Embed Size (px)
Citation preview
Crédito y multiplicadores locales de empleo en la España del euro*
Joanna María Bashford Fernández Oviedo Efficiency Group
Manuel Hernández Muñiz Departamento de Economía Aplicada
Universidad de Oviedo [email protected]
Área Temática: 7. Mercado de trabajo y territorio Resumen
Este trabajo explora un nuevo camino para cuantificar el efecto del crédito en el crecimiento del empleo regional. Partiendo del debate abierto por Sinai y Stokes (1972) sobre la importancia del crédito en la producción de las empresas, trasladamos el estudio al marco propuesto por Moretti (2010) y Faggio y Overman (2014) para estimar el impacto de la disponibilidad del crédito sobre las actividades no básicas regionales. Estas últimas comprenden aquellos empleos dedicados a la producción de servicios y bienes locales que conllevan algún grado de proximidad física, como por ejemplo las actividades industriales ligeras, la venta al por menor, la banca comercial, el gobierno local, los colegios públicos, los servicios sanitarios y las actividades de ocio. La distinción entre empleo básico y no básico nos permite arrojar luz sobre las implicaciones del credit crunch experimentado en el periodo 2008-2013 sobre la asignación del trabajo y la especialización económica a una escala territorial. La metodología propuesta comprende un periodo fundamental de España dentro de la Comunidad Europea, hasta el año 2013. Estimamos un modelo con datos de panel que incorpora la información disponible sobre la evolución del crédito en las provincias en el periodo 1995-2013. Palabras claves: crédito, credit crunch, integración financiera, especialización económica, actividades básicas y no básicas, provincias españolas, modelos de panel. Clasificación JEL: E510, G01, R11, R12. (*) Una versión preliminar de este trabajo fue presentada en la 13th International Conference Developments in Economic Theory and Policy, organizada por el Departamento de Economía Aplicada V de la Universidad del País Vasco y el Cambridge Centre for Economic and Public Policy, Department of Land Economy, de la Universidad de of Cambridge (Bilbao, 23 y 24 de junio de 2016).
1
1. Introducción
El estudio de los efectos reales de la política monetaria sobre el sistema económico
continúa siendo un notable rompecabezas de la ciencia económica. La literatura es,
sencillamente, inabarcable y se complica aún más cuando se toma en consideración los
efectos locales, espaciales, de dicha política (Martin, 2009). Sin embargo, el examen y
la comprensión empírica de los efectos de la política monetaria a una escala territorial
suficientemente fina (Nuts 3) permanece como una laguna en la literatura empírica y
teórica. Este trabajo avanza por este cauce poco navegado con el fin de arrojar luz y
ayudar a entender los oscuros meandros por donde circulan los efectos sistémicos de la
política monetaria.
El propósito de este trabajo es doble: por un lado, se indaga la utilidad de un nuevo
enfoque metodológico –que bebe en una línea abierta en los años sesenta y setenta- y
por otro, se examina una experiencia histórica única y sobre la cual existe cierto
consenso académico (Tugores, 2015). Nos referimos a la evolución de la economía
española en la fase previa a la adopción del euro y el auge posterior provocado por unas
condiciones excepcionales de liquidez canalizadas por el sistema financiero de la zona
euro. Haciendo abstracción del caldo de cultivo institucional que propició este exceso,
concentramos la atención en la relación empírica existente entre el crecimiento del
crédito y el desarrollo de las actividades no básicas en la economía española.
Partiendo del debate abierto por Sinai y Stokes (1972; 1989) sobre la importancia del
crédito en la producción de las empresas, trasladamos el estudio al marco propuesto por
Moretti (2010) y Faggio y Overman (2014) para estimar el impacto de la disponibilidad
del crédito sobre las actividades no básicas regionales. Estas últimas comprenden
aquellos empleos dedicados a la producción de servicios y bienes locales que
conllevan algún grado de proximidad física en su provisión a los usuarios, como por
ejemplo las actividades industriales ligeras y de la construcción, la venta al por menor,
la banca comercial, el gobierno local, los colegios públicos, los servicios sanitarios y las
actividades de ocio. La distinción entre empleo básico y no básico nos permite
arrojar luz sobre las implicaciones del credit crunch experimentado en el periodo 2008-
2013 sobre la asignación del trabajo y la especialización económica a una escala
territorial.
2
El trabajo se estructura de la siguiente forma. En primer término se da cuenta
brevemente de los orígenes del modelo base exportación y se relaciona este modelo con
la recuperación metodológica realizada por el trabajo de Enrico Moretti, que ha
brindado una importante expansión de la literatura empírica dedicada a estudiar ciertos
impactos, en forma de multiplicadores locales sobre el empleo. A continuación se
resume la literatura económica que trató el crédito como un factor omitido en la función
de producción de las empresas. Para evitar la fuerte controversia que impone este marco
conceptual, proponemos aquí encajar el estudio de los efectos del crédito sobre la
asignación intersectorial de la mano de obra entre actividades básicas y no básicas, un
enfoque más neutral y en cual es posible encontrar también interesantes referencias
(Gros y Hefeker, 2007; Tugores, 2015). La cuarta sección describe la base de datos y
asienta una estimación del empleo básico y no básico para las provincias españolas,
apoyada en la serie de puestos de trabajo de la Contabilidad Regional de España, base
2000 y en la serie de personas de la base 2010, para el periodo 1995-2013. Esta base de
datos permite formular la estimación de un modelo empírico descrito en la quinta
sección y que aprovecha la rica heterogeneidad de la estructura productiva de las
provincias españolas para observar el impacto del auge y la caída del crédito, un stock,
sobre el empleo no básico de cada provincia. El trabajo concluye con una síntesis final
donde se valoran los resultados obtenidos.
2. Nueva vida para un viejo modelo: el modelo base-exportación
El modelo base exportación tuvo un desarrollo muy importante a mediados del siglo
pasado y sigue siendo recogido con atención en numerosos manuales de economía
regional y urbana.1 La idea de la existencia de una base económica sobre la que se
sostiene el entramado de una región económico de una ciudad o región y su crecimiento
posterior ha tenido y sigue teniendo un atractivo muy poderoso en el mundo de las
ciudades y el estudio de la economía urbana. Sin embargo, desde su formulación más
explícita por North (1955) como descripción del crecimiento a largo plazo de algunas
regiones y estados de EEUU y Canadá que explotaban recursos naturales y atraían mano
de obra y capital móviles, fue objeto inmediato de críticas muy severas no exentas de un
1 Véase Hoover y Giarratani (1984), Armstrong y Taylor (2000) y McCann (2012).
3
cierto fundamento.2 Ello no ha sido óbice para una importante renovación y una
respuesta metodológica más cuidada a muchas de las críticas recibidas.3
El renovado interés por el modelo base exportación procede de la literatura empírica
macroeconómica sobre el tamaño de los multiplicadores, que ha merecido una
importante atención como consecuencia de los efectos devastadores de la crisis
financiera en el empleo de muchas regiones y ciudades. También ha sido decisiva la
preocupación académica acerca del impacto real sobre la actividad económica de las
políticas fiscales contractivas del gasto público, siendo el empleo uno de los
termómetros más claros del efecto a corto plazo de las políticas de ajuste.
Gracias a la original interpretación del concepto de multiplicador ofrecida por el trabajo
de Moretti (2010) se ha podido avanzar en la estimación econométrica de su valor,
abriendo posibilidades nuevas para el estudio de otros impactos o variables.4 Por
ejemplo, para conocer los mecanismos de transmisión del gasto público y cómo se
traducen en una ganancia adicional de empleo permanente, una genuina preocupación
para las autoridades públicas y los ciudadanos (Faggio y Overman, 2014).
De este modo, modelos más afinados econométricamente y la disponibilidad de bases
de datos espaciales más desagregadas, como es el caso de EE UU, han permitido salvar
algunas críticas históricas que habían llevado a descartar, en la vieja literatura regional,
esta aproximación.5 En el siguiente apartado mostramos la interacción del crédito con la
dinámica de crecimiento del empleo no básico.
3. El crédito y la economía real
Dos corrientes principales cabe reconocer en la literatura económica a la hora de
examinar los efectos sobre la actividad económica real del dinero y el crédito. En esta
breve apretada síntesis, deseamos describir las principales ideas contenidas en las
contribuciones de la escuela de la neoclásica, la escuela post-keynesiana (Piégay y
Rochon, 2003) y un breve apunte sobre la perspectiva austriaca, que presta una gran
atención al papel del sistema financiero en la creación del crédito.
2 Para el sector agrario, véase Kilkenny y Partridge (2009). 3 Véase Thulin (2015) para una excelente revisión de la literatura. 4 Véase la cuidadosa réplica y crítica de los resultados de Moretti (2010) realizada por van Dijk (2014 y 2015). 5 Sobre estas limitaciones, véase Richardson (1978), pp. 65-67 y Hoover y Giarratani (1985), cap. 11, pp. 316-320.
4
Cuando aconteció la llegada del euro y tal y cómo se había pronosticado, la eliminación
de la prima de riesgo ligada a la devaluación favoreció una rápida integración de los
mercados financieros, que aumentó el volumen de recursos disponibles y redujo los
costes monetarios de financiación de hogares y empresas. El sistema financiero fue la
pieza clave para la movilización de un volumen muy cuantioso de recursos desde las
economías del Norte hacia las economías del Sur.
Una línea de análisis conocida y polémica se desarrolló a finales de los años sesenta:
diferentes autores examinaron el papel del crédito como un factor de producción más en
el marco neoclásico de la función de producción. Un tratamiento que levantó ampollas y
una considerable literatura empírica y teórica (Stokes, 1972; Fisher, 1974; Apergis,
2010; Betancourt y Robles, 1989; Betancourt y Kiguin, 1995). Desde las trincheras
post-keynesianas, esta senda de investigación y la polémica generada no dejó de
contemplarse con cierto estupor, teniendo en cuenta el escaso aprecio existente por el
concepto de función agregada de producción entre los economistas ligados a la escuela
de Cambridge (Inglaterra).6
En línea con sus raíces, la escuela neo y post-keynesiana ha subrayado el papel no
neutral del dinero y, en concreto, del crédito, sobre la actividad económica real. Buena
parte de la discusión ha girado sobre la idea de la capacidad del sistema bancario para
generar un crédito endógeno y multiplicar así la liquidez, de forma auto-sostenida, en un
mundo donde existe un prestamista de última instancia (Dow, 1996, p. 297), una de las
cuestiones menos claras de la arquitectura institucional y que se puso de manifiesto
cuando la crisis financiera se enquistó en la Eurozona. Esta corriente de literatura está,
en comparación con los derroteros neoclásicos, relativamente ayuna de trabajos
empíricos y se detiene mucho más en los meandros conceptuales y en las disputas con la
escuela neoclásica.7
Sin embargo, las dos escuelas coinciden en una pregunta básica en torno a la cual puede
haber un punto de reunión, un momento baconiano: ¿es el crédito neutral o tiene efectos
reales y estos son mensurables? Este trabajo indaga en esta cuestión tan precisa
brindando una experiencia histórica única y explotando una base de datos poco usada
6 Véase Davidson y Kerry (1979). 7 Véase Dow y Fuentes (1997), que contiene una interesante revisión en el mundo regional.
5
que permite desarrollar una metodología capaz de identificar ese efecto y cuantificarlo
en una etapa concreta.
El caso español ofrece enseñanzas muy valiosas acerca de los mecanismos de
transmisión de la política de un banco central en una unión monetaria y sus potenciales
efectos asimétricos (Baldwin y Wyplosz, 2009, cap. 17, pp. 512-513). Como es sabido,
la adopción del euro significó la renuncia a la política monetaria y a la posibilidad de
condicionar la operación de los mercados de crédito nacionales: aquí comienzan las
diferencias en los mecanismos de transmisión de la política monetaria del Banco Central
Europeo entre los distintos países y regiones de la zona Euro, situados en posiciones
cíclicas diferentes.
El canal del crédito bancario dispersó un poder de compra masivo que se extendió por la
geografía española, gran parte del cual se asignó al sector de la construcción y dio un
impulso al resto de las actividades no básicas –bienes y servicios no comercializables,
que tienden a producirse localmente-. La transferencia de poder de compra masiva elevó
las tasas de rentabilidad a corto plazo de las actividades no básicas, con menoscabo
temporal de las actividades de bienes comercializables interregionalmente.
