] <- "HU32"
corisk$nuts[which(corisk$nuts == "HU3")[1]] <- "HU33"
  
corisk3 <- corisk[rep(which(corisk$nuts == "GR1"), c(3)),]
corisk <- rbind(corisk, corisk3)
corisk$nuts[which(corisk$nuts == "GR1")[1]] <- "EL11"
corisk$nuts[which(corisk$nuts == "GR1")[1]] <- "EL12"
corisk$nuts[which(corisk$nuts == "GR1")[1]] <- "EL13"
corisk$nuts[which(corisk$nuts == "GR1")[1]] <- "EL14"

corisk4 <- corisk[rep(which(corisk$nuts == "GR2"), c(4)),]
corisk <- rbind(corisk, corisk4)
corisk$nuts[which(corisk$nuts == "GR2")[1]] <- "EL21"
corisk$nuts[which(corisk$nuts == "GR2")[1]] <- "EL22"
corisk$nuts[which(corisk$nuts == "GR2")[1]] <- "EL23"
corisk$nuts[which(corisk$nuts == "GR2")[1]] <- "EL24"
corisk$nuts[which(corisk$nuts == "GR2")[1]] <- "EL25"

corisk5 <- corisk[rep(which(corisk$nuts == "GR4"), c(2)),]
corisk <- rbind(corisk, corisk5)
corisk$nuts[which(corisk$nuts == "GR4")[1]] <- "EL41"
corisk$nuts[which(corisk$nuts == "GR4")[1]] <- "EL42"
corisk$nuts[which(corisk$nuts == "GR4")[1]] <- "EL43"

rm(corisk2, corisk3, corisk4, corisk5)

# QoG EQI Data (Charron, N., V. Lapuente & P. Annoni)
eqi <- read_csv("https://www.qogdata.pol.gu.se/data/eqi_data_long17_v2.csv")
eqi <- filter(eqi, year == 2013)
eqi2 <- eqi[rep(which(eqi$nuts == "SI"), c(1)),]
eqi <- rbind(eqi, eqi2)
eqi$nuts[which(eqi$nuts == "SI")[1]] <- "SI01"
eqi$nuts[which(eqi$nuts == "SI")[1]] <- "SI02"

eqi$nuts <- str_replace(eqi$nuts, "CY", "CY00")
eqi$nuts <- str_replace(eqi$nuts, "MT", "MT00")
eqi$nuts <- str_replace(eqi$nuts, "LV", "LV00")
eqi$nuts <- str_replace(eqi$nuts, "LT", "LT00")
eqi$nuts <- str_replace(eqi$nuts, "LU", "LU00")
eqi$nuts <- str_replace(eqi$nuts, "EL3", "EL30")

eqi3 <- eqi[rep(which(eqi$nuts == "EL5"), c(3)),]
eqi <- rbind(eqi, eqi3)
eqi$nuts[which(eqi$nuts == "EL5")[1]] <- "EL11"
eqi$nuts[which(eqi$nuts == "EL5")[1]] <- "EL12"
eqi$nuts[which(eqi$nuts == "EL5")[1]] <- "EL13"
eqi$nuts[which(eqi$nuts == "EL5")[1]] <- "EL14"

eqi4 <- eqi[rep(which(eqi$nuts == "EL6"), c(4)),]
eqi <- rbind(eqi, eqi4)
eqi$nuts[which(eqi$nuts == "EL6")[1]] <- "EL21"
eqi$nuts[which(eqi$nuts == "EL6")[1]] <- "EL22"
eqi$nuts[which(eqi$nuts == "EL6")[1]] <- "EL23"
eqi$nuts[which(eqi$nuts == "EL6")[1]] <- "EL24"
eqi$nuts[which(eqi$nuts == "EL6")[1]] <- "EL25"

eqi5 <- eqi[rep(which(eqi$nuts == "EL4"), c(2)),]
eqi <- rbind(eqi, eqi5)
eqi$nuts[which(eqi$nuts == "EL4")[1]] <- "EL41"
eqi$nuts[which(eqi$nuts == "EL4")[1]] <- "EL42"
eqi$nuts[which(eqi$nuts == "EL4")[1]] <- "EL43"

rm(eqi2, eqi3, eqi4, eqi5)

# Merge eqi and corisk, year 2013
eqi_risk <- eqi %>%
  filter(year == 2013) %>%
  full_join(corisk) %>%
  select(nuts, name, zcorruption, cri_neu)

