View
4
Download
0
Category
Preview:
Citation preview
Crecimiento y dimensiones de la convergencia en las
provincias espanolas (1965–1997)∗
Francisco J. Goerlich† Matilde Mas† Francisco Perez†
Emili Tortosa-Ausina‡
Septiembre, 2001
Resumen
La evolucion de las provincias espanolas ha permitido una mejora considerable de lascondiciones de vida de sus habitantes. En este proceso ha jugado un papel clave la acumu-lacion de capital, que ha sido muy intensa desde los anos cincuenta. El crecimiento puedehaber ido acompanado de un aumento, o disminucion, de las desigualdades entre provincias.Este trabajo analiza, a traves de un modelo de dinamica de las distribuciones y teniendo encuenta explıcitamente el tamano economico de cada provincia, cual ha sido la evolucion delas disparidades. Los resultados indican que el proceso de convergencia ha sido especialmen-te intenso en productividad del trabajo, productividad total de los factores e intensidad delcapital, mientras que en la produccion por habitante los patrones son menos acentuados. Lasconclusiones difieren cuando ponderamos segun el tamano economico de cada provincia.
Palabras clave: dinamica de las distribuciones, intensidad del capital, matrices de transicion,productividad, suavizado kernel
Clasificacion JEL: C14, D3, E22, O15, R12
Correspondencia: Emili Tortosa-Ausina, Departament d’Economia, Universitat Jaume I, 12071Castello de la Plana [Tel.: +34 964728606. Fax: +34 964728591. E-mail:tortosa@uji.es]
∗Francisco J. Goerlich, Matilde Mas y Francisco Perez agradecen la ayuda financiera de la CICYT (SEC95-0895).Emili Tortosa-Ausina agradece la ayuda financiera de la Fundacio Caixa Castello (P1B98-21) y la GeneralitatValenciana (GV99-135-2-8). Los autores desean agradecer tambien la posibilidad de haber utilizado la base dedatos Sophinet, fruto de la colaboracion entre el Instituto Valenciano de Investigaciones Economicas (IVIE) y laFundacion BBV.
†Universitat de Valencia e IVIE.‡Universitat Jaume I.
1
1 Introduccion
Los perfiles del crecimiento economico espanol han sido analizados desde multiples perspectivas.
En los ultimos anos, las mejoras estadısticas han permitido considerar el proceso de acumulacion
de capital y las ganancias en la productividad total de los factores, aspectos claves para explicar
los incrementos en la productividad del trabajo y en la renta. La elaboracion de bancos de datos
sobre estas magnitudes, no solo del agregado espanol sino tambien de las regiones y provincias,
ha permitido renovar en profundidad las investigaciones sobre el crecimiento en Espana.1
Las nuevas aportaciones se han interesado por la convergencia de las regiones y provincias
espanolas, estudiando si el crecimiento de los distintos territorios ha supuesto una reduccion de
sus diferencias relativas. La convergencia ha sido durante la ultima decada la forma mas habitual
de contrastar el realismo de las hipotesis de modelos alternativos de crecimiento (analizando si
las economıas que crecen lo hacen con rendimientos decrecientes o no) y tambien el acierto de sus
conclusiones (sobre si se aproximan o no al mismo estado estacionario).2 Segun la modelizacion
que se utilice como referencia, la prediccion sera la convergencia en renta per capita (o mas
exactamente en productividad del trabajo) de las economıas consideradas, o la ausencia de la
misma.
La expectativa de que el crecimiento va acompanado de convergencia se ha hecho bastante
popular en Europa y en Espana, al convertirse en un mensaje repetido por los gobiernos. Ası, se
ha prometido convergencia como un resultado del proceso de construccion europea y tambien se ha
hablado de ella como un objetivo factible para las polıticas de desarrollo regional que acompanan
al proceso de descentralizacion, en las Comunidades Autonomas y al mejor aprovechamiento
del potencial endogeno de las mismas. Sin embargo, el analisis de los datos disponibles indica
que la convergencia parece ser alcanzada en algunas caracterısticas de las economıas, pero no
precisamente en la renta per capita.
Este trabajo considera la complejidad de los fenomenos de convergencia que se producen en
los procesos de crecimiento, profundizando su analisis en varias direcciones mediante el estudio
del caso de las provincias espanolas entre 1965 y 1997. En lınea con lo sugerido por Kaldor (1960,
1961), se analizan, ademas de la produccion por habitante (Y/N), la productividad del trabajo
(Y/L), la relacion capital/trabajo (K/L), y la productividad total de los factores (PTF),3 siendo
Y el valor anadido bruto, N la poblacion, L el empleo, y K las dotaciones de capital fısico total.
En segundo lugar, se considera la convergencia mediante un estudio mas detallado de la evolucion
a lo largo del tiempo de la distribucion por provincias de los valores de las variables mencionadas.
Para ello se utilizaran otros enfoques mas completos que las habituales medidas de σ-convergencia:
la representacion mediante box-plots, las funciones de densidad, las matrices de transicion y las
distribuciones ergodicas. En tercer lugar, se consideraran las consecuencias de tener en cuenta que
2
las provincias son observaciones de distinto tamano economico y que su dimension ha cambiado
a lo largo del tiempo; ese hecho constituye un elemento relevante para valorar la evolucion de la
desigualdad teniendo en cuenta cuantos individuos habitan en cada unidad territorial, por lo que
el analisis se desarrollara tanto en terminos simples como ponderados.
El orden expositivo del trabajo es el siguiente. Tras esta introduccion, el apartado 2 describe
la evolucion de las provincias mediante las variables consideradas y compara la magnitud de las
diferencias entre ellas en terminos de σ-convergencia. El apartado 3 presenta las otras tecnicas
empleadas y el 4 los resultados de la aplicacion de las mismas al caso de las provincias espanolas.
El punto 5 enuncia las principales conclusiones.
2 Convergencia vs. convergencias en el crecimiento economico
En las columnas del cuadro 1 se muestran los valores de la poblacion, la produccion, el empleo
y el capital de las 50 provincias espanolas en 1965 y 1997. De la observacion de los datos
se desprende que, tanto al principio como al final del periodo analizado, las provincias tenıan
dimensiones bastante diferentes.4 Se aprecia tambien que el crecimiento ha sido la caracterıstica
generalizada en el caso de la produccion y el stock de capital. Las variaciones positivas han sido
tambien predominantes en la poblacion, sucediendo lo contrario en el caso del empleo que, como
es sabido, crecio poco en Espana en el periodo de referencia. Las tasas de variacion acumuladas
permiten apreciar que la intensidad de los procesos de crecimiento de las distintas dimensiones
consideradas de las provincias espanolas no ha sido uniforme.
El analisis de la convergencia de las economıas provinciales considera si las distintas tasas
de variacion producen como resultado al final del periodo menor dispersion que al principio. La
desviacion tıpica del logaritmo que aparece en la ultima lınea del cuadro 1 indica que, en terminos
absolutos, las diferencias han aumentado (ha habido divergencia), reflejando la tendencia a la
concentracion de la poblacion y la actividad en un numero relativamente reducido de provincias.
Sin embargo, cuando se transforman las variables anteriores, escalandolas por la poblacion o el
empleo, los resultados pueden ser potencialmente diferentes. En el cuadro 2 se ofrecen los datos
de la produccion por habitante, la productividad por empleo, la relacion capital/trabajo y la
productividad conjunta o total de los factores, referencias basicas para caracterizar los hechos
estilizados del crecimiento economico.
Los estudios sobre el crecimiento economico moderno destacan como rasgos caracterısticos del
mismo las mejoras en renta per capita y productividad, ası como el aumento del grado de meca-
nizacion (medido por la relacion capital/trabajo), concentrandose las ganancias de productividad
en el ahorro de trabajo. Asimismo, predicen que la relacion entre produccion obtenida y factores
de produccion empleados mejora como consecuencia de las ganancias de eficiencia lograda, lo que
3
se pone de manifiesto en incrementos de la productividad total de los factores. Los datos del
cuadro 2 indican que los cambios en las provincias espanolas entre 1965 y 1997 se ajustan bien a
esta descripcion.
Para comenzar el analisis de estos hechos estilizados del crecimiento de las provincias espanolas
desde la perspectiva de la convergencia, en el ultimo bloque de filas del cuadro 2 aparece el
coeficiente de β-convergencia (Barro y Sala-i-Martin, 1992) correspondiente a cada una de estas
cuatro variables.5 En todos los casos el coeficiente es positivo y significativo, lo que indica que las
tasas de crecimiento de las regiones han sido mas elevadas cuanto mas atrasada era su posicion en
1965. Al mismo tiempo, se aprecia que los valores de los coeficientes β son mayores en el caso de
la relacion capital/trabajo, sobre todo, y en la productividad del trabajo, siendo el menor valor
de β el correspondiente a la renta per capita.