Un examen prima facie de los datos disponibles para España y sus provincias ponen de
manifiesto la existencia de importantes efectos asimétricos de la política monetaria a
escala nacional y provincial. Estos efectos vienen derivados, en parte, de las diferencias
en la estructura económica y financiera que hacen que la respuesta ante shocks
monetarios no sea homogénea entre las regiones, algo que las cifras de empleo revelan
con gran claridad.
El hecho de que el crecimiento económico sea interrumpido por etapas de recesión ha
sido una constante en la historia económica. De hecho, diversas teorías económicas
estudian los ciclos económicos, entre ellas, la teoría austríaca del ciclo económico,
desarrollada por economistas de la escuela de Viena, como F. A. Hayek y L.V. Mises.
La teoría austriaca del ciclo económico ha subrayado la importancia de la relación entre
el crédito bancario y los errores de inversión masivos que se acumulan en la fase alcista
del ciclo, condicionando así el proceso de crecimiento económico. Según esta escuela es
un error basar el crecimiento en una expansión crediticia no respaldada por ahorro
interno, pues provoca una burbuja que inevitablemente termina explotando y
6
destruyendo el valor creado.8 La hipótesis de mala asignación coincide con la idea de
que puede ocurrir, en un área monetaria integrada, un cortocircuito inesperado y una
revisión de las expectativas cuando los prestamistas reevalúan sus creencias y cortan
súbitamente el flujo de refinanciación de la deuda acumulada por los prestatarios, si se
pone en cuestión su capacidad para devolverla.
El sistema financiero español ha vivido esta situación, desde mediados del año 2010.
Este sistema fue uno de los más beneficiados por la exuberante liquidez existente en los
mercados mayoristas durante la etapa del auge y fue uno de los más afectados por la
crisis financiera internacional, que produjo una súbita revaluación de la capacidad de
crecimiento de las economías más endeudadas y de la capacidad de los agentes privados
para devolver su deuda. La economía española se enfrentó así a un sudden stop que
comprometió, al mismo tiempo, la capacidad del Estado para financiar su propio déficit,
poniendo en cuestión el lado financiero de la economía la función estabilización de los
estados en una recesión.9
Como se puede comprobar, posiblemente las diferencias entre escuelas tienden a
exagerarse en exceso y existe un mayor grado de coincidencia entre ellas a la hora de
comprender el circuito del crédito y del dinero. Si aceptamos las profundas intuiciones
subyacentes en las explicaciones austriacas y keynesianas del papel del crédito, vamos a
examinar a continuación cómo y dónde aconteció la expansión crediticia que posibilitó
el crecimiento económico de la economía española durante la década siguiente a la
integración en la UME, en la fase alcista. A continuación mostraremos cómo el estallido
de la burbuja inmobiliaria arruinó muchos de los ‘avances’ logrados en el periodo 2002-
2008, al derrumbarse como un castillo de naipes, tal y como señalaba Huerta de Soto.
Los años siguientes a 2008 asientan las bases para una década perdida.
Para conocer la relación entre crédito y actividad económica se propone aquí retomar la
literatura que originalmente estudiaba la omisión del dinero como input en la función de
producción, trasladando el marco de la identificación a la literatura regional ligada con
el modelo base exportación. Nos mantenemos así agnósticos en relación con las críticas
que rechazan al crédito como factor explícito en una función de producción –un input 8 Como señala Huerta de Soto (1998, pp. 340-341): “[…] una vez que los bancos han emprendido una política de expansión crediticia, o se ha incrementado la oferta monetaria en forma de concesión de nuevos créditos sin respaldo de nuevo ahorro voluntario, espontáneamente se desencadenan unos procesos que hacen que, tarde o temprano, surja la crisis y la recesión. Las crisis económicas no se pueden evitar si previamente se produce una expansión crediticia”. 9 Wolf (2014) contiene una excelente narración de lo acontecido en la eurozona, en aquellos años.
7
que presenta además una alta correlación con el stock de capital productivo, lo que
sugiere problemas de doble contabilización-. Esto nos brindará una oportunidad de
imbricar con más precisión el papel del sistema financiero local en relación con la
actividad económica y avanzar en una mejor comprensión de los arcanos subyacentes en
la relación empírica existente entre crédito y actividad económica.
4. Una serie homogénea de empleo no básico para las provincias españolas
La estrategia de identificación de los multiplicadores locales de empleo exige contar con
una serie temporal amplia del empleo básico y no básico en las provincias españolas.
Para ello utilizaremos los datos de la Contabilidad Regional de España elaborada por el
Instituto Nacional de Estadística, que ofrece toda una serie de datos idónea para
desarrollar un modelo empírico capaz de contrastar las teorías que buscan en el crédito
una explicación al desarrollo de la actividad económica.
El empleo nacional total (N) puede dividirse en: T NTN N N= + (1)
Para cada sector s, el empleo total se puede descomponer en básico y no básico:10 T NT
s s sN N N= + (2)
Con el fin de separar el empleo básico y no básico se propone utilizar aquí la
información revelada por el cociente de localización del empleo:
sp
ssp
p
nN
LQ = n
N
(3)
donde spLQ es un número no negativo calculado con la siguiente información por
provincias: spn denota el empleo en el sector s en la provincia p, sN es el total del empleo
para la economía española en el sector s, pn es el empleo total en la provincia p y N
denota el empleo total para la economía española. La variable utilizada son los puestos
de trabajo observados por la Contabilidad Regional de España, base 2000 (años 1995 a
1999) y la serie homogénea de la base 2010, medidos en personas.
10 En la Contabilidad Regional de España del Instituto Nacional de Estadística, base 2000, s denota a los siguientes sectores: agricultura, energía, industria, construcción, servicios de mercado, servicios de no mercado. En la Contabilidad Regional de España del Instituto Nacional de Estadística, base 2010, se amplía el número de ramas del sector servicios a tres.
8
Cuando el cociente toma un valor mayor que la unidad (si spLQ >1), se puede estimar el
empleo básico del sector s en la provincia p de acuerdo con la expresión: 11
[( / ) ( / )] Tsp sp s p sn n N n N N= − ∗ (4)
y determinar el empleo no básico con la diferencia complementaria:
= NT Tsp sp spn n n− (5)
La expresión (4) mide el empleo básico como un “exceso” de actividad por la presencia
de un sector s en comparación con la distribución del empleo provincial. Si se supone
una identidad de preferencias en el consumo y que el consumo local de los bienes es
proporcional a la distribución del empleo, el empleo básico Tspn se estima a partir de la
distancia existente entre esas distribuciones del empleo:
( ) ( ) *Tsp sp s p sn n N n N N = −
Fuente: elaboración propia basada en T. Chapin (2004) y Bashford (2014). Para poder contar con este periodo temporal se ha realizado un enlace entre las dos
bases de la Contabilidad Regional de España disponibles, con el fin de expresar el
empleo de cada provincia en términos de personas. Para ello se han utilizado los niveles
de empleo, en personas, procedentes de la Contabilidad Nacional de España, base 2010,
para el periodo 1995-1999, que han sido repartidos entre las provincias teniendo en
cuenta el peso de la relación puesto de trabajos/personas en cada rama de actividad. Las
participaciones de cada provincia en el empleo total (puestos de trabajo, medidos por la
Contabilidad Regional de España, base 2000) fueron aplicadas a la serie de personas de
cada sector para obtener el empleo medido en personas, en el periodo 1995-1999.
Los resultados aparecen los cuadros A1 (empleo total), A2 (empleo básico) y A3
(empleo no básico) del anexo.
11 Véase Isserman (1977 y McCann (2012), pp. 160-161 y 164-165; también en el anexo, pp. 184-187.
Producción Consumo
9
5. El impacto del crédito sobre las actividades no básicas 5.1. El modelo empírico ¿Qué efecto tiene el crédito sobre las pautas de especialización del empleo? Para
responder a este interrogante proponemos una especificación donde hacemos depender
el nivel de empleo no básico de cada provincia de un conjunto de variables: el empleo
básico, el crédito por provincias –en niveles-, la evolución de la ratio de trabajadores
seniors frente a jóvenes (Gómez y Hernández de Cos, 2008),12 junto con otras variables
de control, denotadas por el vector Z. La ecuación base estimada incluye, además de los
efectos fijos ( pµ ), un efecto que varía en el tiempo y que es constante para cada
provincia ( tω ):
(Cred) ( / )NT Tpt pt pt pt pt p t ptn n seniors jovenes Zα β λ θ γ µ ω ε= + + + + + + + (base)
Tal y como se explicaba en el apartado 2, el signo esperado para λ , el coeficiente de la
variable que mide el crédito, es positivo.
La estrategia de identificación del efecto del empleo básico sobre el empleo no básico es
muy importante y es objeto de una amplia discusión en la literatura.13 Dadas las
características de la estructura económica de las provincias españolas, con un peso
importante en algunas provincias de la especialización agraria o de las actividades
turísticas, dichas interacciones son relevantes para elegir una estructura de datos de
panel. El mercado laboral de una provincia puede sufrir una perturbación exógena no
observable para el investigador, que reduzca la producción y el empleo básico y no
básico simultáneamente. Imaginemos, por ejemplo, una bajada de temperatura que
afecta a los viñedos de La Rioja, una sequía que afecta solamente a Jaén y que reduce la
cosecha de aceitunas –una actividad intensiva en trabajo- o una temporada de lluvias
inesperada llegada con el otoño a Alicante; recíprocamente, que actos terroristas fuera
del país desvíen viajeros hacia las zonas turísticas de la costa española. Estos hechos
12 La ratio de madurez del mercado de trabajo, una suerte de indicador de relevo generacional, viene dado por el cociente de las cohortes con experiencia (trabajadores senior) sobre las cohortes de mano de obra de jóvenes (en un sentido amplio). Para favorecer la comparabilidad con el artículo citado, se incluye la cohorte de población de 15 años:
54
3534
15
(seniors/jóvenes)pt
pt
pt
pob
pob=∑
∑
13 Bashford (2014) aproxima el efecto a largo plazo del empleo básico en el empleo no básico mediante variables instrumentales.
10
locales que no podemos conocer o aislar en el panel con suficiente precisión suponen
una ignorancia del investigador que puede ser considerada como una variable omitida,
que actúa en el modelo como un error de especificación.
La omisión de estas variables quedará incluida en la perturbación aleatoria estará
indudablemente correlacionada con el empleo básico Tptn , un hecho que producirá la
correlación entre la perturbación y los regresores, creando un sesgo en la estimación de
dichos coeficientes. Una estimación mediante datos de panel puede ayudar a paliar este
problema y controlar ese sesgo; usaremos el contraste de especificación de Hausman
(Baltagi, 2013, pp. 76-80) para escoger el modelo más adecuado e interpretar los
resultados que mejor describen la información disponible para el caso español.
5.2. Las series y el orden de integración de las variables
Una vez descrita la base de datos y el modelo que queremos emplear, un paso
importante a dar dentro de la modelización econométrica es estudiar el orden de
integración de las variables. Este análisis es indispensable por cuanto va a determinar
las técnicas econométricas que debemos utilizar. Así, si demostramos que las variables
incluidas en nuestro estudio no presentan una raíz unitaria, entonces podríamos emplear
técnicas de estimación tradicionales sugeridas en el apartado anterior.
Por contra, la presencia de raíces unitarias en las variables sometidas a estudio obliga a
la aplicación de técnicas relacionadas con el análisis de cointegración. En primer lugar
vamos a presentar una breve inspección de las series usadas y a continuación los
resultados de la aplicación de algunos tests estadísticos apropiados para determinar las
propiedades temporales de las variables incluidas en la base de datos aquí usada.
El gráfico 1 muestra la evolución de los datos agregados de la economía española para
el empleo básico y no básico estimado con las ecuaciones (4) y (5) presentadas en el
apartado anterior. Como se puede observar, la serie agregada del empleo no básico
presenta una tendencia notable al crecimiento hasta el año 2008 y después acusa una
caída, con motivo de la crisis, hasta el año 2013. En cambio, la evolución del empleo
básico no presenta una tendencia tan clara al crecimiento, interrumpida en el año 2009.
Sin embargo, la estructura de datos de panel contiene una rica información para
cincuenta y dos series de empleo básico y no básico correspondiente a otras tantas
provincias. De igual forma, el análisis debe extenderse a las variables de control
incluidas en la especificación escogida para el modelo (sección 5.1).
11
Gráfico 1. Empleo básico y no básico en la economía española, 1995-2013 (personas)
0
5,000
10,000
15,000
20,000
25,000
Mile
s de
pe
rson
as
19951996
19971998
19992000
20012002
20032004
20052006
20072008
20092010
20112012 (P)
2013 (P)
Básico No Básico
Fuente: elaboración propia con los datos de la Contabilidad Regional de España, base 2000, serie homogénea y 2010, serie homogénea, Instituto Nacional de Estadística.
Los gráficos 2 y 3 presentan la evolución del empleo básico para siete provincias
españolas con distintas orientaciones productivas: industriales y eminentemente
exportadoras, o de base agrícola y orientadas a la producción de servicios (Almería y
Murcia), a modo de ilustración para quienes no conozcan la estructura productiva de la
economía española.
Como se puede observar, las series describen una evolución muy diferente, reflejando la
heterogeneidad productiva regional. Algunas crecen claramente mientras que otras
declinan (Asturias), para luego estabilizarse en torno a un valor al final del periodo.
Precisamente esta es la disyuntiva que han de resolver los estadísticos que analizan la
presencia de raíces unitarias en el estudio individual de cada una de las series. Dada la
escasa longitud temporal parece adecuado emplear estadísticos basados en el empleo de
técnicas de paneles de datos, lo que aprovecha al máximo toda la información
disponible en la muestra (Choi, 2015, p. 191).
12
Gráfico 2. Empleo básico en la economía española, 1995-2013 (personas), selección de provincias
10
20
30
40
50
60
Mile
s de
per
son
as
19951996
19971998
19992000
20012002
20032004
20052006
20072008
20092010
20112012 (P)
2013 (P)
Zaragoza Navarra Guipúzcoa Vizcaya
Fuente: elaboración propia con los datos de la Contabilidad Regional de España, base 2000, serie homogénea y 2010, serie homogénea, Instituto Nacional de Estadística. Gráfico 3. Empleo básico en la economía española, 1995-2013 (personas), selección
de provincias
0
10
20
30
40
50
60
Mile
s de
per
son
as
19951996
19971998
19992000
20012002
20032004
20052006
20072008
20092010
20112012 (P)
2013 (P)
Almeria Asturias Murcia
Fuente: elaboración propia con los datos de la Contabilidad Regional de España, base 2000, serie homogénea y 2010, serie homogénea, Instituto Nacional de Estadística.
13
La literatura sobre el contraste de raíces unitarias en estructuras de datos de panel
conoció un rápido auge a comienzos de los años noventa y ahora se encuentra bastante
estabilizada, sin alcanzar un grado desarrollo equivalente al logrado en el ámbito de las
series temporales (Choi, 2015, pp. 191-192). Dado el carácter exploratorio de este
trabajo, aquí se han aplicado los tests conocidos como de primera generación, que se
enuncian bajo la hipótesis de independencia entre las secciones de corte transversal (es
decir, ausencia de correlación entre las secciones cruzadas).14
A continuación se indican los principales resultados obtenidos, dependiendo de la
especificación de los tests usados (constante, constante con tendencia, sin constante):
- el test Levin, Lee y Chu (LLC en adelante) rechaza la hipótesis nula de la existencia
de una raíz unitaria común en todas las secciones cruzadas, para las series de
Empleo básico, Empleo no básico, Crédito, Densidad de población y GAP.15 La
única excepción es la serie con la ratio Ratio Seniors/Jóvenes, para la cual se aporta
evidencia de la existencia de una raíz unitaria. Este test es recomendado, por el
proceso de inferencia asintótica, cuando el tamaño relativo de N a T es pequeño
(Baltagi, 2013, p. 279-280) y en comparaciones con el test de Breitung se reconoce
que en situaciones con raíces próximas a la unidad, el test LLC carece de suficiente
potencia para discriminar;
- el test de Breitung contiene al menos una especificación que rechaza la existencia de
una raíz unitaria común en todas las series (Empleo básico, Empleo no básico,
Crédito, Ratio Seniors/Jóvenes, Densidad de población y GAP). Este test es
recomendado para pequeños conjuntos de datos (N = 25 y T = 25) ya que la
potencia del contraste se deteriora cuando T es fijo y N aumenta (manual de Stata
13). Por otro lado, este test se computa sin la necesidad de incluir la corrección del
sesgo de Nickel necesaria en el procedimiento de obtención del test LLC;16
14 Se trata de un supuesto restrictivo pero que puede aceptarse provisionalmente al nivel de desagregación que operamos y si tenemos la inclusión del empleo básico como variable explicativa del modelo. El crédito opera como un shock común a todas las regiones, que será asimilado bottom up en función de las características productivas de cada territorio. 15 Esta variable es un cociente de localización que mide la evolución relativa de la brecha existente entre los créditos y los depósitos de los otros sectores residentes, para cada provincia, en relación con la misma brecha en el conjunto de la economía española. Las variables monetarias estaban expresadas en euros constantes del año 2010, usando el deflactor implícito en el VAB de la CRE base 2010, para cada comunidad autónoma. Los deflactores del año 2000 se extrapolaron hasta 1995 usando la tasa de variación del deflactor equivalente obtenido para comunidad en la CRE base 2000. Sobre la evolución de esta variable, véase Fuentes Egusquiza (2008). 16 Se toman en consideración aquí los resultados obtenidos con la versión Eviews 5 del test de Breitung. Los
14
- El test de Im, Pesaran y Shin (IPS) aporta evidencia clara a favor de la existencia de
un proceso estacionario para las series de Empleo básico, Empleo no básico, Crédito
y Densidad de población. Para las series Ratio Seniors/Jóvenes y GAP no se puede
rechazar la hipótesis nula de la existencia de una raíz unitaria común;
- El test ADF-Fisher (ADF-Fisher Chi-square y ADF-Choi Z-stat) rechaza la hipótesis
nula de la existencia de una raíz unitaria individual en las secciones cruzadas, para
las series de Empleo básico, Empleo no básico, Crédito y Densidad de población.
Los resultados aparecen mezclados en la serie con la ratio Ratio Seniors/Jóvenes (el
test ADF-Fisher Chi-square señala un proceso estacionario al nivel del 5%, cuando
se especifica una tendencia lineal, mientras que ADF-Choi Z-stat, en la misma
especificación, no rechaza la existencia de raíces individuales). La misma
indefinición aparece para la serie GAP, donde se aporta evidencia de raíces unitarias
individuales en el panel;
- El test de Phillips-Perron-Fisher es el que contradice con más fuerza los resultados
precedentes. Descarta únicamente la presencia de una raíz unitaria individual en la
serie de Empleo básico (con constante y con tendencia lineal) y aporta evidencia a
favor de su presencia en las series de Empleo no básico, Crédito, la ratio
Seniors/jóvenes, densidad de población y GAP;
- Finalmente, el test de Hadri contrasta la existencia de raíz unitaria común en el
panel. La hipótesis nula supone la existencia de un proceso estacionario y la
alternativa la presencia de la raíz. De acuerdo con los resultados recogidos en el
cuadro A4, se rechaza dicha hipótesis y se reconoce la existencia de una raíz unitaria
para todas las series consideradas.
El examen realizado hasta aquí no es muy concluyente y los resultados aparecen
mezclados. El criterio de decisión usado en este trabajo es el siguiente, bajo un enfoque
de prudencia:
(a) Al menos un test, en una determinada especificación, reconoce la posibilidad de que
la serie sea estacionaria; esto habilita para la aplicación de las técnicas convencionales
de datos de panel. Como hemos visto, tres de las series más importantes de la
especificación propuesta parecen no contener una raíz unitaria (empleo básico, empleo
no básico y crédito), de acuerdo con los resultados obtenidos por los tests LLC,
resultados de este test difieren totalmente en las versiones Eviews 7 y Eviews 8, lo que sugiere la existencia de un cambio importante en la forma de computación del test.
15
Breitung (Eviews 5), IPS y ADF-Fisher. Cabe postular así que la mayor parte de las
series individuales contenidas en la base de datos usada son estacionarias o estacionarias
alrededor de una tendencia y que podemos aprovechar su rica heterogeneidad para
capturar el efecto del crédito sobre el empleo no básico, cuando se controla también por
la información del empleo básico y de otras variables. Por tanto, podemos aplicar las
técnicas convencionales de estimación para el panel formado por las cincuenta y dos
provincias españolas en el periodo comprendido entre los años 1995-2013.17
Finalmente, se procederá a comprobar que los residuos de la regresión están libres de
una raíz unitaria.18
(b) Al menos un test y en al menos una especificación apuntan en la dirección de la
existencia de una raíz unitaria en alguna de las series consideradas para el modelo
empírico, lo que puede comprometer los resultados. Este es el caso concreto del test de
Hadri, que rechaza la estacionariedad de todas las series consideradas para estimar el
modelo de la sección 5.1. Haciendo omisión de la dirección del test de Hadri, existe
evidencia aportada por otros contrastes en favor de la raíz para la ratio
(Seniors/jóvenes), que presenta una clara tendencia ascendente, para la serie GAP y, de
igual forma, el test de Phillips-Perron-Fisher compromete a otras series relevantes para
el modelo postulado. Cabe dar pie así al uso de técnicas de cointegración en panel con
el fin de confirmar la existencia de una relación relevante entre las variables del modelo.
6. Resultados y discusión
Los resultados del modelo empírico descrito en la ecuación base aparecen recogidos en
el cuadro 6.1. La especificación escogida incluye la densidad de la población como
variable de control, junto con la ratio que observa la madurez relativa de la estructura de
la población por provincias, una variable que recoge la composición de la edad de las
provincias españolas, un componente demográfico con una importante incidencia en la
evolución del mercado de la vivienda y su efecto sobre la demanda de créditos.
Todas las variables resultan estadísticamente significativas, con la excepción de la
densidad de población. La evolución relativa de la brecha del crédito a los depósitos
17 La tendencia a la regresión espuria en datos de panel es más fuerte que en series temporales (Breitung y Pesaran, 2008, p. 307). 18 No se trata de un procedimiento muy aceptado (Breitung y Pesaran, 2008, pp. 306-307) pero al fin y al cabo se trata de una buena práctica profundamente asentada en la estrategia de contraste de raíces unitarias inspirada por la metodología de Engle y Granger.
16
(GAP) es estadísticamente significativa en la especificación de efectos fijos. La relación
entre cohortes demográficas es significativa y negativa (columna 2 del cuadro 1, fila
4).19 El coeficiente obtenido es estadísticamente significativo y el valor del coeficiente
del empleo básico asciende a 0,819 empleos no básicos por cada empleo básico (modelo
2, cuadro 1), modelo seleccionado por el test de Hausman.
Cuadro 6.1. Impacto del crédito sobre el empleo de las actividades no básicas, en el periodo 1995-2013
Mínimos cuadrados ordinarios
Efectos fijos
Efectos
aleatorios
(1) (2) (3)
Constante -3.860773 445.4078*** 358.6235*** (29.66819) (40.06696) (39.04174) Empleo básico 4.29152*** 0.819368*** 1.590776*** (0.153009) (0.100561) (0.093002) Crédito 0.004566*** 0.003013*** 0.003127*** (0.000170) (0.00005) (0.0005) Ratio Seniors /Jóvenes -30.16641 -247.7390*** -220.390*** (30.4997) (44.819) (43.66429) Densidad de población -0.012623*** -0.010381 -0.015591 (0.004386) (0.01358) (0.009649) GAP 108.737*** -36.0689*** 5.6949 (13.95782) (13.03855) (12.43427) Número de observaciones 988 988 988 R cuadrado ajustado 93.3 99.5 82.5 Test de Hausman 455.41
La variable dependiente es nNT y el error es pt p t ptu µ ω ε= + + . El test F (18, 913) para
el contraste de los efectos fijos y temporales toma un valor de 20,2779 (p-value=0,000). La desviación típica aparece entre paréntesis. ***denota estadísticamente significativo a un nivel del 1%, ** denota estadísticamente significativo a un nivel del 5%, * denota estadísticamente significativo a un nivel del 10%.
Cabe preguntarse por la exogeneidad estricta de dos de los regresores incluidos en el
modelo base (empleo básico y crédito). La forma utilizada para estimar el empleo
básico puede ocasionar dudas sobre la simultaneidad, mientras que el crédito podría ser
impulsado por la bonanza del empleo no básico o básico. Con este fin, presentamos los
resultados complementarios de la ecuación base con una ligera modificación, donde se
rezaga un periodo al empleo básico y al crédito. El cuadro 6.2 contiene los resultados de
dicha estimación por mínimos cuadros ordinarios, el modelo de efectos fijos y el
modelo de componentes de varianza (o de efectos aleatorios). La columna (5) del
cuadro 6.2 muestra que la especificación preferible es de nuevo el modelo de efectos
19 El cuadro A5 del anexo presenta las estimaciones de los parámetros cuando no se incluyen los efectos fijos temporales.
17
fijos (test de Hausman) y que los coeficientes mantienen los signos estables de los
coeficientes estimados y que estos son estadísticamente significativos.
Cuadro 6.2. Impacto del crédito sobre el empleo de las actividades no básicas, en el periodo 1995-2013
Mínimos cuadrados ordinarios
Efectos fijos
Efectos
aleatorios
(4) (5) (6)
Constante 15.50697 505.8655*** 407.4366*** (33.99740) (49.82117) (48.10432) Empleo básico retardado 4.908229*** 1.203655*** 2.282872*** (0.164696) (0.122782) (0.110459) Crédito retardado 0.004008*** 0.002478*** 0.002601*** (0.000187) (0.00006) (0.0006) Ratio Seniors /Jóvenes -53.19847 -289.5203*** -273.7031*** (34.63138) (55.09414) (53.13260) Densidad de población -0.013368*** -0.002850 -0.013852 (0.004746) (0.016667) (0.010652) GAP 102.3953*** -62.28559*** -8.719189 (15.25134) (16.15220) (15.21287) Número de observaciones 936 936 988 R cuadrado ajustado 92.7 99.3 82.5 Test de Hausman 460.22
La variable dependiente es nNT y el error es pt p t ptu µ ω ε= + + .
La desviación típica aparece entre paréntesis. ***denota estadísticamente significativo a un nivel del 1%, ** denota estadísticamente significativo a un nivel del 5%, * denota estadísticamente significativo a un nivel del 10%.
Los resultados aquí presentados apuntan en la dirección esperada y subrayan la
existencia de una relación estable entre el crédito y el empleo no básico, cuando se
controla por otras variables económicas y se tiene en cuenta una variable que podría
estar omitida (el empleo básico). Finalmente, un análisis del orden de integración de los
residuos de las regresiones de los modelos (2) y (5) permite corroborar que los mismos
son estacionarios (los test LLC, IPS, ADF-Fisher –en las variantes ADF-Fisher Chi-
square y ADF-Choi Z-stat- y Phillips-Perron-Fisher, este último en una especificación
sin constante). Únicamente el test de Hadri rechaza la hipótesis nula de estacionariedad
de los residuos y aporta evidencia a favor de la existencia de una raíz unitaria.
Con estos resultados preliminares de la versión inicial del modelo, resta completar el
análisis presentando los resultados del enfoque alternativo indicado más atrás y que
consideraba el riesgo potencial de la inclusión de alguna serie no estacionaria en la
ecuación de regresión base. Con este fin se realiza s contrasta en primer lugar la
existencia de una relación de cointegración de las series incluidas en el panel, para lo
18
cual se emplean los test de cointegración de Pedroni y de Kao.20 Finalmente se estima la
relación de cointegración en panel con la técnica de mínimos cuadrados ordinarios
completamente modificados (Pesaran, 2015, pp. 850-852; Pedroni, 2000), un método
que permite obtener unos estimadores asintóticamente eficientes e insesgados y
distribuidos normalmente.21 El modelo estimado supone la existencia de una relación de
cointegración homogénea para todas las secciones del panel.
Los resultados del contraste de cointegración de Pedroni y de Kao aparecen en los
cuadros A6 y A7, respectivamente. En el primer caso, para once relaciones posibles, al
menos seis de ellas son significativas al 5% y rechazan la hipótesis nula de no
cointegración. El test de Kao, basado en el contraste de Dickey Fuller aumentado
también rechaza la hipótesis nula de no cointegración (la existencia de unos residuos no
estacionarios) en favor de la alternativa (residuos estacionarios).
A partir de este precedente favorable, podemos formular una suerte de modelo
‘definitivo o final’ mediante la regresión en panel por mínimos cuadrados ordinarios
completamente modificados (cuadro 6.3). Las ecuaciones seleccionadas en dicho cuadro
responden a la naturaleza de los contrastes de raíces unitarias realizados previamente.
Usando esta información hemos especificado una constante como componente
determinista (ecuación 7), una constante y, como regresor adicional, una tendencia
determinista (ecuación 8). Finalmente, la ecuación (9), que presenta una varianza de
largo plazo mínima, se estima con una constante como componente determinista y toma
en consideración la heterogeneidad de los residuos en la primera etapa de regresión del
modelo.22
Los resultados obtenidos son plenamente satisfactorios, pues se confirma el signo y el
tamaño del multiplicador del empleo básico y el valor del coeficiente de crédito, que
mide el impacto sobre el empleo no básico. El principal cambio arrojado por este
método de estimación es una variación en el signo de las variables ratio
(Seniors/jóvenes) y GAP, que ahora pasan a tener un coeficiente positivo y
estadísticamente significativo, a diferencia de lo obtenido en el modelo de efectos fijos.
20 Véase Baltagi (2013), pp. 293-294 y pp. 296-297 y Manual de Eviews 8, tomo 2, cap. 26, pp. 862-868. 21 En esencia, el estimador FMOLS de panel modela las posibles relaciones de endogeneidad entre las variables explicativas y la perturbación aleatoria. Para ello procede a realizar dos correcciones: en primer lugar en la variable explicada -en nuestro caso, el empleo no básico- y, en segundo lugar, en la fórmula con la que se determinan los coeficientes de los regresores. Véase Breitung y Pesaran (2008), p. 310 y Manual de Eviews 8, tomo 2, cap. 24, p. 811. 22 Véase Manual de Eviews 8, tomo 2, cap. 24, p. 801.
19
Cuadro 6.3. Impacto del crédito sobre el empleo de las actividades no básicas, en el periodo 1995-2013 (FMOLS)
Periodo de estimación: 1996-2013
(7) (8) (9)
Empleo básico 0.651397*** 0.552524*** 1.204516*** (0.165981) (0.166315) (0.037590) Crédito 0.003090*** 0.003136*** 0.002980*** (0.000082) (0.000082) (0.0000185) Ratio Seniors /Jóvenes 36.72232** 41.75504** 12.48026*** (15.45051) (15.48168) (3.566672) Densidad de población -0.014472 -0.020726 -0.007634 (0.020695) (0.020737) (0.004687) GAP 42.92424** 42.88297** 43.52942** (19.0527) (19.09370) (4.315515) Número de observaciones 936 936 936 R cuadrado ajustado 99.3 99.3 99.4 Varianza de largo plazo 2250.128 2259.214 115.4097
La variable dependiente es nNT. (7) Estimación de panel, componente determinista (constante). (8) Estimación de panel, componente determinista y regresor adicional con tendencia. (9) Estimación de panel, componente determinista (constante), con residuos heterogéneos de primera etapa usados en la estimación de los coeficientes de largo plazo Estimación de la varianza de largo plazo: Newey-West fixed Bandwidth selection y Kernel de Bartlett. La desviación típica aparece entre paréntesis. ***denota estadísticamente significativo a un nivel del 1%, ** denota estadísticamente significativo a un nivel del 5%, * denota estadísticamente significativo a un nivel del 10%.
7. Conclusiones
La economía española ha conocido en los dos últimos lustros uno de los períodos más
críticos en su historia reciente. Tras la llamada “década prodigiosa” que vivió España
con la incorporación en la Unión Monetaria Europea (UME), el país ha chocado con los
factores que impulsaron anteriormente su crecimiento, entre ellos, la expansión del
crédito y del endeudamiento facilitados por la adopción del euro como moneda común.
El ritmo del 3,5% al que llegó a crecer anualmente el PIB español y la creación de unos
7.000.000 de puestos de trabajo en el período 1995-2008, se vio frenado a partir de
2008, en un contexto internacional de credit crunch. El PIB español registró una caída
sin parangón entre los años 2009 y 2013, de la cual no se ha recuperado completamente
con la fase del trienio 2014-2016.
Este trabajo ha acercado la lupa a una escala local para intentar examinar y comprender
los efectos empíricos del canal del crédito sobre el empleo de las provincias españolas.
Sin llegar a esclarecer los meandros por donde circula la acción de intermediación del
sistema bancario, es indispensable al menos tener una cabal comprensión empírica del
efecto del crédito sobre el sistema productivo. Con este fin hemos reunido una base de
20
datos original y amplia –en el sentido temporal y espacial- donde hemos aislado, con los
datos provinciales disponibles para España del crédito a otros sectores residentes, el
impacto en las actividades no básicas y en la asignación territorial del trabajo entre
actividades básicas y no básicas.
Los resultados obtenidos son muy prometedores: sin necesidad de adoptar un marco
conceptual controvertido teóricamente (crédito en la función de producción), el enfoque
de Moretti (2010) ha permitido examinar el efecto real del crédito sobre una parte muy
importante de la actividad económica (el empleo no básico). Al separar y distinguir el
empleo básico del empleo no básico, aislamos a cada provincia y observamos la
dinámica interna propia. Al incluir el crédito como variable explicativa, introducimos en
el modelo un factor común en la dinámica local y regional de la economía española, que
ha sido el vector fundamental del ciclo económico en los últimos veinte años. Esta
variable contiene información genuina y su omisión no quedaría resuelta mediante el
uso de modelos econométricos más complejos, como podría ser algunos modelos
dinámicos de factores comunes, para tener en cuenta la dependencia de corte
transversal. La variable crédito es el factor común omnipresente que engrasa y genera el
ciclo regional, tal y como corroboran las distintas regresiones mínimo-cuadráticas aquí
presentadas y que aportan evidencia sobre el valor de su multiplicador.
El trabajo explota a fondo los diferentes métodos de estimación existentes en un panel
de datos convencionales con una dimensión temporal apreciable. La estimación
descansa en un panel estático y con las variables en niveles, que aísla eficazmente el
impacto del empleo básico y del crédito sobre el empleo no básico, en presencia de
algunas variables de control económicamente relevantes. El uso de los datos de panel
permite aumentar la calidad de las inferencias y tener en cuenta otras variables omitidas
que pudieran estar relacionadas con las variables explicativas del modelo. Para
complementar este procedimiento convencional, se aporta una regresión de
cointegración en panel que presenta la relación a largo plazo existente entre las
variables consideradas, cuyos resultados se mueven en la misma dirección que los
obtenidos con el panel estático.
21
ANEXO
Cuadro A1. Empleo total por provincias (personas, en miles)
Provincias 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 Almería 153.3 207.3 218.2 234.0 249.9 229.2 237.7 242.6 242.6 254.9 275.6 287.3 Cádiz 278.9 310.8 323.0 321.5 329.8 366.1 375.8 373.4 380.4 394.4 417.6 442.3 Córdoba 206.4 195.5 200.8 211.5 217.9 227.8 234.7 238.4 254.5 270.3 281.0 297.0 Granada 215.6 207.5 215.3 222.8 233.9 247.3 254.8 269.8 284.3 292.0 306.8 330.0 Huelva 121.9 132.2 139.3 134.4 142.9 147.6 151.9 149.8 163.7 162.8 179.5 188.1 Jaén 162.8 151.7 164.1 175.9 178.6 194.7 203.1 205.8 220.8 221.3 223.3 234.0 Málaga 331.6 335.4 357.3 375.4 401.7 432.5 459.4 463.9 494.5 528.8 568.9 588.9 Sevilla 501.2 478.9 498.7 513.4 533.6 572.1 595.5 622.7 643.2 674.3 696.3 733.3 Huesca 81.6 76.5 77.2 82.8 83.4 92.1 95.6 99.3 99.7 102.0 105.7 109.5 Teruel 50.7 57.4 58.3 57.4 57.1 51.6 57.1 57.5 57.5 60.0 63.7 64.7 Zaragoza 320.6 328.8 346.0 355.7 369.1 397.0 400.8 413.2 424.1 437.5 450.4 463.8 Asturias 348.8 341.3 351.4 355.3 359.1 370.4 382.3 387.2 400.8 408.2 425.3 440.5 Baleares 281.4 300.1 326.0 348.5 374.6 406.4 421.7 431.4 444.0 460.5 492.8 513.1 Las Palmas 265.3 275.7 283.2 302.7 330.0 350.0 370.1 380.6 395.6 418.5 428.0 448.9 S. C. de Tener. 261.9 267.9 280.3 292.1 310.9 313.0 326.6 339.0 350.0 363.1 385.8 403.5 Cantabria 169.3 173.1 178.3 186.8 196.0 206.4 215.2 222.4 226.1 232.8 242.6 248.8 Albacete 56.4 53.5 53.9 58.7 56.8 61.4 59.4 57.9 60.6 63.0 64.2 66.2 Ciudad Real 131.7 135.6 143.7 143.8 146.7 148.3 149.8 156.2 163.3 168.0 173.9 174.7 Cuenca 172.0 157.8 161.6 163.4 170.9 165.3 171.7 167.9 172.8 176.5 190.6 196.3 Guadalajara 60.6 59.2 62.4 68.6 64.9 66.7 67.2 70.6 70.7 73.0 73.9 74.7 Toledo 120.6 118.6 117.4 120.1 115.3 126.4 132.9 134.9 138.0 138.0 136.3 139.1 Ávila 58.2 62.6 61.5 63.3 65.3 64.5 64.3 65.8 68.5 69.9 74.9 76.7 Burgos 34.5 35.6 38.2 40.8 41.3 40.8 41.3 42.3 42.9 42.9 42.2 43.3 León 190.6 191.7 192.5 193.6 204.1 217.8 220.1 223.9 224.7 229.2 240.3 250.4 Palencia 62.0 60.4 58.8 65.5 66.4 63.2 65.6 66.2 65.8 68.8 69.8 70.2 Salamanca 106.9 107.6 113.7 122.9 127.2 133.6 137.7 140.7 137.9 145.9 150.5 151.9 Segovia 146.1 137.4 146.3 149.2 154.4 173.2 169.5 176.2 182.9 188.9 191.0 201.2 Soria 62.3 62.6 67.4 77.7 75.2 72.5 76.0 77.9 78.3 82.3 82.9 86.8 Valladolid 51.4 55.1 59.8 62.4 63.9 62.5 64.8 66.5 67.6 72.4 82.1 87.7 Zamora 173.4 201.3 198.6 211.5 211.6 201.0 215.1 223.2 235.6 241.1 255.1 264.9 Barcelona 1,822.9 1,849.3 1,921.7 2,004.6 2,123.7 2,261.9 2,312.5 2,320.6 2,408.9 2,505.0 2,623.1 2,730.8 Girona 230.6 240.4 251.4 266.6 274.6 296.3 309.8 326.8 335.5 354.2 367.8 386.0 Lleida 153.7 183.8 185.7 195.3 195.2 194.0 190.9 198.4 199.5 208.2 201.2 210.0 Tarragona 216.8 225.7 228.9 246.8 267.3 284.0 296.9 317.9 326.7 333.4 349.8 366.3 Alicante 438.9 481.0 498.9 520.2 528.5 553.0 576.3 601.2 633.8 675.8 702.2 728.9 Castellón 180.6 189.6 194.9 210.5 213.9 215.9 218.7 228.6 234.5 239.2 265.6 280.3 Valencia 806.2 769.3 802.6 834.9 888.0 934.5 957.5 987.3 1,013.1 1,047.7 1,071.9 1,120.4 Badajoz 179.5 191.6 194.7 204.6 215.1 218.6 220.4 223.2 226.3 229.3 239.9 243.3 Cáceres 129.1 117.4 113.2 117.7 122.2 121.8 123.4 126.9 132.4 139.2 141.3 145.3 A Coruña 393.8 399.8 391.3 392.6 387.5 382.1 404.2 419.2 437.1 447.7 461.9 485.8 Lugo 161.6 138.5 132.0 124.3 117.8 120.2 121.8 125.2 128.7 133.1 150.3 151.1 Ourense 138.5 110.5 106.1 105.8 107.1 113.8 118.3 123.7 123.6 122.9 124.1 130.3 Pontevedra 312.9 323.0 322.9 328.0 335.0 351.1 358.6 357.1 367.6 386.8 395.2 407.0 Madrid 2,025.9 2,051.1 2,162.2 2,287.6 2,454.2 2,601.7 2,716.1 2,808.3 2,897.8 3,025.3 3,164.3 3,319.5 Murcia 356.6 359.1 383.3 406.2 425.0 439.5 465.4 493.3 518.9 550.0 574.8 604.3 Navarra 213.2 219.3 232.2 250.7 263.7 282.5 287.1 292.8 298.6 303.7 314.1 319.6 Álava 108.6 120.9 124.8 131.4 135.5 137.8 143.4 151.7 158.1 159.2 169.5 175.0 Guipúzcoa 258.6 260.4 269.4 283.7 289.9 316.0 334.7 333.8 337.2 343.7 357.0 372.3 Vizcaya 392.8 388.5 407.6 426.1 458.2 478.0 484.1 498.4 517.1 521.8 533.4 543.1 Rioja 105.1 106.0 110.3 115.0 120.7 126.4 129.3 132.3 135.0 140.1 141.2 146.2 Ceuta 20.3 20.2 21.0 22.3 22.5 25.2 25.6 25.5 26.5 27.3 28.1 28.4 Melilla 20.3 20.1 21.7 22.4 22.7 25.4 25.4 24.2 25.5 26.1 26.3 26.5
España 13,844.614,044.9 14,570.215,208.9 15,900.9 16,681.117,238.1 17,683.618,273.8 18,961.0 19,774.0 20,598.2
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
22
Cuadro A1. Empleo total por provincias (personas, en miles) (continuación)
Provincias 2007 2008 2009 2010 2011 2012 2013 Almería 301.1 296.5 274.3 269.0 249.7 237.5 228.6 Cádiz 451.5 441.1 411.0 402.1 396.8 378.7 361.4 Córdoba 308.4 307.0 286.6 278.5 270.0 254.9 249.0 Granada 341.2 338.3 312.1 305.6 299.7 288.7 285.8 Huelva 194.1 192.0 179.1 175.8 171.1 165.5 162.6 Jaén 241.6 239.7 226.9 225.7 218.0 198.7 197.2 Málaga 610.6 614.0 574.6 572.1 551.8 524.4 512.5 Sevilla 772.7 769.2 721.1 700.7 681.1 649.0 631.4 Huesca 111.4 115.4 108.8 106.0 103.6 99.5 97.4 Teruel 68.8 68.3 62.8 60.1 58.1 56.5 54.6 Zaragoza 476.3 479.7 449.3 442.7 428.6 413.9 397.2 Asturias 454.2 459.3 428.0 415.5 411.7 394.2 377.5 Baleares 535.8 538.3 507.1 494.1 480.4 468.8 453.7 Las Palmas 470.1 467.9 432.9 415.1 404.4 388.9 385.1 S. C. de Tenerife 418.1 405.2 373.1 377.4 367.4 352.0 344.7 Cantabria 256.8 258.8 244.0 234.3 228.4 218.5 212.5 Albacete 70.0 66.8 62.9 60.2 59.7 59.2 57.7 Ciudad Real 178.3 183.9 172.2 169.9 165.2 158.8 148.8 Cuenca 198.2 196.4 186.6 183.7 178.1 173.1 165.5 Guadalajara 76.6 75.6 72.6 71.6 70.8 68.9 66.0 Toledo 140.3 139.7 135.8 130.5 126.9 123.5 116.8 Ávila 78.0 75.1 68.8 68.1 66.4 62.4 60.7 Burgos 46.3 46.2 43.4 43.3 43.0 41.1 40.5 León 258.1 254.6 240.3 236.6 229.8 220.0 211.7 Palencia 72.3 71.1 68.2 69.4 68.1 64.7 60.8 Salamanca 157.7 159.2 152.3 149.4 143.7 137.1 133.6 Segovia 209.4 205.0 188.6 193.0 185.9 179.3 172.0 Soria 88.7 87.8 82.4 81.8 79.6 76.3 72.9 Valladolid 93.5 97.8 91.5 86.9 83.4 80.5 77.7 Zamora 277.8 281.0 255.0 243.4 233.0 219.1 210.8 Barcelona 2,822.9 2,827.1 2,656.6 2,618.6 2,545.9 2,437.9 2,359.0 Girona 390.6 381.4 356.8 352.9 341.1 324.1 316.6 Lleida 216.8 219.9 208.7 206.4 205.6 200.0 196.1 Tarragona 379.2 387.2 363.0 355.9 344.8 326.4 311.7 Alicante 756.6 741.8 673.9 653.7 625.4 606.5 587.9 Castellón 282.4 279.5 252.5 242.9 230.9 218.7 211.0 Valencia 1,159.1 1,154.2 1,048.5 1,021.9 997.5 956.3 927.4 Badajoz 248.8 252.1 236.2 232.6 225.9 214.3 210.1 Cáceres 149.9 148.6 139.2 138.7 132.4 128.6 124.6 A Coruña 504.3 507.1 480.9 481.0 469.2 450.1 436.8 Lugo 152.1 150.8 143.6 143.4 140.0 133.6 128.4 Ourense 136.3 139.8 129.3 126.0 123.9 118.8 112.6 Pontevedra 428.2 425.4 395.0 376.4 361.8 347.2 338.1 Madrid 3,403.6 3,464.7 3,316.5 3,264.6 3,216.3 3,093.5 3,017.4 Murcia 636.0 637.8 594.1 592.4 569.6 547.7 536.9 Navarra 329.3 329.7 307.0 304.7 298.3 284.6 277.4 Álava 180.0 184.0 172.5 169.4 166.4 162.3 157.7 Guipúzcoa 381.4 375.0 354.5 351.7 339.6 333.2 323.9 Vizcaya 554.8 570.9 540.5 538.7 519.8 503.0 485.0 Rioja 148.5 148.0 138.5 137.6 134.8 129.7 126.2 Ceuta 28.6 29.6 29.1 29.3 29.0 28.4 28.1 Melilla 27.1 27.7 26.9 27.3 27.0 26.5 26.4
España 21,274.4 21,313.2 19,976.1 19,628.6 19,099.6 18,325.1 17,786.0
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
23
Cuadro A2. Empleo en actividades básicas (personas, en miles) Provincias 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Almería 21.4 49.7 51.5 58.6 59.5 36.0 36.3 37.9 37.8 42.0 49.2 48.1 Cádiz 19.2 29.6 30.2 23.5 21.2 29.2 29.9 27.3 26.0 24.5 29.6 31.7 Córdoba 18.4 20.2 17.4 16.2 16.6 18.9 20.1 18.8 18.2 19.4 22.8 23.7 Granada 21.9 20.8 21.2 25.8 33.5 25.5 27.7 27.8 27.8 29.0 28.5 30.7 Huelva 8.0 8.2 10.0 13.5 15.7 14.5 17.7 16.7 20.7 18.0 21.9 21.6 Jaén 15.0 18.3 22.1 24.9 25.2 28.0 30.0 26.1 29.6 29.8 21.5 25.3 Málaga 37.4 46.1 47.7 53.3 55.1 51.9 51.3 51.6 54.5 56.4 57.6 58.6 Sevilla 43.6 44.8 50.8 51.2 51.4 47.8 45.9 50.9 40.6 39.0 30.9 36.6 Huesca 10.3 7.0 7.8 10.1 8.3 13.5 14.4 13.8 12.3 13.8 12.4 11.9 Teruel 10.3 13.5 12.5 9.6 9.6 4.9 6.1 6.6 6.7 8.2 8.8 8.7 Zaragoza 17.9 18.8 20.9 23.0 22.6 28.3 27.4 29.4 28.8 32.8 32.5 33.8 Asturias 30.9 26.3 22.6 19.4 17.6 15.7 12.6 9.9 9.6 8.1 8.8 11.7 Baleares 49.0 52.3 58.9 62.2 65.7 73.9 73.0 67.2 68.2 66.5 71.2 67.5 Las Palmas 32.7 42.0 42.3 44.0 49.9 54.8 54.6 54.2 54.3 57.6 57.0 61.3 S. C. de Tener. 30.1 29.9 32.3 36.7 39.4 49.7 48.5 47.9 43.4 43.6 44.3 42.0 Cantabria 4.9 6.8 7.3 7.3 7.3 8.2 8.7 10.5 10.5 9.5 9.5 11.4 Albacete 10.4 7.0 7.9 7.9 8.5 8.4 7.4 7.4 8.8 9.6 9.0 8.3 Ciudad Real 9.4 18.2 20.8 17.4 21.4 20.0 19.1 19.5 18.8 21.9 20.9 20.8 Cuenca 22.2 22.3 23.6 22.2 21.3 16.4 17.4 13.6 12.1 14.8 16.9 14.5 Guadalajara 5.4 8.9 10.8 12.7 9.8 9.3 9.3 10.4 10.2 10.0 10.5 9.7 Toledo 16.6 14.4 15.3 15.1 15.1 14.8 15.6 16.9 15.2 13.4 12.3 12.8 Ávila 3.1 4.6 4.6 5.6 4.4 9.0 8.1 8.2 8.5 8.1 7.8 6.5 Burgos 3.4 4.9 5.6 6.7 7.8 6.8 7.3 7.0 6.7 6.6 6.6 6.6 León 16.2 16.3 14.5 10.8 11.3 15.3 12.4 13.1 16.4 12.1 12.1 12.5 Palencia 12.1 9.9 11.7 15.1 13.8 10.7 11.5 12.1 11.2 11.7 11.7 11.2 Salamanca 7.1 10.0 9.2 10.6 12.9 16.0 13.1 12.1 9.7 13.8 12.8 13.6 Segovia 14.2 22.6 24.7 25.1 27.3 30.6 23.1 22.9 22.5 23.4 20.4 21.7 Soria 9.9 13.9 15.7 20.4 18.3 14.9 14.8 16.2 16.0 15.7 12.0 12.2 Valladolid 3.9 9.7 9.9 9.4 11.0 6.3 6.5 6.3 5.9 6.9 6.3 7.7 Zamora 18.8 13.2 19.2 22.2 25.3 26.5 29.1 27.9 28.5 28.3 31.7 31.4 Barcelona 245.1 266.0 265.8 274.8 296.4 274.9 269.9 257.7 247.5 242.6 252.3 237.0 Girona 25.4 26.1 25.7 26.2 25.7 21.2 24.7 24.2 23.3 27.0 23.6 27.6 Lleida 13.8 29.6 29.7 33.5 33.9 19.5 14.4 18.3 16.9 16.8 16.7 18.3 Tarragona 22.5 15.4 15.2 16.1 18.2 20.1 17.5 16.3 16.2 19.2 21.5 22.8 Alicante 35.0 39.6 39.0 32.9 28.6 34.7 34.3 38.3 41.4 40.8 38.5 37.1 Castellón 22.9 27.0 25.2 27.2 25.6 20.8 24.1 24.9 24.9 29.5 29.5 27.4 Valencia 47.5 50.4 48.0 48.4 53.9 54.8 58.5 52.5 53.1 52.3 48.2 48.5 Badajoz 27.6 29.0 30.7 31.7 35.2 39.7 38.9 35.7 35.0 34.1 34.7 32.2 Cáceres 21.7 19.3 19.5 20.6 21.3 18.6 19.2 20.7 22.0 20.6 19.6 21.4 A Coruña 41.6 51.6 46.3 38.1 30.7 18.7 16.0 20.4 19.9 18.7 17.5 17.9 Lugo 45.5 29.2 24.8 17.1 14.9 13.2 14.3 14.5 15.8 18.2 18.7 18.1 Ourense 31.0 12.5 10.3 11.0 9.0 10.9 11.5 11.5 10.2 9.7 8.8 10.4 Pontevedra 34.7 42.7 38.6 33.3 32.1 34.6 34.4 35.6 34.7 35.1 37.8 38.6 Madrid 210.5 221.1 238.0 265.7 289.1 283.9 319.3 336.6 345.3 363.2 367.0 384.4 Murcia 16.4 16.1 19.6 23.6 25.1 24.3 23.6 24.1 29.3 35.5 37.0 42.7 Navarra 24.1 23.4 24.4 27.2 28.4 28.9 30.1 31.3 32.4 34.8 34.5 35.5 Álava 15.4 18.5 18.9 19.6 21.8 22.2 25.0 25.8 27.7 29.8 29.7 30.7 Guipúzcoa 33.2 36.8 38.7 38.6 40.7 46.5 47.3 48.7 49.6 48.9 49.0 49.5 Vizcaya 30.6 24.0 23.8 25.5 27.8 26.0 27.8 28.2 27.3 29.0 27.9 28.9 Rioja 15.4 16.2 17.2 17.5 19.2 19.4 19.7 19.3 18.9 19.9 18.5 18.1 Ceuta 5.2 5.7 6.2 6.5 6.9 8.4 8.5 8.2 8.1 8.1 8.5 8.7 Melilla 5.1 5.9 6.2 6.7 7.1 8.2 8.0 7.9 7.9 7.9 8.1 7.9
España 1,493.5 1,616.01,660.91,721.7 1,798.51,755.41,785.61,791.3 1,787.1 1,836.0 1,845.0 1,877.6
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
24
Cuadro A2. Empleo en actividades básicas (personas, en miles) (continuación)
Provincias 2007 2008 2009 2010 2011 2012 2013 Almería 53.6 55.3 49.5 50.6 46.3 43.6 38.9 Cádiz 32.0 30.0 27.2 28.3 28.5 28.8 29.1 Córdoba 26.0 27.5 27.3 26.1 22.3 19.2 20.3 Granada 34.5 34.0 27.4 27.0 27.4 26.8 29.3 Huelva 20.6 18.8 17.9 19.5 17.7 19.5 21.6 Jaén 27.6 28.4 28.5 29.1 25.6 19.6 22.1 Málaga 57.6 58.5 53.1 53.7 50.3 46.5 45.0 Sevilla 41.5 45.6 41.2 35.6 30.8 31.6 33.9 Huesca 11.7 11.8 12.3 12.6 12.3 13.0 12.8 Teruel 9.6 9.0 9.1 9.0 8.5 8.1 7.6 Zaragoza 33.7 33.6 31.5 27.8 27.1 24.8 25.7 Asturias 13.9 13.8 13.1 14.7 14.7 13.6 12.2 Baleares 71.3 68.4 66.6 65.9 64.0 63.2 59.1 Las Palmas 63.2 66.3 59.1 53.7 53.7 49.4 51.3 S. C. de Tenerife 40.2 37.5 32.0 35.4 35.9 35.5 33.2 Cantabria 11.9 14.0 13.3 12.1 10.2 10.1 8.9 Albacete 9.3 9.0 8.7 8.4 7.1 6.7 7.0 Ciudad Real 22.4 21.3 19.2 19.6 19.3 19.0 17.5 Cuenca 13.0 11.8 11.8 12.2 9.3 9.1 9.4 Guadalajara 9.4 9.5 8.4 8.5 8.7 8.3 9.1 Toledo 13.2 12.6 12.0 12.0 11.9 13.3 11.3 Ávila 7.0 7.5 5.5 6.2 6.1 6.3 6.3 Burgos 7.0 7.4 6.9 7.2 6.9 6.7 6.9 León 12.7 13.3 12.4 10.0 9.5 7.1 9.7 Palencia 10.4 8.9 8.3 8.5 8.2 8.4 7.6 Salamanca 13.6 12.3 13.6 13.9 14.2 13.2 13.0 Segovia 24.7 24.8 22.2 20.9 18.9 20.1 18.5 Soria 11.9 11.5 11.2 10.4 10.4 11.0 11.3 Valladolid 6.5 4.7 5.5 7.0 7.4 6.2 4.2 Zamora 35.5 38.2 30.6 24.9 23.5 22.8 20.8 Barcelona 231.8 207.4 174.7 182.9 177.6 173.1 166.6 Girona 29.0 28.6 26.3 26.4 25.4 26.5 25.9 Lleida 18.1 17.2 17.2 17.6 16.9 16.2 15.8 Tarragona 25.1 24.4 22.7 18.8 17.4 17.0 19.2 Alicante 42.6 42.2 36.2 30.3 25.1 28.9 31.5 Castellón 30.2 27.6 21.4 20.4 20.1 19.0 18.3 Valencia 41.9 41.5 32.9 31.7 37.8 31.4 26.1 Badajoz 31.0 32.0 30.5 28.7 27.0 25.4 25.5 Cáceres 21.6 21.1 18.9 20.0 19.4 18.1 15.7 A Coruña 19.8 21.9 21.4 17.0 15.8 15.8 13.0 Lugo 20.1 20.3 19.4 20.9 20.2 19.6 17.0 Ourense 10.8 11.2 10.7 11.8 12.4 11.2 10.3 Pontevedra 36.6 37.1 32.7 29.8 28.2 28.4 28.2 Madrid 394.0 395.4 357.2 357.7 341.2 324.6 312.6 Murcia 46.2 43.3 36.8 46.5 43.3 42.1 42.4 Navarra 35.9 38.4 35.2 35.9 36.1 34.4 34.5 Álava 32.7 34.4 31.1 28.7 29.1 28.5 27.0 Guipúzcoa 53.7 54.8 50.7 51.9 49.6 45.6 43.1 Vizcaya 30.6 28.8 26.9 25.3 24.3 25.1 26.5 Rioja 17.2 17.2 17.3 18.2 18.1 18.0 17.3 Ceuta 8.5 8.3 8.2 8.4 8.7 8.5 8.3 Melilla 7.9 7.5 7.6 7.6 7.8 7.5 7.5
España 1,930.7 1,905.9 1,721.2 1,707.4 1,638.2 1,576.0 1,535.7
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
25
Cuadro A3. Empleo en actividades no básicas (personas, en miles) Provincias 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Almería 130.5 152.2 160.1 167.7 183.2 193.2 201.4 204.7 204.8 212.9 226.4 239.2 Cádiz 258.3 280.9 292.8 297.3 307.7 336.9 345.9 346.1 354.4 369.9 388.0 410.6 Córdoba 186.0 173.1 181.5 193.6 199.2 208.9 214.6 219.6 236.3 250.9 258.2 273.3 Granada 192.5 185.8 192.9 195.6 198.4 221.8 227.1 242.0 256.5 263.0 278.3 299.3 Huelva 113.5 124.2 129.0 120.5 126.5 133.1 134.2 133.1 143.0 144.8 157.6 166.5 Jaén 146.0 131.0 138.7 147.2 149.5 166.7 173.1 179.7 191.2 191.5 201.8 208.7 Málaga 294.8 289.9 310.6 323.4 348.0 380.6 408.1 412.3 440.0 472.4 511.3 530.3 Sevilla 456.5 434.4 448.9 463.2 482.4 524.3 549.6 571.8 602.6 635.3 665.4 696.7 Huesca 70.0 68.7 68.2 71.2 73.9 78.6 81.2 85.5 87.4 88.2 93.3 97.6 Teruel 40.0 43.2 45.2 47.6 47.1 46.7 51.0 50.9 50.8 51.8 54.9 56.0 Zaragoza 302.0 309.4 324.2 332.2 345.9 368.7 373.4 383.8 395.3 404.7 417.9 430.0 Asturias 320.2 318.0 332.3 339.6 345.9 354.7 369.7 377.3 391.2 400.1 416.5 428.8 Baleares 237.1 252.0 272.0 291.5 314.0 332.5 348.7 364.2 375.8 394.0 421.6 445.6 Las Palmas 234.1 235.9 243.4 261.8 283.5 295.2 315.5 326.4 341.3 360.9 371.0 387.6 S. C. de Tener. 232.8 238.0 248.6 256.5 272.8 263.3 278.1 291.1 306.6 319.5 341.5 361.5 Cantabria 164.2 165.7 170.2 178.8 188.2 198.2 206.5 211.9 215.6 223.3 233.1 237.4 Albacete 45.1 45.9 45.1 50.0 47.5 53.0 52.0 50.5 51.8 53.4 55.2 57.9 Ciudad Real 121.9 116.3 121.4 125.5 123.9 128.3 130.7 136.7 144.5 146.1 153.0 153.9 Cuenca 151.4 137.3 139.6 142.9 151.6 148.9 154.3 154.3 160.7 161.7 173.7 181.8 Guadalajara 55.0 49.7 50.5 54.7 54.6 57.4 57.9 60.2 60.5 63.0 63.4 65.0 Toledo 102.6 103.2 101.0 103.9 99.2 111.6 117.3 118.0 122.8 124.6 124.0 126.3 Ávila 54.6 57.8 56.5 57.1 60.5 55.5 56.2 57.6 60.0 61.8 67.1 70.2 Burgos 30.5 30.1 31.7 33.1 32.3 34.0 34.0 35.3 36.2 36.3 35.6 36.7 León 173.6 174.5 177.3 182.5 191.6 202.5 207.7 210.8 208.3 217.1 228.2 237.9 Palencia 48.6 49.5 45.6 48.5 50.7 52.5 54.1 54.1 54.6 57.1 58.1 59.0 Salamanca 99.1 96.5 103.5 110.8 112.3 117.6 124.6 128.6 128.2 132.1 137.7 138.3 Segovia 131.1 113.3 119.9 122.3 124.8 142.6 146.4 153.3 160.4 165.5 170.6 179.5 Soria 51.1 47.1 49.6 54.4 54.1 57.6 61.2 61.7 62.3 66.6 70.9 74.6 Valladolid 47.2 44.3 48.6 51.8 51.3 56.2 58.3 60.2 61.7 65.5 75.8 80.0 Zamora 152.7 187.2 177.4 187.1 184.3 174.5 186.0 195.3 207.1 212.8 223.4 233.5 Barcelona 1,594.6 1,602.7 1,676.4 1,750.3 1,848.4 1,987.0 2,042.6 2,062.9 2,161.4 2,262.4 2,370.8 2,493.8 Girona 206.9 216.2 227.5 242.1 250.6 275.1 285.1 302.6 312.2 327.2 344.2 358.4 Lleida 139.5 151.8 152.8 158.3 157.9 174.5 176.5 180.1 182.6 191.4 184.5 191.7 Tarragona 194.7 211.7 214.9 231.9 250.6 263.9 279.4 301.6 310.5 314.2 328.3 343.5 Alicante 406.3 444.2 462.6 489.4 501.9 518.3 542.0 562.9 592.4 635.0 663.7 691.8 Castellón 157.2 161.7 168.6 181.9 187.2 195.1 194.6 203.7 209.6 209.7 236.1 252.9 Valencia 759.3 719.7 756.0 788.2 835.9 879.7 899.0 934.8 960.0 995.4 1,023.7 1,071.9 Badajoz 149.7 160.1 160.7 169.2 175.5 178.9 181.5 187.5 191.3 195.2 205.2 211.1 Cáceres 106.2 97.2 92.4 95.6 99.6 103.2 104.2 106.2 110.4 118.6 121.7 123.9 A Coruña 349.1 343.1 340.2 351.1 354.8 363.4 388.2 398.8 417.2 429.0 444.4 467.9 Lugo 110.6 106.1 103.9 104.8 100.7 107.0 107.5 110.7 112.9 114.9 131.6 133.0 Ourense 104.5 97.1 95.1 94.4 98.0 102.9 106.8 112.2 113.4 113.2 115.3 119.9 Pontevedra 273.8 275.5 280.1 291.6 299.7 316.5 324.2 321.5 332.9 351.7 357.4 368.4 Madrid 1,825.2 1,838.6 1,937.3 2,035.9 2,179.3 2,317.8 2,396.8 2,471.7 2,552.5 2,662.1 2,797.3 2,935.1 Murcia 338.0 341.0 361.1 379.6 396.5 415.2 441.8 469.2 489.6 514.5 537.8 561.6 Navarra 189.1 196.1 207.6 222.5 234.0 253.6 257.0 261.5 266.2 268.9 279.6 284.1 Álava 92.8 101.8 105.1 111.0 112.7 115.6 118.4 125.9 130.4 129.4 139.8 144.3 Guipúzcoa 226.2 225.0 232.0 246.3 250.3 269.5 287.4 285.1 287.6 294.8 308.0 322.8 Vizcaya 365.4 367.2 386.5 403.4 433.2 452.0 456.3 470.2 489.8 492.8 505.5 514.2 Rioja 88.9 88.9 92.1 96.3 100.2 107.0 109.6 113.0 116.1 120.2 122.7 128.1 Ceuta 14.9 14.3 14.6 15.5 15.2 16.8 17.1 17.3 18.4 19.2 19.6 19.7 Melilla 14.9 13.9 15.2 15.4 15.1 17.2 17.4 16.3 17.6 18.2 18.2 18.6
España 12,351.112,428.9 12,909.213,487.1 14,102.4 14,925.715,452.5 15,892.3 16,486.7 17,125.0 17,929.0 18,720.6
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
26
Cuadro A3. Empleo en actividades no básicas (personas, en miles) (continuación)
Provincias 2007 2008 2009 2010 2011 2012 2013 Almería 247.5 241.2 224.8 218.4 203.4 193.9 189.7 Cádiz 419.5 411.1 383.8 373.8 368.3 349.9 332.3 Córdoba 282.4 279.5 259.3 252.4 247.7 235.7 228.7 Granada 306.7 304.3 284.7 278.6 272.3 261.9 256.5 Huelva 173.5 173.2 161.2 156.3 153.4 146.0 141.0 Jaén 214.0 211.3 198.4 196.6 192.4 179.1 175.1 Málaga 553.0 555.5 521.5 518.4 501.5 477.9 467.5 Sevilla 731.2 723.6 679.9 665.1 650.3 617.4 597.5 Huesca 99.7 103.6 96.5 93.4 91.3 86.5 84.6 Teruel 59.2 59.3 53.7 51.1 49.6 48.4 47.0 Zaragoza 442.6 446.1 417.8 414.9 401.5 389.1 371.5 Asturias 440.3 445.5 414.9 400.8 397.0 380.6 365.3 Baleares 464.5 469.9 440.5 428.2 416.4 405.6 394.6 Las Palmas 406.9 401.6 373.8 361.4 350.7 339.5 333.8 S. C. de Tenerife 377.9 367.7 341.1 342.0 331.5 316.5 311.5 Cantabria 244.9 244.8 230.7 222.2 218.2 208.4 203.6 Albacete 60.7 57.8 54.2 51.8 52.6 52.5 50.7 Ciudad Real 155.9 162.6 153.0 150.3 145.9 139.8 131.3 Cuenca 185.2 184.6 174.8 171.5 168.8 164.0 156.1 Guadalajara 67.2 66.1 64.2 63.1 62.1 60.6 56.9 Toledo 127.1 127.1 123.8 118.5 115.0 110.2 105.5 Ávila 71.0 67.6 63.3 61.9 60.3 56.1 54.4 Burgos 39.3 38.8 36.5 36.1 36.1 34.4 33.6 León 245.4 241.3 227.9 226.6 220.3 212.9 202.0 Palencia 61.9 62.2 59.9 60.9 59.9 56.3 53.2 Salamanca 144.1 146.9 138.7 135.5 129.5 123.9 120.6 Segovia 184.7 180.2 166.4 172.1 167.0 159.2 153.5 Soria 76.8 76.3 71.2 71.4 69.2 65.3 61.6 Valladolid 87.0 93.1 86.0 79.9 76.0 74.3 73.5 Zamora 242.3 242.8 224.4 218.5 209.5 196.3 190.0 Barcelona 2,591.1 2,619.7 2,481.9 2,435.7 2,368.3 2,264.8 2,192.4 Girona 361.6 352.8 330.5 326.5 315.7 297.6 290.7 Lleida 198.7 202.7 191.5 188.8 188.7 183.8 180.3 Tarragona 354.1 362.8 340.3 337.1 327.4 309.4 292.5 Alicante 714.0 699.6 637.7 623.4 600.3 577.6 556.4 Castellón 252.2 251.9 231.1 222.5 210.8 199.7 192.7 Valencia 1,117.2 1,112.7 1,015.6 990.2 959.7 924.9 901.3 Badajoz 217.8 220.1 205.7 203.9 198.9 188.9 184.6 Cáceres 128.3 127.5 120.3 118.7 113.0 110.5 108.9 A Coruña 484.5 485.2 459.5 464.0 453.4 434.3 423.8 Lugo 132.0 130.5 124.2 122.5 119.8 114.0 111.4 Ourense 125.5 128.6 118.6 114.2 111.5 107.6 102.3 Pontevedra 391.6 388.3 362.3 346.6 333.6 318.8 309.9 Madrid 3,009.6 3,069.3 2,959.3 2,906.9 2,875.1 2,768.9 2,704.8 Murcia 589.8 594.5 557.3 545.9 526.3 505.6 494.5 Navarra 293.4 291.3 271.8 268.8 262.2 250.2 242.9 Álava 147.3 149.6 141.4 140.7 137.3 133.8 130.7 Guipúzcoa 327.7 320.2 303.8 299.8 290.0 287.6 280.8 Vizcaya 524.2 542.1 513.6 513.4 495.5 477.9 458.5 Rioja 131.3 130.8 121.2 119.4 116.7 111.7 108.9 Ceuta 20.1 21.3 20.9 20.9 20.3 19.9 19.8 Melilla 19.2 20.2 19.3 19.7 19.2 19.0 18.9
España 19,343.7 19,407.3 18,254.9 17,921.2 17,461.4 16,749.1 16,250.3
Fuente: elaborada con los datos del Instituto Nacional de Estadística, Contabilidad Regional de España, base 2000, serie homogénea, marzo de 2011 y Contabilidad Nacional de España, base 2010, septiembre de 2015 y Contabilidad Regional de España, base 2010, serie homogénea, diciembre de 2015.
27
Cuadro A4. Análisis del orden de integración de las variables del modelo. Contrastes de raíces unitarias y de estacionariedad
Estadístico
Probabilidad
Espec. Número de secciones
Obs.
Empleo básico (nT )
Levin, Lee y Chu t* (LLC) -6.75351 0.0000 F 52 899 Breitung t-stat 5.12371 0.0000 F, T 52 842 Im, Pesaran and Shin W-stat 7.43141 0.0000 F 52 899 ADF - Fisher Chi-square 251.566 0.0000 F 52 899 PP - Fisher Chi-square 522.487 0.0000 F 52 936 Hadri Z-test 12.6079 0.0000 F 52 988 Empleo no básico (nNT ) Levin, Lee y Chu t* (LLC) -9.73201 0.0000 F 52 880 Breitung t-stat 13.4881 0.0000 F, T 52 863 Im, Pesaran and Shin W-stat -3.83443 0.0001 F 52 880 ADF - Fisher Chi-square 142.757 0.0070 F 52 880 PP - Fisher Chi-square 97.5624 0.6589 F 52 936 Hadri Z-test 14.7021 0.0000 F 52 988 Crédito Levin, Lee y Chu t* (LLC) 16.3187 0.0000 F 52 869 Breitung t-stat -24.6757 0.0000 F, T 52 802 Im, Pesaran and Shin W-stat 7.37662 0.0000 F 52 869 ADF - Fisher Chi-square 218.591 0.0000 F 52 869 PP - Fisher Chi-square 49.4925 1.0000 F 52 936 Hadri Z-test 17.4790 0.0000 F 52 988 Ratio Seniors /Jóvenes Levin, Lee y Chu t* (LLC) 20.5371 1.0000 F 52 877 Breitung t-stat -3.18674 0.0007 F 52 825 Im, Pesaran and Shin W-stat 25.4703 1.0000 F 52 877 ADF - Fisher Chi-square 137.240 0.0161 F, T 52 864 PP - Fisher Chi-square 13.7134 1.0000 F 52 936 Hadri Z-test 20.3252 0.0000 F 52 988 Densidad de población Levin, Lee y Chu t* (LLC) -14.3842 0.0000 F 52 873 Breitung t-stat -11.4856 0.0000 F, T 52 764 Im, Pesaran and Shin W-stat -6.91121 0.0000 F 52 873 ADF - Fisher Chi-square 236.567 0.0000 F 52 873 PP - Fisher Chi-square 27.9641 1.0000 F 52 936 Hadri Z-test 17.9082 0.0000 F 52 988 GAP Levin, Lee y Chu t* (LLC) -3.13945 0.0008 F 52 889 Breitung t-stat -3.85428 0.0001 F, T 52 831 Im, Pesaran and Shin W-stat -1.74643 0.0404 F 52 889 ADF - Fisher Chi-square 123.673 0.0914 F 52 889 PP - Fisher Chi-square 94.1182 0.7459 F 52 936 Hadri Z-test 12.6138 0.0000 F 52 988
LLC y Breitung t-stat suponen la existencia de una raíz unitaria común. Im, Pesaran y Shin W-stat, ADF-Fisher Chi-square y PP-Fisher Chi-square suponen una raíz unitaria individual en cada sección. Hadri Z-test tiene como hipótesis nula la estacionariedad de la serie (ausencia de una raíz unitaria). Los tests de esta tabla se han computado con Eviews 5 y Eviews 8. Espeficificación del test: N, sin variables exógenas; F, efectos fijos y T, efectos individuales y tendencia individual.
