Download Determinantes de la Productividad Total de los Factores en las

Determinantes de la Productividad Total de los Factores en las Regiones Españolas
Marta Bengoa. Departmet of Economics. City College of New York (CUNY), Universidad de
Cantabria y Colin Powell Center for Policy Studies.
Patrico Pérez. Deparmento de Economia. Universidad de Cantabria∗
Abstract: En este trabajo se estudia la contribución de los factores tradicionalmente
reconocidos en la literatura teórica como determinantes de la productividad total de los
factores –capital humano, capital tecnológico y diversos índices de especialización- de las
regiones españolas para el periodo que comprende desde 1980-2003. El análisis se basa en la
utilización de funciones de producción, utilizando un marco neoclásico, para el análisis
desagregado de la PTF por CCAA utilizando la metodología de datos de panel. Los
resultados preliminares indican que el capital humano ha desempeñado un papel destacable
en el impulso de la productividad, sin embargo, los efectos de las actividades de I+D
resultan dispares. El gasto privado en actividades de investigación incide directamente en el
estímulo de la productividad de forma significativa, junto con la diversificación de las
actividades productivas. Sin embargo, la financiación de actividades investigadoras con
recursos públicos resulta no concluyente, debido, probablemente a la utilización de medidas
que capturan los inputs y no el output innovador.
JEL: C23, O47
Keywords: productividad, progreso técnico, datos de panel
∗
El estudio forma parte del proyecto ECO2009-09569/ECON financiado por el Ministerio de Ciencia e
Innovación y se debe entender como un trabajo en curso.
Marta Bengoa Department of Economics City University of New York at City y Colin Powell Center for
Policy Studies. Patricio Pérez. Departmento de Economía, Universidad de Cantabria.
E-mail: mbengoa@ccny.cuny.edu patricio.perez@unican
1. Introducción.
Los mecanismos que utilizan las economías para acelerar el crecimiento económico
constituyen un tema de gran relevancia para toda la comunidad internacional. Las estrategias
propuestas han ido evolucionando conforme el complejo proceso de crecimiento y desarrollo
económico avanzaba. Así, en la década de los cincuenta y sesenta se promovieron las
inversiones en infraestructuras y capital físico; demostrado el hecho de que la sola
acumulación de capital es necesaria pero no suficiente para el crecimiento, la década de los
setenta estuvo marcada por una toma de conciencia sobre la importancia de otro tipo de
capital, el humano, y la necesidad de mejorar los sistemas de salud, asignatura pendiente de
la mayoría de los países en desarrollo.
Entre las causas del crecimiento, los economistas subrayan el papel que desempeñan los
procesos de innovación y de transferencia tecnológica en las economías. No obstante,
algunos países son capaces de innovar y producir su propia tecnología y otros, en cambio,
carecen de las habilidades y medios para generarla. Estos países, los menos desarrollados,
tienen que recurrir a la tecnología que se genera en otras economías. Por tanto, los procesos
de transferencia tecnológica entre países cobran una importancia crucial en el proceso de
desarrollo.
La caracterización de una u otra forma de progreso técnico tendrá implicaciones diversas
en el proceso de desarrollo económico e incidirá en la instrumentación de políticas
económicas. Por este motivo, resulta esencial conocer los fundamentos y conclusiones de
cada una de las diferentes variedades de capital tecnológico presentes en la literatura, en el
desarrollo regional cuestión que aborda de forma específica en este trabajo.
España se ha caracterizado por un bajo crecimiento de la productividad desde principios
de los años 90, no obstante, existen diferencias territoriales notables, por lo que el estudio de
los determinantes del progreso técnico regional y los factores que han influido en sus
diferencias cobra especial relevancia, especialmente, en un entorno económico actual en el
que se hace necesario la definición de un nuevo modelo productivo. En los años noventa, la
estrategia para impulsar el desarrollo se ha basado, nuevamente, en dos pilares básicos; el
fomento de la inversión en infraestructuras y el suministro de servicios básicos de salud y
educación.
La identificación de los factores que impulsan la productividad en la CCAA españolas
resulta clave para la definición de una nueva estrategia tanto a nivel regional como nacional.
Las implicaciones territoriales de la evolución de la productividad adquieren una especial
importancia en el marco y definición de la nueva estrategia de competitividad dentro del
marco de la UE. Los esfuerzos se centran en la provisión de capital público, incremento del
capital humano y la inversión en nuevas tecnologías. Existe un alto consenso en la literatura
económica en lo referente a las fuentes del crecimiento de la productividad, identificándose
cómo factores clave, la inversión en infraestructuras, el capital humano y el capital
tecnológico. Sin embargo, pese a la existencia de una amplia literatura teórica al respecto y
la publicación de aplicaciones empíricas por países, los estudios regionales todavía son
escasos en parte por la falta de disponibilidad de datos en los que se pueda imputar y medir
la efectividad de medidas de política económica de impulso de la productividad de la
economía española y sus regiones.
La estructura del estudio es la siguiente, en primer lugar se presenta el estudio teórico de
los determinantes de la productividad, en la sección tercera se analiza con detalle la
metodología aplicada para realización de las estimaciones y el análisis de datos, en la
2
sección cuarta se presentan los resultados más relevantes y la última sección ofrece las
conclusiones y recomendaciones de política económica.
2. Revisión de la literatura.
El estudio de la evolución y determinantes de la productividad tiene su origen en el
seminal trabajo de Solow (1957). En el modelo neoclásico el crecimiento económico se
explica, en su gran mayoría, debido al crecimiento de la productividad y no se basa en la
acumulación de los inputs tradicionales. De esta forma, La forma presentada por Solow
(1957) para estimar el progreso tecnológico se basa, denominada productividad total de los
factores (PTF) por lo tanto, en el supuesto de que cada factor de producción se remunera
mediante su contribución marginal a la producción, dado que el proceso de acumulación de
capital es independiente del proceso de acumulación tecnológico. De esta forma, la aparición
de mejoras tecnológicas, determinadas por la contribución de otros factores, resulta crucial a
la hora de explicar los diferentes procesos de crecimiento económico entre países o regiones.
Las aplicaciones empíricas de los modelos neoclásicos atribuyen una parte importante
del crecimiento a la tasa de crecimiento de la productividad total de los factores (PTF) o al
llamado progreso tecnológico. Solow (1957) llegó a la conclusión de que el 87.5% del
crecimiento de la producción por hora trabajada en Estados Unidos durante el periodo 19091949 se debió al progreso técnico.
La importancia del residuo de Solow como factor explicativo del crecimiento ha dado
lugar a numerosos trabajos empíricos que, empleando la contabilidad del crecimiento,
trataron de explicar si el crecimiento experimentado por diferentes países respondía al patrón
neoclásico2. El punto de partida de los trabajos nace del carácter público de la tecnología, de
la presencia de rendimientos decrecientes en el factor capital y de la existencia de una
economía competitiva sin externalidades.
