Crecimiento económico en los países de la OCDE 2: modelos macroeconométricos y factores de desarrollo en Europa, USA, Japón, México y otros países, 1960-2000

CRECIMIENTO ECONÓMICO EN LOS PAÍSES DE LA OCDE 2. MODELOS MACROECONOMÉTRICOS Y FACTORES DE DESARROLLO EN EUROPA, USA, JAPÓN, MÉXICO Y OTROS PAÍSES, 1960-2000 Coordinadora: María-Carmen Guisán Seijas Autoras: Mª Carmen Guisán Seijas Catedrática de Econometría Mª Teresa Cancelo Márquez Profesora Titular de Econometría Isabel Neira Gómez Profesora Titular de Econometría Eva Aguayo Lorenzo Profesora Contratada Doctora Pilar Expósito Díaz Profesora Contratada Doctora ESTUDIOS ECONOMICOS ASOCIACION HISPALINK-GALICIA Libro EE9 de la AHG. Edición impresa 2004 Edición electrónica 2022 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 2 Edita: Asociación Hispalink-Galicia Colabora: Euro-American Association of Economic Development Studies Imprime: Unidixital Diseño de portada: Mabel Aguayo Edición impresa: Año 2004 Depósito Legal C-936-04 ISBN 84-609-0886-0 Santiago de Compostela Impreso en España – Printed in Spain Edición electrónica: Año 2022 ISSN 2972-0738. Estudios Económicos (Asociación Hispalink-Galicia. Internet) Webs: https://www.usc.gal/economet/ebooks.htm https://www.usc.gal/economet/libros.htm https://www.usc.gal/economet/ahg8.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 3 Indice Prólogo Capitulo 1 Modelos de crecimiento y desarrollo económico Guisán, M.C. 1.1. Evolución histórica de los principales enfoques............................ 7 1.2. Modelos de oferta, demanda y mixtos........................................... 12 1.3. Evolución del PIB y principales factores de desarrollo................. 17 1.4. Referencias bibliográficas.............................................................. 26 Capítulo 2 Modelos del oferta y demanda del PIB Guisán, M.C. y Expósito, P. 2.1. Interdependencia y modelos multiecuacionales............................ 29 2.2. Modelos de la Agricultura en USA, Japón, Francia y España...... 38 2.3. Modelos de oferta y demanda del PIB de USA............................. 44 2.4. Referencias bibliográficas.............................................................. 55 Anexos: Datos de los modelos de demanda y oferta y matrices estimadas. Capítulo 3 Relaciones de causalidad entre el Consumo y el PIB Guisán, M.C. 3.1. Análisis de cointegración entre Consumo y PIB en 25 países....... 61 3.2. Contrastes de causalidad de Granger, Hausman y otros: Aplicación a datos de USA y México............................................ 74 3.3. Consumo Público y Privado en educación y sanidad.................... 79 3.4. Referencias bibliográficas.............................................................. 81 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 4 Capítulo 4 Industria y comercio exterior Guisán, M.C. y Cancelo, M.T. 4.1. Evolución de la industria y el comercio exterior en la OCDE ..... 83 4.2. Contrastes de especificación en modelos anidados y no anidados: Aplicación a la oferta y demanda de la industria manufacturera.... 85 4.3. Modelos de Comercio Exterior ..................................................... 99 4.4. Referencias bibliográficas..............................................................113 Anexo: Datos del los modelos de Comercio Exterior. Capítulo 5 Distribución espacial de la industria, la población, y el empleo Aguayo, E. y Guisán, M.C. 5.1 Modelos de Industria, turismo y desarrollo regional en Europa... 115 5.2.Modelos interregionales de empleo y población en la UE y USA. 123 5.3.Modelos de servicios públicos y privados en regiones de México. 136 5.4. Referencias bibliográficas..............................................................141 Capítulo 6 Función de producción: relación con el empleo, el salario, el capital humano y el capital físico Guisán, M.C. y Neira, I. 6.1. Evolución del empleo, los salarios y la productividad ............... 144 6.2. Estimación de la función de producción y modelos de empleo.... 148 6.3. Efectos directos e indirectos de la educación sobre el desarrollo. 154 6.4. Referencias bibliográficas..............................................................161 Anexo: Datos de PIBH, KAPH y PS2 en la OCDE, 1965 y 1990. Edición electrónica en: https://www.usc.gal/economet/ebooks.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 5 Prólogo a la edición electrónica de 2022 Como Directora de la serie de libros “Estudios Económicos” de la Asociación Hispalink-Galicia, Me es grato presentar la edición electrónica en el año 2022, que irá seguida, en el año 2023, por la edición del libro EE11 de “Economic Development and Quality of Life in the OECD 3”, que abarca el período 2001-2022, y se difunde en inglés con objeto de llegar a un mayor número de lectores interesados en el desarrollo internacional. Este libro EE8 (OCDE2) es una continuación del libro EE4 (OCDE1) de esta colección. Presenta un análisis muy amplio del crecimiento y el desarrollo económico de los países de la OCDE en el período 1960-2000. Incluye numerosas tablas de datos y gráficos comparativos de la evolución de los países de la OCDE y de la Economía Mundial e interesantes modelos econométricos con datos de panel de varios países de la OCDE. La versión electrónica del libro EE8 coincide en su mayor parte con la edición impresa del año 2004. Hemos completado el Anexo del Capítulo 2, incluyendo la tabla A2 con datos de variables del modelo de oferta de EEUU. También hemos añadido un gráfico al final del Capítulo 4 y un Anexo, con datos del modelo de Neira y Guisán, en el capítulo 6. Los libros EE11 (sobre el desarrollo económico de la OCDE en 1965- 2022) y EE12 (sobre el desarrollo mundial) son un complemento. Dedicamos una atención espacial a los efectos positivos de la educación sobre el desarrollo económico y al importante papel de la industria y el comercio exterior para impulsar el crecimiento del empleo y de la renta per cápita. Desde el punto de vista metodológico incluimos métodos de estimación de modelos multiecuacionales, análisis de causalidad y cointegración, y contrastes de especificación aplicados a la selección de modelos anidados y no anidados. El libro está orientado como ayuda en la preparación de trabajos de fin de Master y de Doctorado, y también puede tener interés para otros investigadores económicos interesados en esta temática, especialmente en los países de habla hispana. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 6 El capítulo 1 presenta una síntesis de teorías del crecimiento y el cuadro 1 con los principales enfoques internacionales de modelización econométrica del desarrollo y un panorama de la evolución macroeconómica de 25 países de la OCDE en 1964-1994, destacando el papel positivo de la educación. El Anexo de datos se ha ampliado en la edición electrónica de 2022, incluyendo también datos de las variables del modelo de oferta. El capítulo 2 presenta un modelo biecuacional de oferta y demanda de la Agricultura en 4 países de la OCDE, estimado por las autoras con datos del período 1967-1999 (España, Francia, Japón y Estados Unidos). También presenta la estimación de dos modelos macroeconométricos sencillos, para la economía norteamerican, uno de demanda y otro de oferta. Se presenta la estimación de los modelos con datos del periodo 1965-1998 y se compara la capacidad predictiva en el período 1999-2001. Ambos modelos proporcionan una buena capacidad predictiva ya que tanto el lado de la oferta como el de la demanda son importantes, si bien la bondad de las predicciones es superior con el modelo de oferta que tiene en cuenta el impacto de la industria y del comercio exterior. Los valores reales de las variables del modelo en el período 1964-2001 se incluyen en el Anexo 1. El capítulo 3 se dedica al análisis de las relaciones de cointegración entre el Consumo y el PIB. Se aplican varios contrastes a la relación entre ambas variables, con datos de 25 países de la OCDE en el período 1961-97 y se comparan los resultados con modelos en niveles, en primeras diferencias y en forma mixta (la variable explicada y su retardo en niveles y las variables explicativas en primeras diferencias). También se aplica el test de causalidad de Hausman, para analizar la interdependencia entre Consumo y PIB en México y Estados Unidos. Los resultados muestran un cierto grado de causalidad bilateral y un mayor impacto de la producción sobre el consumo que la relación en sentido contrario. Finalmente se hace referencia a un interesante modelo econométrico para el Gasto en Sanidad y Educación, público y privado, en 24 países de la OCDE en el año 1996. El capítulo 4 se dedica a la aplicación de contrastes de especificación de modelos anidados y no anidados, en la explicación de la Producción Manufacturera de 11 países de la OCDE en el período 1975-1990. Se analiza la capacidad predictiva: el modelo de oferta, el de demanda y un modelo combinado. El mejor resultado correspondió al modelo de oferta, seguido del modelo combinado. También presenta la estimación de 3 modelos para las Exportaciones reales de 11 países de la OCDE en el mismo período. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 7 El capítulo 5 se dedica a modelos econométricos interregionales que relacionan el empleo y la distribución regional de la población en Europa, Estados Unidos y México. El capítulo 6 incluye datos quinquenales de empleo, salario real y cociente salario/productividad en 25 países de la OCDE. Presenta estimación de 2 modelos econométricos con datos de panel: 1) Función de Producción con datos de panel de 7 países de la OCDE en el período 1964-76. 2) Modelos de capital humano de las autoras, que muestra los efectos positivos, directos e indirectos, de la educación sobre la producción real per cápita, en 19 países de la OCDE en el período 1965-1990. Las autoras de este libro son profesoras de la universidad de Santiago de Compostela (USC), tienen un amplio curriculum investigador y ocupan un lugar destacado en las bases Dialnet, Ideas.Repec, y otras, por el número de consultas de sus publicaciones. La Asociación Hispalink-Galicia (AHG), fue creada en 1997 como apoyo a la difusión de la investigación económica realizada por el Equipo de Econometría de la USC y colaboradores de varias universidades. En el año 2022 ha cumplido 25 años de existencia y lo ha celebrado impulsando la publicación electrónica de libros previamente publicados en pequeñas ediciones impresas y otros de nueva edición. Con pocos recursos económicos, y con un elevado grado de motivación, la AHG ha logrado un apoyo importante a sus objetivos de difusión de la investigación económica. La Asociación publica el Blog Hispalink-Galicia y colabora con la Euro- American Association of Economic Development Studies en 3 Blogs académicos de Economía española, latinoamericana y mundial, con enlaces desde la Web del Equipo de Econometría de la USC. Deseamos que la lectura del libro aporte conocimientos y sea de utilidad a los lectores interesados en el desarrollo económico internacional. Los libros EE11 y EE12, anunciados para publicación en el año 2023, actualizarán aplicaciones internacionales relacionadas con esta temática. Santiago de Compostela 1 de Julio de 2022 María-Carmen Guisán Coordinadora del libro Libros electrónicos de la AHG: https://www.usc.gal/economet/ebooks.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 8 CAPÍTULO 1 MODELOS DE CRECIMIENTO Y DESARROLLO ECONÓMICO María-Carmen GUISÁN * 1.1. Evolución histórica de los principales enfoques La economía mundial ha experimentado un incremento impresionante del PIB real durante el siglo XX, el cual se ha traducido en importantes crecimientos de la renta real per cápita en países con moderado crecimiento de la población. A pesar de ello subsisten muchos problemas en gran parte derivados de un crecimiento demográfico demasiado rápido en países con escaso nivel de desarrollo. Es preciso abordar con decisión la mejora de los princiaples factores que impulsan el desarrollo sobre todo en los países que padecen mayores niveles de pobreza, y por ello es importante analizar los fundamentos teóricos y los resultados de los modelos econométricos que tratan de explicar el crecimiento y el desarrollo. Síntesis de las teorías del crecimiento En un libro interesante el economista francés Arrous(1999) presenta una síntesis de las teorías del crecimiento que es muy meritorio dada la escasez de literatura económica reciente clarificadora de la evolución del pensamiento económico. Otros libros interesantes por su capacidad expositiva en estos temas son Barber(1971) y James(1974). Estos tres autores llegan a la conclusión de que es preciso recuperar una amplitud de pensamiento que se ha perdido por causa del exceso de análisis matemático de las teorías económicas, y hacen un llamamiento a la búsqueda de las verdaderas raíces de los problemas, teniendo en cuenta la historia económica, los factores institucionales y la amplia problemática que presentan las sociedades en desarrollo y que no puede reducirse a simples problemas de inflación o del tipo de interés de equilibrio. --- * María-Carmen Guisán, Presidenta de la Asociación Hispalink-Galicia, ha sido Catedrática de Econometría en 1987-2017 y Profesora Ad Honorem en 2017-2022. https://www.usc.gal/economet/guisan.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 15 El enfoque más generalizado, para aplicaciones de política económica, ha sido el de los modelos macroeconométricos de enfoque keynesiano, promovido por L.R. Klein y otros investigadores norteamericanos, que ha tenido una notable influencia sobre los modelos desarrollados para la mayor parte de los países industrializados, pertenecientes casi todos ellos a la OCDE, y en algunos países en vías de desarrollo. Se trata de un enfoque que pone el énfasis en el lado de la demanda. El enfoque neoclásico tiene un aspecto positivo que es la función de producción, en la que el incremento del capital físico, a través de la inversión, tiene un papel importante en la explicación del crecimiento, pero es un enfoque muy limitado para explicar los mecanismos de la inversión. Este enfoque considera que la moderación salarial es el principal mecanismo para fomentar la inversión y dinamizar el crecimiento pero la realidad no es así ya que son otros los mecanismos que dinamizan la inversión como veremos en el capítulo 6 de este libro. Son interesantes los enfoques de desequilibrio: 1) El modelo de Barro y Grossman combina un modelo keynesiano con un modelo neoclásico en el que el capital es el input primario más escaso. 2) El modelo de Sneesens y Drèze(1986) combina el enfoque keynesiano con un modelo de producción de enfoque Harrod-Domar que puede estar en dos regímenes: escasez de capital o escasez de trabajo. 3) El modelo de desequilibrio de Guisán(1980) y (1983) combina el modelo keynesiano, el modelo neoclásico en función del capital disponible, como en el modelo de Barro y Grossman, y añade una función de inputs intermedios, y tiene en cuenta el impacto positivo de la industria y las importaciones a través de las relaciones intersectoriales. Los modelos de capital humano expresan la relación de crecimiento por el lado de la oferta teniendo en cuenta diversos factores que contribuyen a su dinamización, y en especial el papel del capital físico, la educación y la investigación. El efecto de la educación sobre la moderación de la natalidad es muy importante como ponen de manifiesto los datos de la tabla 1 de la próxima sección. En Neira y Guisán(1999) y (2002) y en Neira(2003) se destacan las aportaciones de Barro(1991) y otros autores que constataron que los países con mayor inversión en capital humano son generalmente los que tienen menores ratios de fertilidad y mayores ratios de inversión en capital físico en Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 16 el PIB, y la de Guisán, Aguayo y Expósito(2001), quienes estiman un modelo econométrico internacional que explica como las tasas medias de fecundidad pasan de 8 hijos por mujer en los países con menos de 2 años de escolaridad hasta estabilizarse en torno a un promedio entre 1 y 2 hijos por mujer en los países que tienen más de 8 años de escolaridad media. El estudio de la distribución espacial del desarrollo, el empleo y la población es de gran importancia para las políticas económicas y lo analizamos en el capítulo 5. Algunos de los principales estudios comparativos de modelos macroeconométricos, en los que se explican conjuntamente el PIB y las principales macromagnitudes, bien de enfoque keynesiano bien de enfoque de oferta o mixtos, son: Klein, L.R.(1991). Comparative performance of US Econometric Models. Evans, M.K. Haitovsky, Y. Y Treyz, G.I.(1992)An analysis of Forecasting Properties of US Econometric Models. En Hickman (1972) Wallis. K.F. Models of the UK Economy, que presenta una comparación de la capacidad predictiva de diferentes enfoques macroeconómicos. Iglesias(2002) presenta una reseña interesante de varios modelos macroeconómicos de Gran Bretaña. Aznar, A. y García-Ferrer, A.(1975). Planificación y modelos macroeconométricos, presentan una síntesis de modelos de USA y otros países. Ball(1977) Models of Project Link. Interesenta perspectiva de modelos para varios países de la OCDE. Bodkin, R.G., Klein, L.R. and Marwah, K.(1991)A History of Macroeconometric Model-Building Pulido, A. (2000).Economía en acción. También es interesante analizar la evolución de la investigación econométrica a través de los siguientes modelos, entre otros: Modelos keynesianos: Klein I, modelo de Fair(1994) para USA y para varios países de la OCDE, otros modelos de enfoque keynesiano como los del grupo LINK de las Naciones Unidas, y el modelo Micro-UAM de simulación de la economía española de Pulido y López(1999). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 17 Modelos neoclásicos de Tinbergen, Solow y otros autores, y modelos de capital humano basados en la función de producción, anteriores y posteriores a Barro(1991), como los citados en Neira(2003). Modelos de desequilibrio de Barro y Grossman(1971), Guisán(1980), y Sneesens y Drèze(1984). En el enfoque de estos dos autores se basa el modelo de la economía española de Molinas et al(1990) Modelos intersectoriales como el modelo industrial de Wharton y otros desarrollados para países de la OCDE, China y Latinoamérica, como los de Guisán y Cancelo(2001), Guisán y Padrao(2001) y otros que se citan en el capítulo 2 de este libro. Los modelos de desequilibrio y los modelos intersectoriales están muy relacionados ya que las relaciones intersectoriales ayudan a explicar las situaciones de desequilibrio. También son interesantes los estudios de distribución especial del desarrollo, el empleo y la población como los que examinaremos en el capítulo 5, los cuales son de interés para le diseño de políticas económicas. En el modelo de desequilibrio de Guisán(1980) y (1983) el PIB viene explicado por el mínimo de la siguiente relación: (1) PIB = min (PIBd , PIBs1, PIBs2) donde PIBd es explicado por un modelo keynesiano, PIBs1 por la función de producción bajo la hipótesis de utilización plena del stock de capital físico, y PIBs2 por una función de inputs intermedios, basada en las relaciones entre filas de las tablas Input Output, que tiene en cuenta restricciones al crecimiento relacionadas con la producción interior de materias primas y la capacidad importadora. El modelo de desequilibrio de Barro y Grossman(1971) incluye PIBd y PIBs1, y el de Sneesens y Drèze(1986) incluye también el PIB por el lado de la demanda y de la función de producción, pero adopta el esquema de Harrod- Domar en el que se contempla una función de producción respecto al capital y otra respecto al trabajo medido en unidades de eficiencia. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 18 1.3. Evolución del PIB en 1960-2000 y principales factores de desarrollo La tabla 1 presenta un análisis comparativo del crecimiento y el desarrollo económico en los países de la OCDE y en otras áreas del mundo durante el siglo veinte, mediante el porcentaje anual de crecimiento del Producto Interior Bruto real, es decir a precios constantes, la Población y el PIB real por habitante, PIBH. Al tratarse de tasas exponenciales se cumple exactamente que la tasa del cociente es igual a la diferencia entre las tasas del numerador y el denominador. Europa Occidental, USA y Japón presentaron tasas de crecimiento de PIBH superiores a la media mundial en 1950-98 en gran parte debido a su moderación en el crecimiento poblacional. Los países que han alcanzado los niveles más elevados de desarrollo económico se caracterizan por el alto nivel educativo de su población, lo que favorece la moderación de las tasas de natalidad, el incremento del ahorro y la inversión por habitante. Tabla 1. Tasas anuales de crecimiento del PIB, la Población y PIBH (tasa exponencial anual en 1900-1950 y 1950-98) Area PIB Población PIBH 1900- 1950 1950- 1998 1900- 1950 1950- 1998 1900- 1950 1950- 1998 Western Europe 1.41 3.34 0.51 0.50 0.90 2.84 East Europe + ex-Urss 1.96 1.97 0.17 0.48 1.79 1.49 Turkey 2.03 5.00 1.27 2.32 0.76 2.68 USA 3.07 3.39 1.38 1.20 1.69 2.19 Latin America 3.39 4.04 1.45 2.33 1.94 1.71 China 0.13 5.80 0.57 1.71 -0.44 4.09 India 0.60 4.24 0.45 2.08 0.15 2.16 Japan 2.25 5.78 1.28 0.86 0.97 4.92 Asia-other countries 2.24 5.19 1.80 2.28 0.44 2.91 Africa 2.32 3.42 1.40 2.51 0.92 0.91 World 1.90 3.84 0.89 1.77 1.01 2.07 Fuente: Guisan y Cancelo(2001), en base a datos de Maddison(2001). El gráfico 1 presenta la evolución del Consumo Privado por habitante, expresado en dólares de 1990 según paridades de poder de compra, PC. El gráfico 2 presenta la misma variable expresada en dólares de 1990 según Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 19 tipos de cambio, TC, según los datos de la OCDE para USA, Japón y los 15 países que constituían la Unión Europea antes de la ampliación a 25 países. Gráfico 1. Consumo Privado por habitante (miles de $90, en Paridades de Compra (PCs)) 0 4 8 12 16 20 1965 1970 1975 1980 1985 1990 1995 U S A U E 1 5 J a p a n Fuente: Elaboración por la autora a partir de datos de la OCDE Gráfico 2. Consumo Privado por habitante (miles de $90, en Tipos de Cambio (TCs) 0 4 8 12 16 20 1965 1970 1975 1980 1985 1990 1995 U S A UE J a p a n Fuente: Elaboración por la autora a partir de datos de la OCDE Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 20 Podemos observar que las paridades de compra reflejan generalmente mejor la capacidad de los consumidores. El gráfico 3 nos muestra la evolución de la tasa de empleo en USA, la Unión Europea y Japón. Gráfico 3. Tasa de Empleo en USA, UE y Japón, 1960-2000 (número de personas ocupadas por cada mil habitantes) 360 400 440 480 520 560 60 65 70 75 80 85 90 95 00 J a p a n U S A E U 1 5 Fuente: Elaboración por la autora a partir de datos de Labour Force Statistics Japón ha seguido una política de pleno empleo, si bien en los últimos años del siglo veinte se observa el inicio de una crisis en parte provocada por los efectos de la globalización sobre la deslocalización industrial, al aumentar las oportunidades de abaratamiento de costes en el exterior Estados Unidos ha seguido una política económica altamente favorecedora del pleno empleo, desde una situación por debajo de la europea en 1960 hasta superarla de forma creciente desde 1976 hasta el año 2000. Comprobamos de nuevo que los excesos de presión fiscal y muchas reglamentaciones inadecuadas de la UE han frenado muchas iniciativas positivas de desarrollo que podrían haber impulsado la creación de empleo. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 21 Las tablas 2 a 5 presenta algunas de las principales variables de los paíes de la OCDE en 1964-94. Tabla 2. Consumo privado, Consumo Público y PIB por habitante (miles de dólares a precios de 1990; método mixto de PC y TC) CHX GHX PHX 1964 1994 1964 1994 1964 1994 1.Canada 5.85 11.39 2.08 3.84 9.99 19.65 2.Mexico 2.47 4.07 0.20 0.48 2.91 4.99 3.USA 8.24 15.40 2.89 3.70 13.62 22.95 4.Japan 4.11 12.94 0.83 2.03 6.56 22.91 5. Australia 5.73 10.60 1.30 3.01 9.37 17.71 6.New Zealand 6.78 8.67 1.49 2.16 9.98 13.75 7.Austria 4.71 10.82 1.81 3.51 8.72 19.68 8.Belgium 5.54 11.74 1.34 2.62 8.84 18.71 9.Denmark 7.31 12.02 2.40 5.46 12.36 23.07 10.Finland 4.98 10.06 1.63 4.22 9.85 19.82 11.France 5.90 11.66 1.85 3.76 9.98 19.78 12.Germany 4.62 10.92 1.91 3.69 9.66 19.45 13.Greece 2.67 6.96 0.47 1.41 3.98 9.27 14.Iceland 5.64 11.85 1.13 4.15 10.21 21.10 15.Ireland 3.96 8.21 0.86 1.95 5.37 14.71 16.Italy 4.19 10.97 1.60 3.20 8.12 18.32 17.Luxembourg 7.16 16.05 1.71 3.53 12.96 30.30 18.Netherlands 5.40 10.88 1.61 2.59 9.53 18.84 19.Norway 6.03 11.93 1.59 5.13 10.43 26.50 20.Portugal 2.29 6.64 0.30 1.67 3.31 9.39 21.Spain 3.51 7.84 0.67 2.11 5.33 12.65 22.Sweden 7.58 10.69 2.97 5.98 13.70 21.92 23.Switzerland 9.89 15.12 2.06 3.57 17.64 27.90 24.Turkey 1.99 3.25 0.19 0.53 2.34 4.39 25.UK 5.57 10.44 2.25 3.48 9.47 16.72 26.EU15 4.08 10.56 1.47 3.32 7.36 18.02 27.OECD 4.73 11.20 1.56 2.81 7.91 18.08 Fuente: Guisan y Cancelo(2001) en base a datos de la OCDE. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 22 Tabla 3. Inversión, Exportaciones, e Importacionaes por habitante (miles de dólares de 1990 según TCs) IH XH MH 1964 1994 1964 1994 1964 1994 1.Canada 1.79 4.22 1.51 6.84 1.22 6.64 2.Mexico 0.35 0.66 0.16 0.74 0.28 0.94 3.USA 2.48 4.50 0.65 2.78 0.64 3.43 4.Japan 1.77 7.45 0.29 2.97 0.44 2.48 5. Australia 2.61 3.97 1.07 3.86 1.34 3.73 6.New Zealand 1.88 2.70 1.54 4.42 1.73 4.21 7.Austria 2.29 5.50 1.55 8.84 1.63 8.98 8.Belgium 2.05 3.61 3.40 16.63 3.47 15.89 9.Denmark 3.30 3.84 2.80 10.20 3.44 8.45 10.Finland 3.41 3.84 1.91 8.30 2.07 6.60 11.France 2.31 4.02 0.99 5.36 1.06 5.02 12.Germany 2.91 4.86 1.48 5.58 1.26 5.61 13.Greece 1.09 1.89 0.17 1.63 0.42 2.61 14.Iceland 3.12 3.56 3.86 8.65 3.54 7.12 15.Ireland 1.03 2.18 1.13 11.13 1.61 8.76 16.Italy 2.37 3.36 0.80 4.95 0.83 4.16 17.Luxembourg 4.79 8.07 8.84 30.05 9.54 27.40 18.Netherlands 2.75 3.84 2.86 11.65 3.08 10.12 19.Norway 3.35 6.19 3.31 13.48 3.85 10.23 20.Portugal 0.73 1.95 0.62 2.74 0.64 3.61 21.Spain 1.14 2.71 0.41 3.14 0.40 3.16 22.Sweden 3.47 3.86 2.73 9.60 3.05 8.20 23.Switzerland 5.34 8.40 4.33 12.69 3.97 11.86 24.Turkey 0.19 0.63 0.07 0.47 0.09 0.49 25.UK 1.79 3.02 1.43 4.76 1.57 4.98 26.EU15 1.76 3.80 1.04 6.18 1.00 5.85 27.OECD 1.63 4.05 0.74 4.15 0.74 4.13 Fuente: Guisan y Cancelo(2001) en base a datos de la OCDE Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 23 Tabla 4. PIB real y Población en países de la OCDE, 1964-94 (miles de millones de dólares de 1990 y millones de personas) PIB Población País 1964 1994 % 1964 1994 % 1.Canada 193 575 198 19290 29251 52 2.Mexico 122. 465 280 42118 93010 121 3.USA 2614 5983 129 191889 260651 36 4.Japan 636 2863 350 96900 124960 29 5. Australia 107 316 195 11418 17838 56 6.New Zealand 26 48 88 2589 3526 36 7.Austria 63 158 151 7224 8031 11 8.Belgium 83 189 128 9378 10116 8 9.Denmark 58 120 106 4720 5205 10 10.Finland 45 101 125 4549 5088 12 11.France 482 1145 137 48310 57900 20 12.Germany 724 1583 119 74963 81423 9 13.Greece 34 97 186 8510 10426 23 14.Iceland 2 6 192 189 267 41 15.Ireland 15 53 241 2864 3571 25 16.Italy 420 1048 150 51675 57190 11 17.Luxembourg 4 12 188 328 404 23 18.Netherlands 116 290 151 12127 15382 27 19.Norway 39 115 198 3694 4336 17 20.Portugal 29 93 219 8800 9902 13 21.Spain 168 495 195 31426 39150 25 22.Sweden 105 193 83 7662 8781 15 23.Switzerland 104 196 89 5887 7037 20 24.Turkey 72 266 271 30628 60576 98 25.UK 511 977 91 53991 58395 8 26.EU15 2858 6553 129 326862 370964 13 27.OECD 6771 17387 157 731646 972416 33 Fuente: Guisan y Cancelo(2001).El PIB ha sido calculado mediante la expresión PIBX=CX+GX+I+X-M, con el Consumo privado y público, CX y GX, valorados mediante un método mixto entre paridades de compra, PCs, y tipos de cambio, TCs, mientras que la Inversión, I, las Exportaciones, X, y las importaciones, M, están calculadas mediante TCs. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 24 Tabla 5 Tasas anuales de crecimiento del PIB y la población en 1964-94 1964-74 1974-84 1984-94 PIBX POB PIBX POB PIBX POB 1.Canada 5.29 1.72 3.29 1.17 2.55 1.30 2.Mexico 6.67 3.31 4.63 2.72 2.38 2.00 3.USA 3.25 1.09 2.43 1.01 2.72 0.98 4.Japan 8.23 1.29 3.93 0.86 3.34 0.40 5. Australia 4.63 1.86 3.13 1.28 3.28 1.36 6.New Zealand 3.49 1.59 1.37 0.72 1.51 0.79 7.Austria 4.76 0.51 1.97 -0.06 2.63 0.62 8.Belgium 4.51 0.41 1.76 0.09 2.12 0.26 9.Denmark 3.39 0.67 1.98 0.13 1.94 0.18 10.Finland 4.96 0.31 2.90 0.40 0.40 0.41 11.France 4.79 0.83 2.07 0.48 1.95 0.51 12.Germany 3.73 0.53 1.92 -0.15 2.28 0.46 13.Greece 6.22 0.52 2.93 0.99 1.59 0.52 14.Iceland 4.80 1.30 4.04 1.11 2.09 1.07 15.Irland 4.16 0.87 3.77 1.23 4.60 0.12 16.Italy 4.70 0.65 2.57 0.28 2.04 0.09 17.Luxembourg 3.86 0.79 1.02 0.31 5.95 0.99 18.Netherlands 4.82 1.11 1.73 0.63 2.80 0.65 19.Norway 3.96 0.76 4.13 0.38 3.04 0.46 20.Portugal 6.82 -0.05 1.91 1.33 3.17 -0.09 21.Spain 6.50 1.13 1.49 0.86 3.11 0.23 22.Sweden 3.13 0.63 1.81 0.21 1.01 0.52 23.Switzerland 3.54 0.93 0.91 0.07 2.01 0.79 24.Turkey 4.81 2.46 4.89 2.31 3.70 2.13 25.UK 2.77 0.41 1.43 0.05 2.34 0.33 26.EU15 4.24 0.63 1.97 0.29 2.22 0.35 27.OCDE 4.40 1.14 2.57 0.89 2.63 0.83 Fuente: Guisan y Cancelo(2001). Tasas anuales en porcentaje, con la fórmula del interés compuesto o compound rates. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 31 Forma estructural y forma reducida de un modelo multiecuacional Un sistema lineal que relaciona M variables endógenas entre sí y con K variables predeterminadas, se expresa de dos maneras, mediante la forma estructural y la forma reducida: (1) y´(t)  + x¨(t)  + u´(t) = 0 Forma estructural (2) y´(t) = x´(t)  + v´(t) Forma reducida El vector y´(t) es de orden 1.M, y contiene los valores de las variables endógenas explicadas por el modelo en el momento t. Dichas variables se denominan endógenas corrientes. Se distinguen de las endógenas retardadas porque éstas últimas no son explicadas por el modelo en el momento t. Cuando hablamos de variables endógenas, sin especificar si son corrientes o retardadas, nos referimos a las endógenas corrientes. El vector x´(t) es de orden 1.K y contiene las K variables predeterminadas incluidas en las ecuaciones del sistema, y contiene variables exógenas y variables endógenas retardadas. Aquí no hacemos distinción entre el regresor ficitio x0t=1 y las demás variables predeterminadas, de forma que si dicho regresor aparece en un modelo multiecuacional no lleva el subíndice cero sino otro cualquiera de 1 a K siendo en general su subíndice el 1. El vector u´(t) es un vector fila de orden 1.M con las perturbaciones estructurales de las M ecuaciones en el momento t, v´(t) es también un vector de orden 1.M de las perturbaciones de la forma reducida y el vector 0 es un vector nulo de orden 1.M. La matriz de parámetros de la forma reducida, , está relacionada con la matriz de parámetros estructurales de las variables endógenas, , y con la matriz de parámetros estructurales de las variables predeterminadas, . Muchos elementos de las matrices de parámetros estructurales son nulos, pues no todas las variables aparecen como explicativas en cada ecuación, pero los elementos de la matriz de parámetros de la forma reducida son Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 32 generalmente todos no nulos. Otros elementos de las matrices de parámetros estructurales son no nulos pero conocidos, como ocurre por ejemplo con el coeficiente de la variable despejada en cada ecuación, la cual pasa a tener el coeficiente –1 al expresarla en la fórmula (1) con la ecuación igualada a cero. Los elementos no nulos y desconocidos de las matrices de parámetros estructurales deben ser estimados, y a partir de ellos podemos calcular todos los elementos estimados de la matriz de parámetros de la forma reducida. Para pasar de la forma estructural a la forma reducida se despeja el primer sumando de la ecuación estructural y se post-multiplican por la inversa de  ambos lados de la relación de forma que existen las siguientes relaciones entre la forma reducida y la forma estructural: (3)  = -   -1 ; (4) v´(t) = - u´(t)  -1 También podemos expresar el modelo para todo el período muestral (t=1,2,..., T), mediante las siguientes expresiones, respectivamente, para la forma estructural y para la forma reducida: (5) Y  + X  + U = 0 (6) Y = X  + V donde Y es una matriz de orden T.M, que incluye todas las variables explicadas por el modelo en todos los momentos del período muestral, X es una matriz de orden T.K que incluye todas las variables predeterminadas de todas las ecuaciones del modelo en todos los momentos del período muestral, U es la matriz de perturbaciones de orden T.M y la matriz 0 es una matriz nula también de orden T.M. Las matrices de parámetros estructurales son las mismas que hemos definido anteriormente. En las matrices de parámetros indicamos con un subíndice las columnas correspondientes: : (7)  = (1  2 ...  M);  = (B1 2.... K);  = ( 1 2 .... K) Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 33 Cuando en una determinada columna de las matrices  y  queremos distinguir los elementos no nulos de los nulos formamos un subvector que designamos con la letra minúscula correspondiente,  o , y un subíndice * para indicar si corresponde a variables endógenas incluidas en la ecuación, ** para los parámetros de variables endógenas excluidas, un subíndice  para parámetros de predeterminadas incluidas y  para indicar que se trata de parámetros de variables predeterminadas excluidas de la ecuación. A veces interesa ordenar los elementos de la matriz  en cuatro bloques, de acuerdo con la inclusión o exclusión de las variables endógenas y predeterminadas en una determinada ecuación: (8)           =   *,*,* *,*,* donde el subíndice ,* indica que son parámetros correspondientes a la intersección de las filas de las variables predeterminadas incluidas con las columnas de las endógenas incluidas, mientras que el subíndice ,** indica que se trata de parámetros correspondientes a la intersección de filas de variables predeterminadas excluidas con columnas de variables endógenas incluidas. Ejemplo: Modelo de 3 ecuaciones con interdependencia A continuación aplicamos estas reglas al siguiente ejemplo de un modelo de 3 ecuaciones con 3 variables endógenas y 4 predeterminadas. Las variables predeterminadas son el regresor ficticio xot=1, al cual designamos generalmente en el sistema como variable predeterminada x1t, las variables exógenas x2t y x3t, y la variable endógena retardada y1,t-1 a la que designamos como x4t en la matriz X. y1t = a1 + a2 x2t + a3 y2t + a4 y1,t-1 + u1t (9) y2t = c1 + c2 y1t + c3 x3t + c4 y3t + u2t y3t = d1 y1t + d2 x2t + d3 y2t + u3t Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 34 Las matrices de variables y parámetros estructurales tienen los siguientes elementos: Y = (y1 y2 y3) X = (x1 x 2 x3 x4)           − − − == 1c0 d1a dc1 )( 4 33 12 3 2 1               == 00a 0c0 d0a 0ca )B B B (B B 4 3 22 11 4321 Así observamos que existen en el conjunto de estas dos matrices 7 elementos nulos, 3 elementos no nulos y conocidos, con valor –1, y 11 parámetros no nulos y desconocidos que es preciso estimar. En la matriz  la columna mª contiene los parámetros de todas las endógenas corrientes, que abreviadamente se denominan endógenas, en la ecuación mª, siendo en este caso m=1, 2, 3. En la matriz  la columna mª, con j=1, 2, 3, 4 en este caso, contiene los parámetros de todas las variables predeterminadas en la ecuación mª. Si en la primera columna de  queremos separar los elementos no nulos de los nulos formamos el subvector columna *, de orden 2.1, conteniendo los elementos –1 y a3, y el subvector columna ** = 0, el cual en este caso contiene un solo elemento pues hay un solo cero en dicha columna. De forma similar en la primera columna de B podemos formar un subvector  que contiene los elementos no nulos, el cual es de orden 3.1 y contiene los elementos a1 a2 y a4, mientras que el subvector  contiene un solo elemento pues hay sólo un cero en dicha columna. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 35 A veces interesa distinguir dentro, de las matrices X e Y, una submatriz correspondiente a las columnas de variables incluidas en el lado derecho de una determinada ecuación y otra submatriz con las columnas de las variables del sistema excluidas en el lado derecho de esa ecuación. Para ello utilizamos los subíndices 1 (que indica inclusión) y 2 (que indica exclusión). Y = ( y1 y2 .... yM) = (Y1 Y2 ) (10) X = (x1 x2 ....xK) = (X1 X2 ) Por ejemplo en la 1ª ecuación del sistema (9) los elementos de estas submatrices serían los siguientes: (11) Y1 = (y2); Y2 = (y1 y3); X1 = (x1 x2 x4); X2 =(x3) La estimación de modelos multiecuacionales lineales se realiza estimando los parámetros estructurales y la predicción calculando la matriz estimada de parámetros de la forma reducida a partir de la estimación estructural y utilizando la forma reducida para predecir. Si el sistema es recursivo la predicción se puede realizar directamente mediante las ecuaciones estimadas de la forma estructural. En modelos no lineales la predicción se utiliza mediante métodos iterativos como el de Gauss-Seidel. Método de Mínimos Cuadrados en dos etapas, MC2E Cuando la matriz de parámetros estructurales de las variables endógenas, , es triangular el modelo es recursivo y los estimadores MCO proporcionan estimadores consistentes, pero cuando hay interdependencia dicha matriz es no triangular y la estimación se efectúa generalmente mediante métodos que garanticen la consistencia de los estimadores de los parámetros estructurales. El método más utilizado para obtener estimadores consistentes en caso de interdependencia es el de Mínimos Cuadrados en 2 Etapas, MC2E, que consiste en utilizar el método de variables instrumentales para la estimación de los parámetros estructurales, de forma que consta de dos etapas: 1) Etapa de estimación de las variables instrumentales. 2) Etapa de estimación de los parámetros estructurales. En este método expresamos cada ecuación del sistema según la siguiente notación: Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 36 (12) y = Y1 1 + X1 1 + u donde y es un vector columna de orden T.1 correspondiente a la variable endógena ym despejada en la ecuación mª (m=1,2, ...., M). Y1 es la submatriz de Y correspondiente a las columnas de las variables endógenas incluidas en el lado derecho de cada ecuación. X1 es la submatriz de X correspondiente a las columnas de las variables predeterminadas incluídas en la ecuación. Los vectores de parámetros 1 y 1 son, respectivamente, de orden (M*-1).1 y de orden K.1 y contienen los parámetros de las variables incluídas en Y1 y en X1. La ecuación (12) puede expresarse de la siguiente forma: (13) y = Z  + u donde Z = (Y1 X1) y         = 1 1 β γ δ La estimación MC2E consiste en aplicar el método de Variables Instrumentales, VI, a la relación (13), utilizando como Z* como instrumento de Z, de forma que el estimador MC2E del vector  se calcula de la siguiente forma: (14)  = (Z*´Z)-1 Z*´y (15) Z* = (Y1 X1); siendo Y1 = X Px1; Px1 =(X´X)-1 X´Y1 La primera fase de la estimación consiste en estimar la forma reducida directa, aplicando MCO a las ecuaciones de la forma reducida y tomando las columnas correspondientes a las variables de Y1 en la matriz P que es la matriz de estimadores MCO de , para formar la submatriz Px1. Por ejemplo en la 1ª ecuación del sistema anterior esta submatriz estaría formada por las columnas 1ª, 3ª y 4ª de la matriz P. Una vez calculada está matriz se procede en una segunda fase al cálculo de (14) para obtener estimadores consistentes de los parámetros estructurales de cada ecuación. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 37 En los programas econométricos la aplicación del método MC2E en el caso del ejemplo anterior la indicaríamos así: 1ª ecuación: TSLS y1 c x3 y2 x4 @ c x2 x3 x4 2ª ecuación: TSLS y2 c y1 x3 y3 @ c x2 x3 x4 3ª ecuación: TSLS y1 y1 x2 y2 @ c x2 x3 x4 El indicador arroba, @, actúa de separador entre la lista de variables incluidas en la ecuación y la lista de variables predeterminadas incluidas en el sistema formado por las 3 ecuaciones, estén o no incluidas en la ecuación. El ordenador nos proporciona entonces una salida con la estimación MC2E de cada ecuación, incluyendo los estimadores de las desviaciones típicas de los coeficientes estimados, medidas de la bondad del ajuste, estadísticos t, estadístico Durbin-Watson y otros indicadores, de forma similar a la que se obtiene al estimar un modelo uniecuacional. La estimación por MC2E de modelos multiecuacionales no lineales y la predicción simultánea de las variables endógenas de un sistema no lineal requieren procedimientos iterativos tipo Gauss-Seidel y otros que están accesibles generalmente en los programas informáticos. La presencia de autocorrelación en un modelos multiecuacional se tiene en cuenta aplicando MC2E generalizados de forma similar al caso uniecuacional. La metodología econométrica nos permite por lo tanto estimar de forma consistente y predecir en diversas circunstancias, tanto con modelos interdependientes como recursivos y tanto si el sistema es lineal como si no, teniendo en cuenta además si las perturbaciones cumplen las hipótesis del modelo clásico o del modelo generalizado. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 38 En los modelos multiecuacionales en general se despeja una variable distinta en cada ecuación, pero en el caso de la estimación de modelos de oferta y demanda es frecuente que se despeje la misma variable endógena, la cantidad, en ambas ecuaciones, y que la otra variable endógena, el precio, se incluya en el lado derecho de ambas ecuaciones estructurales. 