28
Cuadro A5. Impacto del crédito sobre el empleo de las
actividades no básicas, en el periodo 1995-2013
Mínimos cuadrados ordinarios
Efectos fijos
Efectos
aleatorios
(A1) (A2) (A3)
Constante -3.860773 153.6331*** 107.1099*** (29.66819) (13.85509) (17.60713) Empleo básico 4.29152*** 1.23770*** 2.067108*** (0.153009) (0.114427) (0.104186) Crédito 0.004566*** 0.003091*** 0.003195*** (0.000170) (0.0000588) (0.0000584) Ratio Seniors /Jóvenes -30.16641 17.21933 5.724431 (30.4997) (10.86571) (10.75451) Densidad de población -0.012623*** -0.010121 -0.011541 (0.004386) (0.014957) (0.009935) GAP 108.737*** 43.60867*** 71.00103*** (13.95782) (13.53398) (12.67786) Número de observaciones 988 988 988 R cuadrado ajustado 93.3 99.3 79.2 Test de Hausman 353.44
La variable dependiente es nNT y el error es pt p ptu µ ε= + .
La desviación típica aparece entre paréntesis. ***denota estadísticamente significativo a un nivel del 1%, ** denota estadísticamente significativo a un nivel del 5%, * denota estadísticamente significativo a un nivel del 10 %.
29
Cuadro A6. Contraste de cointegración de residuos de Pedroni.
Series de Empleo no básico, empleo básico, crédito, ratio (Seniors/jóvenes) y GAP Periodo muestral: 1995-2013 Número de observac. 988 Secciones 52 Hipótesis nula: No hay cointegración Supuestos sobre la tendencia : Sin tendencia determinista Selección automática de los retardos con un SIC Newey-West automatic Bandwidth selection y Kernel de Bartlett Hipótesis alternativa: proceso AR común (dimensión sección de corte transversal)
Valor test Prob. Valor
ponderado test
Prob.
Panel v-Statiscti -0.713120 0.7621 -3.395800 0.9997 Panel rho-Statistic 4.265347 1.0000 4.597363 1.0000 Panel PP-Statistic -5.263318 0.0000 -7.865130 0.0000 Panel ADF-Statistic -5.952140 0.0000 -8.956794 0.0000 Hipótesis alternativa:proceso AR individual (dimensión entre grupos) Valor test Prob. Grupo rho-Statistic 7.353425 1.0000 Grupo PP-Statistic -11.98452 0.0000 Grupo ADF-Statistic -8.589574 0.0000
Cuadro A7. Contraste de cointegración de Kao Series de Empleo no básico, empleo básico, credito, ratio (Seniors/jóvenes) y
GAP Periodo muestral: 1995-2013 Número de observac. 988 Hipótesis nula: No hay cointegración Supuestos sobre la tendencia : Sin tendencia determinista Selección automática de los retardos con un criterio de información (Schwarz) Newey-West automatic Bandwidth selection y Kernel de Bartlett Valor test Prob. ADF -13.18763 0.0000 Varianza residual 230.6468 0.7621 Varianza HAC 431.2297 1.0000
30
8. Referencias bibliográficas Apergis, Nicholas (2010): “Old wine in a new bottle: are financial variables omitted
variables in the production function?”, Research in World Economy, vol. 1, nº 1,
pp. 2-9.
Armstrong, Harvey y Taylor, Jim (2000): Regional Economics and Policy, tercera
edición, Blackwell, Oxford.
Baldwin, Richard y Wyplosz, Charles (2009): The Economics of European Integration,
tercera edición, McGraw Hill, Londres.
Bashford Fernández, Joanna María (2014): “A new look at local employment
multipliers: preliminary evidence from Spain”, Universidad de Oviedo, Trabajo de
Fin de Master, Master de Instrumentos de Análisis Económico (IAE), septiembre,
Oviedo.
Baltagi, Badi H. (2013): Econometric Analysis of Panel Data, quinta edición, John
Wiley & Sons, Chichester.
Betancourt, Roger y Robles, Barbara (1989): “Credit, money, and production: empirical
evidence”, The Review of Economics and Statistics, vol. 71, nº 4, pp. 708-712.
Betancourt, Roger y Kiguel, Miguel (1995): “Are financial variables inputs in delivered
production functions? NO”, Revista de Análisis económico, vol. 10, nº1, pp. 3-17.
Borts, George H. y Stein, Joseph. (1962): “Crecimiento y madurez regional en los
Estados Unidos: estudio de un cambio estructural regional”, en L. Needleman
(ed.), Análisis regional. Textos escogidos, Ed. Tecnos, Madrid, 1972, pp. 142-
176.
Breitung, Jörg y Pesaran, M. Hashem (2008): “Unit Roots and Cointegration in Panels”,
en László Mátyás y Patrick Sevestre (eds.), The Econometrics of Panel Data,
tercera edición, Springer, pp. 279-322.
Chapin, Tim (2004): Materiales de clase, Department of Urban and Regional Planning,
Florida State University (en http://mailer.fsu.edu/~tchapin/garnet-
tchapin/urp5261/lecture.htm).
Crawley, Andrew; Beynon, Malcolm y Munday, Max (2013): “Making Location
Quotients More Relevant as a Policy Aid in Regional Spatial Analysis”, Urban
Studies, vol. 50, nº 9, julio, pp. 1854-1869.
Choi, In (2015): Almost All About Unit Roots. Foundations, Developments and
Applications, Cambridge University Press, Cambridge.
31
Davidson, P. y Kerry, S. (1979): “Money as a Factor of Production: Ultimate
Neoclassical Heresy or Keynesian Insight?”, Journal of Post Keynesian
Economics, vol. 2, nº 2, pp. 273-282.
Dow, Sheila (1996): “European Monetary Integration, Endogenous Credit Creation and
Regional Economic Development”, en Xavier Vence-Deza y J. Stanley Metcalfe
(eds.), Wealth from diversity. Innovation, Structural Change and Finance for
Regional Development in Europe, Kluwer Academic Publishers, Dordrecht, pp.
293-305.
Dow, Sheila (1999): “The Stages of Banking Development and the Spatial Evolution of
Financial Systems”, en Roy Martin (ed.), Money and the Space Economy, John
Wiley, Chichester, pp. 31- 48.
Faggio, Giulia y Overman, Henry (2014): “The effect of public employment on local
markets”, Journal of Urban Economics, vol. 79, pp. 91-107.
Fischer, Stanley (1974): “Money and the production function”, Economic Inquiry, vol.
12, nº 4, pp. 517-533.
Fuentes Egusquiza, I. (2008): “Evolución de la brecha crédito-depósitos y de su
financiación durante la década actual”, Boletín Económico del Banco de España,
diciembre.
Gómez, Rafael y Hernández de Cos, Pablo (2008): “Does population ageing promote
faster economic growth?”, Review of Income and Wealth, vol. 54, nº 3,
septiembre, pp. 350-372.
Gros, Daniel y Carsten, Hefeker (2007): “Monetary policy in EMU with asymmetric
transmission and non-tradable goods”, Scottish Journal of Political Economy,
vol. 54, nº 2, mayo, pp. 268-282.
Gros, Daniel (2011): “Fiscal and policy asymmetries in a common currency area”,
Parlamento Europeo, junio
(http://www.europarl.europa.eu/committees/en/studies.html).
Hoover, Edgar M. y Giarratani, Frank (1984): An Introduction to Regional Economics,
tercera edición, Alfred A. Knopf, Nueva York.
Huerta de Soto, Jesús (1998): Dinero, crédito bancario y ciclos económicos, primera
edición, Unión Editorial, Madrid.
Isserman, Andrew M. (1977): “The Location Quotient Approach to Estimating Regional
Economic Impacts”, Journal of the American Institute of Planners, vol. 43, nº 1,
enero, pp. 33-41.
32
Kilkenny, Maureen y Partridge, Mark D. (2009): “Export Sectors and Rural
Development”, American Journal of Agricultural Economics, vol. 91, nº 4, abril,
pp. 910-929.
McCann, Philip (2012): Urban and Regional Economics, Oxford University Press,
Oxford.
McDonald, John F. (1997): Fundamentals of Urban Economics, Prentice Hall.
Martin, Ron (1999): “The New Economic Geography of Money”, en Roy Martin (ed.),
Money and the Space Economy, John Wiley, Chichester, pp. 3-27.
Martin, Ron (ed.) (1999): Money and the Space Economy, John Wiley, Chichester.
Moretti, Enrico (2010): “Local Multipliers”, American Economic Review, vol. 100, nº 2,
mayo, pp. 373-377.
North, Douglass C. (1955): “Location Theory and Regional Economic Growth”,
Journal of Political Economy, vol. 63, nº 3, junio, pp 243-258.
Nourse, Hugh O. (1968): Economía regional. Estudio de la estructura, estabilidad y
desarrollo económico de las regiones, Oikos Tau, Vilassar de Mar-Barcelona,
1969 (traducción de J. M. Carreras Puigdengolas).
Pedroni, Peter (2000): “Fully modified OLS for heterogeneous cointegrated panels”, en
Badi H. Baltagi, Thomas B. Fomby y R. Carter Hill (eds.), Nonstationary Panels,
Panel Cointegration, and Dynamic Panels, Vol.15, Elsevier, Amsterdam pp. 93-
130.
Pesaran, M. Hashem (2015): Time Series and Panel Data Econometrics, Oxford
University Press, Oxford.
Piégay, Pierre y Rochon, Louis-Philippe (2003): Teorías monetarias poskeynesianas,
Ediciones Akal, Tres Cantos, 2006.
Ramos, Raul; Clar, M. y Suriñach, Jordi (1999): “EMU: Some unanswered questions”,
39th Congress of the European Regional Science Association, agosto, Dublin.
Ramos, Raul; Clar, M. y Suriñach, Jordi (2000): “Efectos regionales de la política
monetaria: implicaciones para los países de la zona euro”, III Encuentro De
Economía Aplicada, junio, Valencia.
Rodríguez Fuentes, Carlos J. y Dow, Sheila (2000): “Integración monetaria y estructura
financiera. Implicaciones para los mercados regionales de crédito”, Información
Comercial Española, nº 785, pp. 133-145.
Richardson, Harry W. (1978): Economía regional y urbana, Alianza Editorial, Madrid,
1986.
33
Sinai, A. y Stokes, H. H. (1972): “Real money balance: an omitted variables from the
production function?”, The Review of Economics and Statistics, vol. 54, nº 3, pp.
290-296.
Sinai, A. y Stokes, H. H. (1989): “Money balances in the production function:
retrospective look”, Eastern Economic Journal, vol. 15, nº 4, pp. 349-363.
Thulin, Per (2015): “Local multipliers and economic base analysis”, en Charlie
Karlsson, Martin Andersson y Therese Norman (eds.), Handbook of Research
Methods and Applications in Economic Geography, Edward Elgar, Cheltenham,
pp. 213-233.
Tugores Ques, Juan (2015): “La crisis del euro y sus impactos económicos y
sociopolíticos”, en Carlos Encinas (coord.), La crisis del euro y su impacto en la
economía y la sociedad, Publicacions i Edicions de la Universitat de Barcelona,
Barcelona, pp. 19-37.
van Dijk, Jasper J. (2014): “Local Employment Multipliers in U.S. cities”, University of
Oxford, Discussion Papers Series, October, nº 730, Oxford.
van Dijk, Jasper J. (2015): “Local Employment Multipliers in U.S. cities. A Replication
of Moretti (2010)”, University of Oxford, Discussion Papers Series, October, nº
771, Oxford.
Wolf, Martin (2014): “La crisis en la eurozona”, en La gran crisis. Cambios y
consecuencias. Lo que hemos aprendido y lo que todavía nos queda por
aprender de la crisis financiera, Deusto, Barcelona, 2015, pp. 93-149.
![Multiplicadores Interindustriales de PRgis.jp.pr.gov/Externo_Econ/Multiplicadores/Multiplicadores... · P ] µ o µ í X î ì î í ì X ì í í õ ì X ì ì ó ó ì X ì ì ó](https://img.pdfslide.es/doc/110x75/5bff9a9a09d3f2c9268c38be/multiplicadores-interindustriales-de-prgisjpprgovexternoeconmultiplicadoresmultiplicadores.jpg)