Posteriores avances en el campo de los determinantes de la productividad han llegado a
un consenso en el corpus teórico que ha permitido explicar el incremento de la tasa de
crecimiento del producto a través de una combinación de factores específicos de cada país o
región y de otros más universales, entre los que destacan la innovación tecnológica, el
capital humano y la acumulación de capital (Baumol, Blackman y Wolff, 1989; Barro, 1991;
Sala-i-Martín, 1994). Algunos ejemplos de los trabajos empíricos más relevantes se
presentan en la Tabla siguiente tabla A.1 del anexo3.
En definitiva, la lectura de los resultados no debe indicarnos que los trabajos
empíricos realizados no son válidos; al contrario, nos han permitido ir avanzando en el
conocimiento de los determinantes del crecimiento, y se ha ahondado en un campo fructífero
en el que queda mucho por investigar.
2
Para estudiar extensiones del trabajo de Solow (1957) ver Deninson (1967). Las extensiones más comunes
consisten en considerar diferentes variedades de capital y trabajo y ajustarlos por cambios en la calidad de los
inputs, o en considerar el cambio técnico como incorporado en los bienes de capital. (Solow, 1962; Jorgenson y
Griliches, 1967 y Young, 1995).
3
Para un análisis más detallado ver Durlauf y Quah (1999).
3
En lo referentes a los estudios en los que se analiza la contribución del progreso técnico
al crecimiento de la productividad, caben destacar los realizados por Eaton y Kortum (1996),
Maudos, Pastor, y Serrano (1998), Maudos, Pastor y Serrano (2000) y Escribá y Murgui
(2009a, b). En ellos se destaca que no existe un proceso de convergencia entre las regiones
españolas si se analiza la evolución de la productividad del trabajo, debido a que las regiones
ricas han experimentado mayores tasas de crecimiento del progreso técnico, durante el
periodo que comprende desde 1964-91. Por otra parte, el trabajo de Gumbau-Albert, M.
(2000), demuestra que al analizar el efecto de del progreso técnico sobre la eficiencia
sectorial y regional, existen diferencias substanciales entre regiones y sectores productivos.
El trabajo de Pedraja, Salinas, y Salinas (2002), analiza el crecimiento de la
productividad total de los factores experimentado por las regiones españolas entre 1965 y
1995. Con esta finalidad, se construyen unos índices de productividad de Malmquist,
calculados mediante técnicas no paramétricas de programación lineal, descomponiendo
dicho crecimiento en ganancias de eficiencia y cambio técnico. De esta forma, se muestra
que el progreso técnico ha propiciado la convergencia entre sectores, excepto en el sector de
la construcción. En cambio, Boscá, Escribá, y Murgui (2004) estiman la productividad total
de los factores, siguiendo el modelo tradicional de Solow-Swan, y concluyen que bajo esta
estimación la mayoría de las regiones españolas muestran una sobreutilización de la
capacidad de los componentes tecnológicos instalados.
Asimismo, Mas, Maudos, Pérez, y Uriel (2005) utilizan el modelo de Solow como marco
de referencia en el estudio de la eficiencia productiva de las regiones españolas durante
1964–93, incluyendo el efecto del capital público sobre el proceso de convergencia regional.
Por último, Puig-Junoy y Pinilla (2008) investigan las principales Fuentes de heterogeneidad
que afectan a la eficiencia regional durante el periodo que cubre desde 1964 hasta 1996. Sus
resultados confirman que la ineficiencia técnica está positivamente correlacionada con la
ratio capital público en proporción al privado. Concluyen que el capital público destinado a
la provisión de infraestructuras de transporte, la especialización industrial y los spillovers
derivados de la situación de frontera con regiones más desarrolladas, contribuye
significativamente a mejorar la eficiencia regional.
Escribá y Murgui (2009ª,b) destacan que las regions españolas se encuentran entre las de
menor productividad de Europa. Utilizan datos por Industria a nivel regional para analizar el
proceso de pérdida de productividad. En su trabajo concluyen que las regiones españolas que
exhiben niveles más altos de productividad total de los factores, han sufrido las caídas más
significativas en las tasas de crecimiento, pero aún así, el efecto nivel ha frenado el descenso
de la productividad. En definitiva, parte del efecto de pérdida de productividad se debe a la
desigualdad en los patrones de crecimiento económico entre las diferentes comunidades
autónomas españolas desde 1995.
Entre los trabajos que analizan el efecto del progreso técnico en la economía regional en
otros países, destaca el realizado por Casetti (1982) en EEUU. Es uno de los primeros
trabajos que estudia los efectos de la creación de empleo y el crecimiento de la población
sobre en el aumento de la productividad. En definitiva, se trata de contrastar la Ley de
Verdoorn: se observa un aumento destacable en la productividad en las áreas o zonas
geográficas en dónde se ubican sectores de rápida expansión. Los estudios de Fingleton
(2003) y Kahn y Lim (2008) inciden en el papel que juegan los trabajadores que poseen
mayores conocimientos y técnicas en el incremento de la productividad y el desarrollo
económico. En especial se analiza el caso de la industria manufacturera en Europa. Por
último, la concentración de diferentes industrias en áreas geográficas cercanas, muchas de
las cuáles incorporan un alto desarrollo tecnológico y necesitan trabajadores especialmente
4
cualificados, incide en la existencia de disparidades en la acumulación tecnológica regional.
Un estudio reciente de Zhu, Lai y Fu (2008) explora este efecto en las diferentes regiones de
China y encuentran evidencia a favor de la existencia de convergencia en la llamada “Nueva
región del Este”, no así, en el resto de las provincias de otros grupos o regiones.
3. Datos y fuentes.
El análisis se lleva a cabo para el sector productivo privado, agregado éste que excluye
las ramas residencial y público, tanto en lo que se refiere al valor añadido bruto a coste de
factores (VABcf) –del que se excluyen alquileres imputados y servicios no destinados a la
venta–, como respecto del empleo y el capital –de los que se excluyen el residencial y el
público4–. En estos dos sectores la PTF no está exenta de problemas conceptuales y de
cómputo5. Las fuentes de datos usadas en este trabajo se facilitan en el Anexo.
El nivel de PTF de cada año se obtiene a partir del nivel del año anterior y la tasa de
crecimiento del año en curso. Bajo la hipótesis de competencia perfecta y retribución a los
factores de producción por su productividad marginal, α y (1-α) representan en la ecuación
(5) tanto las participaciones del capital y el trabajo en el VABcf como las elasticidades del
producto respecto de los factores. Los valores de alfa se calculan como ratio de las rentas del
trabajo al VABcf (ambos en valores corrientes). Ahora bien, los valores de αi son distintos
entre sectores, por lo que, bajo el supuesto de neutralidad de Hicks, pequeñas diferencias en
las unidades de medida de la productividad del trabajo y del capital pueden dar lugar a
cambios en el ranking intersectorial (Bernard y Jones, 1996). Para evitar el sesgo que
pudieran resultar de la utilización de αi específicos para cada región y sector, el nivel del año
base, en este caso 1980, se obtiene normalizando la productividad del trabajo y el capital
(igualando ambas a 100 en el agregado nacional, con lo que la PTF inicial agregada nacional
será también 100). Esto permite obtener un ranking regional, en función de las
productividades relativas del trabajo y el capital en cada región respecto de los
correspondientes valores nacionales (Escribá y Murgui, 1998).