Para una economıa atrasada, crecer a una tasa mayor es condicion necesaria para converger
con las mas desarrolladas, pero no suficiente. Para comprobar hasta que punto los resultados
globales de β-convergencia observados se han traducido en una reduccion de la dispersion en
las variables mencionadas, pueden observarse en el grafico 1 las trayectorias de un indicador de
σ-convergencia (Barro y Sala-i-Martin, 1992), la desviacion tıpica del logaritmo. En el grafico 1
se comprueba que los niveles de desigualdad de las variables son distintos, y claramente menores
en los casos de la productividad del trabajo y la PTF. Estas dos variables son, ademas, las que
presentan una evolucion mas regularmente convergente, mientras que la convergencia de la renta
per capita se frena desde finales de los setenta, apreciandose un cambio en la tendencia a partir
de 1979.
La lenta convergencia en renta por habitante desde hace mas de veinte anos contrasta, por
tanto, con los rasgos que se aprecian en las ultimas decadas en otros indicadores, mas directamente
ligados a la funcion de produccion. A partir de esta observacion se puede formular la hipotesis
de que las caracterısticas basicas agregadas de los procesos productivos de las provincias se estan
aproximando mas que sus niveles de renta. En efecto, segun los valores de las desviaciones tıpicas
del logaritmo que aparecen en la ultima fila del cuadro 2, la desigualdad en renta per capita
entre las provincias era de mayor intensidad en 1997 que la existente en las otras ratios que
describen las principales caracterısticas productivas agregadas, y en especial que las desigualdades
en productividad.
Para evaluar con detalle la hipotesis de que las economıas de las provincias espanolas son mas
similares en sus rasgos productivos agregados que en sus niveles de renta, se debe profundizar el
analisis de la dinamica de las distribuciones en varias direcciones. Por una parte, es conveniente
analizar si los indicadores de convergencia utilizados son adecuados para caracterizar la evolucion
de la dispersion en las distribuciones de las variables consideradas. Por otra, interesa comprobar
si existe un proceso de convergencia hacia la media o, por el contrario, una dinamica de la
4
distribucion con transiciones mas complejas en las posiciones de las provincias.
3 Dinamica de la distribucion: aspectos tecnicos
Captar aceptablemente mediante un solo indicador de dispersion toda la evolucion de una distribu-
cion es atractivo, pero solo resulta posible bajo condiciones muy particulares. Confiar demasiado
en la capacidad de detectar mediante una observacion visual de los datos si algunas hipotesis
basicas—como la normalidad—son aceptables, es un riesgo que no se reduce por la frecuencia
con la que es asumido; de hecho, al incrementarse el numero de observaciones, los datos, por lo
general, no permiten ver nada. Scott (1992) llega a afirmar que la representacion grafica de los
puntos padece un problema de demasiada tinta. Ası pues, merece la pena considerar con cuidado
el metodo elegido para representar la distribucion de la variable en cada momento del tiempo.
Por otra parte, resulta de interes captar los movimientos de las observaciones (provincias) dentro
de la distribucion a lo largo del tiempo, y tambien si de dichos movimientos se derivan tendencias
a largo plazo.6
Con esa finalidad, en este apartado se consideran brevemente los aspectos tecnicos de cuatro
instrumentos relevantes utilizados con este objetivo: los graficos box-plot, las funciones de den-
sidad estimadas por metodos no parametricos, las matrices de probabilidades de transicion y las
distribuciones ergodicas. Finalmente, tambien se discutira la importancia del uso de estadısticos
simples o ponderados.
3.1 Representaciones box-plot
Una forma grafica de resumir la informacion suministrada por los estadısticos de orden es la
utilizacion de los diagramas de caja o box-plots. Un box-plot es una representacion plana de
algunas de las caracterısticas mas sobresalientes de un conjunto de datos. Su principal ventaja
es que, al presentarse simultaneamente varios box-plots en un mismo grafico, permite el estudio
dinamico de la evolucion de algunas caracterısticas importantes de la distribucion. Por ejemplo,
la existencia, aparicion o desaparicion de observaciones atıpicas, la dispersion o concentracion de
los datos, ası como la simetrıa o asimetrıa de la distribucion. De hecho, una de las utilidades
basicas de los box-plots es el analisis grafico de observaciones atıpicas (outliers).
Todos los componentes de un box-plot pueden ser examinados en el grafico 2. El eje vertical
representa la escala de la variable. El cuadrado o caja (box) representa el rango inter-cuartılico. El
cuartil 0.75, ξ.75, define la parte superior y el cuartil 0.25, ξ.25, la parte inferior del cuadrado. Por
construccion, dentro del box esta contenido el 50% de la masa de probabilidad de la distribucion.
Su altura representa, por tanto, el rango inter-cuartılico, una medida de dispersion habitual. Un
rango inter-cuartılico pequeno se visualizara mediante un box relativamente corto, e indica que
5
el 50% de la densidad de la variable esta relativamente concentrada.
La lınea horizontal dentro de la caja es la mediana, o cuartil 0.50. La localizacion de esta
lınea respecto a los lımites superiores o inferiores del box proporciona informacion grafica sobre la
forma de la distribucion. Si la mediana no esta en el centro del box, la distribucion es asimetrica.
Dos lıneas verticales aparecen en los lımites superior e inferior de la caja. El final de es-
tas lıneas, dibujadas de forma horizontal, se conoce como valor adyacente, superior e inferior,
respectivamente. A partir del rango inter-cuartılico, R(ξ.25), el valor adyacente superior se
define como el valor observado de la variable representada no mayor que ξ.75 + 1.5R(ξ.25), y
el valor adyacente inferior como el valor observado de la variable representada no menor que
ξ.25 − 1.5R(ξ.25). La maxima longitud entre valores adyacentes vendra dada por el intervalo
[ξ.25 − 1.5R(ξ.25), ξ.75 + 1.5R(ξ.25)] pero, en general, presentara un recorrido menor. Los valores
adyacentes son, por tanto, estadısticos de orden que se corresponden con observaciones actuales
de la variable y que cubren el rango de observaciones que no se consideran atıpicas.
Finalmente, las observaciones mas alla de los valores adyacentes son las observaciones atıpicas,
superiores si son mayores que el valor adyacente superior, e inferiores si son menores que el valor
adyacente inferior. Estos valores son representados de forma individual por pequenas lıneas
horizontales. Los valores adyacentes cumplen de esta forma una doble mision. Por una parte,
delimitan el rango de observaciones que no se consideran como atıpicas y, por otra, indican la
distancia entre los valores extremos de dichas observaciones y los outliers, lo que permite observar
la lejanıa o proximidad de los mismos respecto a la mayor parte de la distribucion. Si no existen
observaciones atıpicas, los valores adyacentes delimitan los valores extremos del conjunto de
observaciones, el maximo y el mınimo de la distribucion.
3.2 Funciones de densidad
Los datos economicos pueden ser extremadamente no-normales, presentar multiples modas o ser
asimetricos, rasgos que en el contexto que nos ocupa serıan de gran trascendencia y que quedarıan
ocultos si se presentan mediante estimaciones parametricas de las funciones de densidad que
impiden captar esas caracterısticas (por ejemplo, mediante un modelo unimodal).
Los analisis de convergencia mas recientes optan tambien por la estimacion no parametrica
de funciones de densidad como representacion de los datos porque tiene la ventaja de no obligar
a efectuar supuesto alguno sobre la distribucion.7
El enfoque no parametrico requiere escoger un metodo para suavizar los datos. El mas basico
es el histograma, el unico estimador no parametrico utilizado hasta los anos cincuenta; sin embar-
go, tiene algunos inconvenientes8 que desaconsejan su utilizacion. Otros metodos son el estimador
ingenuo, el metodo del vecino mas proximo, el metodo del kernel variable, los estimadores de se-
6
ries ortogonales, los estimadores de maxima verosimilitud penalizada, etc. En nuestro caso hemos
escogido el suavizado kernel. Es un metodo aplicable en muchas situaciones, sus propiedades se
entienden con facilidad y la discusion de las mismas permite comprender mejor otros metodos de
estimacion de densidad. Ademas, como se ha demostrado (Walter y Blum, 1979; Terrell y Scott,
1992), practicamente todos los algoritmos no parametricos son asintoticamente metodos kernel.
De acuerdo con esta metodologıa, se estima la siguiente funcion de densidad para cada una
de las variables consideradas:
fj(x) =1
nh
n∑i=1
K(x − vij
h) (1)
donde n serıa el numero de provincias, vij cada una de las observaciones de la variable j y h el
parametro de suavizado. La variable vij esta normalizada, esto es, dividida por la media nacional.
