cÁtedra bbva dt-sur de anÁlisis econÓmico · crecimiento de la renta per cápita real y su nivel...
TRANSCRIPT
CÁTEDRA BBVA DT-SUR DE ANÁLISIS ECONÓMICO
TRABAJO DE INVESTIGACIÓN 3/2008
Evolución de la convergencia en PIB per cápita entre las Comunidades Autónomas Espaolas desde los año Ochenta
Alumno: Macarena Hernández Salmerón
Director: Prof. Dr. D. Diego Romero de Ávila Torrijos
Patrocinada por:
2
EVOLUCIÓN DE LA CONVERGENCIA EN PIB PER CÁPITA ENTRE LAS
COMUNIDADES AUTÓNOMAS ESPAÑOLAS DESDE LOS AÑOS OCHENTA
Macarena Hernández Salmerón Máster Economía y Evaluación del Bienestar
Curso 2007/08 Universidad Pablo de Olavide
Director de Tesina: Dr. Diego Romero de Ávila Torrijos Universidad Pablo de Olavide
3
1. INTRODUCCIÓN
Los estudios sobre crecimiento económico se han centrado, desde los años ochenta,
en el estudio de la denominada hipótesis de convergencia, siendo una de las variables
más utilizadas como indicador de la misma, el Producto Interior Bruto per cápita (en
adelante, PIB pc). Esta hipótesis de convergencia, que puede formalizarse de
múltiples formas, implica a grandes rasgos, que las diferencias en la renta per cápita
entre territorios será transitoria, de manera que a largo plazo, las regiones más pobres
acabarán alcanzando a las más ricas.
En teoría económica, no obstante, no existe consenso sobre la existencia de
convergencia o divergencia en los niveles de renta per cápita entre países o regiones.
Sólo existe unanimidad en los factores o mecanismos capaces de generar tanto una
como otra. En función de los supuestos de partida y la importancia dada a estos
mecanismos, los distintos modelos teóricos planteados han proporcionado
predicciones muy diferentes sobre la evolución de las disparidades de renta entre
territorios.
Más concretamente, son dos las líneas de pensamiento principales. Durante el período
comprendido entre 1956 hasta mediados de los ochenta, la teoría dominante era el
modelo de crecimiento exógeno de Solow (1956) y Swan (1956). Según la teoría
neoclásica, que parte de una función de producción tipo Cobb-Douglas con
rendimientos decrecientes en el factor capital, una economía converge a su estado
estacionario. Este estado estacionario está determinado por la tasa de ahorro y el
crecimiento de la población, así como por el nivel de tecnología, que viene dado de
manera exógena. No existe progreso técnico, de manera que para incrementar el
producto nacional es necesario aumentar los factores de producción. Al operar los
rendimientos decrecientes, la eficiencia del capital cada vez es menor, lo que
conducirá a un agotamiento de la fuente del crecimiento a largo plazo. De este modo,
si suponemos que los países son iguales en todos los aspectos, salvo en los niveles
de capital (físico y humano), los países pobres, al tener mayor productividad marginal
del capital que los ricos, crecerán más rápido, hasta llegar a un punto en que los
niveles de PIB pc se igualen en ambos.
4
Las conclusiones del modelo neoclásico quedaron desvirtuadas con la contrastación
empírica, ya que las economías (Estados Unidos especialmente) mostraban un
crecimiento positivo sostenido a lo largo del tiempo. Los que apoyaban el modelo
neoclásico justificaron esta divergencia introduciendo en el modelo el progreso técnico,
factor que permite un crecimiento a largo plazo al aumentar la productividad de los
factores de producción.
De otro lado, y como contraposición a los anteriores, aparecieron otros modelos
alternativos conocidos como de crecimiento endógeno. Éstos introdujeron como
factores explicativos la existencia de rendimientos constantes o crecientes del capital,
la consideración de la tasa de progreso técnico como endógena, así como el capital
humano, las infraestructuras e instituciones. Posteriormente, el factor capital humano
se ha ido incorporando también a lo modelos neoclásicos de crecimiento.
Por tanto, las principales diferencias entre ambos grupos hacen referencia a los
supuestos asumidos sobre tres mecanismos que pueden impulsar la convergencia. El
primero tiene que ver con las propiedades de la función de producción. Para que se
produzca convergencia es necesario que la función de producción tenga rendimientos
decrecientes de escala respecto al capital, de manera que la producción crezca
proporcionalmente menos que el stock de capital. Esto supone que la productividad
marginal del capital disminuye con su acumulación, reduciendo con ello tanto el
incentivo a ahorrar, como la contribución al crecimiento de un volumen de inversión
dado, generando una tendencia desacelerada del crecimiento a lo largo del tiempo.
Los países pobres, donde el capital es escaso, crecerán más que los ricos, porque su
incentivo a ahorrar es mayor y, dada la misma tasa de inversión, su crecimiento será
más intenso. Si las economías fueran abiertas, esta tendencia se reforzaría, pues la
movilidad de los factores, junto al comercio internacional, contribuye a la igualación de
los precios de los factores y la productividad.
Si, por el contrario, existen rendimientos crecientes del capital, las economías
tenderían a divergir, ya que el stock de capital por trabajador aumentaría al
incrementarse la inversión, favoreciendo un mayor crecimiento en las regiones ricas, lo
que provocaría mayores desigualdades.
El segundo mecanismo a considerar es el progreso técnico. Si la intensidad de
incorporación de las nuevas tecnologías es diferente entre países, sus tasas de
crecimiento a largo plazo, también lo serán. En relación a este factor también hay que
5
analizar si existen rendimientos decrecientes (o difusión tecnológica entre países), de
manera que, a la larga, conllevará la convergencia, o si, por el contrario, el coste de
una nueva innovación disminuye con la experiencia, lo que generaría rendimientos
crecientes y una persistencia en las diferencias de los niveles tecnológicos entre
países.
Finalmente, el tercer mecanismo hace referencia al cambio estructural o la
recolocación de los factores productivos entre sectores. Los países y regiones pobres
tienden a tener un sector primario muy amplio, donde la productividad es reducida. Si
se trasladan recursos de la agricultura hacia otros sectores, se incrementará la
productividad media. Este proceso de recolocación de factores ha sido más intenso en
los países pobres en los últimos años, lo que ha permitido recortar los diferenciales de
productividad entre territorios.
Con este marco conceptual, este trabajo pretende analizar si se ha producido un
progresivo acercamiento en el bienestar de las regiones españolas, medido en
términos de PIB pc, desde la década de los ochenta, período en que arranca la
España de las autonomías. En caso afirmativo, podría ser indicio del favorable papel
de la política económica llevada a cabo en el ámbito regional.
Para ello, el trabajo se estructura de la manera siguiente. En el apartado segundo se
realizará un breve recorrido histórico por las principales aportaciones académicas al
tema de la convergencia y el crecimiento económico. En el apartado tercero, se
analizará en detalle la base de datos utilizada, citando las fuentes estadísticas
consultadas y las variables objeto de interés, junto a una descripción de la evolución
experimentada por éstas en los últimos 25 años. En el apartado cuarto, nos
centraremos en el estudio clásico de la convergencia mediante el cálculo de la
convergencia sigma y beta, lo que permitirá concluir si se ha producido un proceso de
reducción de las disparidades entre las regiones españolas o, si por el contrario, el
estancamiento ha sido la característica común de este proceso. Posteriormente, se
dedicarán los apartados cinco y seis a desarrollar la regresión de crecimiento a
estimar, que será la propuesta por Mankiw, Romer y Weil (1992), así como el
procedimiento econométrico empleado, el Método Generalizado de Momentos para
paneles dinámicos multivariantes. Éste es el que la literatura reciente considera como
el mejor método de estimación, dado que permite obtener parámetros insesgados y
consistentes. En el apartado séptimo se comentarán los principales resultados
6
obtenidos, finalizando con las principales conclusiones que se pueden extraer sobre el
proceso de convergencia en las regiones españolas en el apartado octavo.
2. REVISIÓN DE LA LITERATURA MÁS RELEVANTE SOBRE CRECIMIENTO ECONÓMICO Y CONVERGENCIA
Los autores han adoptado diferentes perspectivas sobre la convergencia, en función
de la combinación escogida en relación a tres aspectos: la forma de definir la
convergencia, el modelo de crecimiento teórico objeto de interés y el método
econométrico usado.
El término convergencia tiene múltiples acepciones. En primer lugar, puede
entenderse como aproximación a un estado estacionario común, de manera que cada
país pasa a ser tan rico como los demás, disminuyendo progresivamente la dispersión
entre las rentas de todos ellos. Sala-i-Martín (1990) introduce la denominación de beta
convergencia para recoger la existencia de una relación negativa entre la tasa de
crecimiento de la renta per cápita real y su nivel inicial, lo que implica que la economía
tiende a acercarse a su estado estacionario. Como ejemplos cabe citar a Barro y Sala-
i-Martín (1995), que obtienen una expresión que se conoce como ecuación de
convergencia, o Mankiw, Romer y Weil (1992), que desarrollan de forma teórica el
modelo de Solow añadiendo el factor capital humano, que se comporta como variable
de control adicional.
Una segunda forma de entender la convergencia se debe a Bernard y Durlauf
(1995,1996), que partiendo de un marco estocástico, se centran en análisis
transversales y técnicas econométricas de integración y cointegración de series
temporales. La idea es que la convergencia no se identifica tan sólo como una
propiedad de la relación entre valores iniciales y el crecimiento para un período
determinado, sino también como la relación entre las predicciones a largo plazo para
el PIB pc, tomando como dadas las condiciones iniciales. Esta noción de convergencia
trata al logaritmo del PIB pc como una variable integrada, preguntándose si los países
comparten una tendencia común determinista, es decir, tienen factores comunes a
largo plazo que explican la convergencia entre ellos, o, por el contrario, la tendencia es
estocástica, en cuyo caso no habría convergencia.
7
También la convergencia puede hacer referencia al proceso de acercamiento
(catching-up), derivado de la existencia de difusión de la tecnología (por ejemplo, De la
Fuente,1996 o Lee, Pesaran y Smith,1997).
Otra forma de entender la convergencia es como un proceso de reducción de las
disparidades entre las economías, denominado sigma convergencia, que analiza la
evolución de las desigualdades existentes a través de alguna medida de dispersión.
Este concepto ha sido usado, entre otros, por Barro y Sala-i-Martín (1995), Goerlich y
Mas (1998) o Esteban (1994).
Finalmente, Quah (1996) sugiere aproximarse al estudio de la convergencia mediante
el análisis de la dinámica de la distribución. De un lado, propone analizar la dinámica
intradistribucional, mediante la descripción de la ley de probabilidad de la distribución a
través de la utilización de cadenas de Markov, en el caso discreto, y la estimación de
kernels estocásticos para el caso continuo. Las implicaciones para el debate de la
convergencia se derivan a partir de las distribuciones ergódicas obtenidas, dado que
mediante dicha técnica es posible capturar los comportamientos particulares de
algunas zonas de la distribución, que vendrían ligados a la posible existencia de
clubes de convergencia. Por otra parte, también señala la posibilidad de analizar la
forma de la distribución, mediante histogramas, para el caso discreto, o funciones de
densidad para el caso continuo, que muestra la existencia de una tendencia hacia la
concentración o la dispersión.
Respecto al modelo de crecimiento teórico, se distinguen dos grandes líneas de
análisis. De un lado, los modelos de corte neoclásico, derivados de los trabajos
realizados por Solow (1956) y Swan (1956), los cuales predicen un determinado tipo
de convergencia. De otro lado, un conjunto de modelos denominados de crecimiento
endógeno, que nacen a partir de los trabajos de Romer (1986) y Lucas (1988).
El trabajo que se cita habitualmente como pionero en el campo empírico de la
convergencia absoluta entre países corresponde a Baumol (1986), que centrándose
en una muestra de 16 países de la OCDE en el período 1870-1979, estima un lento
ritmo de convergencia (menos del 1% anual). De Long (1988) efectúo una revisión
crítica del mismo, señalando que los resultados obtenidos estaban influenciados por el
sesgo de selección y el hecho de no corregir los errores de medida, desapareciendo la
convergencia cuando se ampliaba la muestra y se subsanaban dichos errores.
8
Como respuesta, aparecieron investigaciones argumentando que realmente el modelo
neoclásico no intenta predecir convergencia beta absoluta, es decir, que todos los
países alcanzarán la misma renta per cápita, sino que cada uno alcanzará su estado
estacionario. Al tener los países o regiones diferentes tasas de ahorro, depreciación,
crecimiento de la población y tecnología, cada territorio llegará a un estado
estacionario distinto, de manera que, si se controlan las diferencias iniciales en estas
variables, se obtiene una correlación negativa entre nivel inicial de renta y su
crecimiento, lo que se conoce como convergencia condicional.
En el trabajo de Barro y Sala-i-Martí (1990) se aportaban dos maneras posibles para
condicionar los datos, de un lado, limitando la muestra de estudio a conjuntos de
economías parecidas; de otro, utilizando regresiones múltiples con datos de sección
cruzada para muchos países, en las que se mantiene constante un conjunto de
variables que actúan de proxies del estado estacionario. Esto dio origen a multitud de
artículos que trataban de analizar la senda de convergencia en diferentes ámbitos
nacionales y regionales, utilizando ecuaciones de convergencia “estructurales”
derivadas de modelos de crecimiento explícitos.
La evidencia empírica obtenida en los mismos, relativa a estados de Estados Unidos,
prefecturas de Japón y regiones europeas (por ejemplo, Barro y Sala-i-Martín,1992a y
b), provincias españolas (Dolado, González-Páramo y Roldán, 1994), colonias de
Australasia (Cashin, 1995)), provincias de Canadá (Coulombe y Lee, 1995), condados
suecos (Persson, 1997), países de la OCDE (Dowrick y Nguyen, 1989), o los diez
países integrados en la Unión Europea en 2004 (Varblane y Vahter, 2005),
demostraba la existencia de una correlación parcial negativa entre crecimiento y renta
inicial, es decir, convergencia beta, tanto en el ámbito nacional como regional. A nivel
nacional, la convergencia observada suele ser de tipo condicional. Es decir, en
muestras amplias, los países pobres tienden a crecer más que los ricos sólo cuando
se condiciona por el capital físico y humano y otro conjunto de variables.
A nivel regional, no obstante, el consenso es que existe convergencia de tipo absoluto,
esto es, la correlación entre la renta per cápita inicial o el producto por trabajador y sus
respectivas tasas de crecimiento es normalmente negativa en tales muestras incluso si
no se controla mediante variables adicionales. Este hecho se interpreta como que las
regiones de los países industriales tienden a converger a un nivel común de renta per
cápita a largo plazo.
9
La segunda coincidencia significativa en un gran número de estos artículos es que la
velocidad de convergencia parece ser pequeña, pero estable, en las diferentes
muestras. De la mayoría de las estimaciones se desprende una tasa de convergencia
en torno al 2% al año, lo que se traduce en la necesidad de unos 35 años para
completar el proceso de convergencia. Con ello, incluso aunque la convergencia fuera
de tipo absoluto se requerirían décadas antes de que se pudiesen eliminar las
desigualdades en renta entre territorios. Por otra parte, la estabilidad que manifiesta el
coeficiente de convergencia parece indicar que las fuerzas que impulsan el proceso de
convergencia son similares a través del tiempo y el espacio, de manera que es posible
dar una interpretación estructural a este parámetro en términos de un modelo teórico
común.
Respecto a la interpretación que suele darse en la literatura al parámetro de
convergencia es que refleja los rendimientos decrecientes a escala de los factores
productivos. Barro y Sala-i-Martín (1990, 1992a y b) y Mankiw, Romer y Weil (1992),
por ejemplo, interpretan sus resultados empíricos dentro del marco de un modelo
neoclásico con progreso técnico exógeno. Esto les permite relacionar explícitamente la
tasa de convergencia con los coeficientes de la función de producción agregada y
otros parámetros estructurales. En este contexto, el lento proceso de convergencia se
utiliza como un indicador de que la tecnología de producción tiene rendimientos de
escala casi constantes en todos los factores productivos. Tal y como señalan Barro y
Sala-i-Martí (1990, 1992a y b), para el conjunto de estimaciones se precisa una
participación del capital en el modelo dentro de un intervalo que oscila entre 0,3 y 0,75.
Esta consideración es más plausible cuando se piensa en términos de capital
agregado en sentido amplio, incluyendo el capital humano, que cuando se interpreta
como la suma de los stocks de equipamiento y estructuras. En este sentido, Mankiw,
Romer y Weil (1992) proporcionan evidencia empírica usando una extensión del
modelo de Solow que incorpora el capital humano como factor de producción, de
forma que al sumar la aportación del capital físico y humano, ésta se sitúa próxima al
0,75, lo que implica una velocidad de convergencia de entre 1,5% y 3% anual, valores
más cercanos a los observados. Éste es el enfoque que se usará en el presente
trabajo para analizar la evolución de la convergencia entre las regiones españolas.
Desde entonces, numerosos autores han utilizado la metodología de Mankiw, Romer y
Weil (1992), extendiendo la versión del modelo neoclásico estándar para estudiar la
significatividad de la contribución al crecimiento de otra serie de factores, como la
10
seguridad y estabilidad política, la calidad del sector público, el desarrollo de los
mercados financieros, el grado de apertura de la economía, etc.
A mediados de los noventa, no obstante, aparecieron trabajos que ponían en duda la
interpretación anterior. Marcet (1994) y Canova y Marcet (1995), por ejemplo,
cuestionaban la precisión de las estimaciones previas del parámetro de convergencia
e, indirectamente, la conclusión de que existen casi rendimientos a escala constantes
en los factores de producción. Dado que es necesario conocer la posición del estado
estacionario para poder estimar la velocidad de convergencia con exactitud, la omisión
de algún determinante relevante de la renta a largo plazo puede sesgar las
estimaciones de parámetro de convergencia a la baja en las regresiones de
crecimiento estándar.
Estos trabajos proporcionaban una visión del proceso de convergencia diferente de la
que hasta entonces era dominante en la literatura, sobre todo a nivel regional. En vez
de convergencia lenta, pero absoluta hacia un nivel de renta común, estos estudios
señalaban una convergencia rápida pero a diferentes estados estacionarios y, por
tanto, la persistencia de importantes diferencias regionales. Desde un punto de vista
teórico, estos resultados eran difíciles de conciliar con el modelo neoclásico en su
versión extendida. Si se interpretan dentro de este marco, las nuevas estimaciones de
la tasa de convergencia conducían, en el mejor de los casos, de nuevo al modelo
estándar de Solow definiendo el capital de manera estricta, y, en muchos otros, a
resultados sin sentido, como un coeficiente negativo del factor capital.
Posteriormente, otros autores como Romer (1990), Grossman y Helpman (1994),
Barro y Sala-i-Martín (1997) o De la Fuente (2002), trataron de explicar las
incongruentes conclusiones anteriormente comentadas, apartándose del marco
neoclásico estándar y pensando en términos de un modelo más amplio que permitiera
mecanismos de convergencia distintos de los rendimientos decrecientes. Dos de estos
mecanismos son la difusión tecnológica entre países y regiones (el llamado efecto
catch-up), y la recolocación de recursos entre sectores. Teniendo en cuenta estos
factores, la velocidad de convergencia estimada se entiende como el resumen
estadístico del efecto neto de varias fuerzas en vez de una estimación indirecta del
parámetro de la función de producción. Desarrollaron y estimaron un modelo de
crecimiento descriptivo que permitía la acumulación de factores, la difusión
tecnológica, y los efectos tasa del capital humano y factores regionales no
observables. Sus resultados indicaban, de un lado, que el catch-up tecnológico, la
11
igualación de los niveles educativos y la redistribución del empleo entre regiones son
los responsables de la mayor parte de la reducción de las disparidades regionales que
pone de manifiesto la evidencia empírica. De otro, que se mantienen significativas
diferencias interregionales en los niveles de productividad, lo que apunta la omisión de
importantes variables y la necesidad de análisis más desagregados.
Respecto a los métodos econométricos empleados, estos varían en función del
tamaño de la muestra y la disponibilidad de una serie temporal, así como de la calidad
de los datos en ambas dimensiones. La mayor parte de los estudios de la década de
los 90 usaron datos de sección cruzada para un gran número de países (Barro y Sala-
i-Martin (1992a y b), Mankiw, Romer y Weil (1992)) donde la variable dependiente era
la tasa de crecimiento media en un período relativamente largo (normalmente 20 años
o más), y las variables explicativas o bien eran medias a largo plazo (por ejemplo,
tasas de inversión) o bien los valores iniciales de las variables al comienzo del período
(por ejemplo, nivel inicial de PIB per cápita, tasa de escolarización, etc.). Dado el poco
requerimiento de datos necesario, los análisis de sección cruzada pueden centrarse en
un amplio grupo de países. Además, el procedimiento econométrico directo permitía
contrastar diferentes especificaciones y comprobar la robustez de los coeficientes a los
cambios en la especificación, por ejemplo usando el enfoque del límite extremo de
Leamer (por ejemplo Levine y Renelt (1992)) o el enfoque del promedio bayesiano de
las estimaciones clásicas, basado en promediar las estimaciones de mínimos
cuadrados ordinarios entre diferentes especificaciones (Sala-i-Martín (1997), Sala-i-
Martín, Doppelhofer y Miller (2004)).
Este enfoque, sin embargo, no ha estado exento de críticas. Un defecto que suele
destacarse es que en los análisis de sección cruzada sólo se considera el período
inicial y final, y no la senda de evolución intermedia, que también es importante a la
hora de estudiar cómo se ha producido el proceso de convergencia. En este sentido,
Quah (1993) pone en duda el supuesto de que la senda de aproximación al estado
estacionario sea única, de manera que la tasa media de crecimiento de una economía
durante un período largo de tiempo represente la pendiente de dicha senda. De
acuerdo con la evidencia empírica para 118 países durante el período 1962-1985,
dicha tasa media de crecimiento difiere significativamente por períodos. Por ello, se
aconseja el uso de una estrategia econométrica alternativa basada en el estudio
directo de la dinámica de la distribución completa de la renta per cápita de las diversas
economías a lo largo del tiempo.
12
Por otra parte, en las especificaciones de sección cruzada no se efectúa un correcto
tratamiento de los efectos fijos. Así, por ejemplo, se demuestra que las estimaciones
de mínimos cuadrados ordinarios sólo son consistentes respecto a las relaciones a
largo plazo bajo condiciones bastante restrictivas, y cuando los regresores son
estrictamente exógenos (Pesaran y Smith (1995)). Estas condiciones se violan
necesariamente en el marco dinámico de las regresiones de crecimiento (Caselli,
Esquivel y Lefort (1996)). Los efectos específicos de cada país o efectos fijos son, por
construcción, correlacionados con el nivel del PIB per cápita retardado, dando lugar a
un sesgo al alza en el coeficiente de convergencia estimado, o lo que es equivalente,
un sesgo a la baja en la estimación de la velocidad de ajuste al estado estacionario. Si
no se controla por las diferencias en los estados estacionarios se tenderá a explicar la
falta de una fuerte correlación negativa entre niveles de renta y tasas de crecimiento
como resultado de la lenta convergencia entre territorios. Asimismo, las regresiones de
sección cruzada ignoran la posible heterogeneidad del progreso tecnológico y el
crecimiento de la población entre países.
También suele destacarse el problema de la endogeneidad en al menos un
subconjunto de los regresores empleados, como la tasa de inversión en capital físico,
que viene determinada simultáneamente con la tasa de crecimiento del PIB, o la tasa
de crecimiento de la población, que se encuentra igualmente afectada por la evolución
del PIB.
Para intentar superar algunas de estas limitaciones, los trabajos empíricos
comenzaron a utilizar datos de panel. Entre las ventajas de esta metodología cabe
resaltar las siguientes: mejora las estimaciones al tener en cuenta conjuntamente las
dimensiones temporal y transversal; reduce los problemas de multicolinealidad entre
las variables explicativas al ampliarse los grados de libertad con la utilización de un
mayor número de observaciones, lo que aumenta la eficiencia; permite capturar la
heterogeneidad no observable, ya sea entre observaciones (efectos individuales
específicos de las unidades de análisis que son invariantes en el tiempo) o en distintos
momentos de tiempo (los efectos temporales que afectan por igual a todas las
unidades individuales del estudio pero que varían en el tiempo); y posibilitan la
realización de análisis dinámicos del modelo, al incorporar la dimensión temporal de
los datos (Martín, 2008).
Algunos autores se centraron en la cuestión de los efectos fijos correlacionados,
aplicando distintos métodos de estimación. Islam (1995), usando el estimador LSDV,
13
obtiene una velocidad de convergencia de alrededor del 5% para una muestra de
países no productores de petróleo, y superior al 9% para la OCDE, mientras que
usando el estimador de Mínima Distancia (MD), sería algo menor, en concreto, del
4,3% y 6,7%, respectivamente. En la misma línea, Knight, Loayza y Villanueva (1993)
utilizan el estimador MD, y concluyen una velocidad de convergencia del 6,5% para el
modelo de Solow clásico y del 5% para el aumentado con capital humano e
infraestructura pública.
Otros intentaron solucionar el problema de la endogeneidad, como Barro y Sala-i-
Martín (1995), usando un panel donde subdividen los datos en dos grupos de diez
años y aplicando un estimador GLS (para corregir la correlación serial) donde las
variables potencialmente endógenas se instrumentan con sus valores retardados. No
obstante, esta solución sólo es consistente bajo el supuesto de efectos aleatorios
(efectos individuales correlacionados en el tiempo, no con otros regresores), algo que
se invalida al usar valores retardados de la variable, generándose, además, un
problema de variables omitidas.
Otra opción ha sido promediar los datos para subperíodos más cortos para reducir la
influencia de la variación a corto plazo generada por los efectos del ciclo económico y
otros procesos, y de esta forma obtener varias observaciones temporales para cada
economía. La técnica más común ha sido tomar medias generalmente de cinco años
(por ejemplo, Islam, 1995, Caselli, Esquivel y Lefort, 1996 o Bond, Hoeffler y Temple,
2001). Hay pocos ejemplos de regresiones de crecimiento basadas en secciones
cruzadas pooled y series de datos anuales (por ejemplo, Cellini, 1997, Lee, Pesaran y
Smith, 1997, Crain y Lee, 1999 o Bond, Leblebicioglu y Schiantarelli (2004)).
Lee, Pesaran y Smith (1997) con un panel de datos dinámico para 102 países entre
1960 y 1989, y un modelo de Solow estocástico que añade un término de error al
determinista clásico, obtuvieron unas estimaciones sujetas a fuerte sesgo. Al permitir
heterogeneidad en las tasas de crecimiento del estado estacionario entre países,
estimaron una velocidad de convergencia cercana al 30% al año, en vez del tradicional
2%, concluyendo los autores que este resultado estaba estimado de manera imprecisa
y era difícil de interpretar.
Caselli, Esquivel y Lefort (1996) argumentaron que los métodos de estimación usados
hasta entonces eran inconsistentes por dos motivos: primero, el incorrecto tratamiento
de los efectos de las diferencias de la tecnología o los gustos entre países, que daba
14
origen a un sesgo de variables omitidas. En particular, suele asumirse que dichos
efectos están incorrelacionados con las variables explicativas, algo imposible, dada la
naturaleza dinámica de la regresión de crecimiento. En segundo lugar, no se
controlaba el hecho de que ciertas variables sean endógenas. Para resolver ambos
problemas estos autores proponían usar un estimador con el Método Generalizado de
Momentos (GMM), adaptación del propuesto por Holtz-Eakin, Newey y Rosen (1988) y
Arrellano y Bond (1991), obteniendo estimaciones de la tasa de convergencia del 13%
para el modelo de Solow clásico, y en torno al 7% en el ampliado con capital humano.
El modelo teórico que consideraron más consistente con esta evidencia empírica de
altas tasas de convergencia y elevada participación del capital en la renta, era una
versión del modelo de Solow (no ampliado) con economía abierta y tasa de ahorro
endógena. Dado que esta técnica de GMM es inmune a los problemas de
inconsistencia que invalidan las técnicas tradicionales de sección cruzada, éste será el
procedimiento a utilizar en el presente trabajo.
Otros autores, como Canova y Marcet (1995) propusieron como método de estimación
un modelo bayesiano con datos de panel, introduciendo efectos fijos para controlar las
posibles diferencias entre territorios, obteniendo como resultado tasas de
convergencia superiores a las encontradas en otros estudios (alrededor del 11% de
media en una muestra de los países de la OCDE y 23% para las regiones europeas).
Una estrategia alternativa es la aproximación de la media del grupo (MG), que consiste
en estimar regresiones separadas para cada país y calcular la media de los
coeficientes específicos de cada país (por ejemplo, Evans, 1997). Aunque consistente,
este estimador suele ser ineficiente en muestras pequeñas de países, donde cualquier
valor anómalo de un país puede afectar a las medias de los coeficientes de los países.
Centrando la atención en el caso español, los principales trabajos favorables a la
convergencia regional, utilizando la metodología clásica, se encuentran, entre otros, en
Dolado, González Páramo y Roldán (1994), Más, Maudós, Pérez y Uriel (1994,1995),
Raymond y García (1994), Goerlich y Mas (1998) y Cuadrado, Mancha y Garrido
(1999). En ellos se concluye que existe convergencia absoluta desde el punto de vista
provincial y regional, si bien, dicho proceso parece detenerse a partir de finales de los
setenta. El freno a la convergencia se ha atribuido a la progresiva igualación de las
estructuras productivas y a la desaceleración de los movimientos migratorios como
mecanismo de convergencia.
15
Frente a ello, otros autores, como De la Fuente (1994, 2002), López, Vayá, Mora y
Surinach (1997), Rodríguez Pose (1997) o Garcimartín y Martín (2000) han
cuestionado la existencia de convergencia entre las regiones españolas, subrayando
la existencia de comportamientos diferenciados en la dinámica económica,
apreciándose la formación de diversos clubs de convergencia, esto es, grupos de
regiones que convergen entre sí.
3. VARIABLES Y FUENTES ESTADÍSTICAS
El objeto de interés en el campo del crecimiento económico suele ser la evolución del
PIB pc, dado que a pesar de sus múltiples limitaciones, está considerado como uno de
los mejores indicadores del nivel económico de una sociedad.
La estimación del modelo de crecimiento del PIB pc propuesta en el presente trabajo
requiere, no obstante, no sólo la obtención de información sobre ambas variables, PIB
real y población, sino además, del capital físico y humano.
Para construir una serie histórica del PIB que abarque desde 1980 hay que partir de
los datos proporcionados por la Contabilidad Regional de España, elaborada por el
Instituto Nacional de Estadística (INE). Esta estadística presenta los datos en dos
bases distintas, la Base 1986 para el período 1980-1996, y la Base 2000 para el
período 1995-2007. Por otra parte, la aproximación a los datos en términos reales se
realiza de forma distinta en ambas bases: con la Base 1986, los valores vienen
expresados en pesetas constantes, mientras que con la Base 2000 se introduce un
concepto nuevo, los índices de volumen encadenados.
Se ha optado por construir una serie para el período 1995-2007 a partir de los índices
de volumen encadenados publicados en la Contabilidad Regional de España Base
2000 del INE, y el dato correspondiente en términos corrientes del año 2000, para
cada región y el total nacional, obteniéndose la serie en euros constantes de 2000.
Hay que matizar que se han excluido Ceuta y Melilla, pues el objeto de análisis va a
ser exclusivamente las Comunidades Autónomas y no las Ciudades con Estatuto de
Autonomía. Posteriormente se han enlazado hacia atrás con las tasas de crecimiento
reales derivadas de la Contabilidad Regional de España Base 1986 del INE.
En el caso de la población, la serie homogénea publicada por el INE en la Contabilidad
Regional de España Base 2000 para el período 1995-2007 se ha enlazado con las
16
tasas de crecimiento que se derivan de la Base 1986. El PIB pc es el resultado de
dividir las dos series anteriores.
Para la acumulación de capital físico se va a utilizar como proxy la tasa de inversión,
esto es, el porcentaje de inversión bruta real en cada región respecto al PIB generado
por cada una de ellas. La información sobre Inversión Bruta real, que incluye tanto la
pública como la privada, procede de las estimaciones del stock y de los servicios de
capital para la economía española realizadas por Mas, Pérez y Uriel (2007), y
publicadas por la Fundación BBVA para el período 1964-2004. Estos autores obtienen
el total de la Formación Bruta de Capital Fijo a partir de la suma de diferentes tipos de
activos: viviendas y otras construcciones, elementos de transporte, y maquinaria,
material de equipo y otros productos, proporcionando los resultados en millones de
euros de 2000. Para calcular la tasa de inversión se ha procedido a dividir esta serie
de Formación Bruta de Capital Fijo entre la serie de PIB obtenida por el procedimiento
anteriormente comentado.
Finalmente, en relación al capital humano, se ha intentado aproximar esta variable
mediante los años medios de escolarización en cada Comunidad Autónoma, que se
calculan a partir de la base de datos de Capital Humano elaborada por el IVIE, con el
patrocinio de la Fundación Bancaja (Mas, Pérez, Uriel, Serrano y Soler, 2005).
En concreto, esta base de datos contiene información sobre la evolución de los niveles
educativos de la población española distinguiendo entre analfabetos, sin estudios o
con estudios primarios, estudios medios, estudios anteriores al superior y estudios
superiores. Para calcular los años medios, y siguiendo las indicaciones de De la
Fuente y Doménech (2006), se multiplica la población en edad de trabajar de cada
nivel educativo por el número de años de duración de cada nivel (según la tabla 1), y
se divide entre el total. Dado que el grupo de estudios medios no aparece separado
entre secundaria inferior y superior, se ha procedido a estimar una serie para ambos a
partir de los datos censales contenidos en el artículo citado.
Tabla 1: Duración estudios según nivel educativo
Duración
Analfabetos 0
Primaria (Primaria, graduado escolar) 5
Secundaria inferior (EGB, Bachillerato Elemental/ESO) 8
17
Secundaria superior (Bachillerato/COU/FP I y FP II) 12
Universidad, primer ciclo (Diplomatura, peritaje) 14
Universidad, segundo ciclo (Licenciatura) 17
De la información anterior, disponible para todas las variables para el período 1980-
2004, pueden destacarse las siguientes estadísticas básicas:
Tabla 2: Síntesis de estadísticas básicas
VARIABLES MEDIA
MUESTRALMÁXIMO MÍNIMO
DESVIACIÓN TÍPICA
1980 10.205 14.450 5.760 2.309 PIB pc (euros de 2000) 2004 17.920 24.571 12.442 3.974
1980 6,04 7,09 5,11 0,56 Años medios de educación 2004 8,57 9,55 7,78 0,42
1980 19,7 31,0 12,6 4,5 Tasa de inversión (% PIB) 2004 26,5 38,5 17,5 5,1
% crecimiento población anual
0,5 0,7 0,5 -
Una vez construida la base de datos necesaria para efectuar la estimación, resulta
interesante realizar una análisis descriptivo de la evolución de las tasas de crecimiento
del PIB a escala nacional y por regiones, estudiando cómo ha variado el peso relativo
de las distintas Comunidades Autónomas en el conjunto, y cómo han progresado en
estos casi 25 años en relación al PIB per cápita.