El gráfico 1 muestra la evolución de los niveles de las PTF, utilizando un alfa específico
cada año. Las series regionales presentan acusadas discrepancias de partida –con las
comunidades de Madrid y Baleares destacando por arriba, y Extremadura por abajo– y una
suave tendencia creciente de la PTF nacional hasta 1988 (tasa del 1%). Después hay un
proceso de convergencia de las PTF regionales, junto con una tendencia decreciente de la
PTF nacional (tasa de -0,48%). Fruto de esta evolución, la desviación estándar de las series
regionales se reduce desde 20,2 en 1980 hasta 10,7 en 2003. Sin embargo, cuando se utilizan
valores de alfa promedio del periodo muestral, como es bastante usual en la literatura, el
perfil evolutivo de las PTF cambia. El gráfico 2 muestra que la PTF nacional crece a tasa del
1,96% entre 1980 y 1995, y permanece estancada después, o más precisamente retrocede a
tasa del 0,4% anual. Sólo en las regiones más rezagadas (como Extremadura, Asturias y
Galicia) crece algo la PTF, mientras permanece prácticamente invariable en las demás
CCAA, salvo en Baleares que se reduce de forma notable.
4
Los resultados no difieren sensiblemente si se restringe el agregado al sector productivo privado nofinanciero.
5
Véase Escribá y Murgui (1998).
5
Gráfico 1: Evolución de la Productividad Total de los Factores por CCAA (α
α anual)
160.0
140.0
120.0
100.0
80.0
60.0
20
03
20
02
20
01
20
00
19
99
19
98
19
97
19
96
19
95
19
94
19
93
19
92
19
91
19
90
19
89
19
88
19
87
19
86
19
85
19
84
19
83
19
82
19
81
19
80
40.0
AND
ARA
AST
BAL
CAN
CANT
CYL
CLM
CAT
VAL
EXT
GAL
MAD
MUR
NAV
PV
RIO
TOTAL CC.AA.
Fuente: Elaboración Propia a partir de BDMORES.
Gráfico 2: Evolución de la Productividad Total de los Factores por CCAA (α
α
promedio)
180.0
160.0
140.0
120.0
100.0
80.0
60.0
20
03
20
02
20
01
20
00
19
99
19
98
19
97
19
96
19
95
19
94
19
93
19
92
19
91
19
90
19
89
19
88
19
87
19
86
19
85
19
84
19
83
19
82
19
81
19
80
40.0
AND
ARA
AST
BAL
CAN
CANT
CYL
CLM
CAT
VAL
EXT
GAL
MAD
MUR
NAV
PV
RIO
TOTAL CC.AA.
Fuente: Elaboración Propia.
6
El gráfico 3 muestra la evolución de la desviación estándar de las PTF calculadas a partir
de ambos valores de alfa (anual y promedio del periodo). Tras un aumento de la dispersión
hasta 1987, las disparidades decrecen de forma sostenida. Sin embargo, la convergencia
resulta de escasa magnitud cuando se utiliza un alfa medio del periodo muestral, pues la
desviación estándar en 2003 (17,6) es sólo un 13% inferior a la de 1980 (20,2). La ausencia
de convergencia en este caso se ve reforzada por el gráfico 4, que contiene la distribución de
las PTF regionales en 1980 y 2003, medidas en desviaciones respecto de la media nacional.
Las observaciones están agrupadas en el centro, en el primer y tercer cuadrante, con la
excepción de Madrid (en la esquina superior derecha) y Extremadura (en la esquina inferior
izquierda). El R2 de la línea de regresión ajustada es igual a 0,66. Es decir, las CCAA con
mayor productividad al comienzo del periodo muestral son prácticamente las mismas que al
final, y viceversa; sólo se apartan de esa tendencia Galicia (que ha mejorado su posición
relativa) y Baleares (que la empeoró). En lo que sigue centraremos el análisis en las series de
PTF que se obtienen a partir de un alfa medio del periodo.
Gráfico 3: Desviación estándar de las PTF regionales
26
22
18
14
10
1980
1982
1984
1986
1988
1990
Alfa anual
1992
1994
1996
1998
2000
2002
Alfa medio
Fuente: Elaboración Propia.
7
Gráfico 4: Nivel relativo de PTF en 1980 y 2003
El análisis descriptivo de datos permite observar un estimable grado de correlación entre
las PTF y los principales inputs tecnológicos. El capital humano es una de las variables que
se supone tiene mayor influencia sobre la productividad. El gráfico 5 muestra que la
productividad aumenta con el nivel educativo. Utilizando datos correspondientes al
promedio del periodo 1980-2003, el coeficiente de determinación entre ambas variables,
medidas en desviaciones respecto de la media nacional, es de 0,482. Se puede observar que
las regiones líderes se sitúan en el primer cuadrante, con la Comunidad de Madrid ocupando
una posición muy destacada respecto de todas las demás, mientras que las regiones más
rezagadas (como Extremadura y Castilla La-Mancha) se sitúan en el tercer cuadrante6. El
resto de CCAA se agrupa en torno a la media, por encima y por debajo de la línea de
tendencia. Asimismo, se ha intentado captar la contribución del empleo cualificado mediante
un índice de especialización. Algunos autores han contrastado positivamente que la
distinción entre trabajadores manuales y no-manuales responde a la diferente cualificación
de ambas categorías (Cameron, 2003).
6
La relación estadística entre PTF y educación es prácticamente la misma si se toma como expresión del nivel
educativo el número medio de años cursados en 1980.
8
Gráfico 5: Nivel relativo de PTF vs. Educación.
Otro de los principales inputs tecnológicos es el stock de capital I+D. Con el fin de
contrastar mejor su eficiencia, se consideran por separado el capital privado y el capital
público. Expresado como porcentaje del valor añadido bruto a precios de mercado
(VABpm), el capital I+D privado muestra un rápido crecimiento en los años 80, seguido de
un estancamiento / desaceleración después. En los últimos años han aumentado las
diferencias entre las regiones líderes y el resto en términos del stock de capital I+D privado.