Este ejercicio permite corregir el efecto sobre cada provincia del comportamiento de la variable
para el conjunto del paıs, que puede presentar oscilaciones.
K es una funcion kernel que cumple:
∫ +∞
−∞K(t)dt = 1. (2)
La eleccion del kernel puede recaer sobre distintas alternativas.9 La nuestra ha sido el kernel
gaussiano que, en el caso univariante que nos ocupa, responde a la expresion:
K(t) =1√2π
e−12 t2 . (3)
En este caso concreto, tendremos:
K(x − vij
h) =
1√2π
e−12 (
x−vijh )2 . (4)
Y, por tanto,
fj(x) =1
nh
n∑i=1
1√2π
e−12 (
x−vijh )2 . (5)
En este contexto, la convergencia implica que la masa probabilıstica este cada vez mas con-
centrada alrededor de cierto valor; si este valor es la unidad, habra convergencia hacia la media.
Esta tecnica permite la identificacion de otras situaciones; por ejemplo, podrıa darse que con el
tiempo apareciesen (o desapareciesen) distintas modas, lo que serıa sinonimo de divergencia y, sin
embargo, no podrıa ser detectada por los indicadores de dispersion. Es mas, dos distribuciones
con un nivel de dispersion similar pueden tener una estructura modal muy diferente.
La eleccion del kernel determina la forma de los picos o bumps que obtenemos al representar
7
graficamente la funcion (5). Sin embargo, la eleccion de la amplitud de ventana (h) es mucho
mas importante que la del kernel. El parametro h incide de manera diferente, determinando
la amplitud de dichos bumps. Escoger un h excesivamente pequeno genera un numero excesivo
de bumps que no permite distinguir con claridad la verdadera estructura de los datos; a este
fenomeno se le denomina undersmoothing o infrasuavizado. Por el contrario, un h excesivamente
grande da lugar a oversmoothing o sobresuavizado, de manera que rasgos que pudieran estar
presentes en los datos (por ejemplo, estructuras multimodales) quedarıan ocultos. Detras de
estos hechos se halla el tradicional trade-off entre sesgo y varianza que, precisamente, depende
del parametro de suavizado: a mayor h, menos varianza y mas sesgo, y viceversa.
La idea que subyace a muchos de los diferentes metodos para obtener una ventana optima
es la misma: minimizar el error cuadratico medio integrado (MISE),10 dado por MISE(f) =∫[f(x) − f(x)]2dx o bien su representacion asintotica, cuya expresion11 vendrıa dada por:
hAMISE =[
R(K)µ2(K)2R(f ′′)n
]1/5
(6)
donde R(g) =∫
g(x)2dx y µ2(g) =∫
x2g(x)dx.
Los distintos metodos existentes pueden clasificarse en dos categorıas: de primera y de segunda
generacion. Los primeros fueron propuestos antes de 1990 y han sido mas tratados en la literatura.
Entre estos podemos encontrar los conocidos como rules of thumb (el h al que darıan lugar viene
representado por hROT), least squares cross-validation (hLSCV) y biased cross-validation (hBCV).
Los de segunda generacion se agrupan bajo dos enfoques: solve-the-equation plug-in approach y
smoothed bootstrap.12
Los trabajos que aplican la estimacion no parametrica de las funciones de densidad al estudio
de la convergencia apenas hacen hincapie en el h escogido. En muchos de ellos no se hace mencion
alguna, mientras que en otros la unica indicacion es que han sido escogidos automaticamente.13 De
hecho, hasta fechas relativamente recientes, la eleccion del parametro de suavizado mas avanzada
de acuerdo con la literatura existente era hLSCV. Sin embargo, escoger uno u otro h incide
de manera crucial sobre los resultados, por lo que cabrıa preguntarse si es ese el parametro de
suavizado mas adecuado en cualquier situacion.14
En este trabajo se utilizara el h propuesto por Sheather y Jones (1991) a partir del trabajo
de Park y Marron (1990). Esta basado en el metodo de segunda generacion solve-the-equation
plug-in approach, que se conoce como hSJPI,15 y cuya superior performance con respecto a los
metodos de primera generacion ha sido verificada en varios trabajos posteriores.16
8
3.3 Matrices de transicion y distribucion ergodica
El analisis llevado a cabo en la seccion anterior contribuye a superar una de las limitaciones del
analisis de σ y β-convergencia, al permitir la identificacion de otros rasgos de los datos, pero no
esta exento de limitaciones. En particular, no es capaz de detectar los cambios en las posiciones
relativas de las provincias, o movimientos intra distribucion de las variables. Tampoco identifica
el hipotetico comportamiento a largo plazo de las variables, esto es, la distribucion ergodica.
Efectivamente, si el aspecto externo de las funciones de densidad al principio y al final del
periodo muestral fuese el mismo concluirıamos que no existe tendencia alguna (ni convergencia
ni divergencia). Sin embargo, podrıan estar dandose cambios en las posiciones relativas de las
provincias, que no se verıan reflejados en el aspecto externo de las funciones de densidad pero
serıan relevantes para valorar la posibilidad de converger.
Captar estos movimientos es factible mediante el calculo de matrices de probabilidades de
transicion. A traves de las mismas conocemos la probabilidad de que una provincia con una
determinada renta relativa, o productividad, pueda transitar hacia valores mayores (o menores)
de la variable analizada.
Para calcular las matrices de transicion se parte de la discretizacion o division del conjunto de
observaciones de la variable analizada en un determinado numero de estados ei. Por ejemplo, el
estado ei = (0.5, 3) incluirıa aquellas provincias con renta per capita entre la mitad y el triple del
promedio total. El dato de cada celda de la matriz indica la probabilidad de que una provincia
transite durante el periodo o periodos considerados de un estado a otro.
En el caso estudiado, la discretizacion divide el conjunto de observaciones Ft en 5 estados
ei, i = 1, . . . , 5, y cada celda pij de la matriz 5 × 5 indica la probabilidad de que una provincia
situada inicialmente en el estado i transite durante el periodo o periodos (l) considerados hasta
el estado j. Ası, cada fila de la matriz constituye un vector de probabilidades de transicion, que
suma la unidad.
Operando con la informacion que ofrece la matriz de probabilidades de transicion se puede
caracterizar el hipotetico largo plazo, mediante la distribucion ergodica. Los resultados o es-
cenarios posibles son multiples, desde una distribucion con la masa probabilıstica concentrada
primordialmente en el estado o estados centrales (indicativo de convergencia “hacia la media”, si
estos estados centrales contienen la unidad) hasta una distribucion mas polarizada, o con la masa
probabilıstica distribuida en los estados extremos de la distribucion. Por tanto, la distribucion
ergodica ayuda a conocer hasta que punto el conjunto de provincias de la muestra presenta una
tendencia hacia la convergencia o si, por el contrario, se esta polarizando en dos grupos.
9
3.4 El papel de las disparidades en tamano economico
Aunque la literatura sobre desigualdad ha prestado tradicionalmente atencion a la importancia
de tener en cuenta el distinto peso de las observaciones consideradas, la literatura empırica sobre
el crecimiento interesada en la convergencia apenas lo ha hecho hasta muy recientemente (Quah,
1999). Esta circunstancia constituye una paradoja, si se tiene en cuenta que la comparacion
entre paıses rara vez se refiere a economıas de la misma dimension sino, mas bien al contrario, a
observaciones de tamano muy distinto.
En el caso de las provincias espanolas este es un aspecto relevante porque la dimension de-
mografica o economica de algunas de ellas es muy dispar. En el cuadro 1 puede apreciarse la
distancia que separa en tamano a Madrid, Barcelona o Valencia, de Teruel, Soria o Guadalajara.
Si a ello se anade que en el periodo considerado han existido importantes desplazamientos de
poblacion, se debe concluir que, para valorar si se ha convergido o no conviene hacer uso tambien
de indicadores de convergencia basados en estadısticos ponderados, que tomen en consideracion
el tamano de las provincias.
Con el fin de apreciar el alcance de seguir la practica tradicional (sin ponderar) o no (ponderar),
en la aplicacion a las provincias espanolas de las tecnicas descritas en los apartados anteriores se
han utilizado ambos criterios y comparado los resultados.
Al introducir un elemento de ponderacion en el kernel, la expresion (1) se convierte en:
fj(x) =1h
n∑i=1
ωiK(x − vij
h). (7)
donde ωi representa la ponderacion adecuada para la variable vij . Por ejemplo, si vij es renta
per capita, ωi sera el porcentaje de poblacion sobre el total de la provincia i.
La estimacion de matrices de transicion ponderadas tambien es posible. En este caso, la
tecnica es analoga a la presentada en la seccion 3.3, si se introduce un factor de ponderacion que
permite valorar las transiciones de de un estado a otro.