2.2. Aplicación a un modelo de oferta y demanda de la Agricultura en USA, Japón, Francia y España Esta sección se basa en los resultados de la investigación realizada por Guisán y Expósito(2002) y (2004), y consiste en analizar la trayectoria de la Agricultura en 4 países de la OCDE: USA, Japón, Francia y España, mediante un modelo biecuacional entre la producción real agraria, QA, y el índice del precio relativo de la Agricultura, IPRA. Los datos utilizados figuran en Guisán y Expósito(2002), y han sido calculados por las autoras a partir de diversas estadísticas de la OCDE. La definición de las variables es la siguiente: QA = Valor añadido real de la Agricultura, desde la perspectiva de la producción, obtenido mediante el cociente del VAB monetario del sector y el deflactor de la Agricultura. Está expresado en millones de dólares de 1990 según Paridades de Poder de Compra. IPRA = precio relativo de la Agricultura, obtenido mediante el cociente entre el índice de precios de la Agricultura, IPA, y el índice general de precios del consumo, IPC. Estos índices se refieren a los precios interiores de cada país en moneda del propio país y todos ellos tienen base 1 en 1990. Consideramos como indicar de renta de la Agricultura, RA, el Valor Añadido a precios corrientes dividido por el deflactor general del Consumo Privado, ya que refleja el poder adquisitivo de las rentas generadas en el sector agrario. Los siguientes gráficos muestran la evolución de las variables IPRA, QA y RA, para los cuatro países de este estudio, de acuerdo con los datos del estudio de Guisan y Exposito(2002a), elaborados a partir de las estadísticas National Accounts de la OCDE. El eje de la izquierda corresponde al índice de precios relativos de la Agricultura, IPRA, con base 1990, y el de la derecha a las variables QA y RA que representan el valor añadido de este sector según los enfoques producción y renta, y están medidos en millones de dólares de 1990 según tipos de cambio. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 39 Estos datos ponen de manifiesto un importante incremento de la producción en algunos países, un descenso importante del precio relativo de la Agricultura en los cuatro países, y una caída o estancamiento de la renta real como consecuencia del descenso en los precios relativos Gráfico 1. Evolución de la Agricultura en España (Valor Añadido enfoque producción (QA), enfoque renta (RA) y Precio Relatio (IPRA) 0.4 0.8 1.2 1.6 2.0 12000 16000 20000 24000 28000 32000 1965 1970 1975 1980 1985 1990 1995 I P R A E Q A E R A E Fuente: Guisán y Expósito(2002) y (2004 a), a partir de datos de la OCDE Gráfico 2. Evolución de la Agricultura en Francia (Valor Añadido enfoque producción (QA), enfoque renta (RA) y Precio Relativo (IPRA) 0.4 0.8 1.2 1.6 2.0 15000 20000 25000 30000 35000 40000 45000 50000 1965 1970 1975 1980 1985 1990 1995 I P R A F Q A F R A F Fuente: Guisán y Expósito(2002) y (2004 a), a partir de datos de la OCDE Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 40 Gráfico 3. Evolución de la Agricultura en Japón (Valor Añadido enfoque producción (QA), enfoque renta (RA) y Precio Relativo (IPRA) 0.8 0.9 1.0 1.1 1.2 1.3 1.4 30000 40000 50000 60000 70000 80000 1965 1970 1975 1980 1985 1990 1995 I P R A J Q A J R A J Fuente: Guisán y Expósito(2002) y (2004 a), a partir de datos de la OCDE Gráfico 4. Evolución de la Agricultura en USA (Valor Añadido enfoque producción (QA), enfoque renta (RA) y Precio Relativo (IPRA) 0.4 0.8 1.2 1.6 2.0 2.4 40000 60000 80000 100000 120000 140000 160000 1965 1970 1975 1980 1985 1990 1995 I P R A U Q A U R A U Fuente: Guisán y Expósito(2002) y (2004 a), a partir de datos de la OCDE Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 47 Ecuación 2, modelo de demanda: Estimación MC2E de la Inversión Dependent Variable: IS90 Method: Two-Stage Least Squares Sample: 1965 1998 Included observations: 34 Instrument list: C90(-1) IS90(-1) RFD90(-1) SUR90(-1) PIB90(-1) Z1 Z1 G90 SAL90 Variable Coefficien t Std. Error t-Statistic Prob. D(SUR90) 1.063651 0.201568 5.276872 0.0000 IS90(-1) 1.012808 0.011726 86.37473 0.0000 R-squared 0.971681 Mean dependent var 844.2878 Adjusted R-squared 0.970796 S.D. dependent var 278.4261 S.E. of regression 47.58104 Sum squared resid 72446.56 Durbin-Watson stat 1.733262 Fuente: Elaboración propia. Ecuación 3, modelo de demanda. Estimación MC2E de la Remuneración de Asalariados Dependent Variable: CE90 Method: Two-Stage Least Squares Sample: 1965 1998 Included observations: 34 Instrument list: C90(-1) IS90(-1) RFD90(-1) SUR90(-1) PIB90(-1) Z1 Z1 G90 SAL90 Variable Coefficien t Std. Error t-Statistic Prob. D(PIB90) 0.578103 0.068916 8.388526 0.0000 CE90(-1) 1.001324 0.003801 263.4428 0.0000 R-squared 0.998305 Mean dependent var 2736.926 Adjusted R-squared 0.998252 S.D. dependent var 703.8217 S.E. of regression 29.42648 Sum squared resid 27709.36 Durbin-Watson stat 1.656998 Fuente: Elaboración propia. Una vez estimado este modelo utilizamos los estimadores de los parámetros de MC2E para construir las matrices de parámetros estructurales estimadas y obtener a partir de la fórmula correspondiente los estimadores de los parámetros de la forma reducida, los cuales figuran en el Anexo 2 de esta Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 48 sección. El orden de las variables endógenas es el que figura en las ecuaciones (1) a (9) y el orden de las predeterminadas es el figura en la lista de instrumentos de las ecuaciones estimadas por MC2E. La predicción de cada una de las variables endógenas del modelo puede realizarse en este caso, por tratarse de un modelo lineal, mediante la forma reducidad deducida, multiplicando los elementos de la columna correspondiente de la matriz  estimada por los valores de las variables predeterminadas en los años del período de predicción. Modelo de Oferta Las ecuaciones 1 a 3 son similares a las del modelo de demanda pero ahora se estiman como modelos uniecuacionales pues no hay problema de interdependencia, ya que este modelo multiecuacional es recursivo y en él los estimadores MCO proporcionan estimadores consistentes. Las identidades 4 a 8 son iguales a las del modelo de demanda. La ecuación 9 es una identidad que expresa al PIB por el lado de la oferta, como la suma del PIB manufacturero, QM y el PIB no manufacturero, QNM: (9) PIB90 = QM90 + QNM90 Por último la ecuación (10) es una ecuación de comportamiento para QNM, mediante un modelo dinámico mixto que relaciona el valor de esta variable con su valor retardado y con los incrementos de QM, de las exportaciones y de las importaciones: (10) QNM90 = f(D(QM90). D(IMP90), D(EXP90), QNM90(-1)) Los datos de QM figuran en Guisan(2004) y corresponden al Valor Añadido real del sector manufacturero según las estadísticas de la OCDE según el enfoque producción, es decir deflactando dicha variable con el índice de precios del propio sector. Un análisis comparativo interesante de la Producción Total, el Valor Añadido, el Consumo y el Comercio Exterior de los sectores manufactureros en Alemania, España, Japón y USA se realiza en Guisán(2002). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 49 Ecuación 1, modelo de oferta: Estimación MCO del Consumo Dependent Variable: C90 Method: Least Squares Sample: 1965 1998 Included observations: 34 Variable Coefficient Std. Error t-Statistic Prob. D(RFD90) 0.309360 0.110860 2.790561 0.0088 C90(-1) 1.020178 0.004569 223.2691 0.0000 R-squared 0.997582 Mean dependent var 2949.899 Adjusted R-squared 0.997506 S.D. dependent var 839.5620 S.E. of regression 41.92600 Akaike info criterion 10.36671 Sum squared resid 56249.26 Schwarz criterion 10.45650 Log likelihood -174.2341 Durbin-Watson stat 1.136446 Fuente: Elaboración propia. La ecuación del Consumo presentó autocorrelación y se estimó también por Mínomos Cuadrados Generalizados (MCG). Ecuación 1, modelo de oferta: Estimación MCG del Consumo Dependent Variable: C90 Method: Least Squares Sample(adjusted): 1966 1998 Included observations: 33 after adjusting endpoints Convergence achieved after 6 iterations Variable Coefficien t Std. Error t-Statistic Prob. D(RFD90) 0.257326 0.088059 2.922190 0.0065 C90(-1) 1.022099 0.005042 202.7283 0.0000 AR(1) 0.438665 0.169243 2.591928 0.0146 R-squared 0.997906 Mean dependent var 2988.859 Adjusted R-squared 0.997767 S.D. dependent var 820.7735 S.E. of regression 38.78831 Akaike info criterion 10.24062 Sum squared resid 45135.98 Schwarz criterion 10.37667 Log likelihood -165.9703 Durbin-Watson stat 1.692907 Inverted AR Roots .44 Fuente: Elaboración propia. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 50 Ecuación 2, modelo de oferta: Estimación MCO de la Inversión Dependent Variable: IS90 Method: Least Squares Sample: 1965 1998 Included observations: 34 Variable Coefficien t Std. Error t-Statistic Prob. D(SUR90) 0.987361 0.161497 6.113794 0.0000 IS90(-1) 1.015324 0.011001 92.29055 0.0000 R-squared 0.971877 Mean dependent var 844.2878 Adjusted R-squared 0.970998 S.D. dependent var 278.4261 S.E. of regression 47.41599 Akaike info criterion 10.61282 Sum squared resid 71944.84 Schwarz criterion 10.70260 Log likelihood -178.4179 Durbin-Watson stat 1.704402 Fuente: Elaboración propia. Ecuación 3, modelo de oferta: Estimación MCO de la Remuneración de Asalariados Dependent Variable: CE90 Method: Least Squares Sample: 1965 1998 Included observations: 34 Variable Coefficien t Std. Error t-Statistic Prob. D(PIB90) 0.566402 0.057974 9.769978 0.0000 CE90(-1) 1.001890 0.003344 299.5676 0.0000 R-squared 0.998307 Mean dependent var 2736.926 Adjusted R-squared 0.998254 S.D. dependent var 703.8217 S.E. of regression 29.40776 Akaike info criterion 9.657417 Sum squared resid 27674.13 Schwarz criterion 9.747203 Log likelihood -162.1761 Durbin-Watson stat 1.639583 Fuente: Elaboración propia. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 51 Ecuación 10. Estimación MCO de la producción no manufacturera Dependent Variable: QNM90 Method: Least Squares Sample: 1965 1998 Included observations: 34 Variable Coefficien t Std. Error t-Statistic Prob. D(QM90) 0.794097 0.214800 3.696922 0.0009 D(IMP90) 0.755009 0.227443 3.319559 0.0024 D(EXP90) -0.320364 0.251918 -1.271698 0.2133 QNM90(-1) 1.017383 0.002743 370.8503 0.0000 R-squared 0.998778 Mean dependent var 3651.125 Adjusted R-squared 0.998656 S.D. dependent var 948.5406 S.E. of regression 34.77442 Akaike info criterion 10.04577 Sum squared resid 36277.80 Schwarz criterion 10.22534 Log likelihood -166.7781 Durbin-Watson stat 1.747407 Fuente: Elaboración propia. Observamos una bondad del ajuste muy elevada en la estimación de todas las ecuaciones y es destacable la alta bondad del ajuste de la ecuación 10. Este modelo se completaría, en una versión más amplia con una ecuación explicativa para QM90, y otras ecuaciones, para lo cual podríamos seguir el enfoque del capítulo 4, en el que tenemos en cuenta elementos de la oferta y la demanda, entre los que interviene el propio PIB retardado. Si la relación es retardada no existe interdependencia entre la variables QM y PIB mientras que si fuese contemporánea habría que estimar teniendo en cuenta dicha interdependencia. Predicción de PIB90 y capacidad predictiva En el modelo de demanda, por tratarse de un sistema lineal con interdependencia, la predicción del valor del PIB se realiza mediante la ecuación de la forma reducida para PIB90, o mediante la instrucción SOLVE. El valor de PIB90 estimado es la suma del producto de cada elemento de la última columna de P por la correspondiente variable predeterminada, en el Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 52 mismo orden que figuran en la lista de instrumentos, después del signo @ en las ecuaciones estimadas por MC2E. En el modelo de oferta, por tratarse de un sistema recursivo la predicción del PIB se realiza mediante la ecuación 9 del modelo de oferta, una vez estimado el valor de QNM mediante la ecuación 10. La estimación de QNM proporciona una elevada bondad del ajuste con un porcentaje del error absoluto medio de sólo 0.67% en el período muestral como se ve en el siguiente gráfico. Gráfico 5. Bondad del ajuste de la ecuación (10) para QNM90 de USA La tabla siguiente presenta las predicciones estática, designada con la terminación F1 y dinámica, con la terminación F2, correspondientes a los modelos de demanda, D, y de oferta, S, y el gráfico presenta los valores reales y previstos de PIB90. Las predicciones estáticas son predicciones ex-post en las que se considera que los verdaderos valores de las variables predeterminadas son conocidos, mientras que las predicciones dinámicas son predicciones ex-ante en las que se considera que los verdaderos valores de las variables endógenas 2000 3000 4000 5000 6000 1965 1970 1975 1980 1985 1990 1995 QNM90F Forecast: QNM90F Actual: QNM90 Forecast sample: 1965 1998 Included observations: 34 Root Mean Squared Error 32.66488 Mean Absolute Error 24.33359 Mean Abs. Percent Error 0.676604 Theil Inequality Coefficient 0.004334 Bias Proportion 0.004735 Variance Proportion 0.062597 Covariance Proportion 0.932668 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 53 retardadas sólo son conocidos para el primer año de la predicción y son los estimados por el propio modelo para los años siguientes. Predicciones estática y dinámica de Oferta y Demanda Variable 1999 2000 2001 QNM90 5821 6027 6138 QNM90F1S 5844 6087 6044 QNM90F2S 5844 6110 6128 PIB90F1S 7301 7613 7479 PIB90F2S 7301 7636 7563 PIB90F1D 7166 7490 7749 PIB90F2D 7166 7355 7547 PIB90 7278 7553 7573 Fuente: Elaboración propia Evaluación de las predicciones dinámicas El porcentaje de la raíz del error cuadrático medio, %RECM, con el modelo de oferta resulta durante el período de predicción, 1999-2001, igual a 0.6695%, muy similar, e incluso ligeramente menor, a su valor en el período muestral, 1965-98. El %RECM del modelo de demanda durante el período de predicción resulta igual a 1.7675%, lo que indica una buena capacidad predictiva pero peor que la del modelo de oferta, La comparación de los enfoques de oferta y demanda en USA coincide con los resultados obtenidos en otros países, en el sentido de que en general el lado de la oferta, determinado en gran medida por la producción industrial, es el que muestra una mayor incidencia en el crecimiento económico, mientras que el lado de la demanda en general se adapta a las posibilidades de expansión real que permite la oferta. En el crecimiento económico, como hemos comentado en el capítulo 1, son importantes tanto la oferta como la demanda, el problema es que con frecuencia es más difícil desarrollar políticas que dinamicen el lado de la oferta que las que dinamizan la demanda. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 54 Dada la importancia que tiene la relación 10 del modelo de oferta para explicar el crecimiento económico, presentamos a continuación la estimación de dicha relación para todo el período 1967-2001, que figura en Guisán(2004 b), y comentamos los resultados. Estimación de la ecuación 10 del modelo de oferta en 1965-2001 Dependent Variable: QNM90 Method: Least Squares Sample: 1965 2001 Included observations: 37 Variable Coefficien t Std. Error t-Statistic Prob. D(QM90) 0.752426 0.203149 3.703815 0.0008 D(IMP90) 0.597799 0.192720 3.101902 0.0039 D(EXP90) -0.507500 0.232687 -2.181038 0.0364 QNM90(-1) 1.021066 0.002256 452.6004 0.0000 R-squared 0.999046 Mean dependent var 3841.203 Adjusted R-squared 0.998959 S.D. dependent var 1116.706 S.E. of regression 36.02684 Akaike info criterion 10.10821 Sum squared resid 42831.78 Schwarz criterion 10.28236 Log likelihood -183.0019 Durbin-Watson stat 1.797746 La ampliación de la muestra al período 1965-2001 ocasiona una disminución en el estimador del coeficiente de las Importaciones, lo que podría indicar un incremento de importaciones destinadas directamente al consumo en mayor medida que los destinados al incremento de la producción de bienes y servicios. En el capítulo 4 presentamos modelos explicativos de la producción manufacturera y del comercio exterior, incluyendo una referencia a los estudios de Cancelo(2001) y de Guisán y Cancelo(2002), entre otros. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 55 2.4. Referencias bibliográficas CANCELO, M.T.(2001).”Productividad industrial y comercio exterior en la Unión Europea”. Regional and Sectoral Economic Studies, Vol. 1-2, pp.43- 68. 1 GUISAN. M.C. (1997). Econometria. McGrawHill Interamericana, Madrid. GUISÁN, M.C., (2001). “Relaciones causales y modelos dinámicos”. Capítulo 2 del libro de Guisán et al. “Crecimiento económico en los países de la OCDE 1. Serie Estudios Económicos, nº 4, de la AHG. Distribuye Mundi-Prensa, Madrid. GUISÁN, M.C.(2002). “La industria en España y en la OCDE, 1960-2000”. Regional and Sectoral Economic Studies, Vol. 2-2, pp. 85-100.1 GUISAN, M.C.(2004). “The Impact of Manufacturing on Economic Growth: Intersectoral Relations and Causality in an International Perspective”. Documento de la serie Economic Development nº 78.1 GUISAN, M.C. y CANCELO, M.T. (2002). “Econometric Models of Foreign Trade in OECD Countries”. Applied Econometrics and International Development. Vol. 2-2, pp. 65-81.1 GUISÁN, M.C. y CARDIM-BARATA, S.(2004). “Industria e Comercio Externo na Economía do Brasil, 1960-2000". Documentos Economic Development nº 73, disponible en internet.1 GUISAN, M.C. y EXPOSITO, P.(2002). “Econometric Models of Agriculture in OECD Countries: Production, Income, and Agrarian Employment in Spain, France, Japan, and the USA, 1965-99”. Documento nº 60 de la serie Economic Development editada por la Asociación Euro- Americana de Estudios de Desarrollo Económico. GUISAN, M.C. y EXPOSITO, P.(2004 a). “Econometric Models of Demand and Supply of Agriculture in Spain, France, Japan and the USA, 1964-99: An Analysis of Interdependence”. Documento nº 75 de la serie Economic Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 56 Development editada por la Asociación Euro-Americana de Estudios de Desarrollo Económico. GUISAN, M.C. y EXPOSITO, P.(2004 b). Economic Growth in China: An econometric model of intersector relations and foreign trade. Documento de la serie Economic Development nº 76, disponible en internet.1 GUISAN, M.C. y MARTINEZ, C. (2003). Education, Industrial Development and Foreign Trade in Argentina: Econometric Models and International Comparisons. Documentos Economic Development nº 67, disponible en internet.1 GUISÁN, M.C. y PADRAO, R.(2001). Evolución de la economía portuguesa 1946-2002: crecimiento, salarios y empleo. Documentos Economic Development nº 69, disponible en internet.1 OCDE. National Account Statistics. Varios años. OCDE, Paris. 1 Documentos y artículos disponibles en: http://www.usc.gal/economet/econometria.htm Anexos al Capítulo 2. El Anexo 1 incluye datos de las variables del modelo de Demanda de Estados Unidos, en el período 1964-2021. El Anexo 2 incluye las matrices estimadas de parámetros estructurales de dicho modelo de Damanda . El Anexo 3 incluye la tabla A2, con los datos de las variables del modelo de Oferta que no están en la tabla A1. Anexo 1. Datos del modelo de demanda en Estados Unidos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 63 si a1 > 1 implica que la raíz de la ecuación es menor que la unidad. Por ello se dice que en un proceso AR(1) la condición de estacionariedad es que la raíz del polinomio esté fuera del círculo unitario. Si el valor de la t es próximo a cero existe, en principio, evidencia a favor de la existencia de raíz unitaria y de la no estacionariedad de z . Si el valor de t es positivo y alejado de cero existe evidencia a favor de valor de a1 mayor que la unidad y por lo tanto también en contra de la estacionariedad. En caso de estacionariedad a1 puede oscilar entre -1 y 0, o entre 0 y 1, sin llegar a ser igual a 1 en valor absoluto, y d1 estará comprendido entre -2 y -1 en el primer caso, y entre -1 y 0 en el segundo, sin llegar a ser igual a cero. Así el intervalo de valores posibles de d1 compatibles con la estacionariedad es - 2 < d < 0. Pueden producirse situaciones de incertidumbre en las que el valor de t sea negativo, pero esté a la derecha del valor crítico del test, y exista un intervalo de confianza para el parámetro d1 demasiado amplio, de forma que su extremo inferior sea negativo y muy alejado de cero y su extremo superior positivo y muy próximo a cero. La situación de incertidumbre es bastante frecuente en la práctica, sobre todo cuando el valor de a1 es próximo a la unidad, y se produce siempre que el intervalo de confianza para el parámetro de (2) sea demasiado amplio, incluyendo tanto el valor cero como otros valores bastante alejados de éste, pero en la mayoría de las aplicaciones no se analiza la posibilidad de que el no rechazo de la hipótesis nula se deba a la incertidumbre. Esta forma de realizar el test es distinta de la habitual en la contrastación de hipótesis de significatividad de un parámetro de un modelo econométrico, ya que lo habitual es que la hipótesis nula no se rechace en situaciones de incertidumbre y en el caso de los tests DF y ADF la incertidumbre se incluye en la misma alternativa que el rechazo. Fuller(1976) demuestra que bajo la hipótesis nula (no estacionariedad y existencia de raíz unitaria) no deben utilizarse los valores críticos de la t de Student, ya que bajo dicha hipótesis el estadístico t de (3) no sigue una distribución t de Student standard, sino valores críticos deducidos de estudios de simulación por el método de Montecarlo. Posteriormente otros autores analizaron el problema de los valores críticos y en la actualidad suelen utilizarse los propuestos por MacKinnon para el test DF. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 64 La relación (2) puede incorporar un término constante y una tendencia, a través de la variable ti que representa el tiempo, según se expresa en (4): (4) D z t = d 1 z t + d o + d 2 ti + ut ; siendo ti la variable tiempo. Al realizar el test podemos elegir las opciones (N,C,T) siendo C la opción de incorporar término constante sin tendencia, T la opción de incorporar término constante y tendencia, y N la opción de no incorporar ninguno de ambos términos. Este test no suele utilizarse para contrastar la estacionariedad de la perturbación de un modelo econométrico, pero sirve de base para los tests ADF y EG, que en cierta medida son extensiones del test de Dickey y Fuller, los cuales se utilizan con bastante frecuencia. Test ADF El test ADF, denominado test “aumentado” de Dickey y Fuller, consiste también en contrastar la hipótesis de nulidad de d1 pero en una relación “aumentada” con la inclusión de valores retardados de Dz. Si se considera necesario pueden incluirse también término constante y la tendencia, al igual que el test DF, de forma que el contraste, en caso de un “aumento” de 2 retardos, se realiza en la relación: (5) Dzt = d 1 zt + d o + d 2 t + d 3 Dz(-1) + d4 Dz(-2) + … Los valores críticos más utilizados son los propuestos por MacKinnon para el test ADF, que figuran en los programas como el Micro-Tsp y el E-views con las salidas de las regresiones efectuadas y que también pueden consultarse en la bibliografía correspondiente. Los niveles críticos de las tablas de MacKinnon dependen de las opciones (N,C,T) utilizadas, del tamaño muestral y del número de retardos que figuran en la relación. La opción de cero retardos coincide con el test DF. La hipótesis nula, o hipótesis a contrastar, es la de "integración" o "no estacionariedad" de la perturbación aleatoria, frente a la alternativa de "no integración" o "estacionariedad. Ello ocasiona algunas debilidades del test como veremos más adelante, que ya han sido criticadas por Maddala(1992) y otros autores, ya que puede provocar una tendencia excesiva a "aceptar" la hipótesis nula, de "no estacionariedad" cuando la variable es estacionaria. Dicha "aceptación" no implica evidencia favorable hacia la hipótesis nula ya que puede haber una clara situación de incertidumbre Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 65 El test ADF se utiliza con cierta frecuencia para contrastar la hipótesis de cointegración entre las variables de un modelo econométrico causal, utilizando los residuos de la estimación MCO del modelo como variable el z en la relación (5). En general se utiliza al menos un retardo de Dz, y en ocasiones más si los parámetros correspondientes resultan significativos. La opción (C,1), término constante y un retardo es una de las más utilizadas. Test EG En el caso de que zt sea la perturbación del modelo econométrico, nos encontramos con el problema de que se trata de una variable no observable, la cual es preciso sustituir por los residuos de la regresión. Con carácter orientativo se puede aplicar el test ADF directamente a los residuos del modelo econométrico pero ese procedimiento ha sido criticado por poco riguroso y porque, según sus críticos, puede tender a aceptar excesivamente la hipótesis alternativa de estacionariedad de la perturbación, incluso en el caso de regresiones espurias. Por ello algunos económetras consideran preferible utilizar el test EG, propuesto por Engle y Granger(1987), basado en el ADF pero con algunas variantes en las etapas a realizar y en los valores críticos de MacKinnon para el test EG. Este test consiste en contrastar la estacionariedad de la perturbación de un modelo econométrico, en una relación (7), similar a la (1) pero en la que la variable zt es la perturbación aleatoria u t de (6): (6) y = X  + u (7) u t = a 1 u t-1 + v t En la relación (6) la instrucción UROOT Y X (donde X es una variable o un conjunto de varias variables explicativas: X = X1 X2 ... XK) del programa Micro-TSP incluye un término constante (opción C) y además una tendencia temporal (opción T). La opción T incluye también el término constante. No existe opción N, correspondiente a la no inclusión de ordenada en el origen, en la versión del programa que hemos utilizado. La perturbación se expresa como un proceso AR(1) en el que hay que contrastar si el coeficiente de a1 toma un valor igual a 1 o menor, y para ello se contrasta la hipótesis de nulidad de d1 en la relación (8), obtenida tomando primeras diferencias en (7) y añadiendo, si se considera oportuno, términos de “aumento”, como en el test ADF, pero sin añadir ni término constante ni Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 66 tendencia en la relación (8). Así en el caso de 2 “aumentos” la relación a utilizar en el contraste sería: (8) D(u) t = d1 u t-1 + d 2 D(u) t-1 + d 3 D(u) t-2 + t ; d 1 =(a1-1) El test propuesto por Engle y Granger consiste en contrastar la nulidad de d1 en (8), y comparar el estadístico t de con los valores críticos correspondientes. Han sido propuestos varios niveles críticos siendo generalmente utilizados los de MacKinnon para el test EG, que son diferentes a los del test ADF al tener en cuenta que la perturbación no es observable y hay que utilizar en su lugar los residuos de la regresión (6). El test se realiza después de efectuar dos regresiones correspondientes a las relaciones (6) y (8), utilizando los residuos en vez de las perturbaciones en la regresión de los residuos: (9) LS Y C X 1 X2 ….Xk regresión de cointegración (10) LS D(Resid) DResid(-1) (Resid)(-1)… regresión de los residuos Así los residuos de la estimación MCO de la regresión de cointegración se utilizan en la regresión de los residuos, o ecuación del test, como una aproximación al valor de la perturbación, con objeto de contrastar la hipótesis nula, Ho, de no estacionariedad de ésta, mediante el contraste de la nulidad del coeficiente de Resid(-1). Si dicho coeficiente toma un valor negativo y el estadístico t correspondiente se sitúa a la izquierda del valor crítico considerado adecuado se rechaza la hipótesis Ho, de no estacionariead, aceptándose la estacionariead de la perturbación y la cointegración de las variables incluidas en (3.6). Si el valor del estadístico t es próximo a cero existe, en principio, evidencia a favor de la hipótesis Ho existencia de raíz unitaria, valor de a1 igual a la unidad, rechazo de la estacionariedad de la perturbación aleatoria y ausencia de cointegración entre yt y las xit). Para una interpretación correcta es necesario observar el intervalo de confianza para el parámetro d1. Si dicho intervalo es muy amplio estaremos en una situación de incertidumbre. Si el valor del estadístico t es positivo se rechaza también la estacionariedad, siendo en ese caso la evidencia favorable a a1 >1 cuanto más alejado este de cero por la derecha. Los valores críticos de MacKinnon para este test, en la relación (8), están también en la cola izquierda de la distribución de la t, y por lo tanto son Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 67 negativos, dependiendo su valor del tamaño muestral y del número de parámetros estimados. En valor absoluto sus valores son bastante elevados, más que en los tests DF y ADF, lo que hace que sea difícil en la práctica rechazar la hipótesis nula de “no cointegración” en muchos casos en los que la relación es causal y no espuria. Al igual que en el caso del test ADF pueden producirse en la práctica muchas situaciones de incertidumbre, con valores del estadístico t próximos a cero acompañados de intervalos de confianza para el parámetro d1 demasiado amplios. Los rechazos indebidos en situaciones de incertidumbre son muy frecuentes con el test EG para valores de a1 comprendidos entre 0.90 y 0.99, como ya se ha puesto de manifiesto en diversos estudios. Otros contrastes de cointegración Se han desarrollado otros tests, con posterioridad al de Engle y Granger(1987), con el fin de adaptarse a diferentes situaciones más o menos complejas que se presentan en la práctica, pero que no suponen un cambio esencial de planteamiento respecto a la problemática que presenta el análisis de la cointegración. Entre dichos tests figuran el de Phillips y Perron(1988) y el de Johansen(1988) y (1989) que se incorporan también en programas informáticos de uso frecuente como el E-views, y se trata de contrastes que son bastante mecanicistas en la línea del modelo CE no contemporáneo y de los modelos VAR, y que por lo tanto suponen un peligro de declarar espurias regresiones causales. El método de Johansen está muy relacionado con el enfoque VAR en el que se omite el orden de causalidad entre las variables y no se considera la importancia de las relaciones causales contemporáneas. Como señala Maddala(1992) se trata de un enfoque ateórico, puramente estadístico, y que en general no resulta adecuado para el análisis de las relaciones económicas. Se han desarrollado además contrastes de cointegración para situaciones específicas como de Hylleberg, Engle, Granger y Yoo(1990) para detectar integración estacional de primer orden en modelos con datos trimestrales, y diversos contrastes de cointegración para datos de panel, como los de Levin y Lin(1993) e Im, Pesaran y Shin(1997), aplicados por Holmes(2003). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 68 Otros contrastes más antiguos, como los tests de ruido blanco de Anderson y Box-Pierce, descritos en Guisán(1997), y que se aplican con frecuencia a los modelos Arima y en el análisis temporal bivariante, tienen interés por mostrar una mayor tendencia a la aceptación de la hipótesis de estacionariedad que el test de Engle-Granger. La experiencia práctica muestra que estos tests de ruido blanco para los residuos pueden utilizarse como una aproximación razonable en muchas situaciones prácticas. Cointegración entre Consumo Privado y PIB en 25 países La relación entre el Consumo Privado y el PIB es muy importante y estable como se pone de manifiesto en el gráfico 1, con datos del conjunto de 25 países de la OCDE en 1961-97, expresados en miles de dólares de 1990 por habitante según tipos de cambio. Gráfico 1. Relación entre el Consumo y el PIB en el conjunto de la OCDE (Datos per cápita, en miles de dólares anuales a precios de1990 según TCs), en 1961-1997 Fuente: Elaboración propia a partir de datos de la OCDE National Acccounts. A continuación presentamos una síntesis de los resultados de aplicar el test ADF a las variables C90 y PIB90 de cada uno de los países de la OCDE en el 4 5 6 7 8 9 10 11 12 810 12 14 16 18 20 PHT CHT CHT vs. PHT Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 69 período 1960-95, así como los de los tests EG para las variables en niveles y en primeras diferencias, de acuerdo con el estudio realizado por Guisán(2001 a). Una aplicación similar para el período 1961-97 se presenta en Guisán(2001 b) Comprobamos que el método 3, consistente en la aplicación del test EG con variables en primeras diferencias, tiene mejores resultados en el sentido de lograr que se acepte la cointegración en esta relación no espuria entre Consumo y PIB. Sin embargo, ello no significa que sea un método mejor que los otros dos ya que tiene también el gran peligro de aceptar regresiones espurias. Hay que añadir que los tests de cointegración que tienen una mayor tendencia a no rechazar la cointegración entre variables que tienen una relación no espuria son también los que tienen en general una mayor tendencia a la aceptación de la cointegración cuando la relación es espuria. Los que tienen tendencia al rechazo, en su aplicación habitual, tienden también a rechazar tanto las relaciones espurias como las que no lo son. Situaciones de incertidumbre Es importante tener en cuenta que los contrastes de cointegración cuando el coeficiente de autocorrelación es próximo a 1, siendo menor que 1, presentan con gran frecuencia situaciones de incertidumbre que no deben confundirse con la aceptación de la hipótesis de no cointegración. El problema de la aplicación mecánica habitual de los tests ADF y EG, sin considerar situaciones de incertidumbre, no es sólo que fallen por calificar como espurias a regresiones que no lo son sino que tampoco sirven como defensa frente a las regresiones espurias. Según la metodología habitual del análisis de la cointegración los resultados anómalos podrían explicarse si las variables C90i y PIB90i no fuesen integradas del mismo orden. En ese caso necesitaríamos incorporar más variables explicativas a la regresión de cointegración para que una combinación lineal de las variables explicativas estuviese cointegrada con la variable explicada. Sin embargo esta posible explicación no es aplicable en el caso de estas variables ya que ambas presentan las características propias de procesos integrados de primer orden (I(1)). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 70 El fallo de este método para detectar la existencia de regresiones no espurias, como las analizadas en esta sección, se debe fundamentalmente a dos causas: 1) Gran amplitud del intervalo de confianza para el parámetro del contraste, que suele presentarse para raíces unitarias menores que la unidad pero próximas a uno. Debido a esa amplitud del intervalo no es correcta la frecuente tendencia de muchos autores a considerar que la aceptación de la hipótesis nula implica siempre no cointegración. 2) Identificación indebida, por parte de muchos investigadores, de los conceptos de cointegración y causalidad. En este sentido hay que señalar que puede haber relaciones causales que no cointegran debido a un pequeño problema en la especificación de alguna variable. Así en la sección 3.4 veremos como este problema, generalmente poco importante, desaparece con una ligera modificación en la especificación de los modelos. En el caso de la relación entre Consumo y PIB de los 25 países de la OCDE los intervalos de confianza del parámetro del contraste EG muestran una evidencia bastante importante respecto a que el valor de a1 es positivo y menor que 1, y poca evidencia respecto a que su valor es 1, como puede comprobarse con los datos que figuran en tabla 2.5 de Guisán(2001a). Relaciones espurias y cointegradas La aplicación del test EG en niveles, en la forma que se realiza habitualmente, no sólo falla al no detectar la cointegración en regresiones no espurias sino que también puede fallar en sentido contrario, al detectar cointegración en regresiones espurias. Las regresiones que vamos a analizar en esta sección son en alto grado espurias, ya que en general el nivel de renta familiar y de consumo de un país no dependen del PIB de otro país sino del PIB propio. Presentamos aquí los resultados obtenidos en los estudios de Guisán(1999) y (2001a). Es cierto que pueden existir influencias indirectas que expliquen como la marcha general de la economía de los principales países de la OCDE influye sobre todos ellos, pero no existe ningún razonamiento que nos permita Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 71 considerar como lógico que se presenten numerosos casos en los que C90 del país i no esté cointegrado con su propio PIB y sí lo esté con el PIB de otro país con el que mantiene una relación económica muy débil. En la tabla 3.4 de Guisán(2001a) se exponen los resultados obtenidos en las cointegraciones cruzadas con los datos de C90i y PIB90j (para todo i y todo j) de los 25 países de la OCDE en el período 1960-95, aplicando la opción (C,1) del método 2 e indicando entre paréntesis el valor numérico del estadístico EG en los casos en que su valor se situó a la izquierda del valor crítico de las tablas de MacKinnon para un nivel de significación del 5%. La autora critica la práctica habitual de aplicación automática del test, pues llevaría a resultados claramente inadecuados, ya que se aceptaría la cointegración del Consumo de Alemania con el PIB de España, Finlandia, Portugal y Gran Bretaña, y otros muchos resultados cruzados de escasa o nula causalidad como la cointegración del Consumo de México con el PIB de Finlandia, Islandia y Suecia. El caso de Gran Bretaña es el más llamativo ya que el incremento del Consumo cointegra con el incremento del PIB de todos los países menos 2, siendo los países en los que no cointegra, Finlandia y la propia Gran Bretaña. La aplicación de la opción (T) ni distintas opciones de retardos tampoco evitaron la aceptación de regresiones espurias, como son en general las existentes entre el Consumo de un país y el PIB de otro país. Tampoco se resolvería el problema utilizando los otros contrastes de cointegración analizados en dicho estudio, ya que incluso tienen un peligro mayor de aceptar como no espurias regresiones que lo son. Resultados del análisis de regresión conjunta En Guisán(2001 a) se demuestra que con una estrategia razonable de regresión, se habrían obtenido resultados mejores que con los tests de cointegración, para distinguir la relación causal verdadera entre el Consumo y el propio PIB y para rechazar las relaciones causales falsas entre el Consumo propio y el PIB de otros países. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 72 Un simple análisis de la correlación lineal entre C90i y PIB90j pone de manifiesto que en la práctica totalidad de los casos el coeficiente de correlación fue más elevado con el PIB90i del propio país que con el PIB90j de otro país. La única excepción fue Luxemburgo, siendo en ese caso las diferencias mínimas. Además, como puede comprobarse con los datos de la OCDE que figuran en el Anexo de Guisán(2001a), si estimamos una relación lineal de C90i, como variable explicada, con PIB90i y PIB90j como variables explicativas, para cada uno de los 20 países que en la tabla 2.6 presentaron cointegración con el PIB90j de otro país, obtenemos resultados claramente favorables a la hipótesis de que PIB90i influye significativamente en C90i, mientras que PIB90j no influye en general de forma significativa en C90i. Comparación de resultados con ADF, EG y regresión conjunta La tabla 1 compara los resultados de contrastar la existencia de una relación causal con los métodos EG, ADF y regresión conjunta, mediante modelos en niveles, primeras diferencias y dinámicos mixtos. Tabla 1. Porcentaje de casos de aceptación de la relación causal entre C90 y PIB90 en 25 países de la OCDE en 1961-97 Test y tipo de relación Levels First Dif. Mix.Dyn EG causalidad verdadera: C90i, PIB90i 0 88 72-88 ADF causalidad verdadera: C90i, PIB90i 84 100 100 Regresión conjunta: aceptación de PIB90i 100 100 100 EG relación cruzada: C90i, PIB90j 19 23 38-58 ADF relación cruzada: C90i, PIB90j 66 96 100 Regresión conjunta: aceptación de PIB90j 54 53 13 Fuente: Guisán(2001), tablas 3 y 4, pp.48 y 50. En el caso del test EG y el modelo dinámico mixto se consideran los resultados con y sin ordenada en el origen. Hay una mayor proporción de aceptaciones de las relaciones causales verdaderas con el método de la regresión conjunta, para los tres tipos de modelo, y con el test ADF para los modelos en primeras diferencias y dinámico mixto (con porcentajes de acierto del 100%). El test EG con el modelo en niveles no permitió aceptar en ningún caso las relaciones causales verdaderas. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 79 3.3. Consumo Privado y Consumo Público en educación y sanidad El gráfico 2 muestra la evolución de los ratios Unión Europea/USA en las variables PH, CH y ZH, siendo PH el PIB por habitante, CH el consumo privado por habitante privado, y ZH la suma de CH y GH, donde GH es el cosnumo público por habitante. Las variables están expresadas en miles de dólares de 1990 según Paridades de Compra, PCs, de dicho año. Desde 1991 la Unión Europea, UE, pierde posiciones en comparación con USA, tanto en Producción por habitante como en Consumo Privado y Total por habitante. Se observa también que las políticas europeas han tratado de mantener el Consumo público por habitante a costa de la reducción del consumo privado, y en términos generales esta política no es buena para la evolución del empleo y la producción como veremos al analizar los modelos econométricos. Sería preferible incrementar el consumo público sin perjudicar la evolución del consumo privado. Gráfico 2. Ratio UE/USA en PH, CH y ZH, 1960-2000 .48 .52 .56 .60 .64 .68 .72 60 65 70 75 80 85 90 95 00 R a t i o P H R a t i o Z H R a t i o C H Nota: PH, CH y ZH son, respectivamente el PIB, el Consumo Privado y la suma del Consumo Público y Privado, per cápita, expresados en miles de dólares de 1990 según paridades de compra, PCs. Los ratios son los cocientes entre la UE15 y USA. En el año 2000 la producción per cápita de la Unión Europea era aproximadamente igual al 68% de la de Estados Unidos, mientras que el Consumo privado per cápita era, en la UE, inferior al 60% del valor de Estados Unidos, y el Consumo total (público y privado) per cápita europeo suponía aproximadamente un 64% del de Estados Unidos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 80 La tabla 8 presenta las estimaciones de gasto público y privado en dos importantes grupos de gasto que son los de Sanidad y los de Educación y Cultura. En las estadísticas de National Accounts de la OCDE disponemos de datos de consumo privado bastante detallados y algunos datos del consumo público, mientras que en las Purchasing Power Statistics de la OCDE disponemos de datos de consumo individual, sea público o privado, con bastante detalle. Tabla 8. Gasto por habitante en Sanidad y Educación en 1996 (dólares de 1990 según PCs) Sanidad Educación y Cultura País Total Priv Pub Total Priv Pub 1. Austria 1613 341 1271 2002 1205 797 2. Belgium 1738 371 1367 1993 782 1211 3. Finland 1313 270 1043 2075 904 1171 4. France 2276 376 1900 1882 912 970 5. Germany 1895 378 1518 1866 968 898 6. Ireland 1371 238 1133 1976 751 1225 7. Italy 1514 324 1190 1756 856 900 8. Luxembourg1 1479 1450 29 2345 1254 1081 9. Netherlands 1748 360 1388 2149 997 1152 10. Portugal 784 507 277 1802 532 1270 11. Spain 862 272 590 1077 844 233 12. Denmark 1321 231 1089 3198 1097 2101 13. Greece 946 414 532 967 493 474 14. Sweden 1251 178 1073 2018 843 1175 15. UK 1385 132 1252 2117 1242 875 16. Iceland 2734 242 2493 2592 1202 1390 17. Norway 1425 257 1168 2273 1095 1178 18. Switzerland 1901 1825 77 2006 1243 763 19. Turkey 152 106 46 393 117 276 20. Australia 1751 361 1391 2726 1327 1399 21. New Zealand 1269 671 598 1876 907 969 22. Japan 3189 310 2878 2632 1292 1340 23. Canada 2111 367 1744 2649 1150 1499 24. USA 2896 2807 89 2939 1864 1075 Fuente: Guisán y Arranz(2001) en base a estadística de la OCDE. Existe una posible sobrevaloración del gasto en Educación y Cultura de Portugal. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 81 Dichos datos han sido elaborados por Guisan y Arranz(2001) y utilizados para estimar modelos econométricos de consumo privado y público teniendo en cuenta algunas relaciones de sustitución entre ambos. Respecto al gasto en Sanidad, en el estudio de Guisan y Arranz(2001) se observa que existe una demanda creciente de este gasto a medida que se incrementa la renta, el cual se produce de forma privada cuando el sector público no atiende dicha demanda. La ventaja de un sistema mixto, de sanidad pública y privada, está en diseñar una política que garantice una asistencia pública de calidad a todos los ciudadanos al tiempo que penalice con un pequeño coste las demandas excesivas, y en algunos casos abusivas, de atención sanitaria. Por lo que respecta al gasto en Educación y Cultura, el modelo estimado por Guisán y Arranz(2001) muestra que la demanda privada no es tan fuerte como en el caso de la sanidad, de modo que dada un determinado nivel de PIB por habitante, si el gobierno no incrementa el gasto público en educación, la demanda privada sólo la incrementa moderadamente- Los países más destacados en gasto en Sanidad por habitante, con más de 1800 dólares anuales, a precios de 1990 y paridades de poder de compra, son Alemania, Francia, Islandia, Suiza, Japón y USA. En Educación y Cultura destacan los países que superan los 2500 dólares anuales por habitante: Dinamarca, Islandia, Noruega, Australia, Japón, Canadá y USA. La distribución del Consumo Privado por categorías de gasto se analiza en Arranz(2002), en un estudio comparativo de varios enfoques aplicados a los países de la OCDE. El modelo SKIM seleccionado muestra una elevada capacidad predictiva tanto para la estructura del consumo como para el deflactor del consumo privado que depende de dicha estructura y de los índices de precios de los distintos componentes. 3.4. Referencias bibliográficas1 ARRANZ, M. (2002). Forecasting Private Consumption in European Countries. Documento de la serie Economic Development n.54. Disponible gratuitamente en internet.2 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 82 DICKEY, D. y FULLER, W.A.(1979). Distribution of the Estimators for Autorregresive Time-Series with a Unit Root. JASA, Vol. 74, pp. 427-431. ENGLE, R. y GRANGER, C.W.J.(1987). Co-integration and Error Correction: Representation, Estimation and Testing. Econometrica 35, pp. 251-276. FULLER, W.A. (1976). Introduction to Statistical Time Series. John Wiley and Sons, Nueva York. GUISAN, M.C. (2001). “Causality and Cointegration between Consumption and GDP in 25 OECD Countries: Limitations of the Cointegration Approach”. Applied Econometrics and International Development, Vol.1-1, pp. 39-61, disponible en internet.2 GUISÁN, M.C.(2002). Causalidad y cointegración en modelos econométricos: Aplicaciones a los países de la OCDE y limitaciones de los tests de cointegración. Documento de la serie Economic Development n.63. Disponible gratuitamente en internet.2 GUISAN, M.C.(2003). Causality tests, interdependence and model selection: Aplication to OECD countries 1960-97. Documento de la serie Economic Development n.61. Disponible gratuitamente en internet.2 GUISAN, M.C. y ARRANZ, M.(2001). Consumption Expenditure on Health and Education. Documento de la serie Economic Development n.54. Disponible gratuitamente en internet.1 HOLMES, M.J.(2003). Are the Trade Deficits of Less Developed Countries Stationary? Evidence for African Countries. Applied Econometrics and International Development, Vol. 3-3, pp. 7-24.1 OCDE(1999). National Accounts Statistics 1960-1997, Vol. I. OCDE, París. PINDYCK, R.S. y RUBINFELD, D.L.(1998). Econometric Models and Economic Forecasts. Fourth Edition. Irwin-McGraw-Hill, Boston. 1 Más información bibliográfica en los estudios citados en esta sección. 2 Documentos disponibles on-line en: http://www.usc.es/economet/econometria.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 83 CAPÍTULO 4 MODELOS DE OFERTA Y DEMANDA DE LA INDUSTRIA MANUFACTURERA Y COMERCIO EXTERIOR María Carmen GUISÁN * María Teresa CANCELO 4.1. La industria manufacturera en los países de la OCDE La mayor parte de los datos correspondientes a la producción manufacturera corresponden al valor añadido industrial que recoge OCDE en la estadística “National Accounts”, y están expresados en miles de millones de dólares de 1990. En los gráficos 1 y 2 presentamos los datos correspondientes al valor añadido de la industria manufacturera per capita, durante el período 1970-92, en miles de dólares de 1990 por habitante, de los siguientes países y áreas: EU10, Japón, Estados Unidos y España; con el objeto de ver su evolución a lo largo del período analizado. En el gráfico 1 los datos están expresados según tipos de cambio, TCs, mientras que en el gráfico 2 se expresan según paridades de poder de compra, PCs. Los datos de EU10 corresponde a los 10 países de Unión Europea que figuran en tablas del Anexo de este capítulo. Datos más detallados de la producción manufacturera de los países de la OCDE, desglosados en algunos casos por sectores productivos, figuran en varios de los estudios citados en la bibliografía, como Cancelo(2001), y Guisán(2002) y (2004). Observamos que la producción manufacturera, expresada en términos per cápita, ha evolucionado positivamente para todas las áreas consideradas, si bien es Japón el país en el que la producción ha crecido más en términos relativos. España es un país donde la producción industrial debe crecer mucho más, dado que presenta unos niveles relativos muy inferiores en comparación con USA, Japón y con la media de los 12 países que componían la Comunidad Económica Europea. ---- Las autoras son profesoras de Econometría de la universidad de Santiago de Compostela (España), https://www.usc.gal/economet/econometria.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 84 Gráfico 1.1. Valor añadido real manufacturero per capita (miles de dólares de 1990 por habitante, según TCs) 1 2 3 4 5 6 7 8 70 72 74 76 78 80 82 84 86 88 90 92 J p E U 1 0 U S A E s Fuente: Elaboración propia a partir de datos de la OCDE. Notas: TC=tipo de cambio. EU10 es el conjunto de 10 países de la Unión europea. Gráfico 1.2. Valor añadido real manufacturero per capita (miles de dólares de 1990 por habitante, según PCs) 1 2 3 4 5 6 70 72 74 76 78 80 82 84 86 88 90 92 U S A E U 1 0 J p E s Fuente: Elaboración propia a partir de datos de la OCDE. Notas: TC=tipo de cambio. EU10 es el conjunto de 10 países de la Unión europea. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 85 Observamos que la valoración en tipos de cambio parece sobreestimar la producción industrial por habitante de Japón en comparación con USA y en alguna medida también la de la Unión Europea respecto a USA. Por lo que respecta a USA observamos que aunque su posición relativa respecto a Japón mejora al considerar las comparaciones internacionales en paridades de poder de compra, su producción industrial manufacturera por habitante es elevada pero crece a un ritmo suave, debido en gran parte a la inversión exterior de muchas empresas multinacionales norteamericanas que luego exportan dichas mercancías a USA, como señala Lipsey(1995). Como hemos analizado en el capítulo 2, la producción no manufacturera de USA ha podido crecer de forma importante a pesar de que el crecimiento de la producción manufacturera fuese más moderado, debido al incremento de la capacidad importadora propiciado por los ingresos procedentes de los rendimientos de las inversiones en el exterior. 4.2. Contrastes de especificación en modelos anidados y no anidados: Aplicación a la oferta y demanda de la producción manufacturera. Los contrastes de especificación constituyen una herramienta útil para la selección entre modelos alternativos no anidados. En esta sección presentamos una aplicación de contrastes para modelos anidadosy no anidados lineales mientras que en el capítulo 6 realizamos también contrastes para modelos no anidados y no lineales. Denominamos modelos anidados a aquellos en los que uno de ellos es un caso particular de otro modelo más amplio, en el caso de que algunos parámetros sean nulos o adopten determinados valores. Si el modelo es lineal el problema de selección del más adecuado es un problema típico de selección de regresores, tal como se expone en Guisán(1997) y en otros textos de metodología econométrica. Cuando los regresores de un modelo lineal no son comunes a ambos podemos realizar un anidado artificial en el que los dos modelos alternativos serían casos particulares del modelo más general que establecemos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 86 Guisán (1997) destaca tres enfoques para contrastar la especificación de un modelo cuando este es lineal: el enfoque de la razón de verosimilitud, el enfoque de anidado artificial y el enfoque del modelo combinado. El método de anidado artificial consiste en expresar una relación lineal que pondere las dos alternativas que se quieren contrastar: (1) H0 : Y = X  + u0 X matriz de orden TxK0 (2) H1 : Y = Z + u1 Z matriz de orden TxK1 mediante  y (1-): (3) Y = (1-) X  +  Z   +  El enfoque basado en el anidado artificial del modelo con parámetro de ponderación , consiste en contrastar la hipótesis  = 0 mediante un contraste de la t de Student, para lo cual es necesario sustituir  por un estimador consistente bajo H1, o lo que es lo mismo sustituir Z   por  Y , bajo la H1. Para efectuar este contraste, Davidson y Mc Kinnon (1981) proponen utilizar como estimador de  el estimador MCO bajo H1 (   ): (4)   = (Z´Z)-1 Z´Y A continuación sustituye este vector estimado en el modelo anidado artificial con el objeto de contrastar la hipótesis  = 0 mediante el estadístico t correspondiente, el cual, bajo la hipótesis nula, se distribuye como una t de Student con T-k0-1 grados de libertad. En el caso de modelos no lineales se presenta el problema de la elección de la forma funcional, para lo cual se puede tener en cuenta la bondad del ajuste, la estabilidad de los parámetros y contrastes de especifiación para modelos no lineales anidados y no anidados de Pesaran, y otros autores. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 87 En esta sección presentamos una síntesis de los estudios de Cancelo(1996) y de Cancelo, Guisán y Frías(2001) de contrastes de especificación para modelos de oferta y demanda de la producción manufacturera en países de la OCDE. Los datos se refieren al período 1973- 92 para Modelo de oferta para la producción industrial manufacturera En primer lugar estimamos la ecuación de la producción industrial por el lado de la oferta, para lo que utilizamos la función de producción de Cobb- Douglas, pero le añadimos una variable adicional: el gasto en I+D industrial, con el objeto de recoger la influencia de la actividad tecnológica del país sobre su producción industrial. Para recoger el efecto de la actividad tecnológica sobre la producción se pueden utilizar diversas variables: gasto en I+D (como indicador de recursos), nº de patentes registradas (como indicador de resultados), balanza de pagos tecnológica (como indicador de impacto), o combinaciones de estas variables (Fagerberg, 1988; Sánchez, 1993). Hemos escogido el gasto en I+D industrial en lugar del número de patentes, en primer lugar, ya que en nuestro país hay muy poca propensión a patentar lo que provoca que la correlación entre el gasto en I+D y las patentes, en el caso español, sea muy baja como demuestran Sánchez (1993) o Buesa (1992). Además en la Estadística de la OCDE que hemos utilizado, los datos correspondientes al gasto en I+D se refieren a la industria, mientras que los correspondientes a las patentes son datos globales y no específicamente del sector industrial. Los datos correspondientes al gasto en I+D proceden de la estadística de la OCDE “Research and Development expenditure in industry: 1973-92” y recogen las actividades de I+D llevadas a cabo por el sector empresarial en la industria. La variable que recoge estos datos se denomina BRD10 y está expresada en miles de millones de dólares de 1990. Para deflactar esta serie utilizamos el deflactor del PIB (en base 1990=100), y para expresarla en dólares utilizamos el tipo de cambio de 1990 de la moneda de cada país con relación al dólar. La variable se recoge en el modelo como BRD10. Los datos correspondientes a empleo industrial, están expresados en miles de personas y se ha obtenido de la estadística que publica la OCDE “National Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 88 Accounts”. Para España se han utilizado datos de la Encuesta de Población Activa que publica el INE. Los datos de capital que se han utilizado corresponden a “stock de capital” industrial, están expresados en miles de millones de dólares de 1990. Para elaborar estas series se han utilizado los datos de Formación Bruta de Capital Fijo manufacturero (a precios de 1990) que publica la OCDE. Para España se han utilizado las series de FBCF (a precios de 1990) extraídas de Mas, Pérez y Uriel (1995). Para analizar la oferta, definimos el modelo: (5) Q L SK BRD e it it it it t 10 10 10 10 01 2 3 =      Si aplicamos logaritmos en (1), la ecuación de la producción, por el lado de la oferta, quedaría especificada de la siguiente forma: (6) logQ10it = log 0 + 1 log L10it + 2 log SK10it+ 3log BRD10it + t donde log es el logaritmo neperiano y las variables son: Q10 = Producción manufacturera (miles de millones de dólares de 1990). L10 = Empleo industrial (miles de personas) SK10 = Stock industrial (miles de millones de dólares de 1990). BRD10 = Gasto en I+D de las empresas en la Industria (miles de millones de dólares de 1990). El modelo se ha estimado para una combinación de datos temporales y atemporales, correspondientes al periodo 1975-90, y a los siguientes países: Alemania, Bélgica+Luxemburgo, Dinamarca, España, Francia, Gran Bretaña, Holanda, Italia, Japón, Portugal y Estados Unidos. Por ello, el tamaño muestral es de 176 obsevaciones, correspondientes a los 16 años de los 11 países. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 95 Con los resultados obtenidos a partir de la estimación de esta ecuación, estimamos el valor de la producción industrial por el lado de la demanda (YFD), y lo sustituimos en las ecuaciones siguientes (al igual que hacíamos con la oferta): (11) log Q = C(80)*YFD + (1 - C(80)) log Qs (12) log Q10it = C(80) * log YFDit + (1 - C(80))* (C(91) * log L10it + + C(92) * logSK10it + C(93) * log BRD10it + C(94)* Q10Rit) + t Estimando la ecuación 12 por Mínimos Cuadrados No Lineales, los resultados obtenidos son los siguientes: log Q10it = 0.619 * log YFDit + (1 - 0.619) * (-0.001 * log L10it + + 0.105 * log SK10it + 0.013 * log BRD10it + 0.924 + log Q10Rit) Con los resultados de la estimación de la ecuación (13) vemos que el coeficiente correspondiente a la producción estimada por el lado de la demanda (C(80)) es igual a 0.62, el cual no resulta estadísticamente significativo pues el valor del estadístico t tomó el valor 1.84 y está en la zona de no rechazo de la hipótesis de nulidad. Estos resultados sugieren que los factores por el dado de la oferta son los que determinarían, en mayor medida, el aumento de la producción industrial. A continuación examinamos esta cuestión con el Método del Modelo Combinado. Método del Modelo Combinado. Además de realizar el contraste para el modelo de anidado artificial realizamos el contraste de especificación bajo la enfoque del modelo combinado, el cual consiste en construir un modelo que combine las dos hipótesis sin utilizar ningún parámetro de ponderación. De esta forma, se contrasta la hipótesis  = 0 en el modelo combinado, Y= Y = X +Z  +u, de forma que la hipótesis nula: Y = X + u, se acepta si  = 0. De forma similar, se acepta la hipótesis alternativa, cuando se acepta la hipótesis  = 0. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 96 La mecánica del contraste consiste en estimar la ecuación que incluya tanto los factores de oferta y de demanda, y contrastar la significatividad de los subconjuntos de parámetros correspondientes a cada modelo. Así, especificamos la siguiente ecuación: (13) log Q10it = 0 + 1 log L10it + 2 log SK10it + 3 log BRD10it + + 5 log PIB90Rit + 6 log XR10it + 7 log MR10it + + 8 log PRI10it + 9 log Q10Rit + t . Estimación de la ecuación (13) por MCO.Modelo combinado LS // Dependent Variable is LOG(Q10) Sample 1975 1990 Included observations: 176 Variable Coefficient Std. Error t-Statistic Prob. C -0.427891 0.138210 -3.095957 0.0023 LOG(L10) 0.033972 0.017006 1.997717 0.0474 LOG(SK10) 0.024249 0.025113 0.965600 0.3356 LOG(BRD10) -0.013625 0.012587 -1.082457 0.2806 LOG(PIB90R) 0.101879 0.036949 2.757292 0.0065 LOG(XR10) 0.062405 0.021608 2.887994 0.0044 LOG(MR10) -0.030255 0.014346 -2.108916 0.0364 LOG(PRI10) 0.019441 0.039806 0.488393 0.6259 LOG(Q10R) 0.851351 0.031422 27.09386 0.0000 R-squared 0.998807 Mean dependent var 4.756015 Adjusted R-squared 0.998750 S.D. dependent var 1.312430 S.E. of regression 0.046409 Akaike info criterion -6.090751 Sum squared resid 0.359680 Schwarz criterion -5.928624 Log likelihood 295.2529 F-statistic 17473.56 Durbin-Watson stat 1.578792 Prob(F-statistic) 0.000000 Fuente: Elaboración propia El contraste que se efectúa para seleccionar cual es la especificación más adecuada es el de un subconjunto de parámetros, que se realiza con el estadístico F, de forma que si contrastamos la hipótesis nula de que los parámetros correspondientes a la ecuación de demanda son nulos (tomados conjuntamente), el estadístico F sería igual a: (14) FSCE K K SCE T K C S S C =− − − (SCE ) / ( ) / ( ) Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 97 SCES = Suma de Cuadrados de Errores, correspondiente a la ecuación del Modelo de Oferta (4) cuyos resultados se recogen en la tabla 3. SCEC = Suma de Cuadrados de Errores, correspondiente a la ecuación del Modelo Combinado (10) cuyos resultados se recogen en la tabla 5. K = Nº total de parámetros que intervienen en el modelo conjunto = 9. KS = Nº de parámetros que intervienen en el modelo de oferta = 4. T = Tamaño muestral Así: K-KS = Nº de parámetros excluidos. El valor del estadístico F es de 2.39. Bajo la hipótesis nula este estadístico se distribuye como una F de Snedecor con K-KS (5) grados de libertad en el numerador y T-K (167) grados de libertad en el numerador, que para un nivel de significación del 5% vale 2.27. Por lo tanto, comparando el valor del estadístico F (2.39) con el valor crítico de la F de Snedecor (2.27) la hipótesis nula de nulidad conjunta de los parámetros correspondientes al modelo de demanda se rechazaría para un 5%, pero con muy poco margen. Si calculamos el mismo estadístico para contrastar la nulidad conjunta de los parámetros correspondientes al modelo de oferta, el procedimiento es exactamente el mismo, pero en este caso el valor del estadístico F es de 4.09 que si lo comparamos con el valor crítico de la F de Snedecor (que en este caso vale 2.67) nos indica un claro rechazo de la hipótesis nula. Con los resultados obtenidos tanto al efectuar este contraste, como el de Davidson y Mc Kinnon, que la evidencia empírica es mucho más favorable hacia el modelo de oferta que hacia el modelo de demanda, evidencia que se hace más fuerte si comparamos los resultados obtenidos al predecir con todos los modelos. (15) Q10 = 0.74 * Q10FS + 0.26 * Q10FD donde Q10FS es la predicción efectuada para la producción industrial con el modelo de oferta (ecuación 2 y tabla 1) y Q10FD es la predicción efectuada para la producción industrial con el modelo de demanda (ecuación 3 y tabla 2). A continuación presentamos una tabla con los resultados de la evaluación de la capacidad predictiva realizada con los tres modelos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 98 Tabla 2. Evaluación de la capacidad predictiva. Predicción de la producción industrial real para los años 1991 y 1992, para los 11 países considerados. Predicción Tabla % RECM % EAM. U de Theil M. oferta 14 2.6269 2.090 0.0087 M. demanda 16 5.7117 2.231 0.0189 M. combinado 21 3.8936 1.808 0.0132 Nota: RECM = Raiz del Error Cuadrático Medio.EAM = Error Absoluto Medio Examinando estos resultados podemos comprobar que las mejores predicciones se realizan con el modelo estimado por el lado de la oferta, ya que conllevan un menor porcentaje de la Raíz del Error Cuadrático Medio del período de predicción (%RECM) y un menor valor del estadístico U de Theil. Además, podemos observar que las predicciones son correctas, dado que el valor del %RECM no llega al 3%, y el U de Theil, está muy próximo a 0, además la media absoluta de los errores de predicción en porcentaje (cuyos valores recogemos en la cuarta columna de la tabla 22) está en torno al 2%, lo que es un valor bastante bajo. Si calculamos el %RECM de la predicción realizada a través de la ecuación 11 que recoge oferta y demanda en los porcentajes ya descritos, toma un valor de 2.8964 %, o sea, es mayor que el valor obtenido para la misma medida cuando realizamos la predicción a partir del modelo de oferta (2.626). Con todos los resultados, y contrastes, que se han manejado se puede concluir que para estos países el modelo de oferta presentado es el que mejor estima y predice los valores de la producción industrial. Contraste de estabilidad Además de realizar los contrastes de especificación para elegir cual sería la ecuación que mejor explica el comportamiento de la producción industrial para los países estudiados, hemos realizado el contraste de estabilidad muestral de los parámetros del modelo que hemos seleccionado para explicar la producción industrial con el fin de estudiar si el modelo que se ha propuesto es adecuado, ya que estamos trabajando con una muestra de datos de corte transversal (cross-section) y puede ocurrir que no todos los parámetros del modelo sean homogéneos a lo largo de la muestra. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 99 Para ello, vamos a realizar el contraste de homogeneidad total de los parámetros del modelo de forma que si este contraste es aceptado ya no tenemos que realizar más contrastes con relación a los parámetros. Si se rechazara este contraste, en una segunda etapa tendríamos que analizar si no son estables todos los parámetros, o bastaría con incluir variables ficticias para diferenciar la ordenada en el origen de los países incluidos en el modelo. Para realizar el contraste calculamos el estadístico: (16) FS S gl gl Sgl =− −( ) / ( ) / 2 1 2 1 1 1 donde: S2 = SCE del modelo estimado en su conjunto y gl2 = grados de libertad de S2 = T- k S1 = Suma de las SCEi (i=1,…,p) de modelos individuales para cada grupo y gl1 = grados de libertad de S1 = T- p k T = tamaño muestral. p = número de grupos. En este caso 11 países. k = número de variables explicativas incluidas en el modelo (incluido el regresor ficticio). Bajo la hipótesis nula de estabilidad muestral (homogeneidad de los coeficientes), el estadístico F se distribuye como una F de Snedecor con (gl2- gl1) grados de libertad en el numerador y gl1, grados de libertad en el denominador. Si calculamos el valor del estadístico F para la ecuación de producción estimada según el modelo de oferta, que presentamos en esta sección, vemos que el valor del estadístico F (1.27) es menor que el valor crítico de la F de Snedecor con 50 grados de libertad en el numerador y 110 grados de libertad en el denominador, por lo que se acepta la hipótesis nula de estabilidad muestral de los parámetros. Las principales conclusiones que se deducen de este estudio son las siguientes: 1) El contraste de Davidson y McKinnon y el contraste F del modelo combinado ponen de manifiesto un claro predominio del modelo de oferta sobre el modelo de demanda para explicar la evolución de la producción Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 100 manufacturera (aunque este resultado puede variar si analizamos los modelos para cada uno de los países considerados en la muestra). 2) Aunque el enfoque de oferta es el predominante para la producción industrial existen también indicios de impacto por parte de la demanda. Como recogen Cancelo y Guisán (1998b), si se analiza la causalidad entre la producción industrial y las exportaciones industriales (variable incluida en el modelo de demanda) utilizando el test de Causalidad de Granger, se concluye que las exportaciones industriales son Causa Granger de la producción industrial. A esto hay que añadirle que la inversión industrial (variable incluida en el modelo de oferta) posiblemente está recogiendo en el modelo una parte importante de los efectos del modelo de demanda, tema que puede ser analizado en un estudio posterior. 3) La inversión industrial se revela como la variable más importante a la hora de explicar el comportamiento de la producción industrial, lo que se pone de manifiesto si examinamos los resultados obtenidos en el modelo de oferta. 4.3. Modelos de comercio exterior en los países de la OCDE. Planteamos dos variantes de nuestro modelo, que relaciona las exportaciones reales con la producción manufacturera, los precios, la demanda exterior y el nivel educativo de la población. De ambas seleccionamos la que muestra una mayor capacidad predictiva. El primero de ellos se estima por MCO y por MCG, ya que presenta autocorrelación, y el segundo sólo por MCO ya que no presenta autocorrelación. Previamente a la estimación de los modelos que presentamos en este trabajo efectuamos, en una primera aproximación, la estimación de un modelo preliminar donde las exportaciones industriales reales se explicaban en función de: una variable indicativa del esfuerzo innovador, una variable representativa del capital, una variable que recoja las diferencias entre precios y/o costes, la demanda interna, recogida por la producción industrial, y la dinámica exportadora recogida por la propia endógena retardada. De los resultados que obtuvimos al estimar las exportaciones reales de esta primera aproximación, se destaca lo siguiente: Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 101 1) Las variables representativas del esfuerzo innovador (gasto en I+D industrial de las empresas) y del capital (stock de capital industrial) ejercen una influencia positiva sobre las exportaciones industriales, pero dicha influencia no resulta estadísticamente significativa. 2) Dichas variables están muy correlacionadas tanto entre si (coeficiente de correlación igual a 0.93), como con la producción industrial (coeficiente de correlación para el gasto en I+D y la producción es de 0.96, y del capital y la producción 0.98), lo que provoca problemas de multicolinealidad y plantea problemas de selección de regresores. 3) El valor del estadístico t del coeficiente de la endógena retardada resultó muy elevado lo que nos indica que posiblemente dicha variable recogiendo la influencia de variables omitidas. Con estas reflexiones a partir de dicha primera aproximación, y revisando otros modelos que explican las exportaciones, como por ejemplo PULIDO (1983), concluimos lo siguiente: 1) La producción industrial real recoge la influencia del gasto en I+D y del capital industrial sobre las exportaciones reales, como puede verse en CANCELO (1998), por lo que consideramos conveniente no incluir estas dos variables en el modelo, decisión que nos permite reducir los problemas de multicolinealidad. 2) Examinados otros modelos econométricos, vemos la necesidad de incluir en nuestro modelo una variable que recoja el nivel de actividad mundial de la industria, o lo que podría ser una variable proxy de demanda externa de nuestras exportaciones. 3) Además, consideramos importante la inclusión de una variable que recoja un indicador de precios relativos (en una moneda común),con la finalidad de contrastar el efecto que las diferencias de precios ejercen sobre la competitividad de las exportaciones de los países, efecto contrastado por numerosos autores en toda la literatura de los modelos de comercio internacional así como en algún modelo recogido en el capítulo 2 (SÁNCHEZ, 1993), y que no se debe omitir aunque se considere que existen otras Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 102 variables que pueden influir de forma significativa sobre las exportaciones de un país. 4) En el modelo no se han incluido los costes laborales unitarios como variable explicativa de las exportaciones industriales, ya que si bien su influencia es negativa, estadísticamente no resulta significativa, lo que pone de manifiesto: en primer lugar, que la influencia de los costes en parte se recogen en los precios y en segundo lugar, que la reducción de los costes no es tan importante como a veces se quiere hacer creer. 5) Por último, incluimos una variable para recoger la influencia del capital humano en la evolución de las exportaciones industriales. Por ello hemos incluido en el modelo una variable que recoge el nivel educativo superior de la población, como indicador de stock, y que está muy correlacionada con los gastos en educación, ya que si un país aumenta los gastos en educación, aumentará el número de personas que puedan acceder a la misma, y esto repercutirá de forma positiva sobre el crecimiento del país. De esta forma estimamos el modelo (17): log log log log XR XR R Q Q R PRI PRI R DEXT DEXTR NE NE Rit 10 10 10 10 10 10 3 3 0 1 2 3 4     = +     +       + +    +    +       (17) donde: XR10it = Exportaciones industriales reales del país i hacia la OCDE, para el periodo muestral t=1975..90, expresada en miles de millones de dólares de 1990 (con precios y tipos de cambio de 1990). Q10j = Valor añadido real de la industria en el país i, en el año t, y expresada en miles de millones de dólares de 1990 (con precios y tipos de cambio de 1990). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 103 PRI10j = Precios relativos internacionales de la industria en el país j (1990=100). Es igual al cociente entre los precios internacionales de exportaciones industriales del país j (IPXI10j) y la media ponderada de los precios de los otros países (IPXG10j). Este índice de precios está expresado en dólares de 1990, para todos los países, lo que permite comparaciones tanto a lo largo del tiempo, como entre países. Como ponderaciones se han utilizado la cuota de exportaciones industriales del país con relación a los otros países considerados. PRI IPXI IPXG IPXG IPX XR XR j j j j i i j i i i j 10 10 10 10 10 10 10 1 10 1 10 = = =  =    ; ,i ,i El cálculo de los precios de exportaciones industriales se ha efectuado a partir del deflactor de las exportaciones de bienes y servicios de la OCDE (en base 1990=100) corregidos por los deflactores del valor añadido industrial (en la misma base). Para evitar que los tipos de cambio influyan en su evolución, se han expresado en dólares de 1990. DEXTj = Demanda real de los productos del país j o nivel de actividad de los países considerados, exceptuando el país j, está expresada en miles de millones de dólares de 1990, y se define como: DEXT X X PIB j ij ij i i j i = = =    1 10 1 10 90 ,i donde: Xij = Exportaciones reales totales, de bienes y servicios, del país j al país i. PIB90i = Producto Interior Bruto real del país i expresado en miles de millones de dólares de 1990. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 104 DEXTj = La demanda externa del país j se define como la media ponderada del PIB de los países compradores, siendo la ponderación igual a la participación de cada país i en las exportaciones del país j. NE3 = Porcentaje de la población activa que tiene el nivel educativo 3, correspondiente a la educación secundaria de segundo ciclo completa o nivel superior. La letra R al final de la variable, indica el valor retardado de dicha variable. Así, lo que vamos a estudiar son los crecimientos de las variables, en lugar de los niveles. La ecuación va a ser estimada en logaritmos, ya que la presencia de la variable precio lo hace conveniente. Las variables recogen datos para el período 1975-90, para los países que figuran en el Anexo de esta sección, basados en las tablas de Cancelo y Guisán(1998) y Cancelo(2001), y que son los siguientes: Alemania, Bélgica y Luxemburgo, Dinamarca, España, Francia, Gran Bretaña, Holanda, Italia, Portugal, Estados Unidos y Japón. Las fuentes estadísticas utilizadas son las siguientes: Los datos correspondientes al Valor añadido, se han obtenido de la estadística de OCDE, National Accounts, vol. II, exceptuando dos países: Gran Bretaña, para el cual se utilizaron las series que proporciona Eurostat en su estadística National Accounts, ESA; para España, se utilizó la Contabilidad Nacional del INE. Los datos correspondientes a las exportaciones industriales se han elaborado a partir de los datos recogidos en la estadística de la OCDE, Foreign Trade by commodities, de varios años. Para obtener estas series, tuvimos que separar las exportaciones de los productos industriales de lo que son materias primas, ya que en esta estadística están recogidos conjuntamente y no se hace una selección por el origen de la producción de las exportaciones (o importaciones). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 111 GUISÁN, M.C. (1997): Econometría. Madrid. Ed. McGraw-Hill. GUISÁN, M.C. (2002). “La industria en España y en la OCDE, 1960-2000”. Regional and Sectoral Economic Studies, Vol. 2-2, pp.85-100.1 GUISÁN, M.C. (2002). “La industria en España y en la OCDE, 1960-2000”. Regional and Sectoral Economic Studies, Vol. 2-2, pp.85-100.1 INE (varios años): Contabilidad Nacional de España. INE, Madrid. INE (varios años): Encuesta de Población Activa. INE, Madrid. LIPSEY, R.E.(1995). Outward Direct Investment and the U.S. Economy. NBER documento no. 4691, y Feldstein et al(1995). The Effects of Taxation on Multinational Corporations. University of Chicago Press, pp.7-33. OCDE (varios años): National Accounts, Foreign Trade y RD Expenditure in Industry SÁNCHEZ, P. (1993): Competitividad exterior y desarrollo tecnológico. Proyecto de Investigación. PULIDO, A. (1997): Claves de la Economía Mundial y Española. Pirámide Economía XXI. Ed. Pirámide. Madrid. SÁNCHEZ, P. (1993): Competitividad exterior y desarrollo tecnológico. Proyecto de Investigación. Universidad Autónoma de Madrid. Documentos disponibles en: http://www.usc.es/economet/econometria.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 112 Anexo de datos a la sección 4.3. Tabla A4.1. Exportaciones industriales reales hacia la OCDE. (miles de millones de dólares de 1990 según TCs) País 1975 1980 1985 1990 Alemania 139.6 190.1 264.1 316.9 Bélgica y Lux. 42.9 56.6 71.8 94.3 Dinamarca 13.1 17.8 22.6 26.1 España 12.0 18.3 29.4 43.5 Francia 66.4 94.1 116.2 157.5 Gran Bretaña 60.5 68.3 81.2 125.4 Holanda 31.3 58.2 73.4 93.9 Italia 56.7 79.8 101.9 128.0 Portugal 3.6 5.6 8.8 14.1 Japón 43.3 84.1 144.9 166.0 USA 87.5 128.4 115.5 212.6 Fuente: Elaboración propia a partir de datos de OCDE, Eurostat y datos del INE para la economía española. Tabla A4.2. Valor añadido manufacturero real (miles de millones de dólares de 1990 según TCs) País 1975 1980 1985 1990 Alemania 333.5 386.8 408.7 458.9 Bélgica y Lux. 34.2 36.1 41.0 46.0 Dinamarca 16.7 19.2 21.7 21.0 España 73.0 82.5 84.6 101.2 Francia 210.2 231.8 228.2 256.1 G.Bretaña 144.0 146.0 151.0 201.4 Holanda 33.8 48.9 49.2 53.8 Italia 138.9 195.4 203.1 245.2 Portugal 15.2 13.3 13.2 16.6 Japón 361.8 501.9 655.3 852.6 USA 632.2 766.4 900.8 1032.2 Fuente: Elaboración propia a partir de datos de OCDE, Eurostat y datos del INE para la economía española Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 113 Tabla A4.3. Demanda Externa (miles de millones de dólares de 1990 según TCs) País 1975 1980 1985 1990 Alemania 937.10 1099.05 1400.24 1393.63 Bélgica y Lux. 900.96 1054.12 1206.29 1307.33 Dinamarca 1142.68 1336.57 1716.78 1565.63 España 1059.37 1243.67 1508.53 1372.65 Francia 945.81 1115.43 1356.66 1344.05 G.Bretaña 1335.44 1571.48 1776.73 1877.07 Holanda 877.61 1029.62 1166.35 1238.69 Italia 1157.07 1352.91 1747.06 1630.67 Portugal 939.38 1094.05 1349.17 1251.77 Japón 2722.93 3189.28 3872.23 3852.88 USA 893.08 1080.94 1267.20 1588.73 Fuente: Elaboración propia a partir de datos de OCDE. Tabla A4.4. Precios Relativos Internacionales de las Exportaciones País 1975 1980 1985 1990 Alemania 90.15 94.11 80.89 100 Bélgica y Lux. 105.83 108.77 87.83 100 Dinamarca 98.61 93.89 87.64 100 España 81.19 90.03 82.11 100 Francia 96.67 98.59 89.20 100 G.Bretaña 91.07 119.43 110.83 100 Holanda 115.97 100.02 92.47 100 Italia 81.73 87.64 86.05 100 Portugal 89.49 83.44 85.53 100 Japón 109.86 97.86 117.11 100 USA 124.45 107.15 159.72 100 Fuente: Cancelo(1996). Elaboración en base a medias ponderadas de deflactores del valor añadido de los sectores manufactureros. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 114 Tabla A4.5. Porcentaje de población activa con un nivel educativo secundario de segundo ciclo completo o superior País 1975 1980 1985 1990 Alemania 45.07 55.92 66.77 77.62 Bélgica y Lux. 35.66 38.46 41.26 44.06 Dinamarca 32.08 39.98 47.88 55.78 España 10.24 13.94 17.64 21.34 Francia 31.24 37.44 43.64 49.84 G.Bretaña 39.35 47.80 56.25 64.70 Holanda 50.63 52.78 54.93 57.08 Italia 15.65 19.40 23.15 26.90 Portugal 7.00 9.15 11.30 13.45 Japón 48.80 55.40 62.00 68.60 USA 71.79 75.39 78.99 82.59 Fuente: Elaboración a partir de datos de Denison(1965), Guisán(1980) y (1983) y OCDE(1991). Tabla A4.6. Stock de Capital Industrial per capita (miles de dólares de 1990 por habitante, según TCs) País 1975 1980 1985 1990 Alemania 8.13 8.18 9.04 10.35 Bélgica y Lux. 4.27 4.99 5.90 7.66 Dinamarca 6.41 7.20 7.56 8.65 España 3.35 3.97 3.90 3.82 Francia 6.36 7.56 8.18 8.77 G.Bretaña 5.01 5.51 5.47 5.68 Holanda 7.40 7.95 8.20 8.60 Italia 6.16 6.60 7.87 9.10 Portugal 2.45 2.83 3.47 4.24 Japón 6.90 7.94 9.51 11.30 USA 5.05 5.39 5.85 6.15 Fuente: Elaboración por Cancelo y Guisán (1998). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 115 CAPÍTULO 5 DISTRIBUCIÓN ESPACIAL DE LA POBLACIÓN Y EL EMPLEO Eva AGUAYO * María-Carmen GUISÁN 5.1. Modelos de industria y desarrollo regional en los países de la UE Las políticas económicas del sector público, tanto a nivel regional, como nacional o supranacional, como es el caso de la Unión Europea (UE), tienen un importante impacto sobre la distribución espacial de la población y el empleo. Entre ellas la política industrial es una de las principales. En el caso de España el importante desarrollo industrial del período 1960-75 se basó en una planificación indicativa con la promoción de núcleos y áreas de desarrollo industrial en casi todas las regiones, al igual que en otros países europeos y ello tuvo en general resultados muy positivos para las regiones. En la sección 5.1. analizamos algunos modelos explicativos del desarrollo regional en los países de la UE, con especial referencia al impacto de las políticas industriales y del sector público sobre el desarrollo regional, teniendo en cuenta las relaciones intersectoriales. En la sección 5.2 se analizan modelos que tienen en cuenta las interrelaciones entre empleo y población en la UE y en USA y en la 5.3 se analiza el impacto positivo que el empleo en los servicios públicos tiene sobre el empleo en los servicios privados en el caso de las regiones de México. Aunque la UE ha desarrollado algunas políticas de solidaridad interregional, que han tenido un indudable efecto positivo sobre las infraestructuras y otras variables, en general ha faltado un apoyo europeo a diversas iniciativas de interés para impulsar en mayor medida un desarrollo regional armónico, especialmente en relación con los gastos de educación en centros de enseñanza superior y en relación con los gastos de investigación en ciencias sociales y humanidades. --- * Las autoras son profesoras de Econometría de la universidad de Santiago de Compostela (España), https://www.usc.gal/economet/econometria.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 116 La ayuda europea a los equipos de investigación de las regiones más desfavorecidas ha sido muy escasa o nula, especialmente en temas de Economía y Ciencias Sociales, tan necesarios para impulsar el desarrollo y calidad de vida de la UE. Las importantes diferencias entre regiones de la UE se exponen en Guisán, Cancelo Aguayo y Díaz(2001). La ampliación de la UE en el año 2004 con la incorporación de 10 países que en conjunto tienen una renta per cápita menor que la media de la UE15 incrementará el problema de las disparidades regionales, y hará más necesario el diseño de políticas de impulso al desarrollo regional armónico en la Unión Europea. En esta sección presentamos una breve referencia a algunos modelos de desarrollo regional y empleo de España, Francia, Alemania e Italia. Modelos de industria y desarrollo regional en España La tabla 1 muestra la evolución del empleo no agrario en las regiones españolas durante el período 1976-99. Tabla 1. Datos de empleo no agrario en las regiones españolas 1976-99 Región 1976 1985 1991 1999 76-99 %76-99 Andalucía 1237 1144 1561 1818 581 46.9 Aragón 319 282 364 402 83 26.0 Asturias 294 262 298 288 -6 -2.0 Baleares 184 186 243 291 107 58.2 Canarias 303 313 412 539 236 77.9 Cantabria 129 120 142 154 25 19.4 Castilla-León 568 535 688 745 177 31.2 Castilla-La Mancha 349 330 442 496 147 42.1 Cataluña 1951 1603 2142 2311 360 18.4 Com. Valenciana 1011 907 1170 1351 340 33.6 Extremadura 183 167 237 268 85 46.4 Galicia 639 565 707 769 125 20.3 Madrid 1482 1294 1619 1905 423 28.5 Murcia 216 210 271 331 115 53.2 Navarra 143 133 171 189 46 32.2 País Vasco 689 587 688 750 61 8.9 Rioja 69 61 79 84 15 21.7 TOTAL 9766 8699 11235 12691 2925 30.0 Fuente: Elaboración en base a los datos de la Encuesta de Población Activa (EPA) de las CCAA español, Instituto Nacional de Estadística, INE. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 117 Las regiones con mayores incrementos porcentuales en el empleo no agrario durante el período 1976-99 fueron: 1) Canarias con 77.9%, 2) Baleares con un 58.2%, 3) Murcia con un 53.2%, 4) Andalucía con un 46.9%, 5) Extremadura con un 46.4%, 6) Castilla-La Mancha con un 42.1%, 7) Comunidad Valenciana con un 33.6%, 8) Castilla y León con un 31.2%, 9) Madrid con un 28.5% y 10) Aragón con un 26%. El gráfico 1 muestra una importante correlación lineal positiva entre la tasa de empleo no agrario por cada mil habitantes, LNAH y el Valor Añadido real de los sectores no agrarios per cápita, VNA86H, en las 17 Comunidades Autónomas, CCAA, españolas durante el período 1976-99, estando expresada esta última variable en miles de pesetas de 1986. Gráfico 1. Empleo no agrario y Valor Añadido real no agrario en las CCAA españolas, 1976-1999 Fuente: Elaboración propia con datos de la tabla 1 de este capítulo. En los modelos econométricos de Guisán y Aguayo(2001) se puede comprobar el importante impacto que el incremento del Valor Añadido manufacturero tiene sobre el empleo en los sectores de construcción y de servicios. 120 160 200 240 280 320 360 0400 800 1200 1600 VNA86H LNAH LNAH vs. VNA86H Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 118 En general la inversión en la industria manufacturera es esencial para lograr un incremento importante del empleo y de la renta real por habitante. Salvo muy pocas excepciones, como es el caso de Baleares, región que presenta unos índices de actividad turística de los más altos de Europa, como se muestra en Guisán y Aguayo(2002), todas las regiones españolas y europeas que tienen una renta per cápita superior a la media de la UE destacan por el valor de la producción manufacturera por habitante. El gráfico 2 muestra las diferencias en stock de capital manufacturero por habitante entre las regiones españolas, en el mismo orden que en la tabla 1. Gráfico 2. Stock de capital manufacturero por habitante en 1997 (miles de pesetas de 1986) Fuente: Elaboración propia en base a datos de Mas, Pérez y Uriel(1995) y Contabilidad Nacional de España del INE. Las regiones con más capital manufacturero por habitante son la 16, 15, 6, 17 3, 9 y 2, que corresponden a País Vasco, Navarra, Cantabria, La Rioja, Asturias, Cataluña y Aragón. El stock de capital tiene una gran influencia en el empleo no agrario, si bien hay que destacar que otras variables como el turismo y el desarrollo de los servicios públicos tienen también mucha influencia en esa variable, como se pone de manifiesto en varios modelos econométricos como los de Guisán, Aguayo y Rodríguez(1996), y Guisán y Aguayo(2001e. 0 100 200 300 400 500 600 700 800 2 4 6 8 10 12 14 16 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 119 El gráficos 3 presenta la evolución del empleo manufacturero, LME, y del Valor Añadido Bruto real manufactuero, VM95, y el gráfico 4 presenta la evolución del empleo y el VAB del sector servicios y otros sectores no agrarios. VM95E. Los datos de empleo se expresan en miles de personas y los de VAB en miles de millones de pesetas de 1995. La escala de la izquierda corresponde al empleo y la de la derecha al Valor Añadido. Gráfico 3. VM95E y Empleo en manufacturas (LME) en España (miles de millones de ptas. de 1995 y miles de personas) Fuente: Elaboración propia Gráfico 4. VAB manufacturero y Empleo en Servicios y otros en España (miles de millones de ptas.95 y miles de personas) Fuente: Elaboración propia 2200 2400 2600 2800 3000 3200 3400 8000 10000 12000 14000 16000 78 80 82 84 86 88 90 92 94 96 98 00 VAB manufacturero Empleo manufacturero 6000 7000 8000 9000 10000 11000 8000 10000 12000 14000 16000 78 80 82 84 86 88 90 92 94 96 98 00 VAB manufacturero Empleo en servicios y otros Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 120 En el artículo de Guisán y Aguayo(2001e) se pone de manifiesto el importante impacto que VM95 tiene sobre el VAB y el empleo de los otros sectores no agrarios, resultados que concuerdan con los que hemos comentado en capítulos anteriores respecto a la importancia de las relaciones intersectoriales y al impacto de la industria manufacturera sobre el crecimiento económico. Presentamos a continuación los resultados de los modelos 11 y 12 de dicho estudio. El modelo 11 está estimado bajo la hipótesis de homogeneidad de coeficientes y sus resultados se comparan con los del modelo 12, el cual supone heterogeneidad del coeficiente de la variable exógena y homogeneidad del coeficiente de la endógena retardada. Modelo 11. Modelo dinámico mixto para LNA?H: Homogeneidad Method: Pooled Least Squares. Sample: 1977 1997 Included observations: 21. 17 cross-sections. Total panel (balanced) 357 Variable Coefficient Std. Error t-Statistic Prob. D(VNA?95H/) 0.115090 0.012000 9.590935 0.0000 LNA?H(-1) 0.992404 0.002187 453.7107 0.0000 R-squared 0.958791 Mean dependent var 260.9926 Adjusted R-squared 0.958675 S.D. dependent var 43.26531 S.E. of regression 8.795257 Sum squared resid 27461.58 Log likelihood -1281.752 F-statistic 8259.548 Durbin-Watson stat 1.413957 Prob(F-statistic) 0.000000 Fuente: Elaboración propia El contraste de homogeneidad de la F de Snedecor, basado en el incremento de la Suma de Cuadrados de los Errores, SCE, casi permite aceptar la hipótesis homogeneidad, pues el valor de este estadístico resultó igual a 2.57 siendo el valor crítico de rechazo para un nivel de significación del 5% igual a 1.67 y para un nivel de significación del 1% igual 2.04. Aunque no se acepte la homogeneidad total hay que interpretar el resultado de este test como indicativo de una alto grado de homogeneidad, pues el incremento de la SCE debido a la no consideración de la heterogeneidad supone sólo un 12% del valor de dicha suma en el modelo 12. Cuando la heterogeneidad es elevada dicho porcentaje es muy superior. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 127 TEMPDIFF=Diferencia entre la temperatura máxima de Julio y la mímina de Enero. MAJOR=Número de equipos deportivos en la liga(baseboll, football, basketball y hockey) en 1980. Tabla 2. Modelo de Clark y Murphy para el período 1981-89 (coeficientes de las variables de tipo fiscal y “localchars”) Variación de la Densidad de Población Variación de la densidad de empleo Parámetro estimado t-stat Parámetro estimado t-estat CONSTANTE EMPLDENS LPOPDNS -0.01639 0.11078 -0.32952 -0.66 1.53 -0.91 CONSTANTE POPDENS LEMPLDNS -0.08432 0.09937 -0.09682 -1.62 2.63 -1.37 Variables de tipo FISCAL PCLOCTAX %PROPTAX PCLOCEXP %EDUCTN %POLICE %HIGWAY %WELFARE %HOSPITAL 1.68E-06 0.00011 1.65E-06 2.26E-05 -3.48E-05 -0.00015 0.00028 -8.04E-05 0.64 1.45 0.61 0.24 -0.07 -0.81 1.31 -0.88 PCFEDEXP %DEFENSE PCLOCTAX %PROPTAX PCLOCEXP %EDUCTN %POLICE %HIGWAY %WELFARE %HOSPITAL REVBOND 1.20E-06 0.00018 1.57E-05 0.00031 5.42E-07 1.85E-06 0.00238 -7.42E-05 0.00076 -4.22E-06 5.96E-12 0.45 2.88 2.27 3.78 0.14 0.02 3.10 -0.55 1.46 -0.05 2.29 Variables de tipo LOCALCHARS Y BUSCOND RESIDINC %BLACK %POVERTY HWYNORTH HWYSOUTH %DCOLLEGE %HIGHSCHL 4.01E-06 -0.00024 -0.00001 -0.00072 0.00986 0.00161 0.00193 4.44 -3.53 -0.06 -0.67 1.52 2.27 2.76 CONCEN HRLYWAGE RESIDINC %BLACK %POVERTY HWYNORTH HWYSOUTH %DCOLLEGE %HIGHSCHL -9.90E-07 0.00201 4.08E-06 -0.00029 -0.00009 -0.00177 0.02456 -0.00024 0.00014 -0.81 1.13 2.93 -3.26 -0.50 -0.82 2.26 -1.25 0.06 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 128 Tabla 3. Modelo de Clark y Murphy para el período 1981-89 (coeficientes de las variables tipo “Amenity” y “Location”) Variación de la Densidad de Población Variación de la densidad de empleo Parámetro estimado t-stat Parámetro estimado t-stat Variables de tipo AMENITY SUN RAIN HEATDAYS COOLDAYS TEMPDIFF PCCRIME MAJOR NOXIUS COSAT 0.00059 7.83E-06 1.90E-06 3.22E-06 -0.00077 -8.29E-05 0.00439 -2.68530 0.01001 3.23 0.06 1.96 1.28 -3.60 -0.76 3.93 -2.57 2.08 HEATDAYS COOLDAYS TEMPDIFF PCCRIME 1.15E-07 1.41E-06 1.29E-05 -0.00018 0.10 0.53 0.05 -1.66 Variables del tipo LOCATION CNTRLCTY RURALI RURALNI NEWENGL MIDATL ENCENTR ESCENTR WNCENTR WSCENTR MOUNTN PACIF 0.00654 -0.01594 -0.01442 0.01169 0.01860 0.00814 -0.00253 0.00616 -0.00702 -0.00823 -0.01015 0.87 -4.00 -3.63 0.81 1.23 0.61 -1.01 0.55 -1.94 -1.24 -1.73 CNTRLCTY RURALI RURALNI NEWENGL MIDATL ENCENTR ESCENTR WNCENTR WSCENTR MOUNTN PACIF 0.00090 0.00866 0.00854 0.04682 0.04155 0.02747 -0.00626 0.02276 -0.00811 0.00380 -0.00500 0.09 1.15 1.04 2.32 2.26 1.52 -1.81 1.68 -1.74 0.41 -0.44 R2 48.78 52.45 Fagerberg, Verspagen y Caniëls, 1997) Plantean un modelo de ecuaciones simultáneas a partir de la interdependencia del crecimiento del PIB per cápita, el crecimiento del Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 129 empleo y los flujos migratorios para 64 regiones europeas de Alemania, Francia, Italia y España en los años 80. Tabla 4. Modelo de Fagerberg, Verspagenr y Caniëls. Resultados de la estimación por MC2E GQ MIR GE Variables Endógenas GQ 0.64 (3.49) MIR 0.96 (2.51) GE 0.38 (5.15) Variables Exógenas Log(Q) -0.015 (2.39) RDE 0.008 (2.80) AGR -0.060 (4.00) UE -0.07 (5.17) -0.03 (0.83) PA -0.001 (0.28) -0.001 (0.56) 0.003 (1.19) RW 0.002 (0.44) -0.057 (4.00) Nota: Entre paréntesis los valores del t-estadístico. Siendo, GQ = tasa de crecimiento media del PIB per capita en el período 1980-90. Q = nivel de PIB per capita en el 1980. GE= tasa de crecimiento medio del empleo (en personas) en 1983-89 GN= tasa de crecimiento medio de la fuerza de trabajo (en personas) RDE= empleo en I+D en empresas en 1985, como porcentaje de la fuerza de trabajo PA = densidad de población en 1985 (miles de personas por Km2) UE = tasa de desempleo en 1983 MIR = media de migración interior neta por miles de personas en la fuerza de trabajo en el período 1983-89. AGR, IND y SER= ratios de agricultura, industria y servicios en el empleo total de 1983. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 130 Se centran en la relación inversa entre los niveles de PIB per cápita y el desempleo en las regiones europeas analizadas: las regiones más pobres presentan mayor nivel de desempleo y viceversa. En el modelo, el paro afecta negativamente al crecimiento a través de su impacto negativo sobre la migración interior. En contraste con las políticas regionales incentivadoras de la migración y la reducción de salarios en las áreas con alto nivel de desempleo, los autores concluyen que hay que incentivar la I+D en las regiones pobres junto con un desarrollo adecuado de la cualificación de la mano de obra. Finalmente, en relación con la estructura productiva, destacan que la importancia de la agricultura en algunas regiones pobres ha supuesto una barrera par el crecimiento del empleo y del PIB per capita. Schmitt, (1999) Presenta un modelo de ecuaciones simultáneas que relaciona la evolución de la población y el empleo, teniendo en cuenta varias categorías de población y empleo. Tratan de analizar la dinámica de las áreas rurales desde dos niveles de análisis: como áreas de mercado de trabajo diferenciadas de las urbanas, como zonas de influencia de los núcleos de empleo de las áreas de mercado de trabajo (LMA) consideradas. Para ello delimita las áreas de mercado de trabajo (LMAs) para el caso de las regiones de Alsace, Burgundy, Franche-Comté, Lorraine, Midi-Pyrénées y Rhône-Alpes. Diferencia las LMAs según el tamaño su núcleo de empleo y distingue dentro de cada LMA diferentes zonas de influencia por la intensidad de los flujos de “commuting” o desplazamiento al centro o núcleo. Las LMAs con un núcleo de menos de 15 mil habitantes son consideradas predominantemente rurales y consideran que las de núcleo de empleo de más de 15 mil habitantes son predominantemente urbanas. El modelo es estimado por MC3E para los dos niveles de análisis (zonas de influencia y LMAs) para el período 1982-90. Las variables son recogidas en términos de tasas de crecimiento en dicho período. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 131 Tabla 4. Schmitt: resultados por zona de influencia de centros de empleo LMA centro 2-15 LMA centro >15. Total Nº zonas 206 176 382 Eq.(8):  POP C MENACT MENRET 3.41 0.72 0.75 (7.67) (25.59) (6.78) 2.48 0.69 0.10 (5.45) (38.20) (9.38) 3.08 0.70 0.095 (9.56) (42.93) (10.90) Eq.(9):  MENACT C POLPOP VEMPOL DISTPOL EQUIP BILNAT VPOP7582 EMP -0.69 0.022 0.16 -0.42 -1.02 0.28 0.44 0.39 (0.31) (0.84) (3.86) (-3.21) (-0.28) (1.67) (5.57) (7.49) 2.27 0.013 0.28 -0.42 -10.20 0.76 0.36 0.39 (1.56) (2.60) (5.28) (-4.06) (-3.07) (3.29) (5.10) (5.26) 0.28 0.013 0.20 -0.36 -6.50 0.38 0.46 0.39 (0.32) (3.24) (6.26) (-5.03) (-2.72) (2.84) (9.11) (9.36) Eq.(10):  EMP C EMPAGR EMPSERV EMPAUTR -7.67 0.21 0.29 0.46 (-4.40) (5.34) (5.25) (6.60) -3.66 0.26 0.51 0.01 (-1.44) (4.04) (6.94) (0.22) -7.95 0.22 0.59 -0.01 (-4.72) (6.56) (9.25) (-0.11) Eq.(11):  ESERV C CAPTOURI POP 9.21 0.20 1.47 (3.27) (2.95) (3.90) 11.26 0.08 1.34 (4.55) (1.50) (5.57) 8.65 0.17 1.47 (4.66) (4.51) (7.19) Eq.(12):  EAUT C DIND82 D2IND82 VIND7582 QUALIFMO QUALIFOUV POP 0.69 -3.32 0.11 -0.016 0.27 -0.013 1.31 (0.09) (-2.88) (1.87) (-1.18) (1.27) (-0.37) (4.47) -10.41 -2.56 0.095 -0.12 -0.63 0.34 0.33 (-0.81) (-1.73) (1.24) (2.15) (-1.93) (5.37) (0.85) -2.29 -3.79 0.14 -0.02 -0.06 0.13 0.58 (-0.33) (-4.20) (2.89) (-1.71) (-0.37) (3.91) (2.39) Nota: Entre paréntesis los valores del estadístico t. Centro 2-15, de 2000 a 15000 habitantes. Centro >15, mayor de 15000 habitantes.ESERV=EMPSERV. EAUT= EMPAUT Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 132 En la ecuación (8) la variación de la población total (POP) es función de la variación de la población activa (MENACT) y de la variación de la población retirada (MENRET). La tasa de crecimiento de la población activa (MENACT) viene explicada por la frecuencia de los servicios residenciales (EQUIP), por el “natural balance” o crecimiento natural de la población(BILNAT), la tasa de variación de la población en el período anterior 1975-82(VPOP7582) y la tasa de crecimiento del empleo (EMP). La ecuación (10) es la ecuación de la tasa de crecimiento del empleo(EMP), que viene explicada en función de tasas de crecimiento en el período 1982-90 correspondientes a los sectores de agricultura (EMPAGR), servicios destinados a la venta (EMPSERV) y otros (EMPAUTR). En la ecuación (11) la tasa de crecimiento del empleo en el sector servicios destinados a la venta (EMPSERV) es función de la capacidad de acomodación turística (CAPTOURI) y de la tasa de crecimiento de la población (POP). Finalmente, la variación en el empleo en otros sectores en el período 1982- 90 (EMPAUTR) es función de la densidad de número de empleos manufactureros al principio del período (DIND82 y D2IND82), la variación de empleos manufactureros en el período anterior 1975-82(VIND7582), el ratio de ejecutivos y ocupaciones intermedias sobre los trabajadores manuales(QUALIFMO), y el ratio de trabajadores manuales cualificados en relación con los trabajadores manuales no cualificados (QUALIFOUV). La estructura del modelo de zona de influencia sólo difiere del modelo de LMA en la inclusión de las variables que recogen las características del núcleo de empleo en la ecuación de la variación de población activa: el tamaño del núcleo de empleo (POLPOP), la variación del número de empleo en el centro (VEMPOL), la distancia de la zona al centro (DISTPOL). Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 133 Los resultados de la estimación varían según el nivel de análisis utilizado: zonas de influencia o áreas de mercado de trabajo. Así para el primer nivel de análisis, cabe señalar que para el caso de centros de tamaño medio o grande la variación de población de sus alrededores depende tanto de la dinámica local del empleo como la variación de empleo en su núcleo de empleo. Mientras que en términos de áreas de mercado de trabajo (LMAs), la variación de empleo afecta positivamente a la variación de población y ésta al empleo en el sector servicios y en el industrial. Ante estos resultados de la interacción de las fuerzas de aglomeración y dispersión de la población y del empleo, el autor recomienda una política incentivadora del incremento de residentes y de las ventajas comparativas en las áreas rurales. Freeman (2001) Plantea un modelo VAR para ocho regiones de USA en el período 1958- 1997 en el que se pone de manifiesto la relación entre migración y empleo. Mediante la utilización de test de causalidad aplicada a esta muestra combinada de datos temporales y atemporales recoge la existencia de causalidad bivariante y mediante el análisis de las funciones impulsorespuesta concluye que en especial el empleo influye sobre los movimientos migratorios de las regiones del Norte y Este al Sur y Oeste del país. Aguayo y Guisán (2001) Este análisis econométrico de la relación entre población y empleo de 98 regiones europeas en los años 1990 y 1995 pone de manifiesto la existencia de una relación de causalidad bidireccional entre ambas variables, de tipo positivo, de forma que el incremento de empleo regional influye positivamente sobre la población y los incrementos de población influyen sobre la distribución espacial del empleo. El modelo consta de dos ecuaciones simultáneas, una para la densidad de empleo no agrario y otra para la densidad de población, y es estimado por MC2E a partir de los datos regionales de 1985, 1990 y 1995. Proporciona una elevada bondad de ajuste y muestra la significatividad del coeficiente del incremento de población sobre el empleo y del incremento del empleo sobre la población. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 134 Ecuaciones del modelo de Aguayo y Guisán(2001) TSLS // Dependent Variable is LNAKM Sample: 1 196 Included observations: 196 Instrument list: LNAKM5 POBKM5 DVNAKM Variable Coefficient Std. Error t-Statistic Prob. LNAKM5 1.044419 0.005398 193.4695 0.0000 DPOBKM 2.750047 0.290160 9.477697 0.0000 DVNAKM 4.594591 0.789707 5.818095 0.0000 R-squared 0.996431 Mean dependent var 146.8773 Adjusted R-squared 0.996394 S.D. dependent var 450.1765 S.E. of regression 27.03283 Akaike info criterion 6.609292 Sum squared resid 141039.4 Schwarz criterion 6.659467 F-statistic 26934.66 Durbin-Watson stat 1.838336 TSLS // Dependent Variable is POBKM Sample: 1 196 Included observations: 196 Instrument list: LNAKM5 POBKM5 DVNAKM Variable Coefficient Std. Error t-Statistic Prob. POBKM5 0.989449 0.001334 741.7757 0.0000 DLNAKM 0.312946 0.035967 8.700873 0.0000 R-squared 0.999819 Mean dependent var 319.1193 Adjusted R-squared 0.999818 S.D. dependent var 745.0211 S.E. of regression 10.05655 Akaike info criterion 4.626600 Sum squared resid 19620.03 Schwarz criterion 4.660050 F-statistic 1069911. Durbin-Watson stat 1.720114 Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 135 Donde, LNAKM= Densidad de empleo no agrario. Número de empleos no agrarios por Km2 en 1990 para la muestra de 1 a 98 y en 1995 para la muestra de 99 a 196. POBKM= Densidad de población. Habitantes por Km2 en 1990 para la muestra de 1 a 98 y en 1995 en la muestra de 99 a 196. VNAKM= Valor añadido no agrario. Millones de $ por Km2 base 1990. En 1990 para la muestra de 1 a 98 y en 1995 en la muestra de 99 a 196. LNAKM5= Densidad de empleo no agrario en el quinquenio anterior. POBKM5= Densidad de empleo no agrario en el quinquenio anterior. VNAKM5= Valor añadido no agrario en el quinquenio anterior. La letra D seguida del nombre de las variables POBKM, VNAKM y LNAKM indica incremento quinquenal de la correspondiente variable. La primera ecuación del modelo explica la densidad del empleo no agrario en función de la endógena retardada, del incremento de la densidad de población y del incremento de la densidad de valor añadido no agrario. La segunda ecuación pone de manifiesto el impacto positivo del incremento de la densidad de empleo no agrario sobre la densidad de población. Este efecto positivo del empleo sobre la población aparece recogido en modelos como el de Alabama de Chang(1979), el modelo de Guisán(1985 a) para las comarcas gallegas y el de Guisán(1985 b) para las áreas urbanas españolas. El análisis de la causalidad contemporánea de las variables endógenas nuestro modelo, mediante la utilización del test de Hausman, nos confirma la evidencia de existencia de interdependencia entre empleo no agrario y población en las regiones europeas. Los resultados obtenidos apoyan por lo tanto la existencia de interdependencia y muestran que es sobre todo la influencia de la densidad de empleo no agrario la que explica la densidad de población. Como consecuencia las políticas regionales para la consolidación o incremento de la densidad de población tienen que centrarse en el incremento de la densidad de empleo no agrario. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 136 5.3. Distribución espacial del sector servicios en las regiones mexicanas. El gran peso del sector servicios en la economía mexicana presenta importantes diferencias a nivel regional. Como recogemos en la siguiente tabla, Quintana Roo, el Distrito Federal, Nuevo León, Baja California, Baja California Sur, Chihuahua, Aguascalientes, Tamaulipas, Sonora y Coahuila ocupan las primeras posiciones en términos de PIB per capita del sector servicios privados. Mientras que las mayores tasas medias de crecimiento anual en el período 1993-2001 corresponden a Baja California, Aguascalientes, Chihuahua y Tamaulipas. El mayor peso de los servicios privados recae sobre las actividades de turismo; destaca Quintana Roo como una de las entidades de mayor desarrollo turístico en el país, cuenta con Cancún uno de los sitios de playa mas relevantes a nivel internacional. Dentro del Corredor Cancún se encuentra la Rivera Maya. Baja California y Sonora son parte del proyecto regional de la Escalera Náutica del Mar de Cortés que pretende impulsar y regular el desarrollo sustentable del turismo. Baja California Sur tiene un importante desarrollo turístico: La Región de los Cabos que también forma parte de este proyecto. Chihuahua cuenta con un centro turístico integralmente planeado: Barrancas del Cobre, primer proyecto turístico planificado de montaña ubicado en la Sierra Tarahumara. El Distrito Federal, al ser la capital del país tiene también un gran peso en el turismo y en el comercio. En lo que se refiere a las comunicaciones, estas entidades tienen corredores carreteros importantes que conectan entre las principales ciudades del país y con las zonas fronterizas, principalmente en los estados del norte: México-Nogales con ramal a Tijuana; Querétaro-Ciudad Juárez; Transpeninsular de Baja California, México-Nuevo Laredo, entre los más importantes. Todas estas entidades tienen aeropuertos. Destaca el del Distrito Federal por su considerable dimensión y cobertura. En materia portuaria en Baja California hay un total de 4 puertos (Rosarito, El Sauzal, Ensenada e Isla Cedros) y en Sonora el puerto de Guaymas; con actividades comerciales, pesqueras, turísticas y petroleras. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 143 NOBUKINI, M. and ADAMS, F. (1990)."A Supply-side Interregional Model of the U.S. Manufacturing Industry: 1960-78". Papers of the Regional Science Association. Vol. 68. pp. 71-81. RAMÍREZ SOBRINO, J. N.(1993). "Un análisis cuantitativo de la economía regional: los modelos econométricos regionales". Publicaciones ETEA. Colección de Tesis Doctorales. Córdoba. SALVATORE, D. (1984). “An Econometric Model of Internal Migration and Development”. Regional Science and Urban Economics, 14, pp.77-87. SCHMITT, B.(1999). “Economic Geography and Contemporary Rural Dynamics: An Empirical Test on Some French Regions”. Regional Studies, vol.33-8. pp.697-711. SCT(2001). “Programa Sectorial de Comunicaciones y Transportes 2001- 2006”. Secretaría de Estado de Comunicaciones y Transporte, Primera Edición, México. SEP(2001). “Programa Nacional de Educación 2001-2006”. Secretaría de Educación Pública. Primera edición, México. SHCP(2003). “Estadísticas oportunas de finanzas públicas”. Secretaría de Hacienda y Crédito Público. Dirección de Estadística Hacendaria. Disponible en: http://www.shcp.gob.mx 1 Documentos disponibles en: http://www.usc.es/economet/econometria.htm 2 Estudio del año 2003, añadido a la bibliografía en la edición electrónica de 2022. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 144 CAPÍTULO 6 FUNCIÓN DE PRODUCCIÓN: RELACIÓN CON EL EMPLEO, EL SALARIO, EL CAPITAL HUMANO Y EL CAPITAL FÍSICO Mª CARMEN GUISÁN * ISABEL NEIRA 6.1. Empleo, productividad y salarios en 1965-2000. La tabla 1 presenta la evolución del empleo en los 15 países que constituían la Unión Europea en el año 2000, en comparación con USA y con otros países de la OCDE, con datos quinquenales expresado en miles de personas, para el período 1965-2000, mientras que la tabla 2 muestra la tasa de empleo por cada mil habitantes. Los países que más han destacado por la creación de empleo en el período 1965-2000 han sido USA, México, Japón y Turquía, por distintos motivos. En los casos de México y Turquía, como hemos visto en la sección 1.3 de este libro se ha producido en la segunda mitad del siglo veinte, un crecimiento muy importante de su PIB y su población, y la creación de empleo aún habiendo sido importante necesita ampliarse substancialmente porque tienen bajas tasas de empleo no agrario por cada mil habitantes, y hay una demanda creciente de empleo. En el caso de USA, su alto ritmo de crecimiento del PIB, su todavía baja densidad media de población por unidad de superficie, y la moderación de sus tasas de natalidad ha permitido un cierto nivel de apertura a la inmigración para ocupar los nuevos puestos de trabajo que su dinamismo económico ha sido capaz de crear. Japón ha experimentado un crecimiento económico de la industria y de los demás sectores no agrarios durante la segunda mitad del siglo veinte, y ha tenido un crecimiento importante del empleo dada su política de propiciar altas tasas de ocupación de su población activa. --- * Las autoras son profesoras de Econometría de la universidad de Santiago de Compostela (España), https.//www.usc.gal/economet/econometria.htm Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 145 Tabla 1. Empleo total en los países de la OCDE, 1965-2000 País 1965 1970 1975 1980 1985 1990 1995 2000 Alemania 36032 35829 35169 36033 35506 37139 36176 37336 Australia 4792 5472 5910 6353 6747 7938 8276 9099 Austria 3191 3051 2943 3070 3235 3412 3758 3776 Bélgica 3640 3698 3750 3748 3606 3814 3762 3973 Canada 7060 8011 9363 11043 11694 13163 13427 14970 Dinamarca 2226 2363 2365 2489 2553 2670 2596 - España 12110 12643 12883 12004 11027 12890 11960 14610 Finlandia 2181 2156 2251 2359 2467 2525 2127 2356 Francia 20129 20905 21474 21916 21475 22648 22413 23750 Grecia 3255 3134 3198 3356 3588 3719 3821 3946 Irlanda 1069 1053 1073 1156 1112 1160 1281 1671 Islandia 76 81 95 106 121 126 138 - Italia 19963 19775 20007 20869 21113 21764 20233 21225 Japón 47300 50940 52230 55360 58070 62490 64570 64460 Luxemburgo 133 140 158 158 161 190 208 - México 14834 17451 20512 23215 25955 28669 32370 37772 Noruega 1483 1545 1732 1908 2014 2030 2035 - Nueva Zelanda 990 1090 1225 1274 1341 1491 1678 1788 Países Bajos 4607 4790 4743 5077 5178 6356 6887 7845 Portugal 3765 3822 3852 4026 4129 4723 4413 4909 Reino Unido 25199 24753 25055 25327 24390 26935 26026 27793 Suecia 3698 3854 4062 4232 4299 4465 3926 - Suiza 3025 3142 3116 3166 3352 3563 3772 - Turquía 12837 13083 14958 16280 17282 19038 20165 - USA 73034 80796 87524 100907 108855 119550 126242 136399 Fuente: Datos de Labour Force Statistics de la OCDE, varios años. Los países con altas tasas de empleo por cada mil habitantes son con frecuencia los que tienen también altos salarios por trabajador, pues ambas variables están muy relacionadas con el PIB por habitante y con la productividad media del trabajo. Un enfoque econométrico para explicar y predecir el nivel de empleo consiste en explicar y predecir Qi y PMi y después deducir el empleo por cociente entre ambas. En este enfoque la evolución de PMi en general tiene relación con la evolución del salario. Un segundo enfoque consisten en utilizar la función de producción para deducir el nivel de empleo deseado y Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 146 un mecanismo de ajuste parcial para relacional el empleo real con el deseado por las empresas. Un tercer enfoque se basa en la ecuación de productividad marginal del trabajo y relaciona el nivel de empleo con el cociente entre el PIB y el salario. En la sección 6.3 estimamos algunos modelos de empleo. La tabla 2 presenta los datos de salario real según paridades de poder de compra, en los países de la OCDE durante el período 1965-2000, y la tabla 3 el cociente entre el salario real y el PIB por trabajador. Tabla 2. Salario real W90iPP, en miles $ 1990 según PCs País 1965 1970 1975 1980 1985 1990 1995 2000 Alemania 12.4 16.6 20.5 22.6 22.6 25.2 23.5 - Australia 14.6 17.4 21.9 21.9 22.5 20.9 22.5 24.2 Austria 10.7 14.4 18.7 21.9 20.7 23.1 23.8 25.0 Bélgica 13.5 17.1 22.8 27.1 26.3 28.1 30.6 31.6 Canada 16.6 19.2 22.3 22.6 22.8 23.9 24.3 26.2 Dinamarca 15.5 18.3 20.6 20.5 20.1 20.9 22.7 21.3 España 9.6 13.4 17.8 21.7 22.7 23.6 25.1 23.0 Finlandia 9.7 12.2 15.3 15.7 17.3 21.6 21.6 18.9 Francia 14.9 18.1 22.0 25.1 26.1 26.2 27.2 28.9 Grecia 5.6 9.1 11.2 14.9 17.1 16.9 15.7 18.4 Irlanda 9.9 12.6 16.6 18.9 20.1 21.8 23.9 27.1 Islandia 11.4 13.7 15.2 18.5 16.3 19.8 19.6 - Italia 12.6 16.9 20.4 23.3 24.5 27.5 27.4 27.2 Japón 9.4 14.1 19.3 20.6 22.0 24.4 25.2 25.3 Luxemburgo 15.0 18.2 23.7 26.4 25.2 28.9 32.0 33.2 Mexico - - - - - 8.9 8.7 - Norurega 13.2 15.5 19.8 19.9 19.9 20.8 21.7 21.9 Nueva Zelanda - - - - - 17.5 17.5 - Países Bajos 15.2 20.4 25.9 26.6 23.8 22.3 22.1 22.9 Portugal 5.3 8.1 13.6 12.7 11.5 12.5 14.5 14.4 Reino Unido - 14.1 17.2 17.8 19.8 23.0 23.4 26.6 Suecia 15.5 18.1 19.9 20.9 19.4 22.6 22.5 25.8 Suiza - 20.8 - - - - 26.2 27.6 Turquía - - - - - 9.9 7.8 10.8 USA 25.0 27.7 28.8 29.3 30.4 30.9 32.1 33.4 Fuente: Elaborado en base a datos de la OCDE. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 147 Tabla 3. Ratio entre salario medio y productividad media del trabajo Country 1965 1970 1975 1980 1985 1990 1995 2000 Alemania 0.6964 0.7601 0.8303 0.7972 0.7320 0.7385 0.6217 - Australia 0.6428 0.6665 0.7497 0.6971 0.6521 0.6077 0.5919 - Austria 0.613 0.6077 0.6276 0.6506 0.6050 0.6097 0.6253 0.5730 Belgium 0.6267 0.6396 0.7253 0.7355 0.6644 0.6464 0.6511 0.6220 Canada 0.5707 0.5979 0.6424 0.6409 0.5970 0.6138 0.5906 - Dinamarca 0.7151 0.7471 0.7625 0.7049 0.6225 0.6364 0.5928 - España 0.6602 0.7075 0.7399 0.7600 0.6827 0.6675 0.6164 0.5765 Finlandia 0.6295 0.6216 0.6653 0.6243 0.6241 0.6743 0.5835 0.4431 Francia 0.6720 0.6544 0.6910 0.6936 0.6605 0.6031 0.5879 0.5821 Grecia 0.5121 0.5701 0.5574 0.6300 0.7225 0.6754 0.6049 0.6234 Irlanda 0.7608 0.7517 0.7970 0.7796 0.7055 0.6327 0.5695 0.5290 Islandia 0.5321 0.6081 0.5812 0.5815 0.5187 0.5659 0.5939 - Italia 0.6527 0.6449 0.6860 0.6564 0.6493 0.6500 0.5679 0.5473 Japón 0.7977 0.7456 0.8390 0.7657 0.7262 0.6922 0.6877 0.6437 Luxemburgo 0.5395 0.5850 0.7427 0.7404 0.6368 0.6316 0.5867 - México - - - - - 0.5332 0.5393 - Noruega 0.6396 0.6509 0.7406 0.6495 0.5866 0.5682 0.4957 - Nueva Zelanda - - - - - 0.5807 0.5644 - Países Bajos 0.6304 0.6785 0.7288 0.7045 0.6030 0.5949 0.5766 0.5682 Portugal 0.6199 0.7081 0.9659 0.7388 0.6540 0.6245 0.6191 0.5743 Reino Unido - 0.6015 0.6697 0.6399 0.6235 0.6804 0.6262 0.6650 Suecia 0.7109 0.7109 0.7220 0.7404 0.6400 0.6926 0.5914 - Suiza - 0.6297 - - - NA 0.6888 - Turquía - - - - - 0.7171 0.5100 - USA 0.6557 0.6884 0.6876 0.6889 0.6819 0.6659 0.6584 0.6081 Fuente: Elaborado en base a datos de la OCDE. Los salarios reales muestran una clara correlación positiva con el PIB real por habitante, y con la productividad media del trabajo, siendo USA, con 33.4 dólares de 1990 por habitante en el año 2000, el país con salario medio más elevado, y México y Turquía, con valores próximos a 10 mil dólares los países con menores niveles. El PIB real por habitante depende en gran medida del stock de capital físico por habitante, y ello depende tanto de la capacidad de inversión como de la moderación en el crecimiento de la población. En el próximo capítulo Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 148 analizamos los efectos indirectos de la educación sobre el PIB por habitante a través de su impacto positivo sobre el incremento del stock de capital físico por habitante. 6.2. Estimación de la función de producción y modelos de empleo Son muchos los aspectos de interés relacionados con el de la función de producción en la explicación del PIB, el empleo y los salarios. Desde la perspectiva de los modelos de desequilibrio mencionados en el capítulo 1, consideramos que la función de producción explica el PIB sólo en el caso de que el capital físico utilizado coincida aproximadamente con el stock de capital físico disponible, es decir cuando la inversión en el principal motor del desarrollo. En caso de utilización plena del stock de capital la función de producción explica el PIB y la ecuación de empleo deseado puede deducirse de la ecuación que relaciona la productividad marginal del trabajo con el salario. En este caso la función de producción es un modelo dinámico, porque tiene efecto propagación del impacto de un incremento de la inversión sobre el crecimiento de muchos períodos sucesivos. Se trata de un modelo dinámico en sentido estricto, de acuerdo con la definición de Guisán(2001), que además es superdinámico, ya que los incrementos del PIB implican a su vez un aumento de la inversión que contribuirá a incrementar el PIB futuro. La función de producción no explica el PIB cuando el capital disponible no puede utilizarse plenamente, no sólo debido a pequeños desajustes coyunturales sino a las restricciones existentes a la expansión económica por el lado de la demanda o por el lado de la oferta de inputs intermedios a través de las relaciones intersectoriales. En el modelo de desequilibrio de Barro y Grossman la función explicaría en ese caso el nivel de empleo, o al menos el nivel de empleo deseado por las empresas, enfoque que han seguido muchos modelos de tipo keynesiano, explicando el PIB por el lado de la demanda y el empleo mediante la función de producción y un mecanismo de ajuste parcial. En el enfoque de desequilibrio de Guisán(1983), el nivel de empleo deseado viene dado por la ecuación de productividad marginal en caso de que el PIB esté explicado por la función de producción, y por una función de mantenimiento del tipo de beneficio deseado por las empresas, en caso de Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 149 que no se pueda utilizar plenamente el stock de capital disponible. En este enfoque la función de producción sirve para explicar el stock de capital utilizado despejándolo en función del PIB y el empleo. Contraste de la hipótesis de rendimientos crecientes a escala En los enfoques mencionados no se tiene en cuenta la ecuación de productividad marginal del capital para explicar el capital utilizado, pues ello es incompatible con la existencia de rendimientos crecientes a escala, situación que parece ser la más frecuente a nivel macroeconómico, como ponen de manifiesto el modelo de USA en 1929-67 estimado por Christensen y Jorgenson(1970) y los modelos de 7 países de la OCDE estimados por Guisán(1980) y (1983). A continuación presentamos datos y estimaciones de los 7 países de la OCDE y realizamos el contraste de la hipótesis de rendimientos crecientes a escala. Los datos del PIB, Q, y el stock de capital físico, K, están expresados en miles de millones de dólares de 1970 según TCs y los criterios que se mencionan en Guisán(1983), y los datos de empleo en miles de personas. Tabla 4. Datos de PIB, capital y empleo de Alemania y España Año QA KA LA QE KE LE 1963 132.870 175.007 26.744 23.780 27.606 11.870 1964 141.780 184.291 26.753 25.250 28.275 11.931 1965 149.770 190.345 26.887 27.080 30.128 11.992 1966 153.500 195.986 26.801 29.330 31.981 12.110 1967 153.250 201.556 25.950 30.580 34.472 12.233 1968 162.890 206.267 25.968 32.340 36.963 12.290 1969 175.640 211.320 26.356 34.850 39.633 12.393 1970 186.140 217.835 26.668 36.940 42.303 12.523 1971 192.150 225.693 26.817 38.700 45.164 12.643 1972 199.170 234.132 26.744 42.000 48.025 12.712 1973 208.920 242.489 26.922 45.530 51.620 12.729 1974 210.050 250.732 26.565 47.950 55.214 13.031 1975 204.620 257.562 25.810 48.260 59.389 13.102 1976 216.030 NA NA 49.250 63.975 12.883 Nota: Véase Guisán(1983) para definiciones y fuentes de datos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 150 Tabla 5. Datos de PIB, capital y empleo de Francia y Reino Unido obs QF KF LF QUK KUK LUK 1963 97.860 84.264 19.838 100.180 107.903 24.656 1964 103.990 88.983 20.061 105.820 112.481 24.946 1965 108.950 92.711 20.129 108.210 115.009 25.199 1966 114.640 96.622 20.290 110.210 117.725 25.351 1967 120.000 101.036 20.355 113.110 120.394 24.987 1968 125.120 105.900 20.316 116.970 123.188 24.836 1969 133.870 111.046 20.618 118.570 126.111 24.857 1970 141.540 116.730 20.905 121.530 129.127 24.753 1971 149.060 122.384 21.009 124.890 132.449 24.512 1972 148.180 128.527 21.143 127.950 135.919 24.486 1973 166.770 135.305 21.445 136.370 139.453 25.055 1974 171.380 142.703 21.642 135.490 143.131 25.131 1975 172.530 149.975 21.474 133.340 146.768 25.039 1976 181.840 156.375 21.619 136.820 150.218 24.827 Nota: Véase Guisán(1983) para definiciones y fuentes de datos. Tabla 6. Datos de PIB, capital y empleo de Italia y Japón obs QIT KIT LIT QJ KJ LJ 1962 61.910 53.000 20.836 87.130 54.172 45.560 1963 65.350 56.610 20.545 96.280 61.565 45.950 1964 67.070 60.438 20.437 109.000 68.866 46.550 1965 69.190 62.693 19.963 114.590 75.894 47.300 1966 73.180 64.499 19.644 125.800 82.355 48.270 1967 78.320 66.508 19.861 142.060 88.424 49.200 1968 83.270 69.070 19.867 161.200 97.049 50.020 1969 87.990 71.878 19.697 178.460 108.131 50.400 1970 92.380 74.786 19.775 197.870 122.082 50.940 1971 93.810 77.842 19.772 212.350 139.538 51.220 1972 96.770 80.945 19.417 231.300 155.640 51.260 1973 103.490 83.991 19.576 254.020 174.446 52.590 1974 107.560 87.670 19.935 251.360 196.324 52.370 1975 103.780 91.681 20.007 257.470 215.224 52.230 1976 109.620 94.548 20.127 272.930 231.665 52.710 Nota: Véase Guisán(1983) para definiciones y fuentes de datos. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 151 Tabla 7. Datos de PIB, capital y empleo de USA obs QU KU LU 1963 755.810 534.033 69.768 1964 794.460 553.506 71.323 1965 842.220 580.181 73.034 1966 893.090 614.592 75.017 1967 916.830 650.336 76.590 1968 957.890 683.814 78.173 1969 982.550 718.491 80.140 1970 981.200 754.370 80.796 1971 1009.560 787.738 81.340 1972 1067.610 819.699 83.966 1973 1125.540 854.928 86.838 1974 1111.040 895.185 88.515 1975 1100.210 934.281 87.524 1976 1164.470 966.130 90.420 Fuente: Guisán(1983). Notas: QU y KU en miles de millones (Billion=mil millones en Estados Unidos, Bn) de Dólares a precios de 1970. Empleo en millones de personas. El puntot es separador decimal. Tabla 8. Salario medio real en 7 países de la OCDE obs WA WE WF WIT WJ WU WUK 1963 4.307 1.845 4.487 3.037 1.956 9.850 3.476 1964 4.549 1.969 4.692 3.221 2.170 10.059 3.628 1965 4.792 2.072 4.855 3.370 2.259 10.168 3.677 1966 4.982 2.246 5.029 3.574 2.388 10.342 3.780 1967 5.145 2.399 5.192 3.782 2.573 10.486 3.932 1968 5.327 2.459 5.444 3.990 2.813 10.730 4.083 1969 5.718 2.645 5.717 4.164 3.084 10.843 4.138 1970 6.041 2.696 5.947 4.465 3.359 11.016 4.349 1971 6.303 2.819 6.232 4.656 3.658 11.264 4.516 1972 6.576 3.030 6.020 4.824 3.979 11.430 4.611 1973 6.941 3.207 6.754 5.149 4.344 11.597 4.825 Nota: Elaborado a partir de datos de la OCDE. Miles de $70 por trabajador, según tipos de cambio, TCs. Datos de Alemania, A, España, E, Francia, F, Japón, J, USA, U, y Gran Bretaña, UK. Guisán, M.C. et al(2004): Libro OCDE 2. Estudios Económicos, EE8. 152 Las ecuaciones 1 y 2 presentan la estimación de la función de producción en el período 1962-76 con datos de panel de los 7 países de la OCDE cuyos datos figuran en las tablas de esta sección. El primero es un modelo lineal y el segundo un modelo potencial, basado en la función Cobb-Douglas. Ambas ecuaciones muestran una elevada bondad del ajuste, siendo mejor el ajuste de la función C-D ya que la SCE respecto a la variable Q proporcionó un valor más bajo que en la función lineal, según se indica en la última fila del cuadro de resultados de la ecuación 2. Se contrastó la estabilidad de parámetros en esta última función, tanto en el tiempo como en el espacio con resultados satisfactorios, como se expone en Guisán(1980). Ecuación 1. Función de producción lineal con efectos fijos, MCO Dependent Variable: Q? Method: Pooled Least Squares Sample: 1962 1976 Number of cross-sections used: 7. Total panel (unbalanced): 104 Variable Coefficien t Std. Error t-Statistic Prob. K? 0.353155 0.083071 4.251257 0.0001 L? 10.70168 1.572006 6.807657 0.0000 TI 2.676402 0.432873 6.182878 0.0000 Fixed Effects A--C -210.2824 E--C -135.6201 F--C -150.8717 IT--C -177.4753 J--C -421.5073 U--C -168.7327 UK--C -216.3288 R-squared 0.998754 Mean dependent var 241.9444 Adjusted R-squared 0.998634 S.D. dependent var 306.2924 S.E. of regression 11.31930 Sum squared resid 12043.89 Log likelihood -394.6696 F-statistic 8369.249 Durbin-Watson stat 0.565024 Prob(F-statistic) 0.000000 Fuente: Elaboración propia.