La economía española ha experimentado en este período dos fases cíclicas. Los años
ochenta comienzan con una fuerte recesión que dura hasta mediados de la década,
gracias, en gran medida, a la entrada en la Comunidad Económica Europea, que
supuso un impulso importante para la actividad económica. Posteriormente, en los
noventa vuelve a atravesarse una etapa recesiva, recuperándose la senda de
crecimiento a partir de 1994, manteniéndose desde entonces una trayectoria
ascendente, en lo que constituye el período más largo de fase alcista de un ciclo
económico en España.
18
A nivel regional, cabe señalar, que de las 17 Comunidades Autónomas, diez crecen
por encima de la tasas de crecimiento media nacional entre 1980 y 2004, mientras que
las siete restantes lo hacen por debajo, si bien dos de éstas, Navarra y Castilla-La
Mancha, se encuentran muy próximas a la media.
El menor ritmo de crecimiento corresponde a Galicia (1,9% anual), situándose, en el
lado opuesto, Baleares (3,6%) en el primer lugar del ránking. Las regiones con mayor
dinamismo son las que forman el “eje del Mediterráneo”, las islas, Madrid, Aragón,
Extremadura y La Rioja.
Estas diferencias en las tasas de crecimiento regional han dado lugar a cambios en el
peso relativo que cada región tenía y tiene en el conjunto nacional.
Tabla 3: Peso relativo de las CC.AA. en PIB real
Variación
1980 2004 Puntos
porcentuales %
ANDALUCÍA 10,8 11,5 0,7 6,1
ARAGÓN 2,6 2,7 0,0 0,3
ASTURIAS 2,2 1,9 -0,3 -15,2
BALEARES 1,7 2,1 0,4 21,9
CANARIAS 3,4 3,6 0,2 5,5
CANTABRIA 1,2 1,1 -0,1 -9,0
CASTILLA Y LEÓN 5,7 4,9 -0,7 -12,9
CASTILLA LA MANCHA 3,2 3,1 -0,1 -3,1
CATALUÑA 17,2 17,2 0,0 0,1
COMUNIDAD VALENCIANA 8,8 9,0 0,2 2,2
EXTREMADURA 1,4 1,6 0,2 10,7
GALICIA 6,0 4,8 -1,2 -19,9
MADRID 14,7 16,8 2,1 14,3
MURCIA 2,3 2,4 0,1 2,3
NAVARRA 1,7 1,7 0,0 -1,9
PAÍS VASCO 7,4 6,0 -1,3 -18,2
RIOJA (LA) 0,7 0,7 0,1 12,7
ESPAÑA 100,0 100,0 0,0 0,0
19
Se observa que diez regiones registran un aumento de su peso relativo, destacando
Madrid (2,1 puntos porcentuales), seguido de Andalucía y Baleares. En términos
relativos, no obstante, es Baleares la primera, y tras ella, Madrid, La Rioja y
Extremadura.
Frente a ello, la mayor pérdida absoluta se produce en País Vasco y Galicia (más de
un punto), siendo también intensa en Castilla y León y Asturias. En porcentajes,
intercambian posiciones, colocándose Galicia con el mayor descenso, seguida de País
Vasco, Asturias y Castilla y León.
Por tanto, de las regiones tradicionalmente consideradas atrasadas sólo Galicia,
Asturias, Cantabria y las dos Castillas presentan tasas por debajo de la media
nacional, y pérdida de peso respecto al total. Dado que en PIB no han convergido,
habrá que analizar si ha existido pérdida de población en estas Comunidades,
segunda condición necesaria para que exista proceso de convergencia.
Tabla 4: Peso relativo de las CC.AA. en población
Variación
1980 2004 Puntos porcentuale
s %
ANDALUCÍA 16,9 17,8 1,0 5,8
ARAGÓN 3,3 2,9 -0,4 -11,1
ASTURIAS 3,0 2,5 -0,6 -18,3
BALEARES 1,7 2,2 0,5 26,6
CANARIAS 3,5 4,4 0,9 25,7
CANTABRIA 1,4 1,3 -0,1 -6,2
CASTILLA Y LEÓN 6,9 5,8 -1,1 -16,0
CASTILLA LA MANCHA 4,4 4,3 -0,1 -1,3
CATALUÑA 16,0 15,7 -0,3 -1,6 COMUNIDAD VALENCIANA 9,7 10,4 0,7 7,3
EXTREMADURA 2,8 2,5 -0,3 -9,8
GALICIA 7,3 6,3 -0,9 -12,7
MADRID 12,6 13,5 0,9 6,7
MURCIA 2,6 3,0 0,4 17,6
NAVARRA 1,4 1,4 0,0 -1,1
20
PAÍS VASCO 5,7 4,9 -0,8 -14,1
RIOJA (LA) 0,7 0,7 0,0 0,2
ESPAÑA 100,0 100,0 0,0 0,0
En este punto, hay que resaltar, siguiendo a Cuadrado, Garrido y Mancha (1999), que
desde el punto de vista demográfico, se ha producido una práctica paralización de las
migraciones interregionales desde la década de los ochenta. Asimismo, la población
española ha venido mostrando un progresivo envejecimiento derivado de la caída de
la tasas de natalidad y el avance en la media de vida, aunque con diferente intensidad
a nivel regional.
En este sentido, las regiones con una natalidad más elevada y donde apenas se
producen ya migraciones netas al exterior (Andalucía, Murcia) han incrementado su
participación en la población española total. Algo que también ocurre en regiones que
simplemente tienen una tasa de natalidad alta (Canarias) o donde dicha tasa no es tan
baja y/o han registrado todavía unos saldos migratorios positivos (Baleares, C.
Valenciana, Madrid). El resto ha experimentado pérdidas en su peso, con porcentajes
de variación negativos que a veces son bastante elevados (Aragón, Asturias, Castilla y
León, Galicia y País Vasco, por ejemplo).
Una vez considerada la evolución del PIB y la población, se pasará a analizar la
trayectoria mostrada por el PIB per cápita de las Comunidades Autónomas, en relación
con la media española.
De las trece Comunidades Autónomas que partían de una situación inferior a la media
en 1980, seis (Extremadura, Andalucía, Asturias, Aragón, Castilla y León y La Rioja)
presentan ritmos de crecimientos superiores al conjunto nacional en el período
considerado. Mientras, de las cuatro que mostraban un PIB per cápita por encima del
conjunto nacional, dos, Madrid y Cataluña, avanzan, a diferencia de las otras dos, País
Vasco y Navarra, que retroceden. Por otra parte, hay que destacar la evolución de La
Rioja, que pasa de estar por debajo de la media, a superarla ampliamente en 2004.
Estos resultados ponen de manifiesto, a priori, un cierto proceso de acercamiento
entre las regiones españolas en términos de PIB per cápita en el período considerado,
aunque de escasa magnitud, constatación que será objeto de comprobación y análisis
en los próximos apartados.
21
Tabla 5: Evolución del PIB per cápita en las CC.AA. (España=100)
1980 2004 Tasa media de
crecimiento anual 1980-2004
Variación sobre la tasa
media española
ANDALUCÍA 64,3 64,5 2,39 0,01
ARAGÓN 81,2 91,6 2,90 0,52
ASTURIAS 72,2 74,9 2,54 0,16
BALEARES 99,5 95,8 2,22 -0,16
CANARIAS 96,6 81,0 1,64 -0,75
CANTABRIA 88,6 85,9 2,25 -0,13
CASTILLA Y LEÓN 82,4 85,4 2,54 0,15
CASTILLA LA MANCHA 73,4 72,1 2,30 -0,08
CATALUÑA 107,7 109,6 2,46 0,07
COMUNIDAD VALENCIANA 90,1 85,8 2,17 -0,21
EXTREMADURA 51,3 63,0 3,26 0,88
GALICIA 82,7 75,8 2,01 -0,37
MADRID 116,2 124,5 2,67 0,29
MURCIA 90,7 78,9 1,79 -0,59
NAVARRA 124,3 123,2 2,34 -0,04
PAÍS VASCO 128,8 122,6 2,17 -0,21
RIOJA (LA) 96,1 108,2 2,89 0,51
ESPAÑA 100,0 100,0 2,38 0,00
Respecto a la tasa de inversión, en el siguiente gráfico pueden observarse los
avances, en puntos porcentuales, realizados por las regiones españolas entre 1980 y
1995, representando la línea roja la media nacional.
En síntesis, el comportamiento de esta variable ha sido muy heterogéneo. Así, hay
regiones que estaban por encima de la media en 1980 y han mejorado todavía más su
posición en 2004, como es el caso de Castilla-La Mancha, Murcia, Andalucía,
22
Cantabria y Asturias. También han registrado avances, aunque partiendo de
posiciones más rezagadas, Madrid, Cataluña, Canarias y Navarra. Mientras, otras que
estaban por encima de la media a comienzos de los ochenta, han ido reduciendo el
peso de la inversión en el PIB, como es el caso de Extremadura, Castilla y León,
Aragón, Comunidad Valenciana, Baleares, La Rioja y Galicia. Finalmente, País Vasco
es la única que, estando en una situación muy inferior a la media, reduce aún más su
posición. Con todo, la línea de tendencia representada muestra, en conjunto, se ha
producido un proceso de convergencia entre ellas.
Gráfico 1: Evolución de la tasa de inversión
Cataluña
Asturias
Canarias
NavarraMadrid
País Vasco
Galicia
Extremadura
Castilla y León
Castilla-La Mancha
Murcia
AndalucíaCantabria
La Rioja
Baleares
AragónC. Valenciana
-12,0
-10,0-8,0
-6,0
-4,0
-2,00,0
2,0
4,0
6,08,0
10,0
12,0
14,016,0
18,0
70 80 90 100 110 120 130 140 150 160 170 180 190 200
1980 2004 Lineal (1980)
Finalmente, y en relación a la variable relativa al capital humano, también se observa
una desigual transición entre 1980 y 2004. En los mapas siguientes se representan en
rosa las regiones con años medios de escolarización por debajo de la media, en rojo,
las que coinciden con la media, y en azul las que la superan.
La mitad sur y Galicia, en la zona baja, y Madrid, Cataluña, País Vasco y Navarra, en
la alta, mantienen una situación similar entre ambos años. Por el contrario, Castilla y
23
León y Asturias empeoran su posición, mientras que la Comunidad Valenciana y
Canarias, la mejoran.
Con todo, los mayores incrementos se registran precisamente en las más atrasadas,
Extremadura, Galicia, Baleares, Andalucía, así como en Canarias y Comunidad
Valenciana, siendo éstas últimas las que modifican su posición respecto a la media.
Frente a ello, los mayores descensos aparecen en Cantabria, Navarra y Asturias, cuya
posición era relativamente superior en 1980. De ello también se deriva cierto grado de
convergencia en el número de años medios de educación entre las regiones
españolas.
Gráfico 2: Evolución de los años medios dedicados al estudio
4.- EL ANÁLISIS CLÁSICO DE CONVERGENCIA
El análisis clásico de convergencia, siguiendo a Barro y Sala-i-Martín (1992a), se ha
centrado en estudiar la evolución de los indicadores sigma y beta.
4.1 CONVERGENCIA SIGMA:
El indicador sigma recoge la evolución de la dispersión de la variable considerada
entre territorios a lo largo del período de referencia. Existen diversas medidas de
dispersión, siendo las más utilizadas la desviación típica y el coeficiente de variación.
No obstante, en la literatura se han propuesto otras más complejas como el coeficiente
de variación ponderado (por la población o el PIB de cada región); el índice de Gini,
Año 1980 Año 2004
24
utilizado, por ejemplo, por Martín (1999); el índice de Atkinson o el índice de Theil,
aplicado por Cuadrado (1991) o Duro (2004).
En este trabajo, se ha preferido utilizar la desviación típica del logaritmo del PIB pc
para medir la convergencia sigma entre las regiones españolas:
N
uyN
itti
t
∑=
−= 1
2, ))(log(
σ (1)
donde y es el PIB pc, i la región objeto de consideración, t cada año del período 1980-
2004, N son las 17 Comunidades Autónomas y ut la media muestral del log(yi,t).
Se dice que hay convergencia de tipo σ si esta desviación típica experimenta una
disminución con el paso del tiempo. Los resultados para las Comunidades Autónomas
españolas se plasman en el siguiente gráfico:
Gráfico 3: Convergencia sigma en PIB per cápita
0,200
0,210
0,220
0,230
0,240
0,250
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Se observa que el nivel de dispersión ha ido registrando cambios a lo largo del
período. Hasta 1984 no se aprecia una disminución del mismo, oscilando entre los
años 1985 y 1992, y manteniendo una suave trayectoria ascendente hasta finales de
la década de los noventa. A partir del año 2000, no obstante, el indicador experimenta
una progresiva reducción, volviendo a situarse en 2004 en niveles mínimos. De este
25
modo, si consideramos el balance registrado entre 1980 y 2004, el indicador se ha
reducido en un 10,4%, lo que demuestra la existencia de un cierto proceso de
convergencia σ en PIB per cápita.
4.2 CONVERGENCIA BETA:
A diferencia de la convergencia σ, la convergencia β trata de contrastar si, como
consecuencia de la existencia de rendimientos marginales decrecientes en el uso de
factores acumulables, la situación de retraso relativo de las regiones más pobres
tiende a reducirse con el paso del tiempo. Esto implica que estas regiones deben
crecer más rápidamente que las ricas, de manera que, a igualdad de tecnología,
preferencias y nivel de conocimiento, llegará un momento en el que el PIB per cápita
se iguale entre ellas.
Para realizar una primera aproximación al concepto de β-convergencia, se representa
en el gráfico la relación entre el logaritmo del PIB per cápita en el momento inicial,
1980, y su crecimiento en el período 1980-2004.
Gráfico 4: Convergencia beta en PIB per cápita
Aragón
Extremadura
La Rioja
Madrid
Asturias Castilla y LeónCataluña
Navarra
Andalucía
Castilla-La ManchaCantabria Baleares
C. Valenciana
Galicia
Murcia
País Vasco
Canarias
40
50
60
70
80
90
100
110
120
8,50 8,75 9,00 9,25 9,50 9,75 LN PIB PER CÁPITA AÑO 1980
% CRECIMIENTO `PIB PER CÁPITA 1980-2004
España
España
El gráfico muestra que la relación entre las dos variables es decreciente, ya que la
recta ajustada a la nube de puntos presenta una pendiente negativa, aunque no muy
26
pronunciada, lo que indica que en los 24 años analizados, las regiones que
inicialmente eran más pobres, han crecido a tasas superiores a las de las regiones con
mayor nivel inicial de riqueza.
Existe, de este modo, una cierta tendencia a la convergencia entre Comunidades
Autónomas en términos de PIB per cápita. En concreto, regiones como Extremadura,
Andalucía o Asturias, que presentaban en 1980 los niveles más bajos de PIB per
cápita, crecieron en el período por encima de la media nacional, mientras que, por el
contrario, otras que partían de los niveles más altos, como País Vasco o Navarra,
experimentaron crecimientos inferiores a los del conjunto.
Una vez realizada esta primera aproximación al concepto de convergencia, se
procederá a contrastar esta hipótesis de manera más rigurosa. Para ello, se analiza la
tasa de convergencia beta. Este estadístico se obtiene a partir de una regresión de la
tasa de crecimiento del PIB por habitante sobre el nivel inicial de la misma variable y
mide la fracción del diferencial del PIB per cápita en relación al promedio nacional que
se elimina cada año en una hipotética región típica. Para ello se utilizará la siguiente
expresión, derivada de la loglinearización del modelo neoclásico con tecnología Cobb-
Douglas, suponiendo que tanto el progreso técnico como la tasa de ahorro se
determinan de manera exógena:
it
Tti
Tti
ti uTyb
ayy
T+−=⎟
⎟⎠
⎞⎜⎜⎝
⎛ −
−
)log(log1 ,
,
, (2)
donde a depende del PIB pc en el estado estacionario y de la tasa de crecimiento del
progreso tecnológico exógeno; b=(1-e-βT) recoge el efecto del PIB pc inicial sobre la
tasas de crecimiento medio del período, de manera que β representa el ritmo de
convergencia o tasa media anual a la que las economías van acortando su distancia
relativa al estado estacionario, calculándose de la siguiente forma:
Tb)1log( −
−=β (3)
y uti representa el término de perturbación, serialmente incorrelacionado, con media 0 y
varianza σ2u, distribuido independientemente del logaritmo del PIB pc inicial, log (yi,t-T),
y de utj con .ji ≠
27
Existirá convergencia si el parámetro β estimado en la ecuación es positivo y
estadísticamente significativo, lo que supone una relación negativa entre la tasa de
crecimiento de la variable entre los años 1980 y 2004, y su nivel inicial. Esto es, las
Comunidades Autónomas que partían con niveles más bajos de PIB per cápita han
crecido a ritmos superiores que las que tenían los niveles más altos. La existencia de
este tipo de convergencia, no obstante, habría que matizarla en caso de que el ajuste
lineal no fuera aceptable (según el coeficiente de determinación) y/o el coeficiente de
la regresión no fuera estadísticamente significativo (según el estadístico t).
La β-convergencia se entiende como convergencia absoluta, siempre que se asuma
que todas las regiones comparten estados estacionarios, es decir, que todas ellas
parten de unas condiciones que las hacen converger hacia la misma situación final. La
existencia de convergencia absoluta supone que el valor de a al estimar (2) es idéntico
para todas las regiones, por lo cual todas ellas convergen al mismo estado
estacionario independientemente de cuál sea su situación de partida.
Los resultados de la estimación de (2) con regresiones de sección cruzada a través de
Mínimos Cuadrados Ordinarios, para la regiones españolas en el período 1980-2004
es el siguiente:
Tabla 6: Estimación convergencia beta absoluta
1980-2004
-0,2176 b
(Estadístico t) (-1,6122)
0,1167 a
(Estadístico t) (2,2540)
R2 0,1476
R2 ajustado 0,0908
β (%) 1,0
El signo positivo de la estimación de β nos informa sobre la existencia de convergencia
en PIB per cápita, pues existe una relación inversa entre la variable PIB per cápita en
1980 y el crecimiento de la variable. Al existir sigma convergencia, necesariamente
también había de darse beta convergencia. Es decir, en general, las Comunidades con
28
PIB per cápita más bajo en 1980, han crecido a ritmos más elevados que las que
presentaban los mejores resultados.
No obstante, los resultados de la regresión indican que el parámetro b no es
significativo, y el R2 es bajo. Por otra parte, en la última fila de la tabla se presenta el
valor estimado de la velocidad de convergencia (β) expresado en tanto por ciento, que
asciende al 1% anual entre 1980-2004, inferior al que obtienen otros autores para
otros períodos (Sala-i-Martín obtiene una velocidad del 2,3% en el período 1955-1987,
por ejemplo). No obstante, si se considera sólo la década actual, la velocidad de
convergencia se acelera y pasa a ser del 6,9% anual.
Dado que el parámetro b no es significativo y que el R2 es reducido, se va a ampliar el
campo de análisis al estudio de la convergencia condicional.
Según Sala-i-Martín (1996a) una de las formas posibles de condicionar el estudio de
convergencia es introduciendo variables regionales en la regresión de (2) que tengan
en cuenta las diferencias estructurales de cada región. En este caso, la regresión a
estimar sería:
it
it
Tti
Tti
ti ucTyb
ayy
T++−=⎟
⎟⎠
⎞⎜⎜⎝
⎛ −
−
ψ)log(
log1 ,
,
, (4)
donde itψ es la nueva variable regional que determina la existencia de diferencias
entre las regiones que conducen a diversos estados estacionarios.
La existencia de β-convergencia condicional quedará contrastada, si la estimación de
la regresión de (4) presenta los siguientes resultados:
a) Todos los parámetros (a, b y c) son significativos.
b) El valor de β será positivo y más significativo que al estimar la regresión de (2).
c) La bondad del ajuste, medida por R2 ajustado, será más elevada.
d) Si, además, la estimación de c es positiva, indicará que la variable influye
positivamente en el crecimiento del nivel de PIB per cápita.
Para analizar la convergencia beta condicional entre las regiones españolas entre
1980 y 2004, se introducirán como variables explicativas de las diferencias
estructurales entre las Comunidades Autónomas, los años de escolarización medios
29
en el período, la tasa de inversión y la tasa de crecimiento poblacional (más 0,05 para
incluir tasa de depreciación y crecimiento del progreso tecnológico).
Siguiendo la práctica de la literatura, se ha probado a introducir estas variables al
principio, al final y como media del período, obteniéndose resultados muy diferentes.
La principal conclusión es que las variables más relevantes para explicar el
crecimiento son el PIB pc inicial y los años medios dedicados a la educación. De este
modo, a menor renta inicial, mayor crecimiento, y cuanto más cualificada esté la
población, mayor será también la posibilidad de crecimiento.
Tabla 7: Estimación convergencia beta condicionada
Variables regionales
en 1980
Variables regionales
en 2004
Promedio variables
regionales
Promedio variable regional: capital
humano
-0,4339 -0,1026 -0,0156 c3 T.crec.pob.
(Estadístico t) (-1,3533) (-0,4263) (-1,1225)
0,0165 0,0051 0,0043 c2 T. inver.
(Estadístico t) (2,5803) (0,4169) (0,4042)
0,0429 0,0833 0,0749 0,0841 c1 Años esc.
(Estadístico t) (1,9751) (1,4469) (1,7826) (2,3511)
-0,2626 -0,4787 -0,4999 -0,5893 b
(Estadístico t) (-1,4441) (-1,9787) (-2,2138) (-2,9846)
-1,2904 -0,2847 0,0071 0,0814 a
(Estadístico t) (0,2051) (0,7263) (0,0747) (1,7020)
R2 0,6569 0,3286 0,4470 0,3889
R2 ajustado 0,5426 0,1048 0,2627 0,3016
β (%) 1,3% 2,7% 2,9% 3,7%
En amarillo se han subrayado los parámetros que son significativos al 10%. La
información contenida en la tabla pone de manifiesto el cumplimiento de la práctica
totalidad del resto de condiciones que exigíamos anteriormente, un β más positivo y
significativo que en la regresión absoluta, un R2 más elevado, así como una
contribución positiva al incremento del PIB pc del capital y negativa de la población.
30
Todos los coeficientes tienen los signos esperados, si bien en su mayor parte no son
significativos, siendo el PIB pc inicial la variable más relevante.
Las velocidades de convergencia estimadas se encuentran en torno al 3%, siendo
coherentes con los resultados que se han obtenido en la literatura empírica para otros
ámbitos.
4.4 CONVERGENCIA GAMMA
Además de los dos indicadores anteriormente comentados, resulta interesante analizar
el alcance de la movilidad transversal en el tiempo de la muestra. Para ello, Boyle y
McCarthy (1997) proponen una medida de la convergencia simple que se conoce
como γ-convergencia. Esta medida permite cuantificar las alteraciones en la
ordenación de las regiones, es decir, posibilita confirmar la convergencia entre
regiones a partir del cambio de posiciones en los rankings analizados a lo largo del
tiempo, de acuerdo con el índice de concordancia de Kendall (Siegel 1956). En su
versión binaria, el índice cuantifica la concordancia entre rangos entre el año a
considerar y el inicial del período de referencia de acuerdo con la siguiente expresión:
[ ][ ]0
0
)(*2var)()(var
i
iitt YR
YRYRRC
+= (5)
donde R(Y)it representa el orden o rango de la región i en el año t en la distribución
transversal de la variable de estudio Y (PIB pc en nuestro caso). Este índice RC, que
varía entre 0 y 1, indica que cuanto más cercano esté su valor a 0, mayor
convergencia se ha producido en el nivel de PIB pc entre las regiones en el período t-
0. Si el RC es igual a cero, habría convergencia absoluta, mientras que si es igual a
uno, existiría ausencia de convergencia.
Los resultados para la serie de regiones españolas en el período 1980-2004 son:
Tabla 8: Índice de concordancia de Kendall
1981 0,9951
1982 0,9926
1983 0,9890
1984 0,9730
31
1985 0,9559
1986 0,9694
1987 0,9632
1988 0,9632
1989 0,9620
1990 0,9510
1991 0,9534
1992 0,9399
1993 0,9485
1994 0,9485
1995 0,9485
1996 0,9485
1997 0,9448
1998 0,9448
1999 0,9547
2000 0,9461
2001 0,9448
2002 0,9375
2003 0,9375
2004 0,9363
De estos datos se desprende la existencia de una débil evidencia de movilidad
transversal para las distribuciones del PIB pc en el período 1980-2004, dado que,
aunque el índice RC está próximo a 1, ha ido, con carácter general, disminuyendo
progresivamente, alcanzando en 2004 el mínimo valor de la serie, 0,9363. Esto implica
que las regiones han ido alterado su ordenación inicial, de manera que algunas de las
que estaban en las posiciones más altas, han retrocedido, ocupando el lugar que han
dejado en el ránking por algunas de las que estaban en lugares más bajos.
Esto se confirma con el gráfico siguiente, que plasma las distintas ordenaciones que
presentaban las Comunidades Autónomas en términos de PIB pc, al principio, en
medio y al final del período de análisis.
Los mayores cambios se han producido en los doce primeros años, destacando los
ascensos de Madrid y Aragón, y, en menor medida, La Rioja, Baleares, Comunidad
Valenciana, Castilla y León y Asturias. Por el contrario, País Vasco, Cataluña,
32
Canarias, Murcia y Galicia retroceden puestos. A partir de 1992, la movilidad es
menor. Cataluña y Galicia recuperan posiciones, y Cantabria y Castilla y León
avanzan. En el lado opuesto, cuatro regiones modifican su posición hacia abajo:
Baleares, Comunidad Valenciana, Canarias y Castilla-La Mancha. Por lo tanto, la
existencia de una mayor convergencia gamma viene explicada por el intercambio en
los órdenes intermedios de las regiones, manteniéndose las regiones líderes y las más
rezagadas en igual posición.
Gráfico 5: Movilidad en el ránking regional en términos de PIB per cápita 1980 1992 2004
1 PAÍS VASCO 1 MADRID 1 MADRID
2 NAVARRA 2 NAVARRA 2 NAVARRA
3 MADRID 3 PAÍS VASCO 3 PAÍS VASCO
4 CATALUÑA 4 BALEARES 4 CATALUÑA
5 BALEARES 5 RIOJA (LA) 5 RIOJA (LA)
6 CANARIAS 6 CATALUÑA 6 BALEARES
7 RIOJA (LA) 7 ARAGÓN 7 ARAGÓN
8 MURCIA 8 COMUNIDAD VALENCIANA 8 CANTABRIA
9 COMUNIDAD VALENCIANA 9 CANARIAS 9 COMUNIDAD VALENCIANA
10 CANTABRIA 10 CANTABRIA 10 CASTILLA Y LEÓN
11 GALICIA 11 CASTILLA Y LEÓN 11 CANARIAS
12 CASTILLA Y LEÓN 12 MURCIA 12 MURCIA
13 ARAGÓN 13 CASTILLA LA MANCHA 13 GALICIA
14 CASTILLA LA MANCHA 14 ASTURIAS 14 ASTURIAS
15 ASTURIAS 15 GALICIA 15 CASTILLA LA MANCHA
16 ANDALUCÍA 16 ANDALUCÍA 16 ANDALUCÍA
17 EXTREMADURA 17 EXTREMADURA 17 EXTREMADURA
5.- ECUACIÓN DE CRECIMIENTO A ESTIMAR
Tras efectuar un breve repaso de los indicadores más usados para analizar la
convergencia, nos vamos a centrar en el más utilizado, el beta condicional. Para ello,
la metodología que generalmente se aplica es la estimación de una ecuación de
convergencia estructural, que se obtiene aproximando log-linealmente el modelo de
crecimiento neoclásico. Una revisión de la literatura empírica muestra la existencia de
tres modelos básicos.
El primero parte de la ecuación itioioit uybayy +−=− )ln()ln()ln( , pero permitiendo
que cada economía pueda tener distintas tasas de crecimiento de la población, tasas
de depreciación, de ahorro o de progreso tecnológico, e incluso de distintos niveles de
tecnología al principio del período. La ecuación a estimar sería la siguiente:
33
itioT
iiiiT
Tiio
Tioit
uyegnse
tetgAeyy
+−−⎥⎦⎤
⎢⎣⎡ ++
−−
−−
+−+−=−
−−
−−
)ln()1()ln(1
)ln(1
)1(
)()ln()1()ln()ln( 0
ββ
ββ
δα
αα
α (6)
Una segunda forma de contrastar la existencia de convergencia condicionada consiste
en agrupar las economías que supuestamente comparten el mismo estado
estacionario en conjuntos denominados grupos de convergencia (Baumol, 1986),
estimándose una ecuación de convergencia absoluta para cada grupo de economías
similares (Barro y Sala-i-Martín, 1995).
En tercer lugar, existe la posibilidad de introducir en la ecuación general de
convergencia beta condicionada una serie de variables explicativas que no están
incluidas directamente en el modelo de Solow y que pueden influir en el nivel de renta
del estado estacionario. Este tipo de ecuaciones, el más empleado a nivel empírico,
recibió el nombre de “regresiones a la Barro” (Barro, 1991), teniendo la siguiente
expresión:
ioioioio
it xybayy
εϕ ++−=⎟⎟⎠
⎞⎜⎜⎝
⎛)ln(ln (7)
donde a representaría las variables tradicionales responsables del estado estacionario,
b permitiría calcular la velocidad de convergencia y el vector xio recogería las nuevas
variables propuestas, que determinarían el estado estacionario de las economías, sin
tener en consideración la forma en que éstas se integran en el modelo de crecimiento.
El objetivo con este tipo de ecuaciones es extraer del término error aquellas variables
explicativas del crecimiento del PIB pc, que están correlacionadas con el nivel inicial
de renta, y que han mostrado ser significativas en estudios previos o en teoría
económica, hecho que introduce un sesgo en el coeficiente b estimado (Sala-i-Martín,
1994). Si los parámetros estimados del vector xio son significativos, entonces los
estados estacionarios difieren entre dichas economías demostrándose la existencia de
convergencia beta condicionada, en caso contrario, la convergencia sería de tipo
absoluta (De la Fuente, 1997).
Uno de los trabajos más relevantes en este sentido es el de Mankiw, Romer y Weil
(1992), dado que como señalan Bernanke y Gürkaynak (2001), el enfoque usado tiene
34
la particularidad de servir para evaluar prácticamente cualquier modelo de crecimiento
que admita una senda de crecimiento equilibrada. En este trabajo se ha optado por
utilizar este procedimiento para analizar la convergencia entre las regiones españolas.
Mankiw, Romer y Weil (1992) proponen una ampliación del modelo de Solow,
partiendo de una función de producción tipo Cobb-Douglas donde se introduce el
factor capital humano, ya que según estos autores, el ignorarlo afecta a los
coeficientes de la inversión en capital físico y el crecimiento de la población. Suponen
una función de producción del tipo siguiente:
βαβα −−= 1)( ttttt LAHKY (8)
donde Y es el producto, K el capital físico, H el stock de capital humano, L el trabajo y
A el índice de productividad que resume el estado actual de conocimiento tecnológico.
A y L crecen de manera exógena a tasas g y n, respectivamente. nt
t eLL 0= (9)
gtt eAA 0= (10)
El número de unidades efectivas de trabajo crece, por tanto, a una tasa de n+g. Sea sk
el porcentaje de renta invertido en capital físico y sh la parte invertida en capital
humano, la evolución de la economía viene determinada por:
ttkt kgnysk )( δ++−=& (11)
ttht hgnysh )( δ++−=& (12)
Donde y=Y/AL, k=K/AL y h=H/AL son las cantidades por unidad efectiva de trabajo.
Respecto a la tasa de crecimiento de la tecnología (g) y la tasa de depreciación (δ) se
supone que son constantes e invariantes entre países, considerándose su aportación
conjunta igual a 0,05. Una de las posibles ampliaciones que se podrían plantear en
este modelo, consistiría en introducir una variable proxy para el cambio tecnológico,
por ejemplo el gasto en I+D, el número de patentes solicitadas y/o concedidas o el
personal investigador en universidades, al objeto de verificar la importancia de estas
variables por separado. No obstante, para el presente trabajo se ha optado por aceptar
este supuesto como válido, dado que las regiones españolas se enmarcan en el
mismo contexto economías avanzadas consideradas por Mankiw, Romer y Weil.
35
También se asume que se aplica la misma función de producción al capital humano, al
capital físico y al consumo, de manera que una unidad de consumo puede
transformarse sin coste tanto en una unidad de capital físico como en una unidad de
capital humano. El capital humano se deprecia a la misma tasa que el físico.
Igualmente se asume como válido este supuesto, aunque podría ser cuestionable,
dadas las dificultades existentes para la estimación de la tasa de depreciación del
capital humano.
Adicionalmente, se supone que α+β<1, lo que implica que hay rendimientos
decrecientes en todo tipo de capital. Las ecuaciones (11) y (12) determinan que la
economía converge a un estado estacionario definido por:
)1(11
*βαββ
δ
−−−
⎟⎟⎠
⎞⎜⎜⎝
⎛++
=gn
ssk hk (13a)
)1(11*
βααα
δ
−−−
⎟⎟⎠
⎞⎜⎜⎝
⎛++
=gnss
h hk (13b)
Sustituyendo (13) en la función de producción y tomando logaritmos, se obtiene la
siguiente ecuación para el PIB pc:
)ln(1
)ln(1
)ln(1
lnln 0 δβα
βαβα
ββα
α++
−−+
−−−
+−−
++=⎟⎟⎠
⎞⎜⎜⎝
⎛gnssgtA
LY
hkt
t (14)
Esta ecuación muestra cómo el PIB pc depende de la tasa de crecimiento de la
población y de la acumulación de capital físico y humano. Este modelo predice los
coeficientes de la ecuación (14) que son función de la participación de los factores de
producción. α es el peso del capital físico en el producto, siendo su valor, según los
datos de la contabilidad nacional, aproximadamente un tercio. Estimar un valor
razonable de β, la participación del capital humano, es más complicado,
considerándose que puede oscilar entre un tercio y la mitad.
Las principales diferencias que encuentran Mankiw, Romer y Weil (1992) en su
artículo entre las estimaciones proporcionadas con el modelo aumentado y el
tradicional de Solow, y que justifica el uso del primero, son dos. La primera es que
incluso aunque ln(sk) sea independiente del resto de variables explicativas, el
36
coeficiente que le corresponde es mayor que α/(1-α). Por ejemplo, si α=β=1/3,
entonces el coeficiente de ln(sk) sería 1. Dado que un mayor nivel de ahorro conlleva
una mayor renta, se alcanzará un mayor nivel de estado estacionario, incluso si se
mantiene constante el porcentaje de la renta dedicado a acumular capital humano. Por
tanto, la presencia de acumulación de capital humano incrementa el impacto de la
acumulación de capital físico en la renta.
En segundo lugar, el coeficiente del ln (n+g+δ) es mayor en valor absoluto que el
coeficiente en ln(sk). Si α=β=1/3, por ejemplo, el coeficiente en ln (n+g+δ) sería -2. En
este modelo, un mayor crecimiento de la población reduce la renta per cápita porque el
capital físico y humano debe repartirse entre más personas, luego la parte que le
corresponde a cada individuo es menor.
Hay una forma alternativa de expresar el papel del capital humano en la determinación
de la renta en este modelo. Si se combina (14) con la ecuación del nivel de capital
humano en el estado estacionario dada en (13b), se obtiene una ecuación para la
renta como función de la tasa de inversión en capital físico, la tasa de crecimiento de
la población y el nivel de capital humano:
)ln(1
)ln(1
)ln(1
lnln *0 δ
αα
αβ
αα
++−
−−
+−
++=⎟⎟⎠
⎞⎜⎜⎝
⎛gnhsgtA
LY
kt
t (15)
En el modelo clásico de Solow, el nivel de capital humano estaría integrado en el
término de error. Dado que las tasas de ahorro y crecimiento poblacional afectan a h*,
es de esperar que el capital humano esté correlacionado positivamente con la tasa de
ahorro y negativamente con el crecimiento de la población. De este modo, omitir el
término capital humano sesga los coeficientes relativos al ahorro y crecimiento
poblacional. Ésta especificación, en vez de la ecuación (14), es la que se ha
considerado adecuada para la estimación de la ecuación de crecimiento para las
regiones españolas en el período 1980-2004, y cuyos resultados se comentan en el
apartado 7.
6.- MÉTODO GENERALIZADO DE MOMENTOS
37
Caselli, Esquivel y Lefort (1996) demostraron la existencia de dos fuentes de
inconsistencia en el procedimiento de estimación de paneles con efectos fijos,
habituales en los trabajos empíricos sobre crecimiento publicados hasta ese momento.
La primera se trataba del tratamiento incorrecto de los efectos específicos de cada
país, que representan las diferencias en la tecnología y los gustos, lo que ocasionaba
un sesgo de variables omitidas. En particular, solía asumirse que los efectos
individuales o fijos están incorrelacionados con el resto de variables explicativas,
suposición que se viola necesariamente debido a la naturaleza dinámica de la
regresión de crecimiento.
La segunda fuente de inconsistencia radicaba en la existencia de un soporte teórico
para asumir que al menos un subconjunto de variables explicativas deberían
considerarse endógenas, variables, además cuya medición está sujeta a error.
Para solucionar estos problemas de sesgo por variables omitidas, endogeneidad y
error de medida, Caselli, Esquivel y Lefort (1996) proponían aplicar a los datos de
panel un estimador con el método generalizado de momentos en primeras diferencias
(GMM DIF), adaptación del descrito por Holtz-Eakin, Newey y Rosen (1988) y Arellano
y Bond (1991). El método GMM aprovecha óptimamente todas las restricciones de
momentos lineales que se derivan de un modelo dinámico de datos de panel,
aplicando una matriz de restricciones de ortogonalidad (condiciones de momentos) a
un modelo econométrico para obtener estimaciones consistentes e insesgadas.
El primer paso del procedimiento de estimación consiste en escribir la regresión de
crecimiento como un modelo dinámico del nivel del PIB pc. A continuación, se toman
diferencias para eliminar los efectos fijos invariantes en el tiempo. Finalmente, se
instrumentan las variables explicativas en primeras diferencias usando sus valores
retardados dos períodos o más atrás, lo que permite eliminar la inconsistencia
generada por la endogeneidad de las variables explicativas. Junto a ello, al diferenciar
se elimina el sesgo por variables omitidas.
No obstante, posteriormente Bond, Hoeffler y Temple (2001) demostraron que cuando
las series son persistentes, como es el caso del PIB pc, y el número de años
disponibles relativamente pequeño, los niveles retardados de las variables son
instrumentos débiles, estando sesgado el GMM DIF. Para detectar la existencia de
estos sesgos se ha propuesto un sencillo sistema en la literatura: comparar los
38
resultados proporcionados por GMM DIF con estimaciones alternativas. Así, por
ejemplo, en el caso de un AR(1), es sabido que usando niveles de la serie y aplicando
MCO, se obtienen estimaciones de α sesgadas al alza en presencia de efectos fijos
(Hsiao (1986)), mientras que el estimador intragrupos (WG) ofrece una estimación muy
sesgada a la baja en paneles con pocas observaciones temporales (Nickell (1981)).
Por tanto, una estimación consistente debería encontrarse entre ambos valores.
Con la base de datos elaborada para las regiones españolas en el período 1980-2004,
se ha efectuado una estimación con el estimador GMM DIF, obteniéndose resultados
sesgados a la baja, lo que muestra la debilidad de los instrumentos utilizados, por lo
que se ha decidido no presentarlos en este trabajo.
Para resolver la inconsistencia de los GMM DIF, la solución propuesta fue el estimador
GMM sistemático (GMM SYS), sugerido por Arellano y Bover (1995) y Blundell y Bond
(1998). Este estimador utiliza un supuesto adicional sobre las condiciones iniciales,
que las primeras diferencias de las variables instrumentales están incorrelacionadas
con los efectos fijos, para obtener condiciones de los momentos que siguen
proporcionando información incluso cuando las series son persistentes. Por ello, Bond,
Hoeffler y Temple (2001) recomiendan la utilización de este estimador en la
investigación empírica del crecimiento. Siguiendo esta recomendación éste será el
procedimiento de estimación utilizado en este trabajo.
Para comprender el mecanismo del GMM SYS, es preciso referirse previamente a su
precursor, el GMM DIF. Para simplificar, supondremos un modelo AR(1) con efectos
fijos no observados y un vector de variables explicativas adicionales, alguna de las
cuales puede ser endógena xit, y que en el modelo de convergencia utilizado en este
trabajo se corresponden con ln(skit), ln(h*i) y ln (nit+g+d).
tiiittiti vxyy ,1,, +++= − ηβα 1<α (16)
Para i=1, …, N y t= 2, …, T, donde titii uv ,, =+η tiene la estructura estándar de los
componentes del error, satisfaciendo las siguientes condiciones:
E[ηi]=0, E[vit]=0 E[vitηi]=0 para i= 1, …, N y t= 2, …, T (17)
E[vitvis]=0 para i= 1, …, N ts ≠∀ (18)
39
Para eliminar el efecto individual (ηi), se transforma la ecuación en niveles (16), a
través del método de primeras diferencias. Es necesario mantener el supuesto de
ausencia de autocorrelación entre los residuos de la ecuación en niveles, ya que
existirá correlación serial entre los errores estimados de las distintas ecuaciones en
diferencias (∆vit con ∆vit-1 al compartir el término vit-1 y con ∆vit+1 al compartir el término
vit). En este caso, también habrá que comprobar que no existe correlación serial de
segundo orden entre los residuos de la primera diferencia (∆vit con ∆vit-2 y con ∆vit+2) a
través de contrastes como el AR(2) de Arellano y Bond (1991). Por otra parte, la
existencia de correlación entre ∆yit-1 y ∆vit introduce un sesgo en la estimación de α.
Si consideramos, en primer lugar el modelo univariante (sin xit), el objetivo del GMM
DIF es encontrar variables incorrelacionadas con ∆vit, pero correlacionadas con la
variable a la debe sustituir (∆yit-1), suponiendo que no existe correlación serial en vit y
que las condiciones iniciales de yi1 están predeterminadas o incorrelacionadas con vit
para t=2,...,T:
E[yi1vit]=0 para i= 1, …, N y t= 2, …, T (19)
En resumen, las condiciones (20), (21) y (22) implican restricciones de momentos que
son suficientes para identificar y estimar α para .3≥T En conjunto, estos supuestos
implican las siguientes md= 0,5(T-1)(T-2) restricciones de momentos del GMM DIF:
E[yi,t-s∆vit]=0 para t= 3, …, T y 12 −≤≤ ts (20)
Donde ∆vit=vit-vi,t-1. Éstos dependen sólo de la supuesta ausencia de correlación serial
en los ruidos variables en el tiempo vit, junto a la restricción (22). Las restricciones de
momentos en (22) pueden escribirse de manera más compacta como:
E(Z’di∆vit)=0 (21)
Donde Zdi es una matriz (T-2) x m que viene dada por
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
−2,1
21
1
......000.........0...0...00...0...00
Tii
ii
i
di
yy
yyy
Z (22)
40
Y ∆vi es el vector (T-2) (∆vi3, ∆vi4, …, ∆viT)’. Las filas corresponden a las ecuaciones de
primera diferencia para los períodos t=3,4,...,T y para i=1,2,...,N. Además, vit debe ser
ruido blanco para que el estimador de α sea óptimo.
Junto a los supuestos estándar comentados anteriormente, es necesario tener en
cuenta un supuesto adicional:
0)( 2 =∆ ii yE η para i=1,…,N (23)
Nótese que, dado las ecuaciones (16) a (21) que especifican yi2 dado yi1, el supuesto
(23) es una restricción en las condiciones iniciales del proceso que genera yi1.
Si esta restricción de las condiciones iniciales (23) se mantiene junto a los supuestos
estándar (17), (18) y (19), la siguiente T-2 condición de momentos lineal es válida:
0)( 1, =∆ −tiit yuE para t=3,4,…,T (24)
Por tanto, el conjunto completo de restricciones de momentos de segundo orden que
implican (16) a (19) y (23) pueden implementarse con un estimador GMM lineal.
El estimador GMM DIF lineal estándar aprovecha estas restricciones de momentos,
implicando el uso de niveles retardados desde el período t-2 y hacia atrás como
instrumentos para las ecuaciones en primeras diferencias.
El estimador GMM DIF basado en la anterior condición de momentos debe minimizar
el criterio:
⎟⎠
⎞⎜⎝
⎛∆⎟
⎠
⎞⎜⎝
⎛∆= ∑∑
==
N
iiiN
N
iii vZ
NWvZ
NJn
11'1''1
(25)
Donde WN es la matriz de ponderaciones y su elección da lugar a dos estimadores que
son asintóticamente equivalentes, el estimador de una etapa (one-step estimator) y el
de dos etapas (two-step).
41
El estimador GMM DIF “one-step” utiliza la siguiente matriz de ponderaciones, que no
depende de los parámetros estimados previamente:
⎥⎦
⎤⎢⎣
⎡= ∑
=
N
iiiN HZZ
NW
11 )'(1
(26)
donde H es una matriz cuadrada (T-2) que tiene doses en la diagonal principal , menos
unos en las primeras subdiagonales y ceros en el resto, y controla el término de media
móvil que se genera en las perturbaciones aleatorias iid~N(0,σ2) al momento de
diferenciar. El estimador que se obtiene al minimizar JN con respecto al coeficiente α
será:
[ ] [ ])1(11)1(
1)1(
11)1(1 ''''ˆ
−−−−
−
−−
− ∆∆∆∆= YZZWYYZZWYb nNGMM (27)
Donde )'',...,'(' )1()1(1)1( −−− ∆∆=∆ NYYY y )'',...,'(' 1 NYYY ∆∆=∆ , ambos vectores de orden
N(T-2)x1 y )'',...,'(' 1 NZZZ = es una matriz de orden mxN(T-2) donde
2)2)(1( −−
=TTm .
El estimador GMMb1̂ ofrece una estimación consistente de α a medida que ∞→N ,
pero sólo es eficiente cuando los errores son homocedásticos y no están
autocorrelacionados, lo que puede ser a veces demasiado restrictivo (Blundell, Griffith
y Windmeijer, 2002).
El estimador GMM DIF “two step” utiliza la siguiente matriz de ponderaciones:
1
12 )'ˆˆ'(1
−
=⎥⎦
⎤⎢⎣
⎡∆∆= ∑
N
iiiiiN ZvvZ
NW (28)
Donde 11̂ˆ −∆−∆=∆ iGMMii ybyv son los resultados obtenidos a partir del estimador GMM
DIF one-step.
Volviendo al modelo dinámico autorregresivo multivariante de partida, deben añadirse
a las anteriores condiciones de momentos para yit-1 otras nuevas, que dependerán de
42
las propiedades de las series temporales xit. En este sentido, es necesario comprobar
la existencia de correlación de xit con los términos de la perturbación (vit) o con los
efectos específicos (ηi). Partiendo del supuesto de que vit está serialmente
incorrelacionada, si se asume que xit está correlacionada con los efectos individuales,
entonces el procedimiento a seguir sería tomar primeras diferencias para eliminar
éstos últimos. Si por el contrario se asume que xit está incorrelacionada con los efectos
individuales no observados, entonces se pueden conseguir condiciones adicionales de
momentos para las ecuaciones en niveles.
Por otra parte, y partiendo del modelo en diferencias, si se supone que xit es endógeno
en el sentido de que
[ ] 0=itisvxE para s=1,…,t-1; t=2,…,T.
[ ] 0≠itisvxE para s=t,…,T; t=2,…,T. (27)
lo que permite tanto la correlación contemporánea entre vit y xit, y sus valores futuros,
mientras que vit-1 lo estará con xit-1 y sus valores futuros, por lo que xit-2 y sus retardos
anteriores estarán incorrelacionados con vit y vit-1, entonces, los instrumentos en
niveles, válidos para ∆xit deberán estar incorrelacionados con los errores de la
ecuación en diferencias (∆vit=vit-vit-1). En este caso, los valores retardados dos o más
períodos (xi1,...,xit-2) serán variables instrumentales válidas en las ecuaciones en
primeras diferencias para los períodos t=3,4,...,T que se añadirán a las condiciones de
momentos de ∆yit-1 (yi1,...,yit-2). Las condiciones de momentos adicionales válidas para
ser usadas como instrumentos en las ecuaciones en primeras diferencias serán:
[ ] 0, =∆− itsti uxE para t=3,…,T y 12 −≤≤ ts (28)
y el conjunto de condiciones de momentos disponibles que cumple la propiedad
E[Zi’∆vi]=0 vendrá dada por la siguiente matriz de instrumentos Zi:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
=
−− 21221
2121
11
,...,,,...,,...000.......0...0,,,00...00,
itiitii
iiii
ii
i
xxyyy
xxyyxy
Z (29)
43
calculándose los estimadores GMM DIF de una y dos etapas de manera análoga al
caso univariado.
Las md=0,5(T+1)(T-2) condiciones de momentos lineal (21) y (23) comprenden el
conjunto completo de condiciones de momentos de segundo orden bajo
estacionariedad en media, en conjunción con los supuestos estándar (16) a (19), y
forman la base del estimador GMM SYS. Éste consiste en un sistema apilado formado
por (T-2) ecuaciones en primeras diferencias, utilizando como instrumentos los niveles
retardados de yit y xit, y (T-2) ecuaciones en niveles, que permitirían añadir un
conjunto de condiciones de momentos en diferencias al anterior conjunto de
condiciones de momentos en niveles, correspondientes a los períodos 3,…,T para los
instrumentos observados. Las condiciones de momentos ms=0.5(T+1)(T-2) son
0)( , =∆− itsti uyE para t=3,…,T y 12 −≤≤ ts (30)
[ ] 01, =∆ −tiit yuE para t=3,…,T (31)
Esto puede expresarse como E(Z’sipi)=0, donde
⎥⎦
⎤⎢⎣
⎡∆=
i
ii u
up
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
∆
∆∆
=
−1,
3
2
...000.......0...000...000...00
Ti
i
i
di
si
y
yy
Z
Z (32)
El estimador GMM SYS por tanto combina el conjunto de ecuaciones estándar en
primeras diferencias usando los niveles retardados apropiados como instrumentos,
con un conjunto adicional de ecuaciones en niveles que usa las primeras diferencias
retardadas adecuadas como instrumentos.
Para el estimador GMM SYS, Blundell y Bond (1998) señalan la necesidad de
encontrar las condiciones bajo las cuales ∆yit y ∆xit están incorrelacionados con los
44
efectos específicos individuales ηi. Para ilustrar esto, consideran el siguiente proceso
generador del regresor ititiit exx ++= − τηρ 1, . El hecho de que 0≠τ permite que el
nivel de xit esté correlacionado con ηi, y las propiedades de la covarianza entre vit y eis
determinan si xit es estrictamente exógeno. Nótese que
∑−
=−
− ∆+∆=∆3
0,2
2t
ssti
si
tit exx ρρ
De manera que ∆xit está correlacionado con ηi si y sólo si ∆xi2 está correlacionado con
ηi. Para garantizar que E[∆xi2ηi]=0 se requiere la restricción de las condiciones iniciales
siguiente:
011 =⎥
⎦
⎤⎢⎣
⎡⎟⎟⎠
⎞⎜⎜⎝
⎛−
− ii
ixE τηρ
τη (33)
Lo que se satisface bajo la estacionariedad en media del proceso xit.