Mientras que Madrid, País Vasco, Cataluña y Navarra superan el 4% del VABpm, las demás
regiones apenas llegan al 2%. En cuanto al capital I+D público, la evolución de la ratio es
más moderada al principio, pero también más sostenida en el tiempo. En conjunto, Madrid
es la CCAA que más destaca por su capacidad para acumular recursos tecnológicos, tanto
privados como públicos (5,1% y 4,5%, respectivamente, en promedio). Le siguen el País
Vasco respecto de capital I+D privado (5%), y Andalucía y Aragón respecto del capital
público (2.3%).También es usual en la literatura expresar la dotación de capital I+D como
ratio del stock de capital físico (Alatas y Cameron, 2003).
9
Gráfico 6: Nivel relativo de capital I+D privado vs. PTF
El gráfico 6 permite apreciar una correlación positiva entre el capital tecnológico privado
y la PTF, medidos como desviaciones respecto de la media española. No obstante, la
correlación crece significativamente cuando se considera la ratio del capital I+D público
sobre el stock de capital físico, ya que el coeficiente de determinación de la linea ajustada
aumenta hasta 0,36. Las observaciones regionales se agrupan en torno al origen de
coordenadas, que representa la meda nacional, con las excepciones de Madrid y
Extremadura (y en menor medida Baleares).
10
Gráfico 7: Nivel relativo de capital I+D público vs. PTF.
Otros inputs tecnológicos usados son el personal investigador, el capital social y la
estructura productiva. La relación del progreso técnico con la intensidad investigadora está
ampliamente constatada por la literatura. El capital social es un activo que reduce los costes
de transacción, mejora la eficiencia y aumenta la productividad del trabajo y el resto de
activos productivos. Con el fin de captar externalidades vinculadas a la concentración de la
actividad, se utiliza el índice de no-diversidad de Herfindahl-Hirschman. Un signo negativo
del mismo se relaciona con externalidades dinámicas tipo Jacobs (1969), que atribuyen a la
diversificación de las actividades una incidencia favorable sobre la productividad. Un
entorno urbano diversificado facilita la búsqueda y experimentación de la innovación.
4. Metodología
Con el fin de estimar la contribución de las variables proxies del capital humano y de los
inputs tecnológicos, además de los efectos de los índices de especialización productiva para
el cómputo de las externalidades tipo Jacobs (1969), se ha utilizado la metodología de datos
de panel, aplicada a las 17 CCAA españolas desde 1980-2003.
Suponemos que la tecnología viene representada por una función de producción CobbDouglas, se parte de una función de producción agregada del tipo Cobb-Douglas con
rendimientos constantes a escala, en una economía en la que existe competencia perfecta y
no se producen externalidades:
(1)
Yit = Ait F(Kit, Lit)
11
la función de producción depende del factor capital (K), del trabajo (L), y de la tecnología
(A)7, presentando todos los inputs acumulables productividad marginal decreciente.
Derivando la expresión anterior con respecto al tiempo obtenemos:
•
(2)
Y =
∂Y •
∂Y •
∂Y •
K +
L +
A
∂K
∂L
∂A
donde un punto sobre la variable denota su derivada con respecto al tiempo.
Dividiendo ambas partes de la expresión por Y, y ordenando términos resulta:
•
•
•
(3)
definimos α =
∂Y K
, como la elasticidad de sustitución del factor capital, y
∂K Y
(1-α) =
∂Y L
∂L Y
K
L ∂Y
+
K
Y ∂L
•
Y
K ∂Y
=
Y
Y ∂K
L
A
+
L
A
la elasticidad de sustitución del factor trabajo. Si sustituimos la expresión
resultante adopta la forma:
•
(4)
•
•
•
Y
K
L
A
= α
+ (1 − α )
+
Y
K
L
A
de donde la tasa de crecimiento de la productividad total de los factores (PTF) vendrá
determinada por la expresión:
(5)
•
•
•

A
Y
K

=
− α
A
Y
K


•
L 
+ (1 − α )
L 

La expresión 5 está basada en el supuesto de que cada factor de producción se remunera
mediante su contribución marginal a la producción y que el proceso de acumulación de
capital es independiente del proceso de acumulación tecnológico.
Partiendo de la ecuación (5), nuestro principal objetivo consiste en la estimación de los
factores que afecta a la PTF de las regiones españolas para el periodo que comprende desde
1980 hasta el 2003, y para ello, realizaremos estimaciones utilizando la econometría de datos
de panel. La principal ventaja en la utilización de una estructura basada en datos de panel,
según Hsiao (1986), Solon (1989), Arellano y Bover (1990) y Baltagi (2001), reside en el
control de la heterogeneidad inobservable. El empleo de datos de panel hace posible estimar
modelos en los que se puede tener en cuenta el comportamiento individual regional y las
diferencias en la función de producción de cada una de las economías de la muestra junto
con la información que aporta la longitud temporal (Islam, 1995). La utilización de datos de
sección cruzada o series temporales no pueden controlar esta heterogeneidad, lo que puede
conducir a estimaciones sesgadas.
7
El progreso técnico se considera neutral en sentido de Hicks, los desplazamientos en la función de producción
no alteran la relación marginal de sustitución entre factores.
12
Adicionalmente, la utilización de datos de panel permite aprovechar mejor la
información temporal que contienen los datos, obtener más variabilidad, reducir los
problemas de multicolinealidad entre las variables, ganar grados de libertad y llegar a
estimaciones más eficientes (Baltagi, 2001). Dado que nuestra muestra está formada
únicamente por 17 regiones y empleamos cierta variedad en el número de variables
explicativas, los datos de panel proporcionan más grados de libertad y ofrecen resultados
más robustos de los que obtendríamos mediante un estudio cross-country. Como ventaja
añadida, nos permite especificar modelos dinámicos, esto es, que incluyan retardos de las
variables exógenas o endógenas. El estudio de los determinantes mediante un análisis con
datos de sección cruzada por regiones no permite modelizar respuestas dinámicas,
precisamente porque suprime la dimensión temporal.
Partiendo de la especificación general:
(6)
yit = η i + xit β + ε it
donde y es la variable dependiente, x es un vector de NT × k variables, β es un vector de
parámetros k × 1 y ε it es un término de perturbación. Intuitivamente, y aplicándolo a nuestro
trabajo, se estaría suponiendo que el modelo económico que subyace es el mismo para todos
los países. La variación entre países está recogida en η i . Para contrastar correctamente este
modelo, estimamos β por mínimos cuadrados ordinarios (MCO) obteniendo el estimador β̂
denominado estimador de covarianza o intra grupos.