4 Resultados
La aplicacion de las tecnicas anteriores a los datos de las provincias espanolas durante el periodo
citado permite obtener los siguientes resultados. Se comentan en primer lugar los referidos a los
box-plots, seguidos de las funciones de densidad y, por ultimo, los correspondientes a la matrices
de transicion. Para las dos primeras tecnicas se presenta la informacion para tres anos, el inicial
(1965), el final (1997) y para 1979, por ser este el ano en que se produce un cambio de tendencia
en la convergencia en produccion por habitante. Para las matrices de transicion se ofrecen los
resultados para transiciones bienales, con el fin de recoger todas las transiciones que ha habido a
10
lo largo del periodo analizado.
4.1 Box-plots
Las representaciones mediante box-plots de las cuatro variables que aparecen en el grafico 2
confirman que en todas ellas se ha producido una reduccion de las diferencias a lo largo del
periodo, entre los anos 1965 y 1997. Tambien ofrecen otras informaciones de interes que son
confirmadas, desde otra perspectiva, por las funciones de densidad que se ofrecen en el epıgrafe
siguiente.
Dos hechos destacan en la representacion de la variable renta per capita (grafico 2(a)): el
primero, ya conocido, de estancamiento de la convergencia en la segunda parte del periodo; el
segundo, la constatacion de que la convergencia durante el periodo 1965–1979 se produjo “desde
arriba”, al reducir las provincias mas ricas las distancias que les separaban respecto a la media
nacional.
A diferencia de la renta per capita, la productividad del trabajo continuo el proceso conver-
gente tambien en la segunda parte del periodo, acelerandose incluso entre los anos 1979 y 1997.
Al comienzo del periodo, Madrid destacaba como observacion atıpica, pero su desaparicion como
outlier en el ano 1979, ası como el acortamiento del valor adyacente superior, refleja una pauta de
comportamiento, de convergencia “desde arriba”, similar a la de la renta per capita entre los anos
1965 y 1979. Por el contrario, la convergencia en esta variable en la segunda parte del periodo
tuvo como origen la aproximacion a los valores medios del conjunto de la distribucion y el recorte
de diferencias de las mas pobres, destacandose solo la provincia de Lugo como outlier inferior.
La reduccion de las diferencias en la relacion capital/trabajo es tambien patente en el grafico
2(c), aunque con algunas peculiaridades de interes. En el ano 1965 destacaban dos provincias
vascas, Guipuzcoa y Vizcaya, por sus elevadas dotaciones de capital por trabajador, mientras
que en 1979 se significaba Lugo por lo contrario. En consecuencia, entre los anos 1965 y 1979 se
redujeron las diferencias en el extremo superior de la distribucion, al tiempo que se ampliaban en
el extremo inferior. El box-plot correspondiente al ultimo ano analizado, 1997, ilustra la concen-
tracion de las cincuenta observaciones en torno a los valores medios, con dos unicas excepciones
como outliers superiores, Guadalajara y Tarragona, provincias en las que la presencia de centrales
nucleares eleva las dotaciones de capital.
La convergencia en la productividad total de los factores es, junto con la productividad del
trabajo, la mas intensa de todas las variables. En el grafico 2(d) se observa que las diferencias en
esta variable son en la actualidad muy reducidas, habiendose producido la convergencia tanto en
los extremos superiores como inferiores de la distribucion.
11
4.2 Funciones de densidad
Los graficos 3(a) a 6(b) ofrecen la representacion de las funciones de densidad correspondientes a
las cuatro variables estudiadas. Para cada una de ellas se presenta, en dos graficos consecutivos, la
densidad—siempre normalizada, para corregir el efecto de unas medias crecientes—, sin ponderar
y ponderada. En cada grafico se reproducen tres paneles, correspondientes a 1965, 1979, y 1997.
Las diferencias entre las estimaciones ponderadas y no ponderadas y en la evolucion temporal
resultan distintas en cada una de las variables y se comentan a continuacion.
En el caso de la produccion por habitante (graficos 3(a) y 3(b)), las funciones de densidad,
tanto simples como ponderadas, identifican tres modas en el ano 1965 que, aunque todavıa per-
vivıan en el ano 1979, van progresivamente “alisandose” hasta practicamente desaparecer en el
ano final (1997) en la version simple y transformandose en una distribucion bimodal en la version
ponderada. En 1965 existıan tres clubs de provincias, perteneciendo al grupo con mayor pro-
duccion por habitante Madrid, Barcelona y las tres provincias vascas. La presencia de Madrid y
Barcelona en este grupo explica la ampliacion de la “joroba” en la funcion de densidad pondera-
da. Con el transcurso del tiempo, el extremo superior de la distribucion va aproximandose a los
valores medios. Pese a ello, en 1997 todavıa pervivıan dos clubs, continuando los habitantes de
Madrid y Barcelona como socios del mas favorecido.
La productividad del trabajo (graficos 4(a) y 4(b)) presenta similitudes con la variable an-
terior, pero tambien diferencias destacables en las siguientes direcciones. En primer lugar, la
convergencia es mucho mayor. En segundo lugar, en el ano 1965 existıan cuatro modas, en lugar
de las tres de la variable produccion por habitante. La cuarta moda superior corresponde a la
provincia de Madrid, identificada como outlier superior por el grafico 2(b). En tercer lugar, con-
firman la informacion proporcionada por los box plots de que la convergencia ha afectado a toda
la distribucion, y no solo a los extremos superiores de la misma, aunque todavıa se observe en 1997
una provincia (Lugo) claramente retrasada respecto a las restantes. Por ultimo, observese que,
para las dos variables hasta ahora analizadas, los valores maximos de las funciones de densidad
simples eran, en 1997, inferiores a la media nacional, indicando que la gran mayorıa de provincias
(31 en la variable produccion por habitante, y 37 en productividad del trabajo, la mayorıa poco
pobladas) no alcanzaban dicha media.
Los graficos 5(a) y 5(b) muestran un comportamiento de las funciones de densidad de la
relacion capital/trabajo, apreciandose un intenso proceso de convergencia con bimodalidad al
comienzo y al final del periodo. Como ya identificaban los box-plots del grafico 2, la segunda
moda de 1965 correspondıa a dos provincias vascas, Guipuzcoa y Vizcaya, mientras que la de
1997 tiene su origen en las elevadas ratios de Guadalajara y Tarragona, provincias con importan-
te presencia de centrales nucleares. Si se excluyen estos outliers, la imagen que se obtiene es la
12
de una importante reduccion de las colas de la distribucion, ası como la concentracion de la masa
de probabilidad en torno a los valores medios. Ası pues, las dotaciones de capital por trabajador
parecen haberse homogeneizado entre las provincias de manera muy notable, mostrando un pro-
ceso de convergencia mucho mas nıtido que el sugerido por el grafico 1, el indicador habitual de
σ-convergencia.
La productividad total de los factores, PTF (graficos 6(a) y 6(b)), ha experimentado tambien
un intenso, y continuado, proceso de convergencia. En el ano inicial, 1965, dos provincias muy
pobladas aparecıan destacadas del resto, justificando las dos “jorobas” superiores que se observan
en las funciones ponderadas: Madrid, identificada como observacion atıpica por los box-plots
del grafico 2, seguida por Barcelona. En 1997 la concentracion en torno a los valores medios
resulta evidente, aunque las dos provincias anteriores continuen manteniendo la supremacıa en
esta variable, explicando ası la existencia de dos clubs identificados por las funciones de densidad
ponderadas. En consecuencia, la intensa convergencia en PTF significa la reduccion sustancial de
las diferencias entre provincias en cuanto a su capacidad de acceder a la tecnologıa y a su manejo
eficiente.
4.3 Matrices de transicion y distribuciones ergodicas
Los cuadros 3 al 6 presentan las matrices de transicion calculadas a partir de distribuciones
de la muestra, simples y ponderadas. Con el fin de caracterizar la evolucion a largo plazo de
las variables estudiadas se consideran las transiciones entre los cinco escalones diferenciados en
periodos bienales. Asimismo, se analiza la tendencia a largo plazo mediante el calculo de la
distribucion ergodica, a la que tenderıa la variable de persistir en el futuro la evolucion observada
durante el periodo estudiado.
Las tablas del cuadro 3, correspondiente al VAB por habitante, muestran una elevada per-
sistencia de las observaciones en sus intervalos, medida por los coeficientes que aparecen en la
diagonal principal de las matrices. No obstante, al tratarse de transiciones muy cortas, es de espe-
rar cierta persistencia, pues es difıcil que una provincia experimente grandes cambios de posicion
en las variables analizadas en periodos de dos anos. En los tres primeros escalones el porcentaje
de transiciones hacia el correspondiente escalon superior es relativamente reducido (en el caso de
la distribucion no ponderada, no superiores al 13%). En el escalon superior se observa un por-
centaje de transiciones menor, siendo la mas elevada permanencia la del intervalo de renta mas
elevado. Las diferencias entre la matriz simple y ponderada no son excesivas (los promedios en la
diagonal principal son 0.88 y 0.90, respectivamente) y ambas muestran que las transiciones son
abundantes, sobre todo en sentido ascendente, lo que concuerda con lo que indica la distribucion
ergodica: una tendencia a concentrarse la variable en los escalones superiores de la distribucion.