Dada esta restricción, y escribiendo ∆yit como
∑−
=−−
− ∆+∆+∆=∆3
0,,2
2 )(t
sstisti
si
tit uxyy βαα (34)
Se observa que ∆yit estará correlacionado con ηi si y sólo si ∆yi2 está correlacionado
con ηi. Para garantizar que E[∆yi2ηi]=0 se requiere una restricción de las condiciones
iniciales similar a la anterior:
01
11 =
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
−
+⎟⎟⎠
⎞⎜⎜⎝
⎛−
− i
ii
iyE ηα
ηρ
τηβ
(35)
Que vuelve a cumplirse bajo estacionariedad. Por tanto, hay disponibles restricciones
de momentos adicionales para las ecuaciones en niveles cuando los procesos yit y xit
son ambos estacionarios en media.
45
Mientras que si las medias son estacionarias, en conjunto, se asegura que tanto ∆xit
como ∆yit están incorrelacionados con ηi, esta condición es más fuerte de lo necesario.
Por ejemplo, si el modelo condicional (16) ha generado las series yit por un tiempo lo
suficientemente largo anterior a nuestra muestra de manera que sea nimia cualquier
influencia de las verdaderas condiciones iniciales, entonces una expresión análoga a
(34) muestra que ∆yit estará incorrelacionado con ηi suponiendo que ∆xit está
incorrelacionado con ηi, incluso si la media de xit (y por tanto de yit) varía con el tiempo.
Cuando tanto ∆xit como ∆yit están incorrelacionados con ηi, las condiciones de
momentos adicionales para el GMM SYS son, como en (31):
0)( 1, =∆ −tiit yuE para i=1,…,N y t=3,4,…,T
Y cuando xit se determina de manera endógena:
0)( 1, =∆ −tiit xuE para i=1,…,N y t=3,4,…,T (36)
Por tanto, cuando xit es endógena, el estimador GMM SYS se basa en las condiciones
de momentos (24), (28), (30) y (36):
0)( , =∆− itsti uyE para t=3,…,T y 12 −≤≤ ts
[ ] 0, =∆− itsti uxE para t=3,…,T y 12 −≤≤ ts
0)( 1, =∆ −tiit yuE para t=3,4,…,T
0)( 1, =∆ −tiit xuE para i=1,…,N y t=3,4,…,T
Para comprobar si estas condiciones adicionales de momentos son válidas se puede
utilizar el Test de Sargan, que se analiza a continuación.
6.1 CONTRASTES DE ESPECIFICACIÓN: TEST DE SARGAN Y TEST DE AUTOCORRELACIÓN DE SEGUNDO ORDEN AR(2).
El test de Sargan contrasta la validez de las variables instrumentales. Se basa en las
restricciones de sobreidentificación, siendo la hipótesis a contrastar que las variables
46
instrumentales están incorrelacionadas con algún conjunto de residuos, y por tanto,
son instrumentos válidos. Se calcula a partir de la siguiente ecuación:
⎟⎠
⎞⎜⎝
⎛∆⎟
⎠
⎞⎜⎝
⎛∆== ∑∑
==
N
iiiN
N
iiiN vZ
NWvZ
NNNJS
122
122 ˆ'1'ˆ'1α̂ (37)
Que sigue una distribución asintótica 2qχ bajo la hipótesis nula de validez de los
instrumentos, con q grados de libertad, igual al número de instrumentos (J) menos el
número de regresores (K) (es decir, el número de restricciones sobreidentificadas). Si
el test de Sargan rechaza la hipótesis nula, entonces la matriz de variables
instrumentales darán estimadores sesgados e inconsistentes.
También mencionar que Arellano y Bond (1991) proponen un estadístico para
contrastar si existe autocorrelación de segundo orden en los residuos de la regresión
de primeras diferencias que está distribuido como una distribución estándar normal
(por definición siempre hay autocorrelación de primer orden debido al hecho de aplicar
primeras diferencias a la especificación).
7.- RESULTADOS A partir de los datos disponibles para las regiones españolas en el período 1980-2004
se han estimado dos ecuaciones alternativas para analizar la influencia de distintas
variables que afectan a la tasa de crecimiento del PIB pc (población, capital humano,
capital físico, efectos fijos y progreso tecnológico), una completa y otra restringida,
según la especificación utilizada por Mankiw, Romer y Weil (1992). El método elegido
ha sido la estimación mediante el estimador GMM-SYS, propuesto por Arellano y
Bover (1995), aplicando dos posibles grupos de instrumentos, acotados y sin acotar,
esto es, permitiéndose que los retardos abarquen el conjunto de la muestra. Para
evitar la existencia de multicolinealidad perfecta, se ha eliminado una variable ficticia
regional.
Los resultados de las dos primeras tablas corresponden a la estimación de las
ecuaciones del crecimiento no restringidas mientras que las dos últimas están
restringidas, siendo la diferencia entre ambas, en sendos casos, la lista de
instrumentos utilizados.
47
En la tabla 9, los instrumentos elegidos son:
- En Niveles, para la especificación en primeras diferencias: GMM( ,ln y 2,10),
GMM( ksln ,2,10), GMM( hln ,2,10) y GMM( )ln( gn ++δ ,2,10).
En Primeras Diferencias, para la especificación en niveles: GMMLevel( ksln ,2,3).
GMMLevel( hln , 2, 3), GMMLevel( ,ln y 2,3) y GMMLevel( )ln( gn ++δ ,2,3).
En la tabla 10, los instrumentos elegidos son:
- En Niveles, para la especificación en primeras diferencias: GMM( ,ln y 2,99),
GMM( ksln ,2,99), GMM( hln ,2,99) y GMM( )ln( gn ++δ ,2,99).
- En Primeras Diferencias, para la especificación en niveles: GMMLevel( ksln ,2,3).
GMMLevel( hln ,2,3), GMMLevel( ,ln y 2,3) y GMMLevel( )ln( gn ++δ ,2,3).
donde GMM( ,ln y 2,10) representa usar como instrumentos de ,ln y los valores
retardados del mismo desde t-2 hasta t-10, GMM( ,ln y 2,99) representa usar como
instrumentos de ,ln y los valores retardados desde t-2 hasta el final de la muestra, y
GMMLevel( ,ln y 2,3) representa usar como instrumentos de ,ln y∆ los valores en
desde t-2 hasta t-3.
En la tabla 11, los instrumentos elegidos son:
- En Niveles, para la especificación en primeras diferencias: GMM( ,ln y 2,10),
GMM( )ln(ln gnsk ++− δ ,2,10) y GMM( hln ,2,10).
- En Primeras Diferencias, para la especificación en niveles:
GMMLevel( )ln(ln gnsk ++− δ ,2,3), GMMLevel( hln ,2,3) y GMMLevel( ,ln y 2,3).
En la tabla 12, los instrumentos elegidos son:
- En Niveles, para la especificación en primeras diferencias: GMM( ,ln y 2,99),
GMM( )ln(ln gnsk ++− δ ,2,99), GMM( hln ,2,99).
- En Primeras Diferencias, para la especificación en niveles:
GMMLevel( )ln(ln gnsk ++− δ ,2,3), GMMLevel( hln ,2,3), GMMLevel( ,ln y 2,3).
48
En la versión no restringida, se permite que los coeficientes correspondientes a ln(sk) y
ln(n+g+δ) varíen. Esto permite contrastar la validez de la hipótesis conjunta de que el
modelo del Solow tradicional (sin capital humano) es correcto y la función de
producción agregada es una Cobb-Douglas.
Una segunda manera alternativa de contrastar el modelo, sería estimar la ecuación de
crecimiento de forma restringida, esto es, imponiendo que la diferencia entre la tasa de
inversión y la tasa de crecimiento de la población constituya una única variable
(coeficiente de ksln igual al coeficiente de )ln( gn ++δ ). En ese caso, dado que α
mide el porcentaje de participación del capital físico en el PIB, su valor estimado
debería ser aproximadamente un tercio.
Los resultados de ambas estimaciones son similares. En el caso de ecuación sin
restringir, los coeficientes correspondientes a la tasa de inversión y al crecimiento
poblacional son de signo opuesto, como predice el modelo de convergencia
contrastado alrededor del estado estacionario, pero el correspondiente al capital físico
es mayor, lo que pone de manifiesto que el modelo de Solow tradicional no es el mejor
modelo para explicar las tasas de crecimiento de las regiones españolas, hay que
considerar factores adicionales, como el capital humano.
De igual forma, en el modelo restringido, el Test de Restricción, que sirve
precisamente para contrastar esta hipótesis, pone de manifiesto el rechazo a la
hipótesis nula de que la restricción del modelo de Solow se cumple. Esto es indicativo
de que el modelo de Solow tradicional puede que no sea la mejor alternativa para
modelar y explicar las tasas de crecimiento del PIB pc.
En la parte inferior de las respectivas tablas se han insertado los estadísticos que
contrastan la corrección de la especificación. El test Wald(joint) contrasta la
significatividad conjunta de todos los coeficientes incluidos en la regresión y se
distribuye como una χ2 con tantos grados de libertad como número de restricciones,
siendo la hipótesis nula que la variable en cuestión no es significativa. En el caso de
Wald(dummy) se refiere a todas las variables ficticias, tanto relativas a las regiones
como al tiempo, mientras que Wald(time) se limita a las temporales exclusivamente.
Los resultados presentados en las cuatro tablas muestran un p-value igual a cero, lo
que indica que se puede rechazar la hipótesis nula, probándose que tanto los
49
coeficientes de la regresión como las variables ficticias son relevantes, de forma que
deben incluirse en la especificación.
Igualmente, los coeficientes de las variables PIB pc retardada, inversión en capital
físico, años de escolarización y crecimiento de la población tienen el signo esperado
en las cuatro estimaciones alternativas y son todos significativos. El PIB inicial tiene un
efecto negativo en el sentido de que a menor renta inicial, mayor crecimiento. El
coeficiente obtenido, no obstante, es de escasa magnitud (-0,001 en la versión no
restringida y -0,002 en la restringida), lo que implicaría una tasa de convergencia muy
reducida. Una posible explicación es que las regiones están situadas muy próximas a
su estado estacionario, conclusión similar a la obtenida por otros autores para este
período (Martín, 2008).
No obstante, si se considera también la tendencia y se efectúa el cálculo de la
velocidad de convergencia a partir de ambas, en el caso de la estimación no
restringida se obtendría un valor en torno al 4%, cercano al que se obtenía con la
estimación a partir de datos de sección cruzada.
La tasa de crecimiento de la población también tiene una contribución negativa en el
modelo no restringido, lo que es consistente con la teoría dado que si hay más
individuos en un determinado ámbito, el producto generado en el conjunto debe
repartirse entre más personas, reduciéndose, por tanto, el PIB pc. El coeficiente
obtenido oscila entre -1,4 y -1,2.
Por el contrario, tanto el capital físico como humano presentan un signo positivo, lo
que implica que una mayor tasa de inversión y la ampliación del tiempo dedicado al
estudio favorece un crecimiento más elevado del PIB pc. Con todo, parece que la
inversión en infraestructuras tiene más peso en este proceso que la relativa al capital
humano, siendo el principal factor que explica el crecimiento del PIB pc. En este
sentido, si a partir del modelo no restringido se calcula la participación de ambos en el
PIB, se obtendría un α=0,6 y β=0,3. Dado que se cumple la restricción de que la suma
de ambos es inferior a uno, cabe señalar que existen rendimientos decrecientes del
capital.
50
Los efectos específicos de cada región capturan otros determinantes del estado
estacionario de cada una de ellas que no han sido controlados por las variables
explicativas explícitamente determinadas, referidos normalmente a las diferencias
regionales en el nivel inicial de tecnología o eficiencia y que son invariantes en el
tiempo. En todos los casos se obtienen unos coeficientes significativos y muy similares
entre las regiones, con valores alrededor de 0,02, lo que indica que se encuentran
situados cerca de la media nacional, dado que estas variables se han introducido en el
modelo normalizadas respecto a la media española. Esto es coherente, dado que las
desigual dotación tecnológica o eficiencia entre regiones de países desarrollados
tienden a no ser excesivamente amplias, puesto que hay facilidad para la transferencia
de conocimientos y tecnología.
Con todo, existen algunas diferencias. Las regiones que muestran un menor valor son
Extremadura, Andalucía y Castilla-La Mancha, caracterizadas por registrar una menor
productividad que la media, vinculada a una menor dotación tecnológica de partida, lo
que afecta que su estado estacionario sea ligeramente inferior a la media. Por el
contrario, los estados estacionarios más elevados, corresponden a Navarra, País
Vasco, Madrid y Cataluña, regiones que muestran un mayor PIB pc, mayor eficiencia y
dotación tecnológica.
Los efectos temporales capturan cambios a lo largo del período en la productividad
que son constantes entre regiones. Individualmente se observa que los coeficientes
son sólo significativos en la mitad de los casos, principalmente a partir de la década de
los noventa.
Finalmente, en las tablas también se incluye el test de Sargan y el de AR(2), no
rechazándose la hipótesis nula en ninguna de las estimaciones. Con ello, el primero
confirma la validez de los instrumentos empleados, siendo, además, prueba de que los
efectos del ciclo económico no están sesgando los resultados de manera significativa.
El segundo muestra que no hay autocorrelación de segundo orden entre los residuos
de la primera diferencia.
Por lo tanto, de los resultados anteriormente comentados se obtiene como principal
conclusión que en el proceso de convergencia que han venido registrando las regiones
españolas en los últimos 25 años, han participado tanto los efectos fijos de cada una
de ellas, derivados de su diferente dotación tecnológica y eficiencia, que determinan
51
sus estados estacionarios, como, y sobre todo, el resto de factores tradicionales del
modelo de Solow ampliado con capital humano, esto es, el capital físico, la tasa de
crecimiento de la población, y la dotación de capital humano.
Tabla 9: Estimación ecuación de crecimiento no restringida con instrumentos en niveles acotados
Variable
Independientes Coeficiente Error Estándar
t-Estadístico t-Probabilidad
1ln −ty -0,001 0,000 -5,040 0,000 ksln 1,492 0,146 10,200 0,000
hln 0,749 0,097 7,750 0,000 )ln( gn ++δ -1,430 0,139 -10,300 0,000
Tendencia 0,594 0,141 4,220 0,000 T1981 -0,179 0,134 -1,340 0,181 T1982 0,220 0,169 1,300 0,195 T1983 -0,147 0,370 -0,398 0,691 T1984 -0,572 0,667 -0,858 0,391 T1985 -0,012 0,494 -0,025 0,980 T1986 -1,256 0,881 -1,430 0,155 T1987 2,038 0,424 4,810 0,000 T1988 1,589 0,490 3,240 0,001 T1989 0,923 0,543 1,700 0,090 T1990 0,818 0,857 0,954 0,341 T1991 -1,028 0,358 -2,870 0,004 T1992 -1,090 0,294 -3,710 0,000 T1993 -3,262 0,313 -10,400 0,000 T1994 0,314 0,188 1,670 0,097 T1995 0,598 0,144 4,160 0,000 T1996 -0,147 0,201 -0,729 0,466 T1997 0,768 0,228 3,370 0,001 T1998 1,434 0,256 5,600 0,000 T1999 0,815 0,254 3,210 0,001 T2000 0,502 0,233 2,150 0,032 T2001 -1,164 0,184 -6,320 0,000 T2002 0,266 0,438 0,607 0,544 T2003 -1,389 0,240 -5,780 0,000 T2004 0,363 0,129 2,830 0,005 I1 0,023 0,004 5,840 0,000 I2 0,023 0,004 6,480 0,000 I3 0,024 0,003 8,400 0,000 I4 0,024 0,003 8,410 0,000 I5 0,024 0,003 7,310 0,000 I6 0,023 0,004 5,700 0,000 I7 0,022 0,004 5,660 0,000 I8 0,025 0,003 9,140 0,000 I9 0,023 0,003 7,020 0,000 I10 0,020 0,005 3,700 0,000 I11 0,024 0,003 8,210 0,000 I12 0,026 0,003 9,620 0,000 I13 0,023 0,003 7,220 0,000
52
I14 0,026 0,003 9,570 0,000 I15 0,026 0,003 9,440 0,000 I16 0,024 0,003 7,740 0,000 Estadísticos de Especificación Wald (joint): Chi^2(5) 197,5 [0,000] Wald (dummy): Chi^2(40) 1009 [0,000] Wald(time): Chi^2(24) 1009 [0,000] Sargan test: Chi^2(770) 7,053E-15 [1,000] AR(2) test: N(0,1) -1,437 [0,151]
Tabla 10: Estimación ecuación de crecimiento no restringida con instrumentos en niveles no acotados
Variable
Independientes Coeficiente Error Estándar
t-Estadístico t-Probabilidad
1ln −ty -0,001 0,000 -4,560 0,000 ksln 1,292 0,150 8,610 0,000
hln 0,615 0,075 8,160 0,000 )ln( gn ++δ -1,243 0,125 -9,910 0,000
Tendencia 0,633 0,135 4,690 0,000 T1981 -0,013 0,076 -0,177 0,860 T1982 0,158 0,151 1,050 0,296 T1983 0,283 0,358 0,791 0,430 T1984 -0,835 0,614 -1,360 0,175 T1985 -0,296 0,498 -0,594 0,553 T1986 -1,391 0,853 -1,630 0,104 T1987 1,830 0,371 4,930 0,000 T1988 1,250 0,485 2,580 0,010 T1989 0,573 0,522 1,100 0,273 T1990 0,988 0,752 1,310 0,190 T1991 -0,738 0,408 -1,810 0,072 T1992 -0,577 0,269 -2,140 0,033 T1993 -3,149 0,297 -10,600 0,000 T1994 0,431 0,198 2,180 0,030 T1995 0,509 0,164 3,110 0,002 T1996 -0,302 0,190 -1,580 0,114 T1997 0,996 0,233 4,280 0,000 T1998 1,469 0,247 5,960 0,000 T1999 0,765 0,259 2,950 0,003 T2000 0,486 0,254 1,910 0,057 T2001 -1,124 0,183 -6,140 0,000 T2002 -0,096 0,421 -0,227 0,821 T2003 -1,202 0,171 -7,030 0,000 T2004 0,306 0,191 1,600 0,111 I1 0,017 0,002 7,090 0,000 I2 0,017 0,002 7,740 0,000 I3 0,020 0,002 8,790 0,000 I4 0,020 0,002 8,720 0,000 I5 0,019 0,002 8,190 0,000 I6 0,017 0,002 6,900 0,000 I7 0,016 0,002 6,890 0,000 I8 0,021 0,002 8,750 0,000
53
I9 0,018 0,002 8,050 0,000 I10 0,012 0,003 4,140 0,000 I11 0,020 0,002 8,540 0,000 I12 0,024 0,003 8,570 0,000 I13 0,018 0,002 8,210 0,000 I14 0,023 0,003 8,580 0,000 I15 0,024 0,003 8,420 0,000 I16 0,019 0,002 8,400 0,000 Estadísticos de Especificación Wald (joint): Chi^2(5) 144,2 [0,000] Wald (dummy): Chi^2(40) 1052 [0,000] Wald(time): Chi^2(24) 1052 [0,000] Sargan test: Chi^2(770) -1,932E-15 [1,000] AR(2) test: N(0,1) -1,376 [0,169]
Tabla 11: Estimación ecuación de crecimiento restringida con instrumentos en niveles acotados
Variables
Independientes Coeficiente Error Estándar
t-Estadístico t-Probabilidad
1ln −ty -0,002 0,000 -6,660 0,000 )ln(ln gnsk ++− δ 2,684 0,253 10,600 0,000
hln 0,676 0,077 8,750 0,000 Tendencia 0,839 0,153 5,490 0,000 T1981 -0,194 0,075 -2,600 0,010 T1982 0,331 0,164 2,020 0,044 T1983 -0,008 0,330 -0,023 0,982 T1984 -0,574 0,594 -0,967 0,334 T1985 -0,063 0,477 -0,132 0,895 T1986 -1,450 0,821 -1,770 0,078 T1987 1,968 0,419 4,690 0,000 T1988 1,701 0,526 3,230 0,001 T1989 0,892 0,482 1,850 0,065 T1990 0,701 0,793 0,884 0,377 T1991 -0,969 0,379 -2,560 0,011 T1992 -0,993 0,312 -3,180 0,002 T1993 -3,010 0,314 -9,600 0,000 T1994 -0,183 0,182 -1,010 0,314 T1995 0,174 0,206 0,846 0,398 T1996 0,219 0,236 0,927 0,354 T1997 1,135 0,221 5,140 0,000 T1998 1,348 0,275 4,910 0,000 T1999 0,350 0,259 1,350 0,177 T2000 0,636 0,204 3,110 0,002 T2001 -0,694 0,161 -4,310 0,000 T2002 -0,212 0,300 -0,707 0,480 T2003 -1,204 0,209 -5,750 0,000 T2004 0,462 0,198 2,330 0,020 I1 0,022 0,003 8,720 0,000 I2 0,022 0,002 8,900 0,000 I3 0,021 0,002 9,300 0,000
54
I4 0,021 0,002 8,800 0,000 I5 0,022 0,002 8,690 0,000 I6 0,022 0,003 8,680 0,000 I7 0,022 0,002 8,790 0,000 I8 0,021 0,002 8,690 0,000 I9 0,022 0,002 8,820 0,000 I10 0,022 0,003 8,200 0,000 I11 0,021 0,002 8,550 0,000 I12 0,021 0,002 8,300 0,000 I13 0,021 0,002 8,830 0,000 I14 0,020 0,002 8,380 0,000 I15 0,020 0,003 8,090 0,000 I16 0,021 0,002 8,750 0,000 Estadísticos de Especificación Wald (joint): Chi^2(4) 152,1 [0,000] Wald (dummy): Chi^2(40) 1070 [0,000] Wald(time): Chi^2(24) 1070 [0,000] Sargan test: Chi^2(577) 1,779E-15 [1,000] AR(2) test: N(0.1) -1,313 [0,189] Test de Restricción: coeficiente de ksln igual al coeficiente de )ln( gn ++δ Chi^2(1) 121.408 [0,000]
Tabla 12: Estimación ecuación de crecimiento restringida con instrumentos en niveles no acotados
Variables
Independientes Coeficiente Error Estándar
t-Estadístico t-Probabilidad
1ln −ty -0,002 0,000 -7,510 0,000 )ln(ln gnsk ++− δ 2,518 0,241 10,400 0,000
hln 0,640 0,072 8,880 0,000 Tendencia 1,111 0,176 6,310 0,000 T1981 -0,207 0,057 -3,610 0,000 T1982 0,349 0,149 2,340 0,020 T1983 0,181 0,332 0,544 0,587 T1984 -0,880 0,555 -1,580 0,114 T1985 -0,058 0,478 -0,122 0,903 T1986 -1,358 0,788 -1,720 0,086 T1987 1,889 0,383 4,930 0,000 T1988 1,647 0,520 3,170 0,002 T1989 0,346 0,453 0,764 0,445 T1990 0,769 0,753 1,020 0,308 T1991 -0,798 0,388 -2,050 0,041 T1992 -0,757 0,297 -2,550 0,011 T1993 -2,897 0,307 -9,440 0,000 T1994 -0,160 0,174 -0,923 0,356 T1995 0,162 0,211 0,769 0,442 T1996 0,411 0,238 1,730 0,085 T1997 1,253 0,212 5,910 0,000 T1998 1,364 0,264 5,160 0,000 T1999 0,237 0,272 0,869 0,385 T2000 0,489 0,206 2,380 0,018
55
T2001 -0,508 0,164 -3,090 0,002 T2002 0,027 0,316 0,085 0,933 T2003 -1,163 0,194 -5,990 0,000 T2004 -0,002 0,180 -0,014 0,989 I1 0,020 0,002 8,840 0,000 I2 0,020 0,002 9,020 0,000 I3 0,020 0,002 9,520 0,000 I4 0,019 0,002 9,180 0,000 I5 0,020 0,002 8,890 0,000 I6 0,020 0,002 8,770 0,000 I7 0,020 0,002 8,840 0,000 I8 0,020 0,002 9,090 0,000 I9 0,020 0,002 8,960 0,000 I10 0,020 0,002 8,380 0,000 I11 0,019 0,002 8,830 0,000 I12 0,019 0,002 9,140 0,000 I13 0,019 0,002 9,020 0,000 I14 0,019 0,002 9,150 0,000 I15 0,019 0,002 9,030 0,000 I16 0,020 0,002 8,970 0,000 Estadísticos de Especificación Wald (joint): Chi^2(4) 146,4 [0,000] Wald (dummy): Chi^2(40) 1057 [0,000] Wald(time): Chi^2(24) 1057 [0,000] Sargan test: Chi^2(892) 7,003E-15 [1,000] AR(2) test: N(0.1) -1,154 [0,249] Test de Restricción: coeficiente de ksln igual al coeficiente de )ln( gn ++δ Chi^2(1) 90,027 [0,000]
8.- CONCLUSIONES
En este trabajo se ha pretendido efectuar un repaso de las principales contribuciones
de la literatura sobre convergencia económica, haciendo hincapié en las diferentes
nociones existentes sobre este concepto, los modelos económicos teóricos sobre los
que se sustentan y las diferentes metodologías econométricas empleadas.
Una vez conocidas las herramientas necesarias para el análisis de la convergencia, se
obtuvo la base de datos necesaria para la estimación del proceso de acercamiento
entre las regiones españolas desde la década de los ochenta.
En relación al concepto de convergencia, se han escogido tres nociones diferentes:
sigma, beta y gamma. Se dice que hay convergencia de tipo σ si la dispersión de la
renta per cápita experimenta una disminución con el paso del tiempo. Como medida
de dispersión se ha utilizado la desviación típica del logaritmo del PIB per cápita,
observándose un comportamiento errático de la misma. Hasta 1984 no se aprecia una
56
disminución del mismo, oscilando entre los años 1985 y 1991, y manteniendo una
suave trayectoria ascendente hasta finales de la década de los noventa. A partir del
año 2000, no obstante, el indicador experimenta una progresiva reducción, volviendo a
situarse en 2004 en niveles mínimos. De este modo, si consideramos el balance
registrado entre 1980 y 2004, el indicador se ha reducido en un 10,4%, lo que
demuestra la existencia de un cierto proceso de convergencia σ en PIB per cápita,
especialmente significativo en la presente década. En este punto hay que matizar que
la serie puede verse afectada por los cambios de base, correspondiendo el último al
año 2000.
Posteriormente se realizó el estudio de la convergencia beta mediante datos de
sección cruzada. El estadístico necesario para evaluar los resultados se obtiene a
partir de una regresión de la tasa de crecimiento del PIB por habitante sobre el nivel
inicial de la misma variable y mide la fracción del diferencial del PIB per cápita en
relación al promedio nacional que se elimina cada año en una hipotética región típica.
La β-convergencia se entiende como convergencia absoluta, siempre que se asuma
que todas las regiones comparten estados estacionarios, es decir, que todas ellas
parten de unas condiciones que las hacen converger hacia la misma situación final.
Los resultados de la estimación muestran un signo positivo de β, lo que informa de la
existencia de convergencia, que asciende al 1% anual entre 1980-2004, si bien inferior
al obtenido para períodos anteriores por otros autores, por ejemplo Sala-i-Martín
obtiene una velocidad del 2,3% en el período 1955-1987. No obstante, el coeficiente
no es estadísticamente significativo y el R2 es bajo.
Dadas estas circunstancias, se procedió a ampliar el campo de análisis al estudio de la
convergencia condicional. Según Sala-i-Martín (1996), una de las formas posibles de
condicionar el estudio de convergencia es introduciendo variables regionales en la
regresión que tengan en cuenta las diferencias estructurales de cada región. Para
nuestro estudio se han introducido como variables los años de escolarización medios
en el período, la tasa de inversión y la tasa de crecimiento poblacional (más 0,05 para
incluir tasa de depreciación y crecimiento del progreso tecnológico), estimándose
regresiones alternativas, utilizando los datos de comienzo y final de período, así como
el promedio.
La principal conclusión que se puede obtener es que las variables más relevantes para
explicar el crecimiento son el PIB pc inicial y los años medios dedicados a la
educación. A menor renta inicial, mayor crecimiento, y cuanto más cualificada esté la
57
población, mayor será también la posibilidad de crecimiento. Hay que resaltar que
todos los coeficientes tienen los signos esperados, si bien en algunos casos no son
significativos. Las velocidades de convergencia estimadas se encuentran en torno al
3%, siendo coherentes con los resultados que se han obtenido en la literatura empírica
para otros ámbitos.
Teniendo en cuenta la relación existente entre convergencia sigma y beta, era de
esperar que la existencia de sigma convergencia, estuviera complementada
necesariamente con la beta convergencia. Con ello, en general, las Comunidades
Autónomas que partían de niveles de PIB per cápita más bajos en 1980, han crecido a
ritmos más elevados que las que presentaban los mejores resultados.
Otra noción de convergencia es la gamma, que permite cuantificar las alteraciones en
la ordenación de las regiones, es decir, posibilita confirmar la convergencia entre
regiones a partir del cambio de posiciones en los rankings analizados a lo largo del
tiempo, de acuerdo con el índice de concordancia de Kendall (Siegel 1956). Puede
concluirse que hay evidencia débil de existencia de movilidad transversal para las
distribuciones del PIB pc en el período 1980-2004, dado que, aunque el índice está
próximo a 1, ha ido, con carácter general, disminuyendo progresivamente, alcanzando
en 2004 el mínimo valor de la serie, 0,9363. Esto implica que las regiones han alterado
su ordenación inicial, de manera que algunas de las que estaban en las posiciones
más altas, han retrocedido, siendo ocupado su lugar en el ránking por algunas de las
que estaban en lugares más bajos.
Los mayores cambios se han producido en los doce primeros años, destacando los
ascensos de Madrid y Aragón, y, en menor medida, La Rioja, Baleares, Comunidad
Valenciana, Castilla y León y Asturias. Por el contrario, País Vasco, Cataluña,
Canarias, Murcia y Galicia retroceden puestos. A partir de 1992, la movilidad es
menor. Cataluña y Galicia recuperan posiciones, y Cantabria y Castilla y León
avanzan. En el lado opuesto, cuatro regiones modifican su posición hacia abajo:
Baleares, Comunidad Valenciana, Canarias y Castilla-La Mancha. Por lo tanto, la
existencia de una mayor convergencia gamma viene explicada por el intercambio en
los órdenes intermedios de las regiones, manteniéndose las regiones líderes y las más
rezagadas en igual posición.
Las críticas efectuadas en la literatura a la utilización de métodos econométricos
basados en datos de sección cruzada para el estudio de la convergencia beta
58
condicionada dieron lugar al desarrollo de nuevas técnicas con datos de panel, siendo
la propuesta aceptada como más apropiada, el estimador GMM SYS. A través de este
procedimiento, se ha pretendido confirmar los resultados anteriores que apoyaban la
idea de un proceso paulatino de convergencia entre las regiones españolas a lo largo
de estos últimos veinticinco años.
El enfoque utilizado para ello es el de Mankiw, Romer y Weil (1992) que proponen una
ampliación del modelo de Solow, partiendo de una función de producción tipo Cobb-
Douglas donde se introduce el factor capital humano, ya que según estos autores, el
ignorarlo afecta a los coeficientes de la inversión en capital físico y el crecimiento de la
población. Si los parámetros estimados del vector de variables explicativas son
significativos, entonces los estados estacionarios difieren entre dichas economías
demostrándose la existencia de convergencia beta condicionada, en caso contrario, la
convergencia sería de tipo absoluta (De la Fuente, 1997).
Se ha optado por efectuar dos tipos de regresiones, sin restringir y restringida. En la
no restringida se permite que los coeficientes correspondientes a ln(sk) y ln(n+g+δ)
varíen, lo que facilita la contrastación de la validez de la hipótesis conjunta de que el
modelo de Solow es correcto y la función de producción agregada es una Cobb-
Douglas.
Un segundo contraste se obtendría estimando la ecuación de manera restringida,
imponiendo la restricción de que diferencia entre la tasa de inversión y la tasa de
crecimiento de la población aparezca como una variable. En este caso, dado que α
mide el porcentaje de participación del capital físico en el PIB, su valor estimado
debería ser aproximadamente un tercio. Los cálculos realizados sugieren una tasa
más alta, en torno a 0,6.
En todos los casos los coeficientes estimados para las variables explicativas son
significativos, luego deben entrar en el modelo, y similares. Se observa que la tasa de
inversión es el principal factor explicativo del crecimiento del PIB pc, siendo también
relevante el crecimiento poblacional, y mostrando el capital humano una contribución
menor.
Respecto a los efectos fijos no observados, que reflejan las diferencias en eficiencia
provocadas por desigualdades regionales en dotación tecnológica, se obtienen
resultados significativos en todas las regiones y positivos, lo que indica que se
59
encuentran en un estado estacionario alrededor de la media nacional. Con todo, se
confirma que las regiones más ricas son las que tienen los valores relativamente más
altos, lo que apunta a una mayor dotación tecnológica de partida y una superior
eficiencia.
En relación a la velocidad de convergencia, se obtiene un valor reducido si se tiene en
cuenta exclusivamente la renta inicial, lo que podría implicar que las regiones están
situadas próximas a su estado estacionario, conclusión similar a la obtenida por otros
autores para este período (Martín, 2008), o del 4% si se tiene en cuenta también en el
análisis el comportamiento de la tendencia.
Con estas conclusiones, es posible señalar algunas implicaciones sobre política
económica. En primer lugar, dada la importancia de la tasa de inversión como variable
explicativa de la convergencia regional, deberían seguir desarrollándose políticas
encaminadas a mejorar e incrementar el stock de capital regional, sobre todo en
aquellas Comunidades Autónomas que partían con un nivel más bajo, y tanto desde el
punto de vista de la iniciativa pública como privada. Además de apoyar a los sectores
tradicionales que han sustentado el crecimiento regional, se debería intentar
diversificar hacia sectores estratégicos y con elevado valor añadido. Adicionalmente,
las inversiones deberían tener en consideración dos aspectos que pueden afectar de
forma relevante a las posibilidades de crecimiento a largo plazo: la energía y el medio
ambiente.
En segundo lugar, la población es el segundo factor relevante de convergencia. En
este aspecto, las políticas deberían centrarse en facilitar la integración de la población
inmigrante, para evitar problemas de índole social, así como favorecer la movilidad
intrarregional, eliminando los obstáculos que el mercado laboral y el acceso a la
vivienda, entre otros, puedan afectarle. Junto a ello, habría que analizar las
limitaciones que el envejecimiento de la población puede imponer al crecimiento del
PIB, y adoptar medidas para mitigarlas.
En tercer lugar, el capital humano es un activo que debe ser objeto de especial
atención, sobre todo las mujeres y los jóvenes. Las políticas en este ámbito deberían
poner énfasis en la mejora de la cualificación de la población, a través de una
educación de calidad y vinculada a las necesidades reales y perspectivas futuras del
mercado de trabajo, lo que conllevaría un aumento de la productividad.
60
Para finalizar, hay que señalar que este proceso de convergencia seguido por las
regiones españolas ha venido impulsado en gran medida por la política de cohesión
desarrollada en las últimas décadas en los ámbitos nacional, autonómico y, sobre
todo, desde la Unión Europea, cuyo principal objetivo ha sido la reducción de las
disparidades de renta entre sus territorios constituyentes a través de diversos
programas de apoyo a la inversión en las regiones menos desarrolladas.