Si partimos de la expresión (6), en el caso en el que exista correlación entreη i y las
variables explicativas xit , es decir:
(7)
Cov(η i , xit ) ≠ 0
la aproximación más adecuada utiliza inferencia condicional y el modelo puede considerarse
de efectos fijos:
Si por el contrario, los efectos latentes o individuales no están correlacionados con las
variables observables, esto es:
(8)
Cov(η i , xit ) = 0
el modelo se puede considerar de errores compuestos o modelo de efectos aleatorios. Por lo
tanto, en el modelo de efectos aleatorios supone que η i es una variable aleatoria
inobservable independiente de las variables explicativas del modelo, y los efectos
individuales pasan a formar parte del término error, de forma que:
(9)
yit = α + xit β + uit
siendo uit = η i + ε it
El tratamiento de efectos aleatorios, en nuestro ejemplo, permite que el modelo
económico subyacente a la estimación cambie a lo largo del tiempo, y supone la
idiosincracia de cada uno de los países como independiente de las variables explicativas
escogidas. La estimación del modelo, en este caso, se realiza por mínimos cuadrados
generalizados (MCG), obteniendo el estimador de Balestra y Nerlove (1966).
13
El tipo de modelo especificado en la ecuación (10) también se denomina modelos de
errores compuestos. Aunque, sin pérdida de generalidad, se puede considerar el modelo
descrito como de efectos aleatorios, lo que resulta crucial en este modelo es conocer la
relación existente entre los efectos individuales y las variables observables (Mundlak, 1978
y Chamberlain, 1980).
En términos prácticos, para contrastar la ecuación (10) y de este modo, optar por el
modelo de efectos fijos o aleatorios, debemos conocer si las variables explicativas están o no
correlacionadas con los efectos latentes de cada uno de los países; para ello, empleamos el
test de Hausman (1978). La hipótesis nula está basada en el supuesto de ausencia de
correlación entre los efectos latentes y las variables observables, es decir Cov(η i , xit ) = 0 . El
test de Hausman sigue una distribución χ k2 , donde k representa el número de regresores.
Si aceptamos la hipótesis nula de ausencia de correlación entre η i y xit , el estimador
intra grupos (estimador within groups)8 sería un estimador de β consistente pero no
asintóticamente eficiente, mientras que el estimador MCG sería un estimador consistente y
eficiente. Por tanto, bajo la hipótesis nula, las dos estimaciones no deberían diferir
sistemáticamente. Por el contrario, si rechazamos la hipótesis nula, el estimador MCG
resulta inconsistente mientras que el estimador intra grupos es consistente. A continuación,
se presentarán los resultados obtenidos tras la contrastación de los modelos especificados en
esta sección.
5. Resultados Empíricos.
Se han realizado estimaciones utilizando la metodología de datos de panel, con el fin de
estudiar cuáles son las principales variables que afectan a la productividad total de los
factores a escala regional. Tal y como se identificó en el repaso de la literatura, existe
consenso teórico sobre los determinantes de la productividad, esto es, se trata de analizar si
las actividades de investigación llevadas a cabo por organismos públicos, la investigación
privada, el capital humano y el capital social han generado, en el caso español, aumentos de
la productividad e identificar las fuentes del progreso productivo. En definitiva se trata de
estimar una ecuación que se deriva de la expresión anterior, que puede transformarse en una
expresión lineal tal como:
(13)
ln(TFPit ) = α + β1 ln(HCit ) + β2 ln( Skillsit ) + β3 ln(R & Dprivit ) + β4 ln(R & Dpubit ) + β5 ln(Researchers)it
β6 (Herphindex
it ) + β7 (Gsit ) +ηi + εit
siendo uit = η i + ε it
La tabla 1 ofrece los resultados de las estimaciones básicas de la ecuación 13 para el
modelo de datos de panel OLS en dos etapas el periodo que abarca desde 1980-2003 y desde
1986-2003 cuando se analizan los efectos del capital social y del número de investigadores
en la productividad9. Las tres primeras estimaciones ofrecen los resultados del modelo
básico en el que se trata de analizar el impacto de la inversión en I+D en la productividad de
8
El estimador intra grupos (efectos fijos) estima el modelo una vez que se ha depurado el elemento de
heterogeneidad individual sustrayendo la media del panel para cada variable. El estimador entre grupos
(between groups) estima a partir de las medias del periodo para cada panel. El estimador de primeras
diferencias elimina la heterogeneidad individual estimando el modelo una vez que se ha tomado primeras
diferencias. Para más detalles ver Hsiao (1986) o Baltagi (2001).
9
Los datos publicados sobre capital social se encuentran disponibles a partir de 1983, http://www.ivie.es/ivie/.
Con respecto al número de investigadores los primeros datos son del 1986 www.ine.es.
14
las CCAA españolas, se han introducido dummies regionales y controlado los efectos
temporales. Tal y como se puede observar en las estimaciones, el total de los recursos
utilizados para I+D, tanto públicos como privados, aunque su influencia es positiva, no
resulta significativa en la determinación de la productividad. La influencia de los fondos
privados destinados a la investigación es positiva y significativa al 90%, y cabe destacar el
resultado negativo y significativo que ofrece la relación I+D pública sobre la productividad.
Se han utilizado otra medida input del capital tecnológico, como el número de
investigadores, cuya influencia resulta positiva pero no significativa.
Table 1. Resultados modelo de MCO
Dependent Variable: ln(TFPi,t)
Independent
Pooled OLS Basic Model
Variables
Constant
R&D total
Model 1
1.776*
(0.106)
Model 2
4.392*
Model 3
2.453*
(0.228)
(0.228)
Model 4
2.478*
(0.214)
Model 5
2.342*
(0.222)
Model 7
1.835*
0.233
(0.012)
0.0195
(0.015)
1.610*
(0.146)
1.430*
(0.116)
0.001*
(0.000)
0.001*
(0.000)
(0.303)
1.962
(1.414)
R&D private
0.399**
(1.320)
R&D public
0.457*
(0.011)
-0.054*
(0.012)
-0.050*
(0.010)
Nº Researchers
HC Domenech &
de la Fuente
Model 6
1.473*
(0.361)
1.556*
(0.577)
0.879*
(0.121)
1.207*
(0.087)
HC IVIE
1.302*
(0.093)
1.390*
(0.097)
Specialization
-0.112*
(7.51)
Social Capital
Herfindahl Index
-0.945*
(0.252)
Gs Index
-0.546*
(0.166)
1994 Dummy
-0.029*
(0.162)
-0.017*
(0.158)
-0.031*
(0.178)
-0.028*
(0.159)
-0.012*
(0.146)
-0.019*
(0.178)
-0.022*
(0.162)
1995 Dummy
-0.032*
(0.163)
-0.035*
(0.160)
-0.038*
(0.175)
-0.025*
(0.156)
-0.028*
(0.165)
-0.037*
(0.159)
-0.034*
(0.170)
Number of obs
408
408
408
408
408
289
289
0.756
0.651
0.635
0.773
0.878
0.732
0.727
631.51
650.94
690.3
348.06
377.62
143.97
170.46
Adjusted
R-squared
F test (n-1, n-K)
Notes: Time dummies and Regional dunmmies are included but not reported. Standard errors in parenthesis.
Coefficients with * are significant at 5% level ** at 10% level. All variables are expressed in LN. White´s
heroskedasticity covariance matrix estimat
El resultado más satisfactorio lo ofrecen las diferentes medidas utilizadas para el capital
humano. Tanto la medida de capital humano extraída de la base de datos de De la Fuente y
Domenech como el índice de capital humano que ofrece la fundación BBVA-IVIE resultan
significativos y con coeficientes que se mantienen en el rango entre 0.87-1.6, es decir la
15
influencia del capital humano en la productividad regional parece ser la variable clave para
el incremento y estímulo de la misma.
La medición de las externalidades, a su vez, ofrece los resultados deseados,
significativos y negativos, lo que confirma la teoría económica sobre los efectos de la
diversificación de la actividad productiva en el territorio. Por otra parte, el capital social
resulta significativo y su influencia pese a ser positiva, resulta muy residual, con un
coeficiente del 0.001 que se mantiene estable en todas las estimaciones.
La tabla 2 ofrece las estimaciones del modelo base y ampliado tanto para la metodología
que utiliza efectos fijos como efectos aleatorios. Como se puede comprobar por los valores
del test de Hausman, cuya probabilidad supera el 0.05, la estimación consistente y eficiente
es la de efectos aleatorios, por lo tanto la idiosincrasia regional es un efecto que se ha tenido
en cuenta en la estimación y que resulta relevante en el caso de las CCAA españolas. Los
resultados, aún así, son muy parecidos, se observan pocas variaciones y se mantienen la
estabilidad de los coeficientes, pese a las diferentes metodologías empleadas. El test F que
nos indica la calidad de la especificación del modelo en el caso de los efectos fijos y el Wald
Chi2 -en el caso de los efectos aleatorios-, en la cuál todos los coeficientes son diferentes a
cero, en todos los casos la probabilidad es menor que 0.05, lo que indica que nuestro modelo
es correcto.
Con respecto a la influencia de la I+D en la productividad, los resultados preliminares,
no aparecen significativos los recursos totales destinados a financiar actividades de
investigación. De hecho, únicamente los recursos de carácter privado mantienen su impacto,
pese a las distintas estimaciones, y resultan significativos al 95%. El coeficiente varía en un
entorno entre 0.17 y 0.46 aproximadamente. Los resultados de las estimaciones por efectos
fijos y aleatorias confirman los resultados previos por MCO en los que el efecto de la
inversión en I+D pública queda inconcluso. La inexistencia de medidas adecuadas a escala
regional que puedan captar el output innovador, resulta una limitación en este caso, por lo
que únicamente podemos establecer que se destaca la baja tasa de progreso técnico en las
regiones españolas y la existencia de importantes diferencias en los niveles de investigación
y evolución temporal de la capacidad científica por sectores y CCAA (Maudos, Pastor y
Serrano; 2000).
El impacto destacado del capital humano en la productividad de las regiones española, se
mantiene estable, positivo y significativo en todas las estimaciones con independencia del
índice utilizado para medir el capital humano. Se han utilizado otros índices como el de
especialización que mide el porcentaje de asalariados autónomos sobre el empleo total, cuyo
impacto resulta negativo y significativo. El Capital Social aparece como un determinante de
la productividad pero con un impacto muy moderado, resultados similares aparecen en otros
estudios como el de Ascari y Di Cosmo (2004) para las regiones italianas. Los índices que
miden los efectos de la diversificación productiva, como el índice de Herfindahl, resultan
altamente significativos y con el signo deseado en todas las estimaciones.
16
Table 2. Resultados del modelo de efectos fijos y aleatorios
Dependent Variable: ln(TFPi,t)
Independent
Fixed Effects Model
Variables
Constant
R&D total
Model 1
1.618*
(0.887)
0.871
(2.552)
R&D private
Model 2
5.507*
(0.072)
Model 3
1.759*
(0.113)
0.174**
(0.842)
R&D public
Model 4
2.478*
(0.214)
Random Effects Model
Model 5
2.342*
(0.222)
-0.598*
(0.7233)
1.331*
(0.532)
1.733*
(0.0432)
Model 3
1.660*
(0.075)
1.390*
(0.097)
Model 4
1.624*
(0.765)
0.329*
(0.040)
1.668*
(0.0414)
Model 7
2.238*
(0.255)
0.052*
(0.018)
0.007
(0.014)
1.543*
(0.878)
1.210*
(0.128)
1.514*
(0.093)
0.005*
(0.000)
0.001*
(0.000)
-2.933*
(0.373)
1.200*
(0.138)
1.688*
(0.041)
-0.112*
(7.51)
-0.154*
(0.041)
0.005*
(0.000)
Herfindahl Index
Gs Index
Model 6
2.997*
(0.361)
-0.17350*
(0.016)
0.081
(0.014)
1.639*
(0.050)
1.610*
(0.146)
Model 5
1.865*
(0.230)
0.319*
(0.664)
-0.579*
(0.674)
1.302*
(0.093)
Social Capital
Adjusted
R-squared
Hausman Test
(Prob>chi2)
F test
Model 2
5.508*
(0.094)
-0.050*
(0.010)
Speciatlization
Number of obs
Model 1
1.622*
(0.901)
0.962
(2.373)
0.316**
(0.843)
0.064*
(0.018)
1.641*
(0.532)
Model 7
2.324*
(0.241)
0.457*
(0.011)
Nº Researchers
HC Domenech &
de la Fuente
HC IVIE
Model 6
2.997*
(0.361)
0.001*
(0.000)
-3.995*
(0.382)
-0.605*
(0.386)
-0.661*
(0.333)
408
408
408
408
408
289
289
408
408
408
408
408
289
289
0.897
0.534
0.740
0.807
0.791
0.8425
0.894
0.897
0.534
0.740
0.807
0.791
0.8425
0.894
0.8985
0.8399
0.0938
0.147
0.549
0.111
0.401
0.8985
0.8399
0.0938
0.147
0.549
0.111
0.401
1703.93
412.54
396.31
495.09
759.53
344.09
169.69
Wald Chi2.
3436.70
141.68
2261.67
3665.19
2467.20
1011.67
1677.26
(Prob>chi2)
(0.000)
(0.000)
(0.000)
(0.000)
(0.000)
(0.000)
(0.000)
Notes: Time dummies are included but not reported. Estimations use White´s heteroskedasticity consistent covariance matrix. Standard errors in parenthesis: Coefficients with * are significant at 5% level
** at
10% level. Hausman test null hypothesis:
6. Conclusiones.
El estudio de los determinantes de la productividad en las regiones españolas que se ha
llevado a cabo desde 1980 hasta 2003, confirma ciertas hipótesis teóricas para el caso español,
además, es una herramienta indispensable para la aplicación de políticas económicas regionales.
El avance de la productividad regional difiere substancialmente, apreciándose grandes
diferencias entre regiones. Por un lado destacamos la existencia de regiones líderes, más
cercanas a los niveles de productividad de otros países o regiones europeas, y por el otro lado,
un grupo de regiones para las que se aumenta la distancia con respecto a las economías líderes.
