Temas de Econometría Aplicada: modelos multiecuacionales, causalidad, datos de panel y desarrollo internacional

TEMAS DE ECONOMETRÍA APLICADA Guisán, M.C. · Aguayo, E. · Expósito, P. Prólogo Capítulo 1. Modelos multiecuacionales y causalidad: aplicaciones a la Producción y el Consumo de España, EEUU y México, Guisán, M.C. y Expósito, P. 1.1. Modelos multiecuacionales: estimación y predicción 1.2. Modelos de Consumo y PIB en España, EEUU y México 1.3. Clasificación de las relaciones de causalidad 1.4. Contrastes de cointegración y causalidad Anexo A1. PIB por habitante y Producción Industrial, 1964-2022 Capítulo 2. Datos de panel, variables ficticias y modelos interregionales, 1994-2022, Guisán, M.C. y Aguayo, E. 2.1. Estimación con datos de panel 2.2. Variables ficticias y contrastes de estabilidad muestral 2.3. Modelos interregionales, 1994-2004: Educación, I+D, Industria y Turismo en regiones españolas, europeas y americanas 2.4. Modelos interregionales, 2005-2022: Empleo, PIB, Salario, Productividad y Calidad de vida en regiones de Europa y de la OCDE Anexo A2. Modelos del Equipo de Econometría de la USC, 1994-2022 Capítulo 3. Modelos de Empleo, Salario y PIB en países de la OCDE, Guisán, M.C. 3.1. Enfoques del PIB: Oferta, Demanda y Desequilibrio 3.2. Modelos de Empleo dependiente de Q/W y KD/W 3.3. Modelos de Salario real y Productividad 3.4. Modelos de Empleo sectorial Anexo A3. Empleo, Salario y Productividad en 3 países de la OCDE: España, Alemania y EEUU Capítulo 4. Modelos econométricos de Educación y Desarrollo Mundial: Producción, Calidad de Vida e Igualdad de Género, 1900-2022, Guisán, M.C., Aguayo, E., Expósito, P. 4.1. Desarrollo mundial e impacto de la educación, 1900-2019 4.2. Modelos econométricos de Educación y Producción per cápita 4.3. Modelos econométricos de Educación y Calidad de Vida 4.4. Modelos econométricos de Educación e Igualdad de Género Anexo A4.1. Conceptos básicos en modelos internacionales Anexo A4.2. Lecturas seleccionadas: Modelos aplicados a Europa, América, África, Asia y otras áreas Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 1 TEMAS DE ECONOMETRÍA APLICADA: MODELOS MULTIECUACIONALES, CAUSALIDAD, DATOS DE PANEL Y DESARROLLO INTERNACIONAL Libro coordinado por María-Carmen Guisán Seijas (2022). Autoras: Maria-Carmen Guisán Seijas Eva Aguayo Lorenzo Pilar Expósito Díaz Libro EE9 Nº 9 de la Serie de libros electrónicos “Estudios Económicos” (EE) Publica: Asociación Hispalink-Galicia https://www.usc.gal/economet/ebooks.htm Año 2022 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 2 Libro coordinado por María-Carmen Guisán Seijas (2022). Autoras: Maria-Carmen Guisán, Eva Aguayo y Pilar Expósito Profesoras de Econometría de la USC https://www.usc.gal/economet/libros.htm https://www.usc.gal/economet/ebooks.htm Libro EE9 de la Serie “Estudios Económicos” Edita Asociación Hispalink-Galicia. ISSN 2952-0738 Diseño de portada: Mabel Aguayo Coordinadora de la Web: Pilar Expósito https://www.usc.gal/economet/libros.htm (Libros del Equipo) https://www.usc.gal/economet/ahg.htm (Libros de la serie EE) https://www.usc.gal/economet/ebooks.htm (Libros electrónicos Blogs de la AHG coordinador por María-Carmen Guidsán:: https://hispalinkgalicia.blogspot.com https://economiaydesarrollo-eeg.blogspot.com Equipo Hispalink-Galicia Secretaría: Profesora Pilar Expósito Facultad de Ciencias Económicas de la USC Ave. Xoan XXIII s/n 15782 Santiago de Compostela (España) Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 3 Índice Página Prólogo …………………………………………………………....... 4 Capítulo 1. Modelos multiecuacionales y causalidad: aplicaciones a la Producción y el Consumo de España, EEUU y México, Guisán, M.C. y Expósito, P. 1.1. Modelos multiecuacionales: estimación y predicción ….......... 5 1.2. Modelos de Consumo y PIB en España, EEUU y México…… 10 1.3. Clasificación de las relaciones de causalidad ……………….. 21 1.4. Contrastes de cointegración y causalidad……………………. 22 Anexo A1: PIB por habitante y Producción Industrial, 1964-2022 Capítulo 2. Datos de panel, variables ficticias y modelos interregionales, 1994-2022 , Guisán, M.C. y Aguayo, E. 2.1. Estimación con datos de panel ……………………………….. 31 2.2. Variables ficticias y contrastes de estabilidad muestral ……… 32 2.3. Modelos interregionales, 1994-2004: Educación, I+D, Industria y Turismo en regiones españolas, europeas y americanas……….... 34 2.4. Modelos interregionales, 2005-2022: Empleo, PIB, Salario, Productividad y Calidad de vida en regiones de Europa y de la OCDE 43 Anexo A2: Modelos del Equipo de Econometría de la USC, 1994-2022 Capítulo 3. Modelos de Empleo, Salario y PIB en países de la OCDE, Guisán, M.C. 3.1. Enfoques del PIB: Oferta, Demanda y Desequilibrio …..………….. 57 3.2. Modelos de Empleo dependiente de Q/W y KD/W …………........... 59 3.3. Modelos de Salario real y Productividad …………………………… 66 3.4. Modelos de Empleo sectorial ………………………………………. 70 Anexo A3. Datos de Empleo y salario en España, Alemania y EEUU Capítulo 4. Modelos econométricos de Educación y Desarrollo Mundial: Producción, Calidad de Vida e Igualdad de Género, 1900-2022, Guisán, M.C., Aguayo, E., Expósito, P. 4.1. Desarrollo mundial e impacto de la educación, 1900-2019 ………… 75 4.2. Modelos econométricos de Educación y Producción per cápita …...... 82 4.3. Modelos econométricos de Educación y Calidad de Vida ………….. 84 4.4. Modelos econométricos de Educación e Igualdad de Género ………. 86 Anexo A4.1. Conceptos básicos en modelos internacionales Anexo A4.2. Lecturas seleccionadas Bibliografía . …………………………………..………………………… 101 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 4 Prólogo a la edición de 2022 Presentamos la edición del año 2022 del libro “Temas de Econometría Aplicada.”. Se basa en investigaciones realizadas por las autoras en un amplio período (publicadas en los libros EE4, EE5, EE8) de nuestra Asociación) y en versiones anteriores del libro EE9, e incorpora nuevos contenidos. Futuras actualizaciones pueden incluirse en el documento de Guisán(2022), EcoDev126, que se cita en la Bibliografía. Se dirige a estudiantes de cursos avanzados de Economía y a quienes realizan un trabajo de investigación de Fin de Grado, Master o Doctorado. Es conveniente haber seguido un curso previo de metodología econométrica como el de Guisán(1997) (Econometría, Ed. McGraw Hill Interamericana) o similar. Se incluyen conocimientos metodológicos importantes para la especificación y contraste de los modelos empíricos relacionados con la producción, el empleo y el desarrollo, teniendo en cuenta varias perspectivas de oferta y demanda, así como el efecto no sólo de las variables incluidas sino también de variables relevantes excluidas. Utilizamos el programa E-Views para las aplicaciones econométricas. La bibliografía de modelos econométricos se ha seleccionado por su interés, por su disponibilidad gratuita en internet y por inclusión de análisis más detallados y tablas de datos (elaboradas en general, tras un proceso laborioso, a partir de estadísticas del INE, la OCDE, el Banco Mundial y otras fuentes). La evidencia empírica de los modelos internacionales muestra un importante impacto positivo que la Educación sobre el desarrollo y la relevancia que tienen la Industria, el Turismo, el Comercio Exterior y el gasto en I+D y otras variables. Los capítulos del libro y la bibliografía están disponibles