CONCLUSIONES

vel inicial de renta y el nivel de estado estacionario específico del club. En el caso del club Ael modelo de convergencia espacial estima una tasa de con- vergencia anual del 1,5 por 100. Y la mitad del in- tervalo de tiempo correspondiente es de 45 años, con unos límites aproximados del 95 por 100 de 26,8-141,4 años.

El test del multiplicador de Lagrange sobre la de- pendencia residual del retardo espacial y la razón de verosimilitud sobre la hipótesis del factor común (14) no son significativos al nivel del 1 por 100, lo que indica que el planteamiento del modelo de error espacial es adecuado. Pero queda por añadir un punto más, o, lo que es lo mismo, hay que seguir ela- borando el modelo de error espacial. El test de he- terocedasticidad de Breusch y Pagan (1979) indica cierta heterocedasticidad del término µ, pero nin- guna dependencia espacial residual. Una forma de plantear la heterocedasticidad es suponer que σµ²A ≠ σµ²B —véase ecuación [22]. La segunda co- lumna del cuadro n.º 2 presenta las cifras GMMes- timadas y resume los resultados obtenidos al ajus- tar los dos modelos de convergencia de error espacial de dos clubes con la heterocedasticidad referente a grupos (groupwise), indicando que con la modeli- zación de la heteroscedasticidad no ha mejorado el ajuste. Las estimaciones de βAy βBson idénticas a las que se obtienen mediante el modelo de error espacial con error homocedástico.

Las estimaciones econométricas clásicas (cuadro n.º 1) conducen al resultado de que el ritmo de convergencia es superior para el club A(que reúne a las regiones más ricas). Al controlar la autocorre- lación espacial en las cifras estimadas, se obtiene una velocidad de convergencia superior para las re- giones del centro y Este de Europa, que coincide con las expectativas teóricas. El grado de significa- tividad que posean las diferencias entre los coefi- cientes de los dos clubes se mide a través de la es- tadística de Wald, que se elabora a partir de la versión espacial de la prueba de Chow (1960); vé- ase Anselin (1990). El cuadro n.º 2 demuestra, no obstante, que la hipótesis nula de la igualdad de los coeficientes (αA= αB, βA= βB), no puede ser re- chazada. Su valor de 1,956 no es extremo para la distribución de χ²con dos grados de libertad. Con los tests de coeficientes individuales se llega a la misma conclusión. En otras palabras, no existe nin- guna diferencia significativa entre los parámetros de convergencia de los dos clubes. Parece ser que, una vez controlada la autocorrelación espacial en el cálculo de la convergencia, no hay tantas diferen- cias entre los dos clubes.

gencia, es muy pequeña. Sugiere que el club Atar- daría, por ejemplo, 34,7 años y el club B14,5 años en alcanzar la mitad de la distancia hasta el punto de encuentro entre el nivel inicial de renta y el nivel de estado estable. Además, es evidente que el ritmo de convergencia de las regiones del centro y Este de Europa es más alto, lo que indica un proceso de acer- camiento hacia la posición de las regiones más ricas.

En segundolugar, y muy relacionado con el pun- to anterior, este proceso de clubes de convergencia entre las economías regionales ha puesto en evi- dencia un hecho peculiar. Parece que las regiones de un club que se prevén más ricas dentro de unas dé- cadas a partir del momento actual no son las mis- mas regiones del club que son ricas en la actuali- dad (convergencia β). Este resultado no quiere decir, no obstante, que la distribución desigual de la ren- ta específica de clubes vaya disminuyendo (conver- gencia σ).

En tercerlugar, este trabajo evidencia que la me- todología clásica, que ha sido el caballo de batalla de la mayoría de los estudios de convergencia, no está bien diseñada para analizar la convergencia regio- nal a causa de diversos motivos. El primero de ellos es que con ella no se pueden identificar agrupa- mientos de economías regionales que convergen a diferentes velocidades. El segundo es que pasa por alto los efectos espaciales que pueden suponer los desbordamientos e interacciones espaciales que pue- den producirse entre las diferentes economías re- gionales, si bien las tasas de convergencia estima- das son muy sensibles a la dependencia del error espacial. La solución para superar estas deficiencias es un planteamiento que permita comprobar la con- vergencia de clubes por un lado y que incorpore efec- tos espaciales, modelizando el proceso espacial de los términos de perturbación, por el otro. El modelo de convergencia de dos clubes con error espacial y he- terocedasticidad (club-wise heteroskedasticity) pa- rece ser la especificación más apropiada, a la vista de los datos disponibles en este momento.

Esto conduce al punto final, a saber, que pasar por alto la presencia de autocorrelación espacial en el análisis de convergencia llevado a cabo con datos de corte transversal puede conducir a conclusiones erróneas, por ejemplo, con respecto a la valoración de la velocidad de convergencia. Así, comprobar la presencia de autocorrelación espacial (heterogenei- dad) por medio del diagnóstico apropiado, e imple- mentar especificaciones alternativas a la ecuación de convergencia cuando sea necesario, es fundamental en el análisis de convergencia de la renta.

NOTAS

(*) Los autores desean expresar su agradecimiento a Thomas Scherngell, Katharina Kobesova y Heiko Truppel por su valiosa ayu- da en la investigación. También agradecemos a los participantes en las conferencias EEFSde 2004 y NOeG 2004 sus útiles comentarios. To- dos los posibles errores, no obstante, quedan bajo nuestra respon- sabilidad.

Traducción de DIORKI, revisada por la Redacción de PAPELES DEECONOMÍA

ESPOÑOLA.

(1) En DURLAUFy QUAH(1999), TEMPLE(1999) y FINGLETON(2003) pue- den encontrarse estudios recientes a este respecto.

(2) En algunas fórmulas de convergencia de corte transversal se mo- difica la ecuación [3] para que incluya un conjunto de variables que per- mitan la existencia de diferencias en los estados estacionarios y la in- corporación de impactos asimétricos (véanse, por citar solo algunos, BARROy SALA-I-MARTIN, 1991, 1992 y 1995; SALA-I-MARTIN, 1996):

g_jτ= α+ βyjt+ ΠΠxjt+ εjτ, donde xjtes un vector de variables que in- fluyen sobre el estado estacionario de una economía regional j. Un va- lor βnegativo significa que la convergencia sigue siendo condicional bajo un conjunto de variables exógenas, como son el crecimiento del ahorro y la población de una región j(convergencia condicional de tipoβ). Aunque en la práctica pueda ser importante, desde el punto de vista del presente estudio el análisis de las diferencias entre con- vergencia condicional e incondicional no añade ninguna perspectiva con- ceptual, ni dificultades a la formulación de la dimensión espacial del proceso de convergencia. Por eso, no se volverá a mencionar la con- vergencia condicional en lo que queda de análisis.

(3) BARROy SALA-I-MARTIN(1992) han demostrado que la ecuación [3] puede derivarse (como aproximación log lineal) de la senda de tran- sición del modelo de crecimiento neoclásico para una economía cerra- da. Muchos estudios empíricos sobre convergencia comparten este pa- radigma neoclásico. El supuesto de rendimientos decrecientes que domina este proceso de convergencia es muy cuestionable para las economías regionales. Pero hay varias razones empíricas sólidas por las que sí tie- ne sentido para los modelos en los que existe un proceso de conver- gencia significativo, aun cuando se pueda discutir sobre las razones por las que se produce esta convergencia.

(4) En vez de estimar la ecuación [3] y utilizar la ecuación [11] para calcular la velocidad, β*, se puede estimar la relación de mínimos cua- drados no lineales (NLS) directamente.

(5) Los datos interregionales son espaciales. Los datos espaciales se caracterizan por la dependencia —autocorrelación espacial— y la heterogeneidad —heterogeneidad espacial (ANSELIN, 1988). La de- pendencia del error espacial es la situación en la que el término de error de cada región se encuentra correlacionado con los valores del término de error de otras regiones. En este documento se emplean am- bas definiciones, dependencia espacial y autocorrelación espacial, de forma indistinta.

(6) La matriz de pesos espaciales está formada por elementos no ne- gativos que van por pares de localizaciones (i, j), con wij≠0 para los

«vecinos» y wij= 0 para los demás. Por conveniencia, se fija el valor de los elementos diagonales wiien cero. Para ampliar detalles, véase ANSE-

LIN(1988). En la práctica, la derivación de los pesos espaciales a partir de las prácticas de observación de lugar y espacio se lleva a cabo con la ayuda de sistemas de información geográfica.

(7) Sería preferible utilizar datos del PRBreales, por los grandes di- ferenciales de precios de la UE. Sin embargo, no se dispone de datos so- bre los niveles regionales de precios.

(8) El desglose por regiones puede dar lugar a una forma de lo que se ha venido a llamar el problema de la unidad espacial modificable, bien conocido en geografía.

(9) Esto quiere decir que por encima del valor crítico de de 350 km se supone que las interacciones espaciales son despreciables.

(10) El club espacial A(club B) es un modelo robusto que sugiere que alrededor de las regiones ilas regiones jcon un PRBalto (bajo) tien- den a estar agrupadas con más frecuencia que lo hubieran estado de for- ma aleatoria.

(11) El test de JARQUEy BERA(1987), que sigue una distribución cua- drada χ²con dos grados de libertad, indica que en el análisis actual no se consigue el requisito de no normalidad en la heterocedasticidad del test de dependencia espacial.

(12) ANSELINy REY(1991) demuestran que la Ide Moran acaba sien- do una herramiento con efecto en contra de una serie de alternativas, entre las que se incluye no sólo la dependencia espacial, sino también la no normalidad y la heterocedasticidad.

(13) La medida de ajuste R²convencional deja de ser adecuada. En- tre las medidas que se utilizan para comprobar la idoneidad de los mo- delos de error espacial se encuentran las que se basan en el logaritmo de la función de verosimilitud. Esta medida mejora considerablemente la correspondencia con la especificación del error espacial del modelo de convergencia. Se espera una mejor correspondencia, ya que el coefi- ciente de autorregresión espacial resulta ser muy significativo, con un va- lor pasintomático de p= 0,000.

(14) Véase BURRIDGE(1981) para obtener datos técnicos.

BIBLIOGRAFÍA

ANSELIN, L. (1988), Spatial Econometrics: Methods and Models, Dor- drecht, Kluwer.

— (1990), «Spatial dependence and spatial structural instability in applied regression analysis», Journal of Regional Science, 30 (2):

185-207.

— (1999), SpaceStat, a Software Package for the Analysis of Spatial Data, versión 1.90, BioMedware, Ann Arbor.

ANSELIN, L., y REY, S. J. (1991), «Properties of tests for spatial depen- dence in linear regression models», Geographical Analysis, 23:

112-131.

BARRO, R. J. (1991), «Economic growth in a cross section of countries», The Quarterly Journal of Economics, 106 (2): 407-443.

BARRO, R. J., y SALA-I-MARTIN, X. (1991), «Convergence across states and regions», Brookings Papers on Economic Activity, (1): 107-182.

— (1992), «Convergence», Journal of Political Economy, 100 (2):

223-251.

— (1995), Economic Growth, Nueva York, McGraw-Hill.

BAUMOL, W. J. (1986), «Productivity growth, convergence, and welfare:

What the long-run data show», The American Economic Review, 76 (5): 1072-1085.

BERNARD, A. B., y DURLAUF, S. N. (1996), «Interpreting tests of the con- vergence hypothesis», Journal of Econometrics, 71 (1-2): 161-174.

BREUSCH, T., y PAGAN, A. (1979), «A simple test for heteroskedasticity and random coefficient variation», Econometrica, 47: 1287-1294.

BURRIDGE, P. (1981), «Testing for common factor in a spatial autoregres- sive model», Environment and Planning A, 13: 795-800.

BUTTON, K. J., y PENTECOST, E. J. (1995), «Testing for convergence of the EUregional economies», Economic Inquiry, 33 (4): 664-671.

CHOW, G. (1960), «Tests of equality between sets of coefficients in two linear regressions», Econometrica, 28: 591-605.

DUNFORD, M., y SMITH, A. (2000), «Catching up or falling behind? Economic performance and regional trajectories in the “New Europe”», Eco- nomic Geography, 76 (2): 169-195.

DURLAUF, S. N. (2001), «Manifesto for a growth econometrics», Journal of Econometrics, 100: 65-69.

DURLAUF, S. N., y Quah, D. T. (1999), «The new empirics of economic growth», en TAYLOR, J. B., y WOODFORD, M. (eds.), Handbook of Ma- croeconomics, vol. 1: 235-308, Amsterdam, Elsevier.

DURLAUFS. N., y JOHNSON, P. A. (1995), «Multiple regimes and cross- country growth behaviour», Journal of Applied Econometrics, 10 (4): 365-384.

EUROPEANCOMMISSION(1999), 6^thPeriodic Report on the Social and Eco- nomic Situation of the Regions of the EU, Bruselas, Offical Publica- tion Office.

FINGLETON, B. (1999), «Estimates of time to economic convergence: An analysis of regions of the European Region», International Regional Science Review, 22 (1): 5-34.

— (ed.) (2003), European Regional Growth, Berlín, Heidelberg y Nue- va York, Springer.

GETIS, A., y ORD, J. K. (1992), «The analysis of spatial association by use of distance statistics», Geographical Analysis, 24: 189-206.

JARQUE, C. M., y BERA, A. K. (1987), «A test for normality of observations and regression residuals», International Statistical Review, 55: 163- 172.

KOENKER, R., y BASSETT, G. W. (1982), «Robust tests for heteroskedasticity based on regression quantiles», Econometrica, 50: 43-61.

LEVINE, R., y RENELT, D. (1992), «A sensitivity analysis of cross-country growth regressions», The American Economic Review, 82 (4): 942- 963.

MANKIW, N. G.; ROMER, D., y WEIL, D. N. (1992), «A contribution to the empirics of economic growth», The Quarterly Journal of Economics, 107 (2): 407-437.

MARTIN, R. (2001), «EMUversus the regions? Regional convergence and divergence in Euroland», Journal of Economic Geography, 1: 51- 80.

ORD, J. K., y GETIS, A. (1995), «Local spatial autocorrelation statistics:

Distributional issues and an application», Geographical Analysis, 27:

286-305.

QUAH, D. T. (1993), «Empirical cross-section dynamics in economic growth», European Economic Review, 37: 426-434.

— (1996), «Empirics for economic growth and convergence», Euro- pean Economic Review, 40: 1353-1375.

— (1997), «Empirics for growth and distribution: Stratification, polari- zation, and convergence clubs», Journal of Economic Growth, 2:

27-59.

REY, S. J. (2001), «Spatial empirics for economic growth and conver- gence», Geographical Analysis, 33 (3): 195-214.

REY, S. J., y MONTOURI, B. D. (1999), «USregional income convergence: A spatial econometric perspective», Regional Studies, 33 (2), 143-156.

SALA-I-MARTIN, X. X. (1996), «The classical approach to convergence analysis», The Economic Journal, 106: 1019-1036.

TEMPLE, J. (1999), «The new growth evidence», Journal of Economic Li- terature, 37: 112-156.

APÉNDICE

LISTA DE REGIONES NUTS NIVEL II POR PAÍSES

País Región País Región País Región

Austria Burgenland Baja Austria Viena Carintia Estiria Alta Austria Salzburgo Tirol Vorarlberg

Bélgica Région Bruselas-Capital Amberes

Limburgo (B) Flandes oriental Brabante-Flandes Flandes occidental Brabante-Valonia Hainaut Lieja

Luxemburgo (B) Namur Bulgaria Severozapadan

Severoiztochen Severozapad Yugozapaden Yuzhen Tsentralen Yugoiztochen República Checa Praga

Stredni Cechy Jihozapad Severozapad Severovychod Jihovychod Stredni Morava Moravskoslezsko Dinamarca Dinamarca Estonia Estonia Finlandia Itä-Suomi

Väli-Suomi Pohjois-Suomi Uusimaa Etelä-Suomi Åland Francia Île de France

Champagne-Ardenas Picardía

Alta Normandía Centro Baja-Normandía Borgoña

Norte-Paso de Calais Lorena

Alsacia

Francia Franco Condado País del Loira Bretaña Poitou-Charentes Aquitania Midi-Pyrénées Lemosín Ródano-Alpes Auvernia

Languedoc-Rosellón Provenza-Alpes-Costa Azul Córcega

Alemania Stuttgart Karlsruhe Friburgo Tubinga Alta Baviera Baja Baviera Alto Palatinado Alta Franconia Franconia Central Baja Franconia Suabia Berlín Brandeburgo Bremen Hamburgo Darmstadt Gieβen Kassel Mecklenburgo-

Vorpommern Braunschweig Hannover Lüneburg Weser-Ems Düsseldorf Colonia Münster Detmold Arnsberg Coblenza Tréveris

Renania-Palatinado-Hesse Sarre

Chemnitz Dresde Leipzig Dessau Halle Magdeburgo Schleswig-Holstein Turingia

Grecia Anatolia. Macedonia, Tracia Macedonia Central Macedonia Occidental

Grecia Epiro

Islas Jonias Nisia Grecia occidental Grecia oriental Peloponeso Ática

Egeo Meridional Egeo Septentrional Creta

Hungría Közép-Magyarország Közép-Dunántúl Nyugat-Dunántúl Dél-Dunántúl Észak-Magyarország Észak-Alföld Dél-Alföld

Irlanda Frontera, Midland y Oeste Sur y Este

Italia Piamonte Valle de Aosta Liguria Lombardía Trentino-Alto Adigio Véneto

Friuli-Venecia Julia Emilia-Romagna Toscana Umbria Marcas Lacio Abruzos Molise Campania Apulia Basilicata Calabria Sicilia Cerdeña Letonia Letonia Lituania Lituania Luxemburgo Luxemburgo Holanda Groningen

Frisia Drenthe Overijssel Güeldres Flevoland Utrecht

Holanda Septentrional Holanda Meridional Zelanda

Brabante Septentrional Limburgo (NL)

APÉNDICE(continuación) LISTA DE REGIONES NUTS NIVEL II POR PAÍSES

País Región País Región País Región

Polonia Dolnoslaskie Kujawsko-Pomorskie Lubelskie

Lubuskie Lódzkie Malopolskie Mazowieckie Opolskie Podkarpackie Podlaskie Pomorskie Slaskie Swietokrzyskie Warminsko-Mazurskie Wielkopolskie Zachodniopomorskie Portugal Norte

Centro (P)

Lisboa y Valle del Tajo Alentejo

Algarve Rumania Nordeste

Sudeste Sur Sudoeste Oeste Norroeste Centro Bucarest Eslovenia Eslovenia Eslovaquia Bratislavsk ´y kraj

Západné Slovensko Stredné Slovensko V ´ychodné Slovensko

España Galicia

Principado de Asturias Cantabria

País Vasco Comunidad Foral

de Navarra La Rioja Aragón

Comunidad de Madrid Castilla y León Castilla-La Mancha Extremadura Cataluña

Comunidad Valenciana Islas Baleares

Andalucía Región de Murcia Suecia Estocolmo

Östra Mellansverige Sydsverige Norra Mellansverige Mellersta Norrland Övre Norrland Småland med öarna Västsverige

Reino Unido Tees Valley & Durham Cumbria

Cheshire

Greater Manchester Lancashire Merseyside East Riding & North Lincolnshire North Yorkshire South Yorkshire

Reino Unido West Yorkshire Derbyshire &

Nottinghamshire Leicestershire, Rutland &

Northamptonshire Lincolnshire Herefordshire,

Worcestershire &

Warkwick

Shropshire & Staffordshire West Midlands

East Anglia Bedfordshire &

Hertfordshire Essex Inner London Outer London Berkshire,

Buckinghamshire Ox- fordshire

Surrey, East & West Sussex Hampshire & Isle of Wight Kent

Gloucestershire, Wiltshire &

N. Somerset Dorset & Somerset Cornwall & Isles of Scilly Devon

West Wales & The Valleys Gales Oriental

Escocia Nororiental Escocia Oriental Escocia Sudoccidental Highlands and Islands Irlanda del Norte

Istituto di Studi e Analisi Economica (ISAE)

Luca DE BENEDICTIS (*)

Universidad de Macerata

I. INTRODUCCIÓN

U

NA de las principales preocupaciones de la economía regional es la existencia y persis- tencia de enormes disparidades espaciales en materia de desempleo dentro de las economías na- cionales. Este asunto también tiene su importancia desde la perspectiva macroeconómica. Desde Blanch- flower y Oswald (1994), la comprensión de la di- mensión regional del desempleo está considerada como «…un terreno de prueba más apropiado para comparar la curva de Phillips con las especificacio- nes de la curva salarial» (Blanchard y Katz, 1999).

Desde el punto de vista político, el interés que tiene este asunto refleja la importancia empírica del fenó- meno: especialmente alto en los países europeos y menos relevante en Estados Unidos. El desempleo regional parece preocuparle sólo a Europa (1).

Según informa la Comisión Europea (EC, 2002), los índices de desempleo regional de la Unión Eu- ropea revelan la existencia de una estructura pro- nunciada y persistente de división entre núcleo y periferia, con unos altos índices de desempleo que

se concentran en las regiones periféricas. Los dife- renciales del desempleo regional son amplios y con- tinuos, los salarios de las regiones son relativamen- te insensibles a las condiciones de la economía local, y la movilidad laboral desde la periferia hacia el nú- cleo económico resulta insuficiente para reducir es- tas disparidades regionales. Estas insensibilidad y reducida movilidad contribuyen a la definición de Europa como caso de estudio de la rigidez del mer- cado laboral. Por el contrario, en Estados Unidos los índices de desempleo están distribuidos de una for- ma más uniforme entre las regiones y son menos persistentes en el tiempo. Este hecho confirma la caracterización del caso de Estados Unidos como modelo de flexibilidad del mercado laboral.

Los estudios empíricos sobre desempleo regio- nal han propuesto una serie de variables explicati- vas que captan factores como la oferta y la demanda de trabajo, y el establecimiento de salarios. Sor- prendentemente, entre las numerosas variables que se incluyen nunca se ha llegado a considerar de for- ma explícita la productividad laboral como factor de desempleo regional (Elhorst, 2003).

Resumen

La persistencia de grandes disparidades espaciales en cuanto a de- sempleo dentro de las distintas economías nacionales es un asunto de interés general para la economía regional. Los estudios empíricos anteriores se han despreocupado mucho de los fundamentos; por ello, en el presente estudio se analiza el vínculo de unión entre los diferenciales de productividad laboral, comercio internacional y de- sempleo regional. El punto de partida para este análisis son las pre- visiones del modelo comercial simple de salario de eficiencia (salario- productividad) en el equilibrio oligopolístico general. Con la ayuda de métodos de regresión semiparamétricos, y controlando la partici- pación de factores como la combinación industrial y la participación de la mano de obra, se demuestra la existencia de una relación ne- gativa no lineal entre la productividad laboral y el desempleo regio- nal en los casos de las regiones europeas. En cambio, no se han des- cubierto relaciones significativas entre estas variables en el caso de Estados Unidos.

Palabras clave: productividad, desempleo regional, oligopolio, aná- lisis no paramétrico.

Abstract

The persistence of major spatial disparities with regard to unem- ployment in the different national economies is a matter of general in- terest for the regional economy. Previous empirical studies have largely ignored the fundamentals; in this study, therefore we analyse the con- necting link between the labour productivity, international trade and re- gional unemployment differentials. The starting point for this analysis is a simple commercial efficiency salary model (salary-productivity) in the context of general oligopolistic equilibrium. Using semi-parametric re- gression methods and monitoring the participation of such factors as in- dustrial structure and the participation of labour, we show the existen- ce of a non-linear negative correlation between labour productivity and regional unemployment in the cases of the European regions. However, no significant relations have been found between these variables in the case of the United States.

Key words:productivity, regional unemployment, oligopoly, non-pa- rametric analysis.

JEL classification:C14, D50, F12, F16, J41, L13, R10.

In document papeles - de economía española (página 57-64)