Mejorar la orientación regulatoria: el ejemplo de OSHA
Muchas agencias gubernamentales con poder de ejecución enfrentan un problema común: solo tienen los recursos para visitar o auditar una pequeña fracción de las posibilidades, por lo que necesitan elegir sus objetivos. ¿Cómo deberían tomar esa decisión?
Considere la Administración de Salud y Seguridad Ocupacional, que es responsable de monitorear y aprobar reglas sobre seguridad en el lugar de trabajo. OSHA tiene jurisdicción sobre aproximadamente 8 millones de lugares de trabajo, pero (en cooperación con agencias a nivel estatal) tiene recursos para visitar menos del 1% de ese número. ¿Cómo elegir cuáles? Matthew S. Johnson, David I. Levine y Michael W. Toffel analizan su investigación sobre este tema en “Making Workplaces Safer Through Machine Learning” (Regulatory Review, Penn Program on Regulation, 26 de febrero de 2024; para el artículo de investigación subyacente, ver «Mejora de la eficacia regulatoria mediante una mejor focalización: evidencia de OSHA» publicado en el Revista económica estadounidense: economía aplicada, octubre de 2023, 15:4, págs. 107-1 30-67; para obtener una versión preimpresa sin comprimir, consulte aquí).
Una idea es que es útil para fines regulatorios si el proceso de inspección tiene un grado de aleatoriedad, porque entonces las empresas necesitan estar un poco alerta. Resulta que el programa de inspección más grande de OSHA a partir de procesos aleatorios de OSHA también permite a los investigadores observar los registros de seguridad en el lugar de trabajo después de una inspección de OSHA de 1999 a 2014 que se llamó Orientación específica del sitio. La idea era desarrollar una lista de empresas que tenían las tasas de lesiones más altas hace dos años y seleccionar aleatoriamente un grupo de ellas para las visitas. Entonces es posible comparar las consecuencias de una visita regulatoria de OSHA para las empresas que (al azar) obtuvieron una con las empresas (recuerde, con tasas de lesiones altas similares) que no la obtuvieron. Los autores escriben: “Encontramos que las inspecciones de OSHA asignadas al azar redujeron las lesiones graves en los establecimientos inspeccionados en un promedio del 9 por ciento, lo que equivale a 2,4 menos
lesiones, durante el período posterior de cinco años. Cada inspección produce así un beneficio social
de aproximadamente $125,000, que es aproximadamente 35 veces el costo de OSHA de realizar una
inspección.»
¿Pero sería posible, manteniendo fijos los recursos limitados de OSHA, hacerlo mejor? Por ejemplo, ¿qué pasaría si en lugar de observar las tasas de lesiones de hace dos años, se observara la tasa promedio de lesiones de los cuatro años anteriores, para señalar a las empresas con tasas sostenidas más altas de lesiones en el lugar de trabajo? ¿Pero es posible hacerlo mejor? ¿Qué pasaría si usáramos un modelo de aprendizaje automático para predecir qué empresas tienen más probabilidades de sufrir más lesiones, o qué empresas podrían tener las mayores ganancias en seguridad, y nos centráramos en esas empresas? Los autores escriben:
Encontramos que OSHA podría haber evitado muchas más lesiones si hubiera dirigido las inspecciones utilizando cualquiera de estos criterios alternativos. Si OSHA hubiera asignado a los establecimientos con mayor número de lesiones históricas el mismo número de inspecciones que asignó en el programa SST, habría evitado 1,9 veces más lesiones que las que realmente logró el programa SST. Si, en cambio, OSHA hubiera asignado el mismo número de inspecciones a aquellos establecimientos con las mayores lesiones previstas o a aquellos con los mayores efectos estimados del tratamiento, habría evitado 2,1 o 2,2 veces más lesiones que el programa SST, respectivamente.
Algunas reflexiones aquí:
1) Me sorprendió que la simple regla de mirar hacia atrás cuatro años de tasas de lesiones, en lugar de simplemente mirar las tasas de lesiones de hace dos años, tuviera ganancias tan sustanciales. La razón es que las tasas de lesiones en un año determinado pueden oscilar mucho. Por ejemplo, imaginemos una empresa que tiene un episodio malo cada 20 años, pero rápidamente corrige la situación. En ese mal año, podría aparecer en la lista de alta prioridad de OSHA, pero la inspección de OSHA no servirá de mucho. Una empresa que está mal clasificada en cuanto a accidentes durante cuatro años tiene más probabilidades de tener un problema real.
2) Ir más allá de cambiar la regla de inspección con la simple manera de observar cuatro años de tasas de lesiones y utilizar un enfoque de aprendizaje automático más sofisticado y difícil de explicar solo tiene ganancias modestas. Podría ser que el análisis de aprendizaje automático sea útil para mostrar si es posible obtener grandes ganancias a través de una mejor orientación regulatoria y, de ser así, entonces los reguladores podrían querer encontrar una manera de obtener la mayoría de esas ganancias utilizando una regla simple que puedan explicar. en lugar de reglas de aprendizaje automático de caja negra que no pueden explicar fácilmente.
3) Una preocupación es que estos nuevos métodos de selección dejarían de lado el factor de aleatorización: las empresas podrían predecir que es más probable que reciban una visita de OSHA. No está claro que esto sea algo terrible: las empresas que tienen malos registros de seguridad en el lugar de trabajo durante un período de varios años deberían preocuparse por una visita de los reguladores. Pero puede ser prudente mantener un elemento aleatorio en quién es visitado.
Finalmente, me parece como si los reguladores, que siempre están bajo presión política, a veces ven su papel como similar al de hacer cumplir la ley: es decir, tienen un incentivo para demostrar que van tras aquellos que probablemente están equivocados. Pero como muestra este ejemplo de OSHA, perseguir a los empleadores que tuvieron un evento realmente malo en el lugar de trabajo hace dos años puede no generar una ganancia tan grande en seguridad en el lugar de trabajo como perseguir a los empleadores que tienen peores antecedentes durante un tiempo sostenido.
El año pasado escribí sobre un problema similar que surge en las auditorías del IRS. Resulta que cuando el IRS decide a quién auditar, le da mucha importancia a si será fácil probar las irregularidades. Por lo tanto, tiende a realizar muchas auditorías de las personas de bajos ingresos que reciben el Crédito Tributario por Ingreso del Trabajo, donde las computadoras muestran que debería ser sencillo probar las irregularidades. Pero, por supuesto, no se puede ganar mucho dinero auditando a las personas con bajos ingresos. Considere la situación en la que el IRS audita a 10 personas que tuvieron ingresos superiores a 10 millones de dólares el año pasado. Quizás nueve de esas auditorías no encuentren nada malo, pero la décima da como resultado la recaudación de 500.000 dólares adicionales. Si los auditores del IRS se centran en una alta tasa de condenas, toman una decisión; si se centran en una estrategia que genere la mayor cantidad de ingresos, perseguirán peces más grandes.
¡Lo que quiero decir no es que la elección de las prioridades regulatorias deba dejarse en manos del aprendizaje automático! Más bien, el punto es que las herramientas de aprendizaje automático pueden ayudar a evaluar si las reglas existentes se están estableciendo apropiadamente y qué tan bien funcionan esas reglas en relación con las alternativas.
8 millones, visita
Entonces, ¿cómo eliges? ¿Podría una forma alternativa de elegir tener mayores beneficios?