En este sentido, algunos autores han tratado de estimar la contribución de los fondos
estructurales al crecimiento del PIB per cápita en las regiones españolas más
atrasadas (antiguo Objetivo 1 y actual objetivo Convergencia), obteniendo como
resultado una significativa importancia de las ayudas europeas al acercamiento de la
renta española al nivel medio de la UE y a la disminución de las disparidades internas
(De la Fuente, 2003).
61
9.- REFERENCIAS BIBLIOGRÁFICAS ABRAMOVITZ, M. (1979) “Rapid growth potencial and its realization” en Thinking
about growth and other essays on economic growth and welfare. Cambridge University
Press, 1989, págs. 187-219.
ABRAMOVITZ, M. (1986) “Catching up, forging ahead and falling behind” en Thinking
about growth and other essays on economic growth and welfare. Cambridge University
Press, 1989, págs. 220-244.
ARELLANO, M. Y BOND, S. (1991) “Some Test of Specification for Panel Data: Monte
Carlo Evidence and an application to employment equations” Review of Economic
Studies 58, págs. 277-297.
ARELLANO, M. Y BOVER, O. (1995) “Another look at the instrumental variable
estimation of error-components models” Journal of Econometrics 68 págs. 29-51
ARNOLD, J., BASSANINI, A. Y SCARPETA, S. (2007) “Solow or Lucas? Testing
growth models using panel data from OECD countries” Economics Department OCDE
Working papers nº 592.
BARRO, R.J. (1991) “Economic growth in a cross section of countries” Quaterly
Journal of Economics, 106 págs. 407-443.
BARRO, R.J. Y SALA-I-MARTÍ, X. (1990) “Economic growth and convergence across
the United States”, Working paper nº 3419 NBER, Cambridge, MA.
BARRO, R.J. Y SALA-I-MARTÍ, X. (1992a) “Convergence”, Journal of Political
Economy 100 (2) págs. 223-251.
BARRO, R.J. Y SALA-I-MARTÍ, X. (1992b) “Regional growth and migration: A Japan-
United States comparison” Journal of the Japanese and International Economies 6,
págs. 312-346.
BARRO, R. Y X. SALA-I-MARTÍN (1995), “Economic Growth”, McGraw-Hill, New York.
BARRO, R. J. y SALA-I-MARTÍN (1997), “Technological diffusion, convergence, and
growth”, Journal of Economic Growth, 2, 1-26.
BAUMOL, W.J. (1986) “Productivity growth, convergence and welfare: What the long
run data show?” American Economic Review 76 págs. 1072-1085.
BENHABIB, J. Y SPIEGEL, M. (1994) “The role of human capital in economic
development: Evidence from aggregate cross-country data”, Journal of Monetary
Economics, 34, págs. 143-173.
BERNANKE, B. S. Y GÜRKAYNAK, R.S. (2001) “Is growth exogenous? Taking
Mankiw, Romer and Weil seriously” . Mimeo Princeton University
BERNARD, A. Y S.N. DURLAUF (1995) “Convergence in international output”, Journal
of Applied Econometrics, 10(2), págs. 97-108.
62
BERNARD, A. Y S.N. DURLAUF (1996), “Interpreting tests of the convergence
hypothesis”, Journal of Econometrics, 71(1-2), 161-173.
BLUNDELL, R. Y BOND,S. (1998) “Initial conditions and moment restrictions in
dynamic panel data models” Journal of Econometrics 87 págs. 115-143.
BLUNDELL, R., BOND, S. Y WINDMEIJER, F. (2000) “Estimation in dynamic panel
data models: improving on the performance of the standard GMM estimator” Advances
in Econometrics, 15 págs. 53-91.
BLUNDELL, R., GRIFFITH, R. Y WINDMEIJER, F. (2002) “Individual effects and
dynamics in count data models” Journal of Econometrics 108 págs. 113-131.
BOND, S., HOEFFLER, A. Y TEMPLE, J. (2001) “GMM Estimation of empirical growth
models” CEPR Discussion Paper 3048.
BOND, S., LEBLEBICIOGLU, A. Y SCHIANTARELLI, F. (2004) “Capital Accumuation
and growth: a new look at the empirical evidence” IZA Discussion paper 1174.
BOYLE, G. E. Y MCCARTHY, T.G. (1997) “ a simple measure of β-convergence”
Oxford Bulletin of Economics and Statistics 59 págs. 257-264.
CANOVA, F Y MARCET, A. (1995) “The poor stay poor: Non-convergence across
countries and regions” Discussion paper nº 1265 CEPR London.
CASELLI, F., ESQUIVEL,G., LEFORT, F. (1996) “Reopening the convergence in
debate: A new look cross-country growth empirics” Journal of Economic Growth 1 (3),
págs. 363-389.
CASHIN, P. (1995) “Economic Growth and convergence across seven colonies of
Australasia: 1861-1991” Economic Record 71 págs. 132-144.
CELLINI, R (1997) “Growth Empirics: Evidence from a Panel of Annual Data” Applied
Economic Letters 4 (6) págs. 347-351 Junio.
COULOMBE, S. Y LEE, F.C. (1995) “Convergence across Canadian Provinces, 1961
to 1991” The Canadian Journal of Economics Vol. 28, No. 4a (Nov.), págs 886-898
CRAIN, W.M Y LEE, K.J. (1999) “Economic growth regressions for the American
states: a sensitivity analysis” Economic Enquiry 37 págs. 242-257.
CUADRADO, J.R. (1991) “Las disparidades regionales en la Comunidad Europea y en
España” De Economía Pública págs. 107-122.
CUADRADO, J.R, GARRIDO, R. Y MANCHA, T. (1999) “Disparidades regionales y
convergencia en España. 1980-1995)” Revista de Estudios Regionales nº 55. págs.
109-137.
DE LA FUENTE, A. (1994) “Desigualdad regional en España 1981-1990: fuentes y
evolución”, en ESTEBAN, J.M. Y VIVES, J. (dir.) “Crecimiento y convergencia regional
en España y Europa, vol. II, Barcelona, Instituto de Análisis Económico, págs. 507-
540.
63
DE LA FUENTE, A. (1995) "Catch-up, Growth and Convergence in the OECD," CEPR
Discussion Papers 1274.
DE LA FUENTE, A. (1996) “Convergencia y otras historias: economía regional desde
una perspectiva neoclásica”, Revista de Economía Aplicada IV, 10, págs. 5-64.
DE LA FUENTE, A. (1997) “The empirics of growth and convergence: A selective
review” Journal of Economic Dynamics and Control 21 (1), págs. 23-74
DE LA FUENTE, A. (2002) "On the Sources of Convergence : A Close Look at the
Spanish Regions," European Economic Review 46, págs. 569-599.
DE LA FUENTE, A. (2003) “El impacto de los Fondos Estructurales: convergencia real
y cohesión interna” Hacienda Pública Española/Revista de Economía Pública 165(2),
págs. 129-48.
DE LA FUENTE, A. Y DA ROCHA, J.M (1996) “Capital humano y crecimiento: un
panorama de la evidencia empírica y algunos resultados para la OCDE”, Moneda y
Crédito 203, págs. 43-84.
DE LA FUENTE, A. Y DOMÉNECH, R. (2006) “Capital humano, crecimiento y
desigualdad en las regiones españolas” Moneda y crédito nº 222 págs 13-56.
DE LONG, J.B. (1988) “Productivity growth, convergence and welfare: comment”
American Economic Review 78 (5) págs. 1.138-1.154.
DOLADO, J.J., GONZÁLEZ-PÁRAMO, J.M. Y ROLDÁN, J.M. (1994) “Convergencia
económica entre las regiones españolas: evidencia empírica (1955-1989)” Moneda y
crédito nº 198 págs. 81-119.
DOWRICK, S. Y NGUYEN, D.T. (1989) “ OECD comprative economic growth 1950-
1985: catch-up and convergence” American Economic Review 79 (5) págs. 1010-1030
DURLAUF, S Y JOHNSON, P. (1992) “Local versus global convergence across
National economies”, NBER Working Paper, num. 3996.
DURO, J.A. (2004) “La descomposición de la desigualdad en renbtas per cápita por
factores multiplicativos a través del índice de Theil: una revisión metodológica e
ilustración para las provincias españolas” Revista de Estudios Regionales 70 págs. 63-
84.
ESTEBAN, J.M. (1994), “La desigualdad interregional en Europa y en España:
descripción y análisis”, en Crecimiento y Convergencia Regional en España y Europa,
2, 13-84. Instituto de Análisis Econónimico, CSIC.
EVANS, P. (1997) “How fast do economies converge” The Review of Economics and
Statistics 79 (2) págs. 219-225.
GARCIMARTÍN, C. Y MARTÍN, F. (2000) “Convergencia regional. Evolución de
Castilla y León” Revista de Investigación Económica y Social de Castilla y León nº 3
págs. 153-171.
64
GOERLICH, F.J. y MAS, M. (1998) “Desigualdad y convergencia en el área de la
OCDE”, Documento de trabajo IVIE nº 9.
GROSSMAN, G. M. Y HELPMAN, E. (1991) “Innovation and growth in the global
economy” MIT Press.
GROSSMAN, G.M., Y HELPMAN, E. (1994) “Endogenous innovation in the theory of
growth”, Journal of Economic Perspectives, 8, 23-44.
HANSEN, L.P. (1982) “Large Sample properties of Generalised Method of Moment
Estimators” Econometrica 50 págs. 1029-1054.
HOLTZ-EAKIN, D., NEWEY, W. Y ROSEN, H. (1988) “Estimating Vector
Autorregressions with Panel Data” Econometrica 56 págs. 1371-1395.
HSIAO, C. (1986) “ Analysis of panel data” Cambridge: Cambridge University Press.
INSTITUTO NACIONAL DE ESTADÍSTICA (INE, 2008). Contabilidad Regional de
España. En Base de datos electrónica INEbase. Economía: Cuentas Económicas.
Madrid.
ISLAM, N. (1995) “Growth empirics: a panel data approach” Quaterly Journal of
Economics CX (4), págs. 1127-1170.
KNIGHT, M., LOAYZA, N. Y VILLANUEVA, D. (1993) “Testing the neoclassical theory
of economic growth: A panel data approach” IMF Staff Papers 40 (3).
KYRIACOU, G. (1992) “Level and growth effects of human capital: a cross-country
study of the convergence hypothesis”, C.V. STARR Working Paper 91-26.
LEE, K., PESARAN, M.H. Y SMITH, R. (1997) “Growth and convergence in a multi-
country empirical stochastic Solow model” Journal of Applied Econometrics 12 págs.
357-392.
LEVINE, R. Y RENELT, D. (1992) “A sensitive analysis of cross-country growth
regressions” American Economic Review 82 (4) págs. 942-963.
LÓPEZ, E., VAYÁ, E., MORA, A. Y SURINACH, J. (1997) “Convergencia regional en
la Unión Europea ante el nuevo entorno económico” Información Comercial Española
nº 762 págs. 25-42.
LUCAS, R. (1988) “On the mechanics of economic development”, Journal of monetary
Economics, 22, págs. 3-42.
LUCAS, R. (1990) "Why Doesn't Capital Flow from Rich to Poor Countries?", American
Economic Review 80 (2) págs 90-96.
MANKIW, G., ROMER, P. Y WEIL, D. (1992) “A contribution to the empirics of
economic growth”, Quaterly Journal of Economics CVII, págs. 407-437.
MARCET, A. (1994) “Los pobres siguen siendo pobres: convergencia entre regiones y
países, un análisis bayesiano de datos de panel” en DE LA FUENTE,A., ESTEBAN
65
J.M. Y VIVES, X. (Eds) “Crecimiento y convergencia regional en España y Europa”
Vol. II Instituto de Análisis Economico, Barcelona.
MARTÍN, F. (1999) “Crecimiento y convergencia económica regional en España en el
largo plazo” Revista de Estudios Regionales 54 págs. 47-65.
MARTÍN, F. (2008) “Convergencia en renta per cápita entre las Comunidades
Autónomas españolas (1955-2004): Una aplicación basada en métodos de panel
dinámico” Estudios de FUNCAS Serie tesis.
MAS, M., MAUDOS, J., PÉREZ, F. Y URIEL, E. (1994), “Disparidades regionales y
convergencia de las CCAA españolas”, Revista de Economía Aplicada, 24, 129-148.
MAS, M., PÉREZ, F. Y URIEL, E., MAUDOS, J. (1995) “Growth and convergence in
the Spanish provincies”, en Convergence and Divergence among European Regions,
Armstrong H.W. and Vickerman R.W. (eds), Pion Ltd, London, 66-88.
MAS, M., F. PÉREZ, E. URIEL, V., SERRANO, L. Y SOLER, A. (2005) “Metodología
para la estimación de las series de capital humano 1964-2004”. Fundación Bancaja.
MAS, M., F. PÉREZ, E. URIEL, V. CUCARELLA, J. C. ROBLEDO Y L. SERRANO
(2007) “El stock y los servicios del capital en España y su distribución territorial (1964-
2005). Nueva metodología” Fundación BBVA, Bilbao.
MENEU, R. (2007) “Convergencia regional en renta y bienestar en España” FUNCAS
Documento de trabajo nº 354.
MERCHANTE, A., ORTEGA, B. Y SÁNCHEZ, J. (2006) “Las dimensiones del
bienestar en las Comunidades Autónomas españolas: un análisis de sigma y gamma
convergencia” FEDEA Documento de trabajo 05.
MORA CORRAL, A.J. (2002) “Sobre convergencia económica. Aspectos teóricos y
análisis empírico para las regiones europeas y españolas”. Tesis doctoral. Universitat
de Barcelona. ISBN 84-688-3001-1.
MORALES SEQUERA, S Y PÉREZ ESPARRELLS, C. (2007) “Convergencia en
capital humano en España. Un análisis regional para el período 1970-2004”, FUNCAS
Documento de trabajo nº 349.
NICKELL, S.J. (1981) “Biases in Dynamic Models with Fixed Effects” Econometrica 49
págs 1417-1426.
PABLO-ROMERO, M.P. Y GÓMEZ-CALERO, M.P. (2008) “Efecto diferencial del
capital humano en el crecimiento económico andaluz entre 1985 y 2004: comparación
con el resto de España”, FUNCAS, Documento de trabajo nº 403.
PESARAN, M.H. Y SMITH, R. (1995) “Estimating long-run relationships from dynamic
heterogeneous panels” Journal of the american Statistical Association 94 págs. 621-
634.
66
PERSSON, J. (1997) “Convergence across the Swedish counties: 1911-1993”
European Economic Review 41 págs. 1835-1852.
QUAH, D.T. (1993), “Galton’s fallacy and tests of the convergence hypothesis”,
Scandinavian Journal of Economics, 95(4), págs. 427-443.
QUAH, D.T. (1996) “Convergence empirics across economies with (some) capital
mobility”, Journal of Economic Growth,1, págs. 95-124.
RAYMOND, J.L Y GARCÍA, B. (1994) “Las disparidades en el PIB per cápita entre
Comunidades Autónomas y la hipótesis de convergencia” Papeles de Economía
Española 59, págs. 37-58.
RODRÍGUEZ-POSE, A. (1997) “El papel del factor estatal en la percepción de la
convergencia regional en la UE”, Información Comercial Española, nº 762, 9-24.
ROMER, P. (1986) “Increasing returns and long-run growth” Journal of Political
Economy 94 (5) , págs. 1002-1037.
ROMER, P. (1987a) “Crazy explanations for the productivity slowdown” NBER
Macroeconomics Annual 2, págs. 163-210.
ROMER, P. (1987b) “Growth based on increasing returns due to specialization”
American Economic Review Papers and Proceedings 77 (2) págs. 56-62.
ROMER, P. (1990) “Endogenous technological change”, Journal of political Economy,
98 (5), págs. 71-102.
SALA-I-MARTÍN, X. (1990) “On growth and states” Ph.D. Dissertation, Harvard
University.
SALA-I-MARTÍN, X. (1994) “Apuntes de crecimiento económico” Antoni Bosch Editor,
Barcelona.
SALA-I-MARTÍN, X. (1996) “The classical approach to convergence analysis”, The
Economic journal, vol. 106, num.437, julio.
SALA-I-MARTÍN, X. (1996b) “Regional cohesion: evidence and theories of regional
growth and convergence” European Economic Review 40 págs. 1325-1352.
SALA-I-MARTÍN, X. (1997) “I just ran two million regressions” AEA Papers and
Proceedings Mayo.
SALA-I-MARTÍN, X., DOPPERLHOFER, G. Y MILLER, R.I. (2004) “A Bayesian
Averaging of Classical Estimates (BACE) approach” American Economic Review,
American Economic Association, vol 94(4) págs. 813-835, Septiembre.
SIEGEL, S. (1956) “Non-parametric statistics for the behavioural sciences” New York,
Mc Graw-Hill
SOLOW, R.M. (1956) “A contribution to the theory of economic growth”, Quaterly
Journal of Economics, 70 (1), págs. 65-94.
67
SWAN, T. (1956) “Economic growth and capital accumulation”, Economic Record, 32
págs. 344-361.
UZAWA, H. (1965) “Optimum Technical Change in an Aggregative Model of Economic
Growth" International Economic Review, 6 págs 18-31.
VARBLANE, U. Y VAHTER, P. (2005) “An Analysis of the economic convergence
process in the transition countries” Tartu University Press.