De forma tentativa podemos establecer que la cantidad de recursos destinados a la inversión
por parte del sector privado, junto con la dotación de capital humano se muestran como
determinantes para el avance de la productividad total de los factores. Resulta necesario resaltar
la importancia del capital humano en la explicación de la productividad total de los factores en
la economía española. El avance de la productividad se ha beneficiado substancialmente de la
mayor formación de los trabajadores.
Sin embargo, el impacto de la inversión pública resulta inconcluso, y se debe seguir
avanzando en el estudio de su impacto a escala regional con el fin de contribuir a la mejora de la
distribución de los recursos. En nuestro análisis no se han podido incluir proxies de output para
la actividad investigadora, ya que no se disponen de datos de patentes u otros indicadores por
comunidades autónomas. Otras medidas utilizadas como el capital social o los índices de
especificación y diversificación, influyen claramente en la mejora de la productividad aunque su
impacto resulta limitado.
La baja productividad de la economía española y sus diferencias regionales ocupan la agenda
económica actual, por lo que resulta imprescindible la determinación de los factores que la
afectan con el fin de aplicar las políticas adecuadas para promover su impulso. La mejora del
sistema educativo en el que se introduzca una mayor competencia por recursos, estudiantes y
profesores, el impulso de la creatividad y rigor en la enseñanza, sin duda serán clave en el futuro
económico nacional. Su especial vinculación con la actividad investigadora, y la discusión sobre
la financiación de la actividad tecnológica y aplicación de la innovación ocupan la agenda del
futuro económico. Se requiere por lo tanto, un esfuerzo en adecuar las políticas públicas sobre
investigación, para complementar las del sector privado siguiendo criterios de eficiencia.
Por último, este trabajo plantea múltiples retos de futuro como el análisis sectorial y la
incidencia de las actividades de I+D por sectores e industrias, así como su aportación al
crecimiento de la productividad.
7. Bibliografía
Alatas, Vivi and Cameron, L. (2003), “The Impact of Minimum Wages on Employment in a
Low Income Country: An Evaluation using the Difference-in-Differences Approach”
World Bank PolicyResearch Working Paper 2985, March 2003.
Álvarez, I, y Delgado, M.J (2005), “Difusión tecnológica y convergencia económica: un análisis
de las regiones y los sectores productivos españoles” Economía, Sociedad y Territorio,
Vol. 5, Nº. 18, pp. 301-322.
Anderson, T.W. y Hsiao, Ch. (1981), “Estimation of Dynamic Models with Error Components”
Journal of the American Statistical Association, Vol. 76, No. 375 (Sep., 1981), pp. 598606
Arellano, M. y Bover, O. (1990), “La Econometría de Datos de Panel”, Investigaciones
Económicas, 14, pp. 3-45.
Baltagi, B. H. (2001), Econometric Analysis of Panel Data. John Wiley and Sons, LTD, New
York.
Balestra, P. y Nerlove, M. (1966), “Pooling Cross Section and Time Series Data in the
Estimation of a Dynamic Model: The Demand for Natural Gas”, Econometrica, 34,
pp.585-612.
Baumol, W. J., Blackman, S. y Woff (1989), Productivity and American Leadership: the Long
View, MIT Press, Cambridge, London.
Barro, R. (1991), “Economic Growth in a Cross Section of Countries”, Quarterly Journal of
Economics, May, pp. 407-443.
Bernard, A. y Jones, CH., 1996. "Technology and Convergence," Economic Journal,
Royal Economic Society, vol. 106(437), pp. 1037-44
Boscá, J.E., Escribá, J., y Murgui, M. J., (2004), “Total Factor Productivity Growth in Spanish
Regions: Effects of Quasi-fixed and External Factors and Varying Capacity Utilization”
Regional Studies, Volume 38, Issue 6, pp. 587 - 601
Casetti, E. (1982), “Technological progress, capital deepening, and manufacturing productivity
growth in the USA: a regional analysis" Environment and Planning A 14(12). Pp. 1577–
1585.
Chamberlain, G. (1980), “Analysis of Covariance with Qualitative Data”, Review of Economic
Studies, 47, pp. 225-238.
Durlauf, S. N. y Quah, D. (1999), “The New Empirics of Economic Growth”, Handbook of
Macroeconomics, John Taylor y Michael Woodford (Ed.).
Eaton, J y Kortum, S. (1996), "Trade in ideas Patenting and productivity in the OECD," Journal
of International Economics, Elsevier, vol. 40(3-4), pp. 251-278,
Escribá, F.J. and M.J. Murgui (1998), “La Productividad Total de los Factores entre Sectores y
regiones en la Economía Española (1980-1993). D-98005, DGAPP. Ministerio de
Economía y Hacienda.
Escribá, F.J. y Murgui, M.J. (2009a), “Regional aspects of the productivity slowdown: an
análisis of Spanish sectoral data from 1980 to 2003” Ministerio de Economía y
Hacienda. Dirección General de Presupuestos. D-2009-03.
Escribá, F.J. y Murgui, M.J. (2009b), “Government policy and industrial investment
determinants in Spanish regions”, Regional Science and Urban Economics,
Fingleton, B. (2003), European Regional Growth, Springer, ISBN 3540003665
Gumbau-Albert, M. (2000), “Efficiency and technical progress: sources of convergence in the
Spanish regions” Applied Economics, Volume 32, Number 4, 20, pp. 467-478(12)
Hausman J. A. (1978), “Specification tests in econometrics”, Econometrica, 46, pp.1251-1272.
19
Hsiao, C. (1986), Analysis of Panel Data. Cambridge University Press.
Islam, N. (1995), “Growth Empirics: A Panel Data Approach”, Quarterly Journal of Economics,
110, pp. 1127-1170.
Jorgenson, D. y Griliches, Z. (1967), “The Explanatory of Productivity Change”, Review of
Economic Studies, 34, pp. 249-280.
Kahn, J. y Lim, J.S. (2008), “Skilled Labor-Augmenting Technical Progress in U.S.
Manufacturing”, Center for Economic Research (RCER) in its series RCER Working
Papers with number 437
Mas, M., Maudos, J. , Pérez, F. y Uriel, E. (2005), “Public Capital, Productive Efficiency and
Convergence In The Spanish Regions (1964–93)”, Review of Income and Wealth,
Volume 44, Issue 3, pp. 383 – 396
Maudos, J., Pastor, J.M., y Serrano, L. (1998), “Convergencia en las regiones españolas: cambio
técnico, eficiencia y productividad” Revista Española de Economía, vol. 15, 2, pp. 235264.
Maudos, J., Pastor, J.M., y Serrano, L (2000), "Efficiency and productive specialization: an
application to the Spanish regions" Regional Studies, 34, pp. 829-842
Millán, J. A. y Aldaz, N. (2004), “Efficiency and Technical Change in Intertemporal
Intersectoral DEA” Journal of Productivity Analysis. Volume 21, Number 1. pp. 7-21
Pedraja, F; Salinas, M and Salinas, J (2002), "Efectos del capital público y del capital humano
sobre la productividad de las regiones españolas" Papeles de Economía Española, 93,
pp. 135-147
Puig-Junoy, J. y Pinilla, J. (2008) “Why are Some Spanish Regions so Much More Efficient
than Others?” SSRN working paper nº 1107773
Sala-i-Martín, X. (1994), “La riqueza de las regiones: evidencia y teorías sobre crecimiento
regional y convergencia”, Moneda y Crédito, 198, pp. 13-80.
Salinas-Jiménez, M., (2003), "Technological change, efficiency gains and capital accumulation
in labour productivity growth and convergence: an application to the Spanish regions"
Applied Economics, 35, pp. 1839-1851.
Shujin Zhu, Mingyong Lai and Xiaolan Fu (2008), “Spatial characteristics and dynamics of
provincial total factor productivity in China”, EconPapers 6(2), pages 197-217.
Solow, R. M. (1957), “Technical Change and the Aggregate Production Function”. Review of
Economics and Statistics, 39, pp. 312-320.
Solow, R. M. (1962), “Technical Progress, Capital Formation and Economic Growth” American
Economic Review, 52, pp. 76-86.
Young, A. (1995), “The Tyranny of Numbers: Confronting the Statistical Realities of The East
Asia Growth Experience”, Quarterly Journal of Economics, 110 (3), pp. 641-680.
20
Zhu, S., Lai, M. y Fu, X. (2008), "Spatial characteristics and dynamics of provincial total
factor productivity in China," Journal of Chinese Economic and Business Studies,
Taylor and Francis Journals, vol. 6(2), pp. 197-217
8. Anexo: Variables y fuentes utilizadas
Tabla A.1. Determinantes del progreso técnico.
Grupos y Variables
Polt. Fiscal
Autores
Ram (1986), Barro y Sala i Martín (1992), Easterly y Rebelo
(1993), Mendoza et al. (1997), Stokey y
Rebelo (1995), Baffes y Shah (1998).
Política Macroeconómica
Polt. Monetaria
Relaciones
Comerciales y
Apertura al Exterior
Kormendi y Meguire (1985), Fischer (1992), Sánchez-Robles
(1997), Andrés y Hernando (1997).
Kormendi y Meguire (1985), Edwards (1998), Romer (1990),
Krueger (1997), Durlauf y Quah (1999), Rodrik y Rodrigo
(1999).
De Gregorio (1992), Blomstrom et al. (1992), Borensztein et
al. (1998) De Mello (1999), Bengoa (2000).
Inversión Extranjera
Educación y Capital
Humano
Ciencia y Tecnología
Baumol et al (1989), Romer (1989), Becker et al. (1990), Barro
(1991), Benhabib y Spiegel (1994), Barro y Lee (2000), De la
Fuente y Domènech (2000), Mulligan et al. (2000).
Griliches (1986), Busom (1994), Coe y Helpman (1995),
Verspagen (1995), Gittleman y Wolff (1995).
Políticas Estructurales
Infraestructuras
Aschauer (1989), Barro (1990), De Long et al. (1991), Bajo y
Sosvilla (1993), Mas et al. (1993), Sánchez-Robles (1998).
Barro (1990), Lynde y Richmond (1993).
Inversión Pública
Sma. Legal
Sala i Martín (1997), Barro (1996).
Entorno Institucional
21
Sma. Financiero
Estructura Productiva
Greenwood y Jovanovich (1990), King y Levine (1993), De la
Fuente y Marín (1994), Demetriades y Hussein (1996),
Sánchez-Robles (1997), Beck et al. (2000).
Actividad Empresarial Schimitz (1989), Argandoña (1997).
Estabilidad Social y
Política
Kormendi y Mequire (1985), Barro (1990, 1996), Barro y Lee
(1994), Caselli et al. (1996), Sala i Martín (1997), Acemoglu et
al (2006)
Aspectos Socio-Políticos
Libertades Civiles,
Religión y Diversidad
Étnica
Fertilidad
Otros Aspectos
Kormendi y Mequire (1985), Barro y Lee (1994), Sala i Martín
(1997), Easterly y Levine (1997), Lian y Oneal (1997), Collier
(2000).
Becker et al. (1990), Brander y Dowrick (1994), Galor y Zang
(1997), Morand (1999).
Desigualdad
Deininger y Squire (1997), Barro (2000), Bengoa y SánchezRobles (2001).
Catch-up
Abramovitz (1986), Dowrick y Nguyen (1989), Verspagen
(1991), Wolff (1991), Fagerberg (1994), Raymond (1995,
1999), De la Fuente (1995), Bajo y Sosvilla (1995), Papadas
(2004)
Fuente: elaboración Propia.
En este trabajo se utiliza la base de datos BD.MORES b-2000 (De Bustos et al., 2010), que
cubre el periodo 1980-2003, en lo que hace referencia a la mayor parte de las variables (véase
Dabán et al., 1998).En dicha base, las variables están desagregadas sectorialmente en 20 ramas
de actividad, y territorialmente en las 17 comunidades autónomas.
Productividad total de los factores (PTF). Se ha calculado a partir del VAB a precios de
mercado en valores constantes de 2000, descontando la participación del trabajo y el capital
productivo. Se restringe el agregado al concepto de productivo privado, esto es deduciendo los
servicios de no venta y la aportación del sector público.
Capital humano. Se utilizan como proxy las series de años medios de escolarización de la
población mayor de veinticinco años, estimadas por De la Fuente y Domenech (2006).
Stock de capital I+D+i. La variable utilizada en las estimaciones es la ratio del stock de capital
I+D productivo privado (calculado por método de inventario permanente) sobre el stock de
capital físico. Con el fin de medir el efecto de los input tecnológicos sobre la PTF, se han
separado los capitales tecnológicos público y privado.
22
Investigadores I+D. El Instituto Nacional de Estadística (INE) facilita información sobre el
número de investigadores equivalentes a dedicación plena (EDP) en empresas, administraciones
públicas y enseñanza superior, así como personal en EDP, desde 1987. Los datos de 1994 y
2002 se obtienen por interpolación entre los años adyacentes.
Capital social. Se trata de un índice proxy, que recoge el papel de la cooperación y la confianza
en la obtención de los resultados sociales y económicos. Los datos están disponibles en base 100
desde 1983 en adelante; proceden de Pérez, Serrano y Fernández (2008), en un estudio
elaborado por la Fundación BBVA y el Instituto Valenciano de Investigaciones Económicas
(IVIE).
Índice de especialización. Se calcula como ratio de trabajadores no-asalariados sobre el empleo
total. El índice capta, fundamentalmente, el peso de los trabajadores autónomos.
23