13
No obstante, la comparacion de la distribucion ergodica simple con la ponderada indica que en
esta ultima la concentracion es mucho menor, perdiendo peso el escalon superior (lo que apunta
que algunas de las provincias que tienden a situarse en el mismo son pequenas) y ganandolo en
cambio los dos inferiores (lo que apunta que algunas de las provincias que tienden a situarse en
los menores niveles de renta tienen un peso demografico significativo). De hecho, la distribucion
ergodica ponderada sugiere la existencia de una moda bien diferenciada en el estado e5. Este
patron coincide con lo que observabamos en el grafico 3(b).
La productividad del trabajo (cuadro 4) presenta una persistencia algo menor de las posiciones—
en este caso la diagonal principal principal ofrece promedios de 0.85 y 0.89 para los casos pondera-
dos y no ponderados, respectivamente—y una mayor tendencia a la concentracion en los escalones
superiores de la distribucion. La distribucion ergodica confirma esa tendencia y en este caso las
matrices simples y ponderadas indican que las provincias que tenderıan a quedar en niveles de
productividad baja son pequenas.
Por lo que se refiere a la relacion capital/trabajo (cuadro 5), se observa tambien una notable
movilidad entre escalones: transiciones en direccion ascendente pero tambien descendente. El
resultado de largo plazo vuelve a ser una distribucion ergodica no demasiado concentrada, pero
mas desplazada hacia arriba: situada en los escalones superiores en el caso no ponderado y en los
centrales en el ponderado. Esta diferencia entre estos dos ejercicios indicarıa que algunas de las
provincias con elevada relacion capital/trabajo tienen una peso demografico pequeno.
La dinamica de transiciones de la PTF (cuadro 6) es hasta cierto punto similar, si tenemos
en cuenta los distintos lımites de los estados. En este caso existe un elevado porcentaje de
transiciones desde los niveles bajos a los mas altos y elevada permanencia de las observaciones
del escalon superior. La distribucion ergodica muestra que la tendencia a la concentracion de las
observaciones en los escalones mas elevados es mayor en las estimaciones ponderadas. En este
caso, dicha concentracion llega a ser del 54% en el estado de mayor PTF relativa (e5).
5 Conclusiones
La primera conclusion del estudio de la evolucion de las provincias espanolas es que el crecimiento
experimentado ha supuesto convergencia en las caracterısticas agregadas de sus sistemas produc-
tivos mas intensa y continuada que la que se aprecia en sus rentas per capita. Los grados de
mecanizacion de las economıas de las provincias espanolas y sus niveles de productividad se han
aproximado sustancialmente y con mayor rapidez que sus rentas per capita.
Las conclusiones del analisis realizado mediante los box-plots y la estimacion no parametrica
de las funciones de densidad son tres. La primera es la confirmacion de lo que se desprende de los
indicadores de β y σ-convergencia, es decir, que la convergencia hacia la media es mas intensa en
14
las caracterısticas productivas de las regiones que en sus rentas per capita. La segunda conclusion
es que el proceso de convergencia hacia la media se encuentra matizado en las cuatro variables
analizadas por la existencia de bimodalidad al final del periodo. La tercera, que la bimodalidad
entre tres de ellas (renta por habitante, productividad del trabajo y PTF) solo es detectada con
el calculo de la densidad ponderada por el tamano de las provincias.
La intensa convergencia de las economıas en el uso de ratios similares de capital por trabaja-
dor se acompana del mantenimiento de diferencias algo mayores en productividad, apreciandose
ademas una concentracion de los niveles de productividad en torno a dos modas. Podrıa decirse
que las diferencias entre provincias se reducen, pero no deja de existir una cierta polaridad entre
dos grupos, y solo uno de ellos se situa por encima de la media. Las causas de la misma pueden
ser diversas: composicion sectorial, composicion del capital, cualificacion del trabajo, dotaciones
de recursos naturales, eficiencia productiva, etc.
En el caso de la renta per capita se detecta asimismo bimodalidad pero, ademas, se aprecia
una convergencia menos intensa, en especial en la segunda parte del periodo analizado. Parece
desprenderse del comportamiento observado en la productividad que sea esta una de las causas
que explican la bimodalidad de la distribucion de la renta, pero la evidencia aportada solo permite
considerarlo como una hipotesis de trabajo. En cuanto a la menor convergencia y su estancamiento
en esta variable tan importante, el comportamiento de la productividad del trabajo indica que la
ratio entre el numero de trabajadores y poblacion proporciona la clave del problema: la evolucion
de las diferencias en el porcentaje de poblacion dependiente entre provincias se convierte en un
freno a la convergencia de las rentas por habitante. Ası pues, los sistemas productivos de las
provincias espanolas se han hecho mucho mas parecidos, pero las diferencias entre provincias
en cuanto a la participacion de su poblacion en el sistema productivo han aumentado. Por
consiguiente, la convergencia en renta no dependera solo en el futuro de la continuidad del proceso
de aproximacion entre las ratios de los agregados productivos, sino de la similitud en las cargas
demograficas en relacion a la poblacion ocupada de las provincias.
Las matrices de transicion indican que los procesos de convergencia se acompanaran de una
significativa movilidad de las posiciones relativas de las provincias, que no presenta las mismas
caracterısticas en todas las variables. En la renta per capita y los dos indicadores de productivi-
dad predomina la movilidad ascendente, de la que resultan distribuciones ergodicas que tienden
a concentrarse en los escalones superiores de la distribucion. En cambio, en el indicador de in-
tensidad relativa de uso del capital los movimientos se producen en todas las direcciones, siendo
frecuentes los desplazamientos positivos y negativos, resultando una distribucion ergodica apenas
concentrada en ningun escalon. La importancia de los porcentajes que representan las transicio-
nes de un estado a otro en todas las variables caracterısticas del crecimiento de las provincias, y
el hecho de que exista movilidad tanto ascendente como descendente, indican que las posiciones
15
relativas de las provincias no son immutables y que, de facto, se han alterado en las ultimas
decadas y pueden modificarse de nuevo en el futuro.
16
Notes
1Las series regionales elaboradas por la Fundacion BBVA en Renta Nacional de Espana y su Distribucion
Provincial (Fundacion BBVA, varios anos), ası como las de stock de capital fısico (Mas et al., 1995, 1996, 1998 y
2000) pueden encontrarse en http://www.bancoreg.fbbv.es. Las de capital humano (Mas et al., 1998) y las de
distribucion personal de la renta (Goerlich y Mas, 2001a) estan disponibles en http://www.ivie.es.
2En el caso de la convergencia entre las regiones espanolas, pueden verse los trabajos de Mas et al. (1994),
Dolado et al. (1994), Gardeazabal (1996), Lamo (2000), Perez (2000), Raymond y Garcıa Greciano (1994), Perez
et al. (1996), o Goerlich y Mas (1998, 2001b), entre otros.
3Los datos de productividad total de los factores (PTF) corresponden al sector privado de la economıa y pro-
ceden de Goerlich y Mas (2001b). Dicha PTF fue obtenida a partir de la estimacion de una funcion de produccion
Cobb-Douglas con efectos fijos temporales y provinciales, imponiendo rendimientos constantes e incluyendo al
capital humano y publico como factores adicionales de produccion. En el capıtulo VI de Goerlich y Mas (2001b)
pueden encontrarse los detalles de la estimacion.
4Mucho mas dispares que las existentes cuando Javier de Burgos las configuro en 1938. Vease el analisis
historico en el primer capıtulo del volumen I de Goerlich y Mas (2001b).
5El coeficiente β se ha estimado a partir de la ecuacion:
1
Tlog
(yij,t+T
yij,t
)= a − β log (yij,t) + uij,t,t+T (8)
donde yij,t es el valor correspondiente a la variable j de la provincia i en el ano t, T es la longitud del periodo, y
uij,t,t+T es el termino de error.
6Este enfoque de la convergencia fue propuesto inicialmente por Quah (1993a,b).
7El enfoque de la estimacion no parametrica es diferente al de la parametrica. En el segundo caso, a partir de
una familia de funciones de densidad parametricas f(· | θ) como la normal N(µ, σ2), donde θ = (µ, σ2), el enfasis
esta en obtener el mejor estimador θ de θ. Sin embargo, en el caso no parametrico se trata de obtener un buen
estimador f(·) de toda la funcion de densidad f(·).
8Por ejemplo, la eleccion del origen (Silverman, 1986).
9Por ejemplo, el de Epanechnikov, el triangular, el gaussiano, el rectangular, etc. Dado que la eficiencia que
presenta cada uno de ellos esta siempre alrededor del 90%, la eleccion debe basarse en otras consideraciones,
como la facilidad de calculo. En cualquier caso, la eleccion realmente relevante es la del h optimo, cuestion que
abordamos mas adelante.
10Existe algun metodo basado en otros criterios; por ejemplo, la eleccion subjetiva (subjective choice), basada
en la representacion grafica de curvas para varios h, escogiendo aquella que mejor se ajusta a nuestras ideas a
priori sobre la densidad.
11Los detalles para la obtencion de este parametro, hAMISE, se encuentran, por ejemplo, en Wand y Jones
(1995).
17
12Una concisa presentacion de los mismos, con sus ventajas e inconvenientes, puede encontrarse en la monografıa
de Wand y Jones (1995) o en Jones et al. (1996).
13Silverman (1986) hace referencia al hLSCV, lo que induce a pensar que ese es el metodo utilizado.
14Jones et al. (1996) comparan los distintos h a los que hemos hecho referencia, llegando a unas conclusiones que
vuelven a poner de manifiesto la importancia de esta cuestion. Una de ellas es que hLSCV en muchas ocasiones
no suaviza suficientemente los datos (undersmoothing), mientras que hROT hace lo contrario (oversmoothing).
Los metodos de segunda generacion ofrecen un equilibrio entre estos dos extremos, que equivale a afirmar que
adquieren un compromiso razonable entre sesgo y varianza. Esta superioridad aparece recogida en la literatura
(Cao et al., 1994; Park y Turlach, 1992).
15Los detalles se encuentran en los artıculos de Sheather y Jones (1991) y Park y Marron (1990). En la pagina
web de Steve Marron (http://www.stat.unc.edu/faculty/marron.html) puede encontrarse la rutina Matlab que
permite su obtencion.
16Vease, por ejemplo, Jones et al. (1996).
18
Referencias
Barro, R. J. y X. Sala-i-Martin (1992): “Convergence,” Journal of Political Economy, 100, 2,
223–251.
Cao, R., A. Cuevas y W. Gonzalez-Manteiga (1994): “A comparative study of several smoothing
methods in density estimation,” Computational Statistics and Data Analysis, 17, 153–176.
Dolado, J. J., J. M. Gonzalez-Paramo y J. M. Roldan (1994): “Convergencia economica entre las
provincias espanolas: evidencia empırica,” Moneda y Credito, 0, 198, 81–119.
Fundacion BBVA (varios anos): Renta Nacional de Espana y su Distribucion Provincial, Funda-
cion BBVA, Bilbao.
Gardeazabal, J. (1996): “Provincial income distribution dynamics: Spain 1967-1991,” Investiga-
ciones Economicas, 20, 2, 263–269.
Goerlich, F. J. y M. Mas (1998): “Medicion de las desigualdades: variables, indicadores y resul-
tados,” Moneda y Credito, 207, 59–86.
Goerlich, F. J. y M. Mas (2001a): “Inequality in Spain 1973–1991: Contribution to a Regional
Database,” The Review of Income and Wealth, Series 47, 3, 361–378.
Goerlich, F. J. y M. Mas (2001b): La evolucion economica de las provincias espanolas (1955–
1998), Fundacion BBVA, Bilbao.
Jones, M. C., J. S. Marron y S. J. Sheather (1996): “A brief survey of bandwidth selection for
density estimation,” Journal of the American Statistical Association, 91, 433, 401–407.
Kaldor, N. (1960): Essays on Economic Stability and Growth, Gerald Duckworth & Co.Ltd.,
London.
Kaldor, N. (1961): “Capital accumulation and economic growth,” en F. A. Lutz y D. C. Hague
(eds.), Theory of Capital, cap. 10, pags. 177–222, McMillan & Co.Ltd., London.
Lamo, A. (2000): “On convergence empirics: Some evidence for Spanish regions,” Investigaciones
Economicas, 24, 681–707.
Mas, M., J. Maudos, F. Perez y E. Uriel (1994): “Disparidades regionales y convergencia en las
comunidades autonomas,” Revista de Economıa Aplicada, 4, 2, 129–148.
Mas, M., F. Perez y E. Uriel (1995, 1996, 1998 y 2000): El “stock” de capital en Espana y sus
Comunidades Autonomas, tomo I, II, III y IV, Fundacion BBVA, Bilbao.
19
Mas, M., F. Perez, E. Uriel y L. Serrano (1998): Capital humano. Series historicas, Fundacio
Bancaixa, Valencia.
Park, B. U. y J. S. Marron (1990): “Comparison of data-driven bandwidth selectors,” Journal of
the American Statistical Association, 85, 409, 66–72.
Park, B. U. y B. A. Turlach (1992): “Practical performance of several data-driven bandwidth
selectors,” Computational Statistics, 7, 251–285.
Perez, F., F. J. Goerlich y M. Mas (1996): Capitalizacion y crecimiento en Espana y sus regiones
1955-1995, Documenta, Fundacion BBVA, Bilbao.
Perez, P. (2000): “Dinamica de las regiones en Espana (1955–1995),” Revista de Economıa
Aplicada, 8, 155–173.
Quah, D. T. (1993a): “Empirical cross-section dynamics in economic growth,” European Econo-
mic Review, 37, 426–434.
Quah, D. T. (1993b): “Galton’s fallacy and tests of the convergence hypothesis,” Scandinavian
Journal of Economics, 95, 4, 427–443.
Quah, D. T. (1999): “6 × 109: Some dynamics of global inequality and growth,” Documento de
trabajo, LSE Economics Department.
Raymond, J. L. y B. Garcıa Greciano (1994): “Las disparidades en el PIB per capita entre
Comunidades Autonomas y la hipotesis de convergencia,” Papeles de Economıa Espanola, 59,
37–58.
Scott, D. W. (1992): Multivariate Density Estimation: Theory, Practice, and Visualization,
Wiley, New York.
Sheather, S. J. y M. C. Jones (1991): “A reliable data-based bandwidth selection method for
kernel density estimation,” Journal of the Royal Statistical Society, Ser.B,53, 3, 683–690.
Silverman, B. W. (1986): Density Estimation for Statistics and Data Analysis, Chapman and
Hall, London.
Terrell, G. R. y D. W. Scott (1992): “Variable kernel density estimation,” Annals of Statistics,
20, 3, 1236–1265.
Walter, G. y J. R. Blum (1979): “Probability density estimation using delta sequences,” Annals
of Statistics, 7, 2, 328–340.
Wand, M. P. y M. C. Jones (1995): Kernel Smoothing, Chapman and Hall, London.
20
Cuadro 1: Poblacion, produccion, empleo y capital. Valores absolutos y tasas de crecimientoreal anual (1965–97)
Poblacion (N)‡ Produccion (Y)§ Empleo (L)‡ Capital (K)§1965 1997 % 1965 1997 % 1965 1997 % 1965 1997 %
Almerıa 373 504 0.94 104 480 4.76 118 162 0.99 200 1391 6.07Cadiz 842 1106 0.85 308 829 3.10 265 300 0.38 826 2498 3.46Cordoba 771 766 -0.02 254 611 2.74 262 214 -0.63 693 1783 2.95Granada 761 803 0.17 216 551 2.92 251 217 -0.46 538 1946 4.02Huelva 404 453 0.35 133 389 3.35 119 133 0.35 314 1293 4.42Jaen 711 644 -0.31 194 514 3.05 238 172 -1.02 558 1408 2.89Malaga 814 1241 1.32 327 1063 3.68 275 361 0.85 562 3432 5.65Sevilla 1286 1712 0.89 526 1259 2.73 438 452 0.10 1195 3954 3.74Huesca 229 206 -0.33 116 245 2.33 100 78 -0.77 373 944 2.90Teruel 200 137 -1.18 70 160 2.60 82 54 -1.28 223 614 3.17Zaragoza 691 842 0.61 383 1117 3.35 288 324 0.37 867 2730 3.58Asturias 1021 1084 0.19 522 1056 2.20 427 353 -0.59 1407 3375 2.73Balears 481 787 1.54 324 1129 3.90 228 355 1.38 570 3421 5.60Las Palmas 498 844 1.65 220 949 4.57 177 305 1.70 384 2274 5.56S. C. de Tenerife 535 778 1.17 222 850 4.19 191 271 1.10 499 2384 4.89Cantabria 449 527 0.51 237 560 2.68 194 176 -0.30 726 1784 2.81
Avila 231 168 -0.99 63 157 2.87 90 58 -1.37 195 563 3.31Burgos 376 348 -0.24 161 428 3.05 157 133 -0.53 356 1257 3.94Leon 579 510 -0.39 228 473 2.28 240 170 -1.07 584 1745 3.42Palencia 221 179 -0.65 89 198 2.49 86 62 -1.02 260 608 2.65Salamanca 400 351 -0.41 155 369 2.71 146 116 -0.74 475 1122 2.69Segovia 183 147 -0.68 68 155 2.56 69 57 -0.61 191 525 3.16Soria 136 92 -1.21 47 105 2.53 50 36 -1.03 144 367 2.93Valladolid 387 493 0.75 188 569 3.47 145 175 0.58 399 1460 4.05Zamora 285 206 -1.01 95 180 2.01 112 64 -1.74 272 625 2.60Albacete 359 359 0.00 106 301 3.28 124 108 -0.42 265 939 3.95Ciudad Real 554 478 -0.46 176 427 2.77 184 144 -0.77 501 1421 3.26Cuenca 292 200 -1.18 80 172 2.40 98 65 -1.29 265 679 2.94Guadalajara 171 159 -0.22 64 203 3.59 67 57 -0.50 152 815 5.24Toledo 507 520 0.08 154 490 3.62 173 169 -0.07 327 1591 4.94Barcelona 3282 4663 1.10 2442 6742 3.17 1423 1755 0.65 4537 16509 4.04Girona 378 539 1.11 254 878 3.88 189 249 0.86 500 2472 5.00Lleida 340 358 0.16 180 462 2.95 146 142 -0.09 420 1361 3.68Tarragona 394 582 1.22 224 825 4.07 176 207 0.51 420 2890 6.03Alicante 804 1388 1.71 396 1453 4.06 307 447 1.17 824 4860 5.54Castellon 362 459 0.74 174 632 4.03 170 185 0.26 375 1951 5.16Valencia 1580 2168 0.99 861 2616 3.47 661 787 0.54 1791 7198 4.35Badajoz 780 663 -0.51 203 452 2.50 249 191 -0.83 501 1448 3.32Caceres 515 407 -0.74 137 371 3.12 179 126 -1.10 387 1300 3.79A Coruna 1034 1110 0.22 376 1115 3.40 412 395 -0.14 828 2983 4.00Lugo 460 367 -0.70 137 315 2.61 203 155 -0.85 340 1025 3.45Ourense 463 345 -0.92 129 295 2.59 201 131 -1.33 396 1013 2.93Pontevedra 745 908 0.62 289 871 3.45 333 322 -0.11 589 2322 4.29Madrid 3013 5074 1.63 2484 7672 3.52 1262 2069 1.55 3803 18451 4.94Murcia 816 1110 0.96 326 1069 3.72 289 365 0.73 814 3278 4.35Navarra 433 528 0.62 240 756 3.59 183 209 0.42 569 2067 4.03
Alava 160 284 1.79 117 441 4.15 76 116 1.32 230 1169 5.08Guipuzcoa 537 676 0.72 405 837 2.27 235 237 0.03 1035 2444 2.68Vizcaya 871 1137 0.83 640 1456 2.57 377 369 -0.07 1584 3867 2.79La Rioja 233 264 0.39 124 392 3.60 104 108 0.12 227 975 4.55
Media 639 793 319 913 251 278 690 2571Desv.tıpica log (σ) 0.29 0.36 0.35 0.38 0.29 0.37 0.32 0.34‡En miles.§En miles de millones de pesetas constantes de 1986.
21
Cuad
ro2:
Y/N
,Y
/L,K
/L,P
TF.V
alor
esab
solu
tos
yta
sas
decr
ecim
ient
ore
alan
ual(1
965–
97)
Y/N
Y/L
K/L
PTF
1965
1997
%1965
1997
%1965
1997
%1965
1997
%Alm
erıa
0.28
0.95
3.83
0.89
2.97
3.77
1.70
8.60
5.07
184.07
419.61
2.57
Cadiz
0.37
0.75
2.24
1.16
2.77
2.71
3.12
8.34
3.07
198.95
384.23
2.06
Cord
oba
0.33
0.80
2.76
0.97
2.85
3.37
2.65
8.33
3.58
184.29
410.77
2.50
Gra
nada
0.28
0.69
2.76
0.86
2.54
3.38
2.15
8.98
4.47
172.61
359.86
2.30
Huelva
0.33
0.86
3.00
1.12
2.92
3.00
2.64
9.72
4.07
200.51
392.23
2.10
Jaen
0.27
0.80
3.36
0.82
2.99
4.06
2.35
8.20
3.91
163.01
426.20
3.00
Malaga
0.40
0.86
2.36
1.19
2.94
2.83
2.04
9.50
4.80
234.14
415.51
1.79
Sevilla
0.41
0.74
1.83
1.20
2.78
2.63
2.73
8.74
3.64
228.93
383.14
1.61
Huesca
0.51
1.19
2.66
1.16
3.14
3.10
3.74
12.09
3.67
189.44
408.46
2.40
Teru
el
0.35
1.17
3.78
0.85
2.95
3.89
2.72
11.33
4.45
157.14
370.23
2.68
Zara
goza
0.55
1.33
2.73
1.33
3.44
2.97
3.01
8.42
3.21
230.02
470.18
2.23
Asturias
0.51
0.97
2.01
1.22
2.99
2.79
3.30
9.56
3.33
209.66
402.76
2.04
Balears
0.67
1.43
2.36
1.42
3.18
2.52
2.50
9.64
4.22
258.53
435.92
1.63
LasPalm
as
0.44
1.13
2.93
1.24
3.11
2.87
2.17
7.44
3.85
230.46
427.76
1.93
S.C.deTenerife
0.41
1.09
3.03
1.16
3.13
3.10
2.61
8.78
3.79
211.30
423.02
2.17
Canta
bria
0.53
1.06
2.18
1.23
3.18
2.98
3.75
10.14
3.11
196.99
422.00
2.38
Avila
0.27
0.93
3.86
0.70
2.71
4.24
2.17
9.72
4.68
136.01
388.46
3.28
Burg
os
0.43
1.23
3.29
1.02
3.23
3.58
2.26
9.46
4.47
186.84
427.40
2.59
Leon
0.39
0.93
2.68
0.95
2.78
3.36
2.43
10.26
4.50
175.13
359.57
2.25
Palencia
0.41
1.11
3.14
1.04
3.18
3.51
3.02
9.76
3.67
176.22
423.70
2.74
Salamanca
0.39
1.05
3.12
1.06
3.19
3.45
3.25
9.71
3.42
176.48
441.67
2.87
Segovia
0.37
1.05
3.24
0.99
2.73
3.16
2.77
9.25
3.77
177.62
383.91
2.41
Soria
0.34
1.14
3.74
0.94
2.92
3.56
2.88
10.24
3.96
164.17
408.74
2.85
Valladolid
0.48
1.16
2.72
1.29
3.26
2.89
2.75
8.37
3.47
218.70
452.26
2.27
Zamora
0.33
0.87
3.02
0.84
2.79
3.75
2.42
9.70
4.34
152.93
383.65
2.87
Albacete
0.29
0.84
3.28
0.85
2.78
3.69
2.14
8.66
4.37
172.50
393.08
2.57
CiudadReal
0.32
0.89
3.23
0.96
2.97
3.54
2.72
9.87
4.03
184.69
390.73
2.34
Cuenca
0.27
0.86
3.58
0.81
2.65
3.69
2.71
10.50
4.23
157.05
353.75
2.54
Guadalajara
0.38
1.28
3.81
0.96
3.56
4.09
2.28
14.31
5.74
171.17
439.21
2.94
Toledo
0.30
0.94
3.54
0.89
2.90
3.68
1.89
9.41
5.01
170.38
395.81
2.63
Barcelona
0.74
1.45
2.08
1.72
3.84
2.52
3.19
9.41
3.38
306.32
517.98
1.64
Girona
0.67
1.63
2.77
1.34
3.52
3.02
2.64
9.92
4.14
238.22
493.57
2.28
Lleida
0.53
1.29
2.79
1.23
3.26
3.04
2.88
9.61
3.77
213.64
440.74
2.26
Tarragona
0.57
1.42
2.85
1.27
3.98
3.56
2.39
13.94
5.52
237.82
483.03
2.21
Alicante
0.49
1.05
2.35
1.29
3.25
2.89
2.68
10.87
4.37
256.37
466.94
1.87
Castellon
0.48
1.38
3.29
1.02
3.41
3.77
2.20
10.54
4.90
202.74
447.93
2.48
Valencia
0.55
1.21
2.48
1.30
3.33
2.93
2.71
9.15
3.80
250.20
456.73
1.88
Badajoz
0.26
0.68
3.01
0.82
2.37
3.33
2.01
7.58
4.15
158.36
326.02
2.26
Caceres
0.27
0.91
3.86
0.76
2.94
4.22
2.16
10.32
4.89
151.00
382.71
2.91
ACoru
na
0.36
1.00
3.18
0.91
2.83
3.54
2.01
7.56
4.14
170.90
400.77
2.66
Lugo
0.30
0.86
3.31
0.67
2.03
3.46
1.67
6.62
4.30
131.07
289.31
2.47
Ourense
0.28
0.86
3.52
0.64
2.25
3.92
1.97
7.73
4.27
122.50
313.71
2.94
Pontevedra
0.39
0.96
2.83
0.87
2.71
3.56
1.77
7.22
4.40
172.02
384.26
2.51
Madrid
0.82
1.51
1.89
1.97
3.71
1.98
3.01
8.92
3.39
350.62
528.40
1.28
Murcia
0.40
0.96
2.76
1.13
2.93
2.98
2.82
8.99
3.62
204.39
398.34
2.09
Navarra
0.55
1.43
2.97
1.31
3.63
3.17
3.12
9.91
3.61
224.23
477.13
2.36
Alava
0.73
1.55
2.36
1.54
3.81
2.83
3.03
10.10
3.77
256.47
487.59
2.01
Guipuzcoa
0.75
1.24
1.55
1.73
3.53
2.24
4.41
10.31
2.66
268.49
460.25
1.68
Vizcaya
0.73
1.28
1.74
1.70
3.95
2.64
4.20
10.49
2.86
273.21
503.88
1.91
LaRioja
0.53
1.48
3.20
1.19
3.62
3.48
2.18
9.01
4.43
218.56
500.29
2.59
Media
0.44
1.08
1.11
3.09
2.64
9.50
201.54
419.07
Desv
.tıpicalog(σ
)0.14
0.10
0.11
0.06
0.09
0.06
0.09
0.05
β-converg
encia
0.013
0.017
0.023
0.016
(p-value)
(0.00)
(0.00)
(0.00)
(0.00)
R2
0.521
0.740
0.587
0.719
22
Cuadro 3: Y/N normalizada, matrices de transicion simples y ponderadas, total (transicionesbienales, 1965–1997)
a) Simple
Lımite superior:(Numero) 0.704 0.810 0.978 1.098 ∞(158) 0.91 0.09 0.00 0.00 0.00(149) 0.03 0.85 0.13 0.00 0.00(144) 0.00 0.07 0.82 0.11 0.00(154) 0.00 0.00 0.08 0.86 0.06(145) 0.00 0.00 0.00 0.05 0.95
Distribucion ergodica 0.03 0.12 0.22 0.29 0.35
b) Ponderada
Lımite superior:(Probabilidad) 0.704 0.810 0.978 1.098 ∞
(0.15) 0.93 0.07 0.00 0.00 0.00(0.15) 0.05 0.85 0.11 0.00 0.00(0.16) 0.00 0.07 0.86 0.08 0.00(0.19) 0.00 0.00 0.07 0.88 0.04(0.35) 0.00 0.00 0.00 0.03 0.97
Distribucion ergodica 0.08 0.13 0.21 0.22 0.37
Cuadro 4: Y/L normalizada, matrices de transicion simples y ponderadas, total (transicionesbienales, 1965–1997)
a) Simple
Lımite superior:(Numero) 0.757 0.870 0.959 1.038 ∞(164) 0.88 0.12 0.00 0.00 0.00(145) 0.03 0.88 0.10 0.00 0.00(142) 0.00 0.04 0.81 0.15 0.00(153) 0.00 0.00 0.12 0.76 0.11(146) 0.00 0.00 0.00 0.09 0.91
Distribucion ergodica 0.02 0.09 0.23 0.29 0.37
b) Ponderada
Lımite superior:(Probabilidad) 0.757 0.870 0.959 1.038 ∞
(0.15) 0.90 0.10 0.00 0.00 0.00(0.11) 0.02 0.91 0.07 0.00 0.00(0.16) 0.00 0.04 0.85 0.11 0.00(0.21) 0.00 0.00 0.09 0.83 0.08(0.38) 0.00 0.00 0.00 0.04 0.96
Distribucion ergodica 0.02 0.10 0.19 0.23 0.47
23
Cuadro 5: K/L normalizada, matrices de transicion simples y ponderadas, total (transicionesbienales, 1965–1997)
a) Simple
Lımite superior:(Numero) 0.818 0.946 1.024 1.114 ∞(162) 0.90 0.10 0.00 0.00 0.00(152) 0.03 0.81 0.15 0.01 0.00(147) 0.00 0.10 0.69 0.20 0.01(138) 0.00 0.00 0.16 0.72 0.12(151) 0.00 0.00 0.00 0.11 0.89
Distribucion ergodica 0.05 0.14 0.22 0.29 0.31
b) Ponderada
Lımite superior:(Probabilidad) 0.818 0.946 1.024 1.114 ∞
(0.18) 0.92 0.08 0.00 0.00 0.00(0.16) 0.03 0.84 0.12 0.01 0.00(0.23) 0.00 0.07 0.82 0.10 0.00(0.18) 0.00 0.00 0.20 0.69 0.11(0.26) 0.00 0.00 0.00 0.12 0.88
Distribucion ergodica 0.08 0.20 0.35 0.19 0.18
Cuadro 6: PTF normalizada, matrices de transicion simples y ponderadas, total (transicionesbienales, 1965–1997)
a) Simple
Lımite superior:(Numero) 0.764 0.858 0.939 1.033 ∞(164) 0.85 0.15 0.00 0.00 0.00(151) 0.05 0.77 0.17 0.01 0.00(138) 0.00 0.07 0.79 0.14 0.00(148) 0.00 0.01 0.10 0.76 0.14(149) 0.00 0.00 0.00 0.11 0.89
Distribucion ergodica 0.04 0.11 0.22 0.29 0.34
b) Ponderada
Lımite superior:(Probabilidad) 0.764 0.858 0.939 1.033 ∞
(0.12) 0.87 0.13 0.00 0.00 0.00(0.12) 0.04 0.79 0.17 0.01 0.00(0.14) 0.00 0.07 0.80 0.13 0.00(0.18) 0.00 0.01 0.09 0.77 0.13(0.44) 0.00 0.00 0.00 0.05 0.95
Distribucion ergodica 0.02 0.07 0.16 0.21 0.54
24
Grafico 1: σ-convergencia, 1965–97
0.06
0.08
0.1
0.12
0.14
1965 1970 1975 1980 1985 1990 1995
Desv.típica log
Y/N Y/L K/L PTF
25
Grafico
2:Box-plots
0.50
0.75
1.00
1.25
1.50
1.75
1965
1979
1997
0,5
2
1,6
5
1,0
6
0,6
6
0,8
0
0,5
6
1,4
3
1,0
6
0,7
4
0,8
8
0,5
9
1,4
1
1,1
0
0,7
6
0,9
1
(a)Produccionporhabitante
0.4
0.6
0.8
1.0
1.2
1.4
1.6
Mad
rid1
,55
1965
1979
1997
0,5
0
1,3
6
1,0
0
0,7
0
0,8
6
0,4
7
1,2
6
1,0
3
0,7
8
0,9
4
Lu
go1
,62
1,2
1
1,0
1
0,6
9
0,9
1
0,8
5
(b)Productividaddeltrabajo
1965
1979
1997
0.36
0.54
0.72
0.90
1.08
1.26
1.44
1.62
Gui
púzc
oa
1,6
1
Viz
cay
a1
,53
0,6
1
1,3
7
1,0
9
0,7
9
0,9
6
0,5
5
1,3
8
1,0
9
0,8
5
0,9
7
Lu
go0
,48
0,7
2
1,3
1
1,1
0
0,9
4
1,0
3
Gu
adal
ajar
a1
,55
Tar
rag
ona
1,5
1
(c)Relacioncapital/trabajo
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1965
1979
1997
0,5
3
1,3
2
1,0
9
0,7
4
0,8
3
Mad
rid1
,51
0,5
2
1,2
9
1,0
1
0,7
8
0,9
1
0,6
4
1,1
7
1,0
0
0,8
5
0,9
3
1,
38
(d)PTF
26
Grafico 3: Evolucion de la densidad normalizada, Y/N, total
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(a) Simple
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(b) Ponderada
27
Grafico 4: Evolucion de la densidad normalizada, Y/L, total
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(a) Simple
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(b) Ponderada
28
Grafico 5: Evolucion de la densidad normalizada, K/L, total
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(a) Simple
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(b) Ponderada
29
Grafico 6: Evolucion de la densidad normalizada, PTF, total
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(a) Simple
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1965
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1979
0
0.5
1
1.5
2
2.5
3
3.5
4
0 0.5 1 1.5 2
1997
(b) Ponderada
30
Recommended