# Downloading maps
euromap0_10 <- eurostat::get_eurostat_geospatial(nuts_level = 0, year = 2010)
euromap1_10 <- eurostat::get_eurostat_geospatial(nuts_level = 1, year = 2010)
euromap2_10 <- eurostat::get_eurostat_geospatial(nuts_level = 2, year = 2010)

euron1 <- euromap1_10 %>%
  inner_join(eqi_risk, by = c("geo" = "nuts"))

euron2 <- euromap2_10 %>%
  inner_join(eqi_risk, by = c("geo" = "nuts"))

euron <- euron1 %>%
  rbind(euron2) %>%
  filter(!is.na(zcorruption) & !is.na(cri_neu)) %>%
  mutate(zcri_neu = (mean(cri_neu) - cri_neu) / sd(cri_neu),
         diff = zcorruption - zcri_neu)

#Correlation
cor <- paste("Coef. correlación:", round(cor(euron$zcri_neu, euron$zcorruption), 3))

euron %>%
  ggplot(aes(x = zcri_neu, y = zcorruption)) +
  geom_smooth(method = "lm", col= "blue", se = FALSE) +
  geom_text(aes(label = NUTS_ID), col = "grey40") +
  geom_text(data = filter(euron, CNTR_CODE == "ES"), aes(label = id), col = "red") +
  geom_text(data = filter(euron, NUTS_ID == "ES51"), aes(label = id), col = "blue") +
  geom_text(data = data.frame(cor), x = 1.5, y = -2.5, label = cor) +
  labs(x = "Medida objetiva (CRI)", y = "Medida subjetiva (EQGI)") +
  theme_light()
Correlación entre corrupción objetiva y subjetiva

Figure 1: Correlación entre corrupción objetiva y subjetiva

Observamos que la correlación entre las dos medidas de corrupción es bastante alta (0.616). Podemos deducir, por tanto, que las dos medidas parecen capturar aspectos o dimensiones de la misma realidad empírica, que es la corrupción. El CRI también tiene sus limitaciones, como por ejemplo que mide el riesgo de corrupción, no la corrupción en si misma, o que mide más bien la ‘alta corrupción’ (a gran escala) en lugar de la corrupción en general, donde la mayor cantidad de casos ocurrirá a pequeña escala.

En la Figura 2, observamos en tres mapas de Europa la corrupción medida objetiva y subjetivamente por regiones NUTS2. En los dos primeros mapas, observamos que existen similitudes geográficas en la medición de la corrupción. Hay más corrupción subjetiva y objetiva en el este de Europa y en el sur. Si observamos las diferencas entre corrupción subjetiva y objetiva en el tercer mapa, podemos comprobar como no aparece a simple vista ningún sesgo geográfico claro: no hay ninguna zona geográfica clara (quizás solo en el sur de Italia) donde la la corrupción objetiva es más intensa que la objetiva.

g1 <- ggplot(data = euromap0_10) +
  geom_sf(fill = "antiquewhite1", col = "grey30") +
  scale_fill_gradient(low = "grey40", high = "darkslategray1",
                      trans = "pseudo_log") +
  geom_sf(data = euron, aes(fill = zcri_neu)) +
  coord_sf(xlim = c(-13, 35), ylim = c(33, 72), expand = FALSE) +
  labs(title = "Corrupción objetiva (CRI)",
       fill = NULL) +
  theme(legend.position = "bottom")

g2 <- ggplot(data = euromap0_10) +
  geom_sf(fill = "antiquewhite1", col = "grey30") +
  scale_fill_gradient(low = "grey40", high = "aquamarine",
                      trans = "pseudo_log") +
  geom_sf(data = euron, aes(fill = zcorruption)) +
  coord_sf(xlim = c(-13, 35), ylim = c(33, 72), expand = FALSE) +
  labs(title = "Corrupción subjetiva (EQGI)",
       fill = NULL) + 
  theme(legend.position = "bottom")

g3 <- ggplot(data = euromap0_10) +
  geom_sf(fill = "antiquewhite1", col = "grey30") +
  geom_sf(data = euron, aes(fill = diff)) +
  scale_fill_distiller(palette = "PuOr") +
  coord_sf(xlim = c(-13, 35), ylim = c(33, 72), expand = FALSE) +
  labs(title = "Diferencia Subjetiva/Objetiva",
       fill = NULL) +
  theme(legend.position = "bottom")

# Ajuntar amb gridExtra, mirar Patchwork com a alternativa
grid.arrange(g1, g2, g3, nrow = 1)
La correlación en europa

Figure 2: La correlación en europa

En conclusión, debemos entender la medida objetiva como complementaria a las medidas subjetivas existentes, que nos ayuda a avanzar en la captura de un fenómeno que presenta grandes dificultades para ser analizado con precisión. En una observación geoespacial, observamos como las dos medidas se distribuyen de modo más o menos similar en Europa: hay más corrupción subjetiva y objetiva en el este de Europa y en el sur y menos en los otros territorios del continente.

Jordi Mas
Jordi Mas
Professor of International Politics

My research interests include political economy, international politics, regionalism, and methodology in social sciences.

Related