en formato pdf en los enlaces que se indican al pie de esta página. Las autoras son profesoras de Econometría de la USC, con numerosas publicaciones incluidas en las bases bibliográficas Ideas.Repec, SCOPUS de Elsevier, Dialnet y otras. Santiago de Compostela 1-7-2022. LAS AUTORAS https://www.usc.gal/economet/ebooks.htm: Libros EE en pdf https://www.usc.gal/economet/libros.htm: Libros EE, DEA y otros Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 5 CAPÍTULO 1 MODELOS MULTIECUACIONALES Y CAUSALIDAD: APLICACIONES A LA PRODUCCIÓN Y EL CONSUMO EN ESPAÑA, EEUU Y MÉXICO GUISÁN, María-Carmen* EXPÓSITO, Pilar 1.1. Modelos multiecuacionales: clases, estimación y predicción Los modelos multiecuacionales relacionan un conjunto de M variables endógenas entre sí y con un conjunto de K variables predeterminadas. La matriz de variables endógenas corrientes (referidas al momento t), a las que mencionaremos simplemente como variables endógenas, es Y. La matriz de variables predeterminadas (exógenas y endógenas retardadas) es X. Los coeficientes de variables excluidas en cada ecuación son nulos. Modelos lineales y no lineales: Los modelos multiecuacionales pueden ser lineales y no lineales. En la sección 1.2 hacemos referencia a la estimación de modelos multiecuacionales lineales y en la sección 3.2 a la estimación de modelos no lineales. Modelos recursivos y con interdependencia: En los modelos recursivos no existen relacionales bilaterales contemporáneas entre las variables endógenas, mientras que en los modelos con interdependencia se presenta al menos una relación bilateral contemporánea. En los modelos recursivos, las ecuaciones pueden ordenarse de forma que la variable dependiente en la ecuación ma,, ym, es una endógena que puede depender de variables predeterminadas y de variables endógenas explicadas en otras ecuaciones anteriores (yj j<m), pero no de variables endógenas explicadas en ecuaciones posteriores (yj j>m). La estimación de cada ecuación de un modelo recursivo se puede realizar por Mínimos-Cuadrático Ordinarios (MCO), ya que en ese caso proporciona estimadores consistentes y máximo-verosímiles. ------- *María-Carmen Guisán y Pilar Expósito son profesoras de Econometria de la USC: https://www.usc.gal/economet/econometria.htm Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 6 En los modelos multiecuacionales con interdependencia los estimadores MCO pierden, en algún grado, esas buenas propiedades, como se demuestra en el Capítulo 8 de Guisán(1997) y en otros estudios. En caso de interdependencia es preferible utilizar, en vez de MCO, otros métodos que proporcionan estimadores consistentes como Mínimos-Cuadrados en 2 Etapas. Causalidad e Interdependencia: Para especificar correctamente si un modelo es recursivo o interdependiente es conveniente analizar las relaciones de causalidad unilateral o bilateral entre las variables endógenas. En la sección 1.4 se indican algunos métodos interesantes en este sentido, como el test de Hausman que permite contrastar la causalidad bilateral contemporánea. Forma estructural y forma reducida: modelo multiecuacional lineal: (1) y´(t)  + x¨(t)  + u´(t) = 0 Forma estructural (2 y´(t) = x´(t)  + v´(t) Forma reducida (3)  = -   -1 ;   = - B Relaciones de parámetros (4) v´(t) = - u´(t)  -1 Relación de perturbaciones (5) Y  + X  + U Forma estructural para t=1,...,T (6) Y = X  + V Forma reducida para t=1,…,T (7)  = (1  2 ...  M) Matriz, MxM, de parámetros estructurales   = (B1 2.... K) Matriz, KxM, de parámetros estructurales B  = ( 1 2 ... K) Matriz, KxM, de la forma reducida Las matrices U y V corresponden a perturbaciones de la forma estructural y de la forma reducida. La matriz de covarianzas contemporáneas entre los elementos u´(t) es la matriz . En las identidades tanto la esperanza matemática como la varianza de su perturbación son nulas. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 13 Producción y Consumo de España y USA 1964-2012 Gráfico 1.1. Consumo y PIB por habitante de España y USA, 1965-2012, (miles de dólares a precios del año 2000) 0 5 10 15 20 25 30 35 40 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 PH00E CH00E PH00U CH00U Nota: CH00 y PH00) en España (E) y USA (U), en miles $2000. Fuente: Elaboración por Guisán y Exposito(2013) a partir de datos de la OCDE. Gráfico 1.2. QHI en USA (U) y España (E) (miles de Dólares del año 2000) 0 1 2 3 4 5 6 7 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 QHI00E QHI00U Fuente: Elaborado por Guisan y Exposito(2013) a partir de datos de la OCDE Gráfico 1.3. QHNI en USA (U) y España (E) (miles de Dólares del 2000) 4 8 12 16 20 24 28 32 36 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010 QHNI00E QHNI00U Fuente: Elaborado por Guisan y Exposito (2013) a partir de datos de la OCDE Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 14 En el modelo sencillo de oferta asumimos que QHI (PIB industrial por habitante) es exógena, y que QHNI (PIB no industrial por habitante) depende de su valor pasado y del incremento de QHI. En un modelo macroeconométrico más amplio, también se incluyen una ecuación que explica la evolución de QHI y otras ecuaciones (véase capítulo 3 de este libro y artículo de Guisán(2013)). En los gráficos observamos que un mayor valor de QHI en USA explica en gran medida sus mayores valores de QHNI, PH y CH en comparación con España. Tanto en el modelo de España como en el Estados Unidos, observamos un impacto positivo e importante del incremento de la producción industrial por habitante sobre la producción no industrial, y por lo tanto sobre PH y CH. Estimación de modelos sencillos de demanda y oferta en España Tabla 1.1. Estimación MC2E: Ecuación D1, modelo de demanda, España Dependent Variable: CH00E Method: Two-Stage Least Squares. Sample: 1965 2005 Instrument list: CH00E(-1) PH00E(-1) Variable Coefficient Std. Error t-Statistic Prob. CH00E(-1) 0.991272 0.003647 271.7798 0.0000 D(PH00E) 0.752912 0.085817 8.773432 0.0000 R-squared 0.998611 Mean dependent var 6.27 Adj. R-squared 0.998575 S.D. dependent var 1.5441 S.E. of regression 0.058288 Sum squared resid 0.1322 Durbin-Watson stat 1.454994 Second-Stage SSR 0.5878 Nota: Elaborado por Guisán y Expósito Tabla 1.2. Estimación MC2E: Ecuación D2 del modelo de demanda, España Dependent Variable: PH00E Method: Two-Stage Least Squares. Sample: 1965 2005 Instrument list: CH00E(-1) PH00E(-1) Variable Coeff. Std. Error t-Statistic Prob. PH00E(-1) 1.007538 0.002208 456.3488 0.0000 D(CH00E) 1.298070 0.148227 8.757328 0.0000 R-squared 0.999310 Mean dependent var 10.16 Adj. R-squared 0.999293 S.D. dependent var 2.8694 S.E. of regression 0.076310 Sum squared resid 0.2271 Durbin-Watson stat 1.478770 Second-Stage SSR 1.0761 Nota: Elaborado por Guisán y Expósito Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 15 Tabla 1.3. Estimación MCO de la ecuación (S4): modelo de oferta, España Dependent Variable: CH00E. Method: Least Squares. Sample: 1965 2005 Variable Coefficient Std. Error t-Statistic Prob. CH00E(-1) 0.993847 0.002276 436.7167 0.0000 D(PH00E) 0.686953 0.045873 14.97519 0.0000 R-squared 0.998681 Mean dependent var 6.27 Adj. R-squared 0.998647 S.D. dependent var 1.54 S.E. of regression 0.056802 Akaike info criterion -2.8509 Sum squared resid 0.125832 Schwarz criterion -2.7673 Log likelihood 60.44438 Hannan-Quinn criter. -2.8205 Durbin-Watson stat 1.436637 Nota: Elaborado por Guisán y Expósito Tabla 1.4. Estimación MCO de la Ecuación (S1): modelo de oferta: España Dependent Variable: QHNI00E. Method: Least Squares. Sample: 1965 2005 Variable Coefficient Std. Error t-Statistic Prob. QHNI00E(-1) 1.017669 0.002095 485.7141 0.0000 D(QHI00E) 1.619098 0.233942 6.920953 0.0000 R-squared 0.998391 Mean dependent var 8.22 Adjusted R-squared 0.998350 S.D. dependent var 2.3630 S.E. of regression 0.095996 Akaike info criterion -1.8014 Sum squared resid 0.359397 Schwarz criterion -1.7178 Log likelihood 38.92994 Durbin-Watson stat 1.4571 Nota: Elaborado por Guisán y Expósito Predicción en los modelo de demanda y oferta de España Para obtener la forma reducida deducida, en el modelo de demanda, seguimos los siguientes pasos, teniendo en cuenta (11): 1) Creamos las matrices de estimadores de parámetros estructurales: matrix(2,4) matrixbe; matrix(4,4) matrixge 2) Introducimos los valores numéricos: matrixbe(1,1) =0.991272; matrixbe(1,2)=0, y demás elementos. 3) Calculamos la forma reducida deducida, matrixpe: matrixpe = -matrixbe * @inverse(matrixge) Resultados de Matrixge, modelo de demanda de España Nota : R indica fila (row), y C indica columna (column). C1 C2 C3 C4 R1 0.6150 -0.4998 -0.3850 -0.4998 R2 0.2504 1.3325 0.2504 0.3325 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 16 En el modelo de demanda, la predicción de CH y de PH se realiza, respectivamente, mediante los coeficientes de las columnas C1 y C2: CH00EFDT = 0.6150*CH00EFD t-1 + 0.2504*PH00EEFDt-1 PH00EFDt = -0.4998*CH00EFDt-1 + 1.3325*PH00EEFDt-1 La predicción en el modelo de oferta se realiza en las ecuaciones (S4) y (S1), con los coeficientes estimados de las tablas 3 y 4. QHNI00EFS =1.017669*QHNI00EFS(-1)+ 1.619098*D(QHI00E) PH00EFS = QHI00E + QHNI00EFS CH00EFS = 0.993847*CH00UFE(-1) + 0.686953*D(PH00EFS) En las tablas 1.5 y 1.6 se presentan los valores verdaderos de CH y PH y las predicciones para ambas variables. Tabla 1.5. CH00E y predicciones de demanda y oferta, España 2006-2010 Año CH00E Demanda Oferta 2006 9.083 9.364 9.102 2007 9.241 9.799 9.231 2008 9.119 10.238 9.148 2009 8.636 10.682 8.459 2010 8.724 11.132 8.563 Nota: Datos de CH00E de OCDE, y predicciones dinámicas de oferta y demanda, elaboradas por M.C.Guisán y P. Expósito. Miles de $ del 2000 por habitante Tabla 1.6. PH00E y predicciones de Demanda y oferta: España, 2006-2010 Año PH00E Demanda Oferta 2006 15.836 16.135 15.786 2007 16.107 16.821 16.056 2008 15.954 17.518 16.018 2009 15.260 18.227 15.096 2010 15.149 18.949 15.323 Nota: Datos de PH00E de OCDE, y predicciones dinámicas de oferta y demanda de M.C. Guisán y Pilar Expósito. Miles de $ del 2000 por habitante Capacidad predictiva: El % del Error Absoluto Medio (%EAM), respecto a la media de PH00E, supone sólo un 0.79% en el modelo de oferta mientras que asciende a un 11.9% en el modelo de demanda, calculados a partir de las predicciones que figuran en la tabla 6. Consideramos mejor el modelo de oferta, pero más adelante, analizamos también efectos de la demanda. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 17 Estimación de modelos sencillos de demanda y oferta en USA Las siguientes tablas muestran los resultados de la estimación de estos modelos con datos de USA en el período 19652005 y la capacidad predicitiva en el período 2006-2010. Tabla 1.7. Estimación MC2E: Ecuación D1 del modelo de Demanda, USA Dependent Variable: CH00U Method: Two-Stage Least Squares. Sample: 1965 2005 Instrument list: CH00U(-1) PH00U(-1) Variable Coefficient Std. Error t-Statistic Prob. CH00U(-1) 1.016045 0.007939 127.9751 0.0000 D(PH00U) 0.180370 0.286232 0.630153 0.5323 R-squared 0.998050 Mean dependent var 18.0391 Adjusted R-squared 0.998000 S.D. dependent var 4.1995 S.E. of regression 0.187787 Sum squared resid 1.3752 Durbin-Watson stat 1.157736 Second-Stage SSR 2.6126 Fuente: Guisán, M.C., y Expósito, P. Nota: En estimación MCG con AR(1), los coeficientes de regresión también resultaron significativos. Tabla 1.8. Estimación MC2E: Ecuación D2 del modelo de demanda, Fuente; Elaborado por Guisán, M.C. y Expósito, P. Tabla 1.9. Estimación MCO: Ecuación (S4), Modelo de oferta, USA Dependent Variable: CH00U. Method: Least Squares. Sample: 1965 2005 Variable Coefficient Std. Error t-Statistic Prob. CH00U(-1) 1.008367 0.001577 639.5093 0.0000 D(PH00U) 0.463088 0.041729 11.09761 0.0000 R-squared 0.999104 Mean dependent var 18.04 Adj. R-squared 0.999082 S.D. dependent var 4.1995 S.E. of regression 0.127273 Akaike info criterion -1.2374 Sum squared resid 0.631741 Schwarz criterion -1.1538 Log likelihood 27.36691 Hannan-Quinn criter. -1.2069 Durbin-Watson stat 1.356778 Dependent Variable: PH00U Method: Two-Stage Least Squares. Sample: 1965 2005 Instrument list: CH00U(-1) PH00U(-1) Variable Coefficient Std. Error t-Statistic Prob. PH00U(-1) 0.968855 0.049878 19.42435 0.0000 D(CH00U) 3.484978 3.504805 0.994343 0.3262 R-squared 0.990191 Mean dependent var 26.76 Adjusted R.squared 0.989940 S.D. dependent var 5.29 S.E. of regression 0.530512 Sum squared resid 10.9762 Durbin-Watson stat 1.180526 Second-Stage SSR 9.0608 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 18 Tabla 1.10. Estimación MCO: Ecuación S1 del modelo de oferta, USA Dependent Variable: QHNI00U. Method: Least Squares. 1965 2005 Variable Coefficient Std. Error t-Statistic Prob. QHNI00U(-1) 1.013945 0.002198 461.2864 0.0000 D(QHI00U) 1.198282 0.247750 4.836663 0.0000 R-squared 0.995914 Mean dependent var 22.10 Adjusted R-squared 0.995809 S.D. dependent var 4.3485 S.E. of regression 0.281505 Akaike info criterion 0.3502 Sum squared resid 3.090550 Schwarz criterion 0.4338 Log likelihood -5.179408 Hannan-Quinn criter. 0.3806 Durbin-Watson stat 1.407110 Fuente; Elaborado por Guisán, M.C. y Expósito, P. Predicción en los modelos de demanda y oferta de USA Al igual que en España, la capacidad predictiva resulta mucho mejor en el enfoque de oferta que en el de demanda, poniendo de relieve la gran importancia de la producción industrial para el crecimiento y el desarrollo. Para predecir en el modelo de demanda de USA, definimos las matrices estimadas de los parámetros de la forma reducida de (11) (matrixbu, matrixgu) y calculamos matrixpu: matrixpu=(-matrixbu)*@inverse(matrixgu) Matrixpu : Modelo de Demanda, USA Nota : R indica fila (row), y C indica columna (column). La predicción dinámica de CH00UFD y PH00FD, se realiza mediante la forma reducida deducida, con los coeficientes de las dos primeras columnas de matrixpu: CH00UFDT = 1.022858*CH00UFD t-1 -0.001315*PH00UFDt-1 PH00UFDt = 0.037771*CH00UFDt-1 + 0.992712*PH00UFDt-1 La predicción en el modelo de oferta se realiza con las estimaciones de las tablas 9 y 10, considerando como valor retardado de las variables endógenas los generados por el propio modelo en el período de predicción, a partir de los datos verdaderos iniciales: matrixpu C1 C2 C3 C4 R1 1.022858 0.037771 0.022858 0.037771 R2 -0.001315 0.992712 -0.001315 -0.007288 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 19 PH00UFS = QHI00U + QHNI00UFS QHNI00UFS = 1.013945*QHNI00UFS(- 1)+1.198282*D(QHI00U) CH00UFS = 1.008367*CH00UFS(- 1) + 0.430388*D(PH00UFS) Los resultados para el período 2006-2010 se incluyen en las tablas 11 y 12: Tabla 11. CH00u y predicciones de Demanda y Oferta: USA, 2006-2010 obs CH00U Demanda Oferta 2006 26.815 26.829 26.667 2007 27.608 27.392 27.077 2008 27.272 27.967 27.217 2009 26.689 28.555 26.945 2010 27.204 29.159 27.581 Nota: Datos de PH00E de OCDE, y predicciones dinámicas de de oferta y demanda de Guisán, M.C. y Expósito, P.. Miles de $ 2000 por habitante. Tabla 12. PH00U y predicciones de Demanda y Oferta: USA 2006-2010 obs PH00U Demanda Oferta 2006 38.264 38.293 37.969 2007 38.708 39.027 38.404 2008 38.499 39.777 38.201 2009 37.143 40.544 37.040 2010 37.859 41.327 37.995 Nota: Datos de PH00E de OCDE, y predicciones dinámicas de de oferta y demanda, elaboradas por Guisán, M.C. y Expósito, P. Miles de $ 2000 por habitante. Capacidad predictiva: El Porcentaje del Error Absoluto Medio (%EAM), respecto a la media de PH00U en el período 2006-2010, supone sólo un 0.71% en el modelo de oferta mientras que asciende a un 4.5% en el modelo de demanda, según las predicciones de la tabla 12 para Estados Unidos. Consideramos mejor el modelo de oferta. La demanda tiene importancia pero el impacto de la oferta sobre la demanda, es en general más fuerte que el de la demanda sobre la oferta. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 20 Evolución de QHI en 5 países de la OCDE, 1960-2020 El gráfico 4 muestra la evolución de QHI, en el período 19602020, en 5 países de la OCDE. Gráfico 4. Valor Añadido real por habitante en la Industria (QHI) en España, Alemania, Francia, Reino Unido (UK) y USA (miles de Dólares a precios y tipos de cambio del año 2000) 0 1 2 3 4 5 6 7 60 65 70 75 80 85 90 95 00 05 10 15 20 España Francia UK Alemania USA Fuente: Elaborado por la autoras a partir de datos de la OCDE Algunos países no han conseguido recuperar su nivel de producción industrial por habitante del año 2008. Es importante el análisis de las diferencias entre países respecto al impulso de la producción industrial por habitante, y de otros variables que son de gran importancia para el desarrollo económico. Se incluye una introducción a este tema se incluye en el Capítulo 3 de este libro (EE9) y una ampliación sobre modelos macroeconométricos y desarrollo económico en Guisán(2023 a), en el libro el EE11. 1.3. Clasificación de las relaciones de causalidad El Cuadro 1 presenta una clasificación general de las distintas situaciones que pueden presentarse en lo que respecta a las relaciones de causalidad entre dos variables, basada en Guisán(2001) (libro EE4) y (2007a) (EcoDev 96). Es importante distinguir la correlación no causal de la causal, así como el sentido de la causalidad. El análisis de causalidad se puede abordar desde los tests de causalidad y también utiliza el análisis de cointegración, contrastes de especificación y otros métodos. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 21 Cuadro 1. Relaciones de causalidad entre variables económicas 1. Causalidad directa unidireccional de sentido fijo: a) X causa a Y ó b) Y causa a X 2. Causalidad directa unidireccional de sentido variable. Existe en modelos de desequilibrio: X a veces causa a Y, e Y a veces causa a X 3. Causalidad directa bidireccional (X causa a Y e Y causa a X): a) sin relación contemporánea (modelo recursivo): Yt=f(Xt), Xt=f(Yt-1) b) con relación contemporánea (interdependencia): Yt=f(Xt, Z1r), Xt =F(Yt, Z2t) 4. Causalidad indirecta: X e Y no están relacionadas directamente pero nfluyen en, o están influidas por, otra variable Z. Ejemplos: a) Z= F(X, otras variables) Y=F(Z), b) Y=F(Z), X=F(Z) 5. Ausencia de causalidad: a) incorrelación, b) correlación casual Fuente: Guisan(2001) y (2007a). Esta clasificación tiene en cuenta varias situaciones: tanto la existencia de relación bilateral contemporánea como otras situaciones (bilateral no contemporánea, unidireccional, ausencia de causalidad). En la causalidad unidireccional es importante distinguir entre relaciones de sentido fijo y de sentido variable. En los modelos macroeconométricos de desequilibrio, las medidas de impulso al Consumo tienen un efecto positivo sobre la Producción cuando hay un déficit de demanda pero son las medidas de apoyo a la Producción (inversión en capital físico y humano, suministro de energía u otros inputs intermedios, etc.) la que impulsa el Consumo cuando hay insuficiente oferta. Entre Consumo y Producto Interior Bruto (PIB) hay habitualmente un cierto grado de relación bilateral, pero en general la oferta es la que muestra un mayor impacto. 1.4. Contrastes de cointegración y causalidad Cointegración: A partir de Granger(1969), y otras publicaciones se inició un gran interés entre muchos investigadores económicos sobre el análisis de cointegración como método para distinguir entre "relaciones causales" y "relaciones espurias o falsas". Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 22 Ese método considera como posiblemente espurias a todas las relaciones en las que no se puede rechazar la hipótesis de "no cointegración", es decir tanto a las situaciones en las que hay evidencia de no cointegración como a las de incertidumbre que son muy frecuentes. La experiencia en la aplicación del análisis de cointegración indica que ese enfoque tiene muchas limitaciones y en general no es suficiente para descartar la existencia de causalidad. Hay que tener en cuenta que, además de las situaciones de aceptación y rechazo, es frecuente que haya situaciones de incertidumbre con evidencia más favorable a la aceptación que al rechazo que no es lógico equipar a rechazo. El análisis consiste en contrastar si la perturbación del modelo es estacionaria, se analiza en el Documento 96 de Guisán(2007 a).. En el programa E-Views utilizamos la instrucción UROOT. Limitaciones del análisis de cointegración:El test de cointegración en muchos casos no es suficiente para afirmar si hay o no causalidad, ya que pueden darse relaciones no causales que cointegran y relaciones causales que no cointegran debido a algún pequeño problema de especificación en modelos en niveles o en incrementos. El modelo dinámico mixto (que expresa Y en función de Y(-1) y del incremento de una o más variables exógenas (D(X)) es importante, en muchos casos para poner de manifiesto la cointegración de una relación causal. Test de causalidad de Granger: no modificado y modificado El test de Granger(1969) trata de distinguir si existe relación bilateral o unilateral no contemporánea. Se basa en analizar la entre dos variables Y y X en función de un modelo VAR (Vector Autorregresion) con algunos retardos (por ejemplo 2 en el caso de un VAR(2). En E-views se utiliza la instrucción CAUSE. Si el VAR es de orden 2 tiene 2 retardos de cada variable: Y(- 1), Y(-2), X(-1) y X(-2). Se estima por MCO la relación entre X y los retardos de Y y de X, así como la relación entre Y y dichos retardos de Y y de X. Puede añadirse termino constante C si su coeficiente resulta significativo. El test de Granger consiste en utilizar el estadístico F para contrastar la nulidad conjunta de los retardos de X en la ecuación Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 29 1984 5.566 17.264 9.029 25.551 1.740 4.390 1985 5.652 17.880 9.205 26.155 1.789 4.405 1986 5.819 18.370 9.475 26.673 1.875 4.418 1987 6.138 18.746 9.976 27.148 1.962 4.606 1988 6.426 19.308 10.461 27.916 2.052 4.797 1989 6.773 19.583 10.945 28.564 2.128 4.796 1990 7.004 19.680 11.342 28.605 2.167 4.787 1991 7.187 19.295 11.605 27.945 2.191 4.651 1992 7.321 19.593 11.678 28.352 2.258 4.956 1993 7.130 19.930 11.524 28.737 2.173 5.047 1994 7.179 20.373 11.769 29.543 2.181 5.325 1995 7.278 20.697 12.069 29.936 2.252 5.596 1996 7.328 21.061 12.260 30.698 2.288 5.647 1997 7.572 21.517 12.705 31.713 2.411 5.829 1998 7.873 22.286 13.242 32.667 2.519 5.945 1999 8.188 23.122 13.750 33.746 2.622 6.148 2000 8.554 23.862 14.338 34.611 2.712 6.282 2001 8.651 24.215 14.638 34.478 2.760 5.880 2002 8.614 24.633 14.774 34.778 2.712 5.907 2003 8.597 25.075 14.918 35.503 2.693 6.095 2004 8.822 25.746 15.234 36.622 2.680 6.286 2005 8.932 26.277 15.459 37.574 2.644 6.398 2006 9.083 26.815 15.836 38.264 2.684 6.380 2007 9.241 27.608 16.107 38.708 2.702 6.378 2008 9.120 27.272 15.954 38.499 2.476 6.082 2009 8.636 26.689 15.260 37.143 2.061 5.350 2010 8.724 27.204 15.126 37.859 2.067 5.584 2011 8.612 27.758 15.011 38.317 2.022 5.784 2012 8.459 28.235 14.808 38.896 1.948 5.780 Nota: Datos en miles de Dólares a precios y tipos de cambio del año 2000. El punto es indicador decimal. Fuente: Elaborado por las autoras a partir de datos de la OCDE. La tabla A1.2 muestra la evolución de los valores reales del PIB por habitante (PH) y del Valor Añadido Industrial por habitante (QHI) de España y EEUU en el período 2013-2020. Observamos unos valores muy bajos de QHI de España en comparación con Estados Unidos. El valor máximo de esta variable en España se obtuvo en los años 2000-2002 y 2007, con un valor de 2.7 ligeramente inferior al de EEUU en 1964. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 30 Tabla A1.2. Datos de PH y QHI de España y EEUU en 2012-2020 (miles de dólares del año 2000 por habitante) Nota: El punto es indicador decima. Fuente: Elaborado por las autoras a partir de datos de la OCDE. El valor de España en el año 2022 es inferior al de los años 2007 y 2008. El fuerte impacto de la crisis iniciada en esos años sólo se recuperó algo en el período 2014-2018. Se estancó en 2019 y tras el impacto de la pandemia del año 2020 la recuperación de los años 2021 y 2022 todavía no alcanzó el nivel del año 2019. El gráfico A1.1 muestra la media del Índice de Producción Industrial de España (IPI) en los 5 primeros meses de cada año durante el período 2008-2022. Gráfico A1.1 Nota: Los Capítulos y la Bibliografía de este libro están disponibles en: https://www.usc.gal/economet/ebooks.htm 90 100 110 120 130 140 2008m5 2009m5 2010m5 2011m5 2012m5 2013m5 2014m5 2015m5 2016m5 2017m5 2018m5 2019m5 2020m5 2021m5 2022m5 Índice de Producción Industrial de España: media de los meses de Enero a Mayo de cada año, base 2015=100 Fuente: Elaborado, a partir de datos del INE por la profesora M.C. Guisán en la Entrada 88 de: https://economiaydesarrollo-eeg.blogspot.com PH00E PH00U QHI00E QHI00U 2013 14.638 39.171 1.803 5.725 2014 14.885 39.836 1.839 5.823 2015 15.442 40.681 1.905 5.900 2016 15.918 41.020 1.944 5.821 2017 16.363 41.631 1.999 5.912 2018 16.714 42.555 2.007 6.102 2019 16.951 41.810 2.008 6.090 2020 14.504 42.249 1.808 5.588 Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 31 CAPÍTULO 2 D ATOS DE PANEL, VARIABLES FICTICIAS Y MODELOS INTERREGIONALES, 1994-2022 GUISÁN, María-Carmen* AGUAYO, Eva 2.1. Estimación con datos de panel La estimación con datos de panel es con frecuencia muy útil, tanto para los modelos internacionales como interregionales, ya que permiten contrastar la homogeneidad de parámetros entre distintas unidades territoriales, así como la obtención de estimadores más precisos que los que proporcionan las series individuales de cada territorio, frecuentemente afectadas por una elevada multicolinealidad. Es importante contrastar la homogeneidad de parámetros con objeto de que la combinación de series temporales y atemporales proporcione resultados realistas. Si existe alguna diferencia de tipo constante se pueden incluir efectos fijos, lo que proporciona una ordenada en el origen diferente para cada país o región, o se pueden incluir variables ficticias para grupos. Los modelos con datos de panel pueden presentar autocorrelación y/o heterocedasticidad: 1) La autocorrelación suele deberse a la ausencia de alguna variable explicativa relevante y se corrige bien con la inclusión de dicha variable o bien estimando por MCG para lo cual en general es suficiente con incluir un término AR(1) entre la lista de variables explicativas (común o individual para cada país o grupo). 2) En caso de heterocedasticidad existe la opción de estimar la matriz V(b) con el método de White (por ejemplo con la opción White diagonal), lo que proporciona estimadores consistentes de dicha matriz. Se puede utilizar el método de estimación MCO parar b y el método de White para las varianzas de los elementos del vector b, lo que permite realizar correctamente los contrastes de significatividad de parámetros mediante la t de Student, aunque exista heterocedasticidad. * María-Carmen Guisán y Eva Aguayo, profesoras de Econometría de la USC: http://www.usc.gal/economet/econometria.htm Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 32 Si los resultados del test son similares con y sin la corrección de White, indica que no hay heterocedasticidad. 2.2. Variables ficticias y contrastes de estabilidad muestral. Algunos conceptos importantes, en relación con la inclusión de variables ficticias como regresores de un modelo econométricos, son las siguientes: Variables ficticias para diferencias en la ordenada en el origen. Contrastes F de homogeneidad de parámetros, Inclusión de variables ficticias multiplicativas, Variables ficticias para diferencias en la ordenada en el origen: Las fórmulas (6.2) y (6.4) de las páginas 152 y 153 del libro de Econometría (Guisán (1997, p.152 y 153) expresan dos formas de plantear el uso de ficticias ambas situaciones. Podemos elegir cualquiera de ellas. En la situación a) tenemos que tener en cuenta que el parámetro que acompaña a cada variable ficticia (j para j=1,2,...,p) es la “ordenada en el origen” de la modalidad correspondiente, mientras que en la opción b) la ordenada en el origen del grupo 1 es o, la del grupo 2 es (o +2), y en general la del grupo j-ésimo, para j distinto de 1, es (o +j). La opción a) es la que utilizan algunos programa econométrico cuando seleccionamos la opción “efectos fijos”.La opción b) es mejor para contrastar de forma rápida si existe diferencia significativa o no en la ordenada en el origen de los distintos grupos, ya que basta con ver si las j son significativamente diferentes de cero. Algunos programas utilizan una tercera opción en la que los estimadores de los coeficientes de las variables ficticias son la diferencia entre cada 0i de la opción a) y la media aritmética de todas las 0i. Contrastes de homogeneidad de parámetros: Son tres contrastes de homogeneidad, o estabilidad muestral, que denominados F1, F2 y F3, cuyo cálculo se basa en la SCE de diferentes modelos. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 33 Dichos contrastes se resumen en el cuadro 6.2 de la página 163 del libro de Guisán(1999) y, las SCE que son necesarias para calcularlos se resumen en el cuadro 6.1 de la página 160, y se expresan como: S1 = Suma de las SCEi mediante una regresión para cada grupo. S2 = SCE de la regresión conjunta con efectos fijos S3 = SCE de la regresión conjunta sin efectos fijos Teniendo en cuenta los grados de libertad (gl) de cada una de estas Sumas de Cuadrados de Errores, se contrasta si los siguientes estadísticos siguen una distribución F de Snedecor: F1=1/gl(1))/(S1/gl1) F2=(2/gl(2))/(S2/gl2); F3 =(3/gl(3))/ (S1/gl1) 1 = S2 – S1 ; 2 = S3 – S2 ; 3 = S3 – S1 Donde gli indicada grados de libertad de SCEi (i=1,2,3) y es igual al tamaño muestral menos el número de parámetros estimados. Inclusión de variables ficticias multiplicativas: Se incorporan para tener en cuenta que hay un cambio en un determinado parámetro, bien a través del tiempo o del espacio. Por ejemplo en el siguiente modelo que relaciona el Salario (W) con la Productividad Media del trabajo (PM): Wit = 0 + 1 PMit + 2 Wi,t-1 + 1 D1it PMit + it donde D1 es una ficticia que vale uno en las observaciones de Alemania y cero en los otros dos países. Podemos contrastar, con la t de Student, si el parámetro 1 es significativamente distinto de cero. Si se rechaza la nulidad de ese parámetro podemos afirmar que no hay diferencia significativa entre Alemania y los otros dos países en este sentido. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 34 2.3 Modelos interregionales, 1994-2004: Educación, I+D, Industria y Turismo en las regiones españolas, europeas y americanas. Modelos del período 1994-2000 Varios modelos interregionales europeos de los 12 países de la Comunidad Económica Europea (CEE12) publicados en el período 1994-2001, se citan o analizan en el libro EE5 de modelos interregionales de las regiones europeas de Guisán et al(2001). En el Anexo de este capítulo incluimos una relación en la tabla A2-1. Incluyen el modelo econométrico de Aguayo, Guisán y Rodríguez(1997) para la renta sectorial de las regiones españolas y otros estudios que ponen de manifiesto el impacto positivo y significativo que el capital humano, la industria y el turismo tienen sobre el crecimiento económico, el empleo y el incremento de la renta real por habitante. En Aguayo, Guisán y Rodríguez(1997) las pernoctaciones hoteleras, como indicador turístico, muestran un efecto positivo sobre la renta del sector de servicios destinados a la venta, en un panel de datos de las regiones españolas en el período 1976-1995. Modelos interregionales de Alemania, Francia e Italia en 20012002 Comentamos brevemente los modelos de Guisán y Aguayo publicados en el año 2001 para las regiones de Francia y Alemania, y el estudio de estas autoras para Italia publicado en el año 2002. En Guisán y Aguayo(2001a) se analiza el nivel de desarrollo económico y tasa de empleo de las regiones francesas en el año 1998. Se estiman los efectos positivos de los sectores de Agricultura e Industria y del Sector de Servicios Públicos, sobre el Valor Añadido real por habitante y la tasa empleo de los sectores de Servicios de Mercado. También se tiene en cuenta el efecto positivo del gasto en Investigación y Desarrollo (I+D) por habitante. Se incluyen algunas variables ficticias para regiones con características especiales y se contrasta la posible existencia de heterocedasticidad con el test de White. En Guisán y Aguayo(2001b) se incluyen datos de empleo de Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 35 las regiones alemanas en 1998. Se analiza el efecto del turismo en las regiones alemanas en 1995. Se observa un importante peso del turismo hotelero nacional en la mayoría de las regiones y un peso bajo en general del turismo hotelero extranjero. En términos globales estaca la región de Baviera (Bayern) tanto en el número de pernoctaciones hoteleras como en el número de llegadas de turistas. En términos de número de llegadas de turistas de origen nacional por cada mil habitantes, destaca en primer lugar la región de Mecklenburg-Vorpommer seguida Hamburgo y Baviera. En el modelo econométrico interregional de 16 regiones alemanas en el año 1998 el turismo, medido por la intensidad de la llegada de turistas, muestra impacto positivo también sobre los sectores de construcción y servicios destinados a la venta. En Guisán y Aguayo(2002 a) las regiones más destacadas de Italia, en términos de pernoctaciones hoteleras totales, fueron Trentino-Alto Adige, Emilia Romagna y Veneto, mientras que en intensidad hotelero por unidad de superficie destacan Liguria y Trentino-Alto Adige, seguidas a una cierta cierta distancia por Veneto y EmiliaRomagna. En el modelo interregional de 20 regiones italianas en 1998 las pernoctaciones hoteleras muestran un impacto positivo en los sectores de servicios comerciales y financieros y en el sector de la construcción. En el análisis de datos se aprecia un importante efecto positivo del turismo no hotelero a través de la construcción de viviendas secundarias para vacaciones y otros indicadores, que tienen también un importante efecto positivo sobre el desarrollo regional y el empleo. Modelo de Aguayo y Guisán(2001). LNKM y POBKM El modelo se estimó con 196 observaciones de datos quinquenales de las variables en 98 regiones europeas en los quinquenios 1985-1990 y 1990-1995. La ecuación de LNAKM expresa esta variable en función de su valor retardado 5 años (LNAKM5) y del incremento quinquenal de las variables POBKM y VNAKM (Valor Añadido real No Agrario por kilómetro cuadrado). La ecuación de POBKM incluye como variables explicativas su valor retardado 5 años y el incrmento de LNAKM. La estimación por Mínimos Cuadrados en 2 Etapas (MC2E) Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 36 bajo el supuesto de interdependencia entre LNAKM y POBKM, proporcionó coeficientes significativos y elevada bondad del ajuste. Las ecuaciones estimadas fueron: ^ LNAKM = 1.0444 LNAKM5 +1.75 DPOBKM+ 4.59 DVNAKM (193) (9.48) (5.82) siendo DPOBKM y DVNAKM los incrementos quinquenales de POBKM y VNAKM. Un coeficiente mayor que la unidad en la variable endógena retardada un quinquenio (LNAKM5), pone de manifiesto que, además de los efectos ligados al incremento de la densidad de Población (DPOBKM) y del incremento de la densidad de producción no agraria (DVNAKM) otros factores contribuyen a un incremento de la densidad de empleo por km2. Modelos de Guisán, Cancelo, Aguayo y Díaz (2001): I+D y PS2 En el capítulo 4 del libro EE5 de Modelos Interregionales, se analiza el impacto de la Eduación y el gasto en Investigación y Desarrollo (I+D) en las regiones europeas. A continuación presentamos varios modelos que miden el impacto de la educación y la investigación sobre el crecimiento económico de las regiones europeas. Las principales variables usadas en estos modelos son: PIB95H= Producto Interior Bruto regional en1995, expresada en dólares per capita en precios y tipos de cambio de 1990. PIB90H = Producto Interior Bruto regional en 1990, expresada en dólares per capita en precios y tipos de cambio de 1990. DPIBH= PIB95H - PIB90H PS290 = Porcentaje de la población activa con un nivel educativo igual o superior a Segundo Ciclo de Secundaria, en 1990. PS295 = Porcentaje de la población activa con un nivel educativo igual o superior a Segundo Ciclo de Secundaria, en 1995. IDH = Gasto en investigación y desarrollo por habitante, valor acumulado para el período 1990-94, expresado en dólares y tipos Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 37 de cambio de 1990. IDHEMP = Gasto en investigación y desarrollo realizado por el sector Empresas, valor acumulado para el período 1990-94, expresado en dólares per capita en precios y tipos de cambio de 1990. IDHGOB = Gasto en investigación y desarrollo realizado por el sector Gobierno, valor acumulado para el período 1990-94, expresado en dólares per capita en precios y tipos de cambio de 1990. IDHUNI = Gasto en investigación y desarrollo realizado por el sector universitario, valor acumulado para el período 1990-94, expresado en dólares per capita en precios y tipos de cambio de 1990. Esta variable se divide en: IDHCSH = Gasto en investigación y desarrollo realizado por el sector Educación Superior en el área de Ciencias Sociales y Humanidades, valor acumulado para el período 1990-94, expresado en dólares per capita en precios y tipos de cambio de 1990. IDHCNI = Gasto en investigación y desarrollo realizado por el sector Educación Superior en el área de Ciencias Naturales e Ingeniería, valor acumulado para el período 1990-94, expresado en dólares per capita en precios y tipos de cambio de 1990. Además se han incluido algunas variables ficticias para recoger particularidades específicas de algunas regiones o países, a las que denominamos DRi (i=1,…,103) si son regionales y Dj (j=1,…,15) si se corresponden a un país. Los modelos 1 a 4 relacionan el incremento del PIB por habitante, durante el período 1990-95, con el gasto por habitante en I+D realizado durante el quinquenio 1990-94, sin ordenada en el origen. El modelo 1 corresponde al I+D empresarial (IDHEMP), el modelo 2 al sector gobierno (IDHGOB), el 3 al sector universitario de Ciencias Sociales y Humanidades (IDHCSH) y el modelo 4 al sector universitario de Ciencias Naturales e Ingeniería (IDHCNI). Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 38 Tabla 2.1. Estimación del Impacto de los gastos en I+D sectorial sobre el PIB por habitante de 78 regiones europeas Modelo Variable explicativa Coeficiente estimado Desviación típica Estadístico t R2 1 IDHEMP 0.4176 0.1014 4.1153 0.9697 2 IDHGOB 1.8466 0.3694 4.9983 0.9695 3 IDHCSH 7.7413 1.4313 5.4082 0.9708 4 IDHCNI 2.0556 0.4024 5.1081 0.9698 Fuente: Guisán, Cancelo, Aguayo y Díaz(2001). En todos los casos se añadieron dos variables ficticias una para Berlín, DR49, y otra para Irlanda, DR58, con objeto de recoger efectos especiales en dicho quinquenio, mediante una ordenada en el origen cuyo coeficiente estimado resultó negativo para el caso de Berlín y positivo para el de Irlanda. Los resultados ponen de manifiesto que todos los sectores de I+D tienen un impacto positivo y significativo sobre el PIB regional por habitante. Los coeficientes recogen el efecto de la variable explicativa incluida y de variables relevantes excluidas relacionadas con ella (como se indica en el Capítulo 5 de Guisán(1997)). El menor valor del coeficiente estimado corresponde al I+D Empresarial seguido de sector Gobierno. La investigación universitaria es la que alcanza los niveles más altos con un coeficiente de 2.05 para el sector de Ciencias Naturales e Ingenierías y un 7.74 para las Ciencias Sociales y Humanidades. En todos los casos la bondad del ajuste es elevada. La inclusión conjunta del I+D Empresarial con cada una de las modalidades de I+D Universitario muestra un impacto también mayor para la investigación universitaria, con un coeficiente de 6.58 para IDHCSH frente a sólo 0.10 de IDHEMP y un coeficiente de 1.88 de IDHCNI frente a sólo 0.12 para IDHEMP. Por lo que respecta a la inclusión conjunta del I+D del Gobierno con las dos modalidades del I+D universitario también se observa un impacto mayor de dichas modalidades, con un coeficiente de 6.51 para IDHCSH frente a sólo 0.33 de IDHG y con un coeficiente de 1.23 IDHCNI frente a un coeficiente 0.88 de IDHGOB. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 45 Todas las variables excepto POB1564 muestran un efecto claramente significativo. Así por ejemplo el turismo no hotelero es una variable relevante en este sentido que no figura en el estudio por falta de datos suficientes, pero cuyos efectos aparecen recogidos a través de los coeficientes de otras variables explicativas incluidas con las que la variable relevante omitida tiene alguna relación lineal. Tabla 2.5. Ecuación estimada para el PIB regional en el año 2000 Dependent Variable: PIB Method: Least Squares. Included observations 135 Variable Coefficient Std. Error t-Statistic Prob. POB1564 2.651037 1.961781 1.351342 0.1789 POBSEC 37.81715 6.931829 5.455580 0.0000 VM 1.439847 0.187758 7.668634 0.0000 PER 0.597323 0.131642 4.537470 0.0000 EDU 8.499486 1.293206 6.572414 0.0000 R-squared 0.964600 Mean dependent var 62.54064 Adjusted R-squared 0.963510 S.D. dependent var 77.75378 S.E. of regression 14.85275 Akaike info criterion 8.270581 Sum squared resid 28678.55 Schwarz criterion 8.378184 Log likelihood -553.2642 Durbin-Watson stat 1.807240 Fuente: Guisan y Aguayo(2005 a) El aumento de la población no siempre implica un mayor PIB por habitante, pues ello sólo ocurre cuando las circunstancias de la región permiten que el PIB se multiplique por un factor mayor que el factor de aumento de la Población. Son factores positivos el aumento el capital humano (educación e investigación), el capital físico productivo por habitante y de suficiente calidad de la Administración Pública y de otras instituciones para generar seguridad, agilidad y confianza social. La tabla 2.6, basada en el estudio de Guisán y Aguayo(2005) muestra los valores de los coeficientes de correlación lineal entre las variables Idh (gasto en Investigación y Desarrollo por habitante, I+D, en 1999), Eduhr (gasto público en educación por habitante, como media del período 1990-1999) y Pibh (Producto Interior Bruto por Habitante en el año 2000) en regiones de la UE: Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 46 Tabla 2.6. Correlación entre PIBH, IDH y EDUHR en regiones de la UE Correlación PIBH IDH EDUHR PIBH 1 0.6749 0.7689 IDH 0.6749 1 0.7109 EDUHR 0.7689 0.7109 1 Nota: PIBH, IDH y EDUHR son los valores por habitante del PIB, gasto previo en I+D y gasto previo en Educación de las regiones europeas. Fuente: Guisán y Aguayo(2005) en base a datos de Eurostat. A pesar de estas limitaciones presupuestarias, el gasto en educación por habitante de España ha aumentado en las últimas décadas del siglo XX, y el porcentaje de población con nivel igual o superior a estudios secundarios ha logrado alcanzar el 50% de la población activa si bien se sitúa todavía por debajo de las regiones y países más desarrollados. Los gráficos 1 y 2 muestran la gran diferencia existente entre la media de España, Alemania y Estados Unidos, en Años de Escolaridad de la población adulta y en I+D por habitante. La situación no es homogénea en todas las regiones españolas porque algunas tienen un valor de I+D por habitante más elevado que otras. En la distribución de fondos nacionales de investigación se ha observado durante muchos años una gran concentración de la financiación en Madrid y Barcelona, y en lo que respecta a fondos regionales algunas regiones como el País Vasco presentan valores más elevados que otras. Gráfico2.1.Años de escolaridad Gráfico2.2.I+Dpor habitante 7 8 9 10 11 12 13 14 1994 1996 1998 2000 2002 2004 2006 2008 2010 Es De USA 0 200 400 600 800 1,000 1,200 1994 1996 1998 2000 2002 2004 2006 2008 2010 Es De USA Fuente Elaboración a partir de Datos de Barro y Lee y Banco Mundial para Años de Escolaridad y Estadísticas de Eurostat y de la OCDE (Dólares a precios constantes del año 2000). para I+D per cápita. Nota: España (Es), Alemania (De) y Estados Unidos (USA). Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 47 Años de Escolaridad es el número medio de años de escolaridad recibida por la Población +15 años: En el apoyo a la I+D y a la Educación, la mayoría de las regiones españolas están muy por debajo de la media europea, y la media europea está muy debajo de los Estados Unidos, lo que explica en gran parte que la mayoría de los países europeos no logren alcanzar un grado mayor de convergencia con los altos niveles de salario real y tasa de empleo de la economía norteamericana. En el año 2010 más de 13000 investigadores europeos reclamaron más apoyo de la UE y menos burocracia, en la campaña Trust in Researchers, pero hay que lamentar que no se percibió una mejoría sustancial de la UE. Diversos estudios, realizados con datos de las regiones españolas y europeas, ponen de manifiesto el importante impacto positivo que el incremento del PIB tiene sobre la población y el empleo. La tabla 2.7 muestra el impacto positivo del PIB sobre el empleo en 151 regiones europeas, según las estimaciones de Guisán y Aguayo(2005 a), relacionando las siguientes variables: PLT00 y PLT95=participación del empleo regional en el empleo total de la UE en el año 2000 y en el año 1995 D(PPIB) = incremento de la participación en el PIB real en el período 1995-2000 D(PPOB) = incremento de la participación en la población de la UE en 1995-2000. Tabla 2.7. Participación del Empleo regional en el total de la UE Dependent Variable: PLT00. Method: Least Squares. Sample 1 151 Variable Coefficient Std. Error t-Statistic Prob. PLT95 0.995046 0.003681 270.3331 0.0000 D(PPIB) 0.158964 0.065848 2.414097 0.0170 D(PPOB) 1.325356 0.253123 5.236017 0.0000 R-squared 0.995901 Mean dependent var 0.662252 Adjusted R-squared 0.995845 S.D. dependent var 0.618050 S.E. of regression 0.039837 Akaike info criterion -3.588360 Sum squared resid 0.234877 Schwarz criterion -3.528414 Log likelihood 273.9212 Durbin-Watson stat 1.281764 Fuente: Guisán y Aguayo(2005 a) Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 48 Cuando se incrementa la Productividad Media (PM) del Trabajo, el PIB se multiplica por un factor superior al factor de incremento de LT. Cuando se incrementa el PIB por un factor superior al factor de incremento de POB, hay un incremento de la Producción por habitante (PH). Los incrementos de PM y PH contribuyen, en general, a un mayor nivel de renta real per cápita y un mayor desarrollo. Modelo de Guisán y Aguayo (2007). Libro de Korres. El estudio analiza el desarrollo económico de 151 regiones europeas en el año 2000, clasificadas en 10 grupos, según el nivel de Producción por habitante en orden descendente. El grupo 1 tiene los máximos valores, en el intervalo 29.5-529. El grupo 10 tiene los valores más bajos, en el intervalo 6.4 a 9. En el grupo 2 figura Madrid, que es la región española más destacada. En el grupo 3 se incluyen 3 regiones españolas (País Vasco, Cataluña y Baleares), en el grupo 4 se incluye La Rioja y en grupo 5 Aragón. En el grupo 6 se incluyen 4 regiones españolas (Cantabria, C. Valenciana, Canarias y Castilla y León. En el grupo 7 hay 3 regiones españolas (Asturias, Murcia y Castilla-La Mancha) y en el grupo 8 otras 3 (Galicia, Andalucía y Extremadura). Estas 3 regiones, junto con Castilla-La Mancha, están en el grupo 8 de gasto en Educación e I+D por habitante. El modelo incluye una ecuación para la Producción No Industrial por habitante (QHNI) y otra para la Producción Industrial por habitante. El gasto en Educación por habitante (EDUH) y el gasto en I+D por habitante (IDH) muestran efecto positivo sobre ambas variables. Se incluyen variables ficticias para tener en cuenta efectos especiales en algunas regiones. Modelo de Guisán y Vázquez(2013): Empleo y Salario. En Guisán y Vázquez(2013) se presenta un interesante estudio comparativo de 96 regiones de la UE27 en el período 20002010, que relaciona el Empleo (L) con el cociente Q/W y el Salario (W) con la Productividad media del trabajo (PM) Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 49 Tabla 2.8. Ecuación de Empleo regional en la UE27 el año 2010. Dependent Variable: LT10 Method: Least Squares. Included observations: 94 Variable Coefficient Std. Error t-Statistic Prob. C 116.6042 75.82888 1.537728 0.1275 QT10/W10 0.479414 0.014244 33.65729 0.0000 R-squared 0.924887 Mean dependent var 2197.776 Adjusted R-squared 0.924070 S.D. dependent var 1544.357 Fuente: Guisán y Vázquez(2013) Tabla 2.9. Salario regional en función de PM, en la UE27 en el año 2010 Dependent Variable: W10. Method Leas Squares. Observations 94 Variable Coefficient Std. Error t-Statistic Prob. C 5.832555 1.513075 3.854768 0.0002 PM10 0.408286 0.024538 16.63905 0.0000 R-squared 0.750581 Mean dependent var 28.27663 Adjusted R-squared 0.747870 S.D. dependent var 13.23621 Fuente: Guisán y Vázquez(2013). Tabla 2.10. Salario regional en función de su retardo e incremento de PM Dependent Variable: W10 Method: Least Squares. Sample: 1 96. Included observations: 84 Variable Coefficient Std. Error t-Statistic Prob. W05 1.002056 0.009656 103.7759 0.0000 PM10-PM05 0.582314 0.041567 14.00889 0.0000 R-squared 0.968161 Mean dependent var 29.02928 Adjusted R-squared 0.967773 S.D. dependent var 12.78529 S.E. of regression 2.295196 Akaike info criterion 4.523035 Sum squared resid 431.9698 Schwarz criterion 4.580912 Log likelihood -187.9675 Hannan-Quinn criter. 4.546301 Durbin-Watson stat 1.731352 Nota. W05 y PM05 son valores del año 2005, y W10 y PM10 valores del año 2010. Las variables están medidas a precios constantes. Con el método de White los estadístico t resutaron 91.11 y 9.89. Fuente: en EGuisan y Vázquez(2013). El coeficiente de Q/W resultó importante y significativo en la ecuación de empleo y el de la Productividad Media (PM) resultó importante y significativo en la ecuación del Salario. Los incrementos de Producción permiten aumentar al mismo tiempo el Salario y el Empleo si el cociente Q/W aumenta.. Además en Guisán y Vazquez (2013) se presentan interesantes Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 50 datos de 96 regiones europeas en el período 2000-2010, relativos a Productividad, Producción por habitante, Empleo y Salario, tanto en la opción de la tabla 2.9 como en la de la tabla 2.10. Los gráficos 2.3 y 2.4 muestran la evolución de la Productividad media del trabajo y del Salario real en España, Alemania y EEUU, en miles de Dólares por habitante, a precios y tipos de cambio del año 2000. Gráfico 2.3. Productividad Media en España, Alemania y EEUU (miles de Dólares del año 2000 por trabajador) 0 20 40 60 80 100 60 65 70 75 80 85 90 95 00 05 10 15 20 España Alemania Estados Unidos Fuente: Guisán(2022), a partir de datos de la OCDE Gráfico 2.4. Salario real en España, Alemania y EEUU (miles de Dólares del año 2000 por trabajador) 0 10 20 30 40 50 60 60 65 70 75 80 85 90 95 00 05 10 15 20 España Alemania Estados Unidos Fuente: Guisán(2022) a partir de datos de la OCDE. El Salario representa el Coste Salarial medio: Remuneración de Asalariados, incluyendo impuestos y contribuciones sociales; y número de asalariados. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 51 Observamos un estancamiento de la Productividad y del Salario real en España en el período 1995-2020, lo que ha incrementado la distancia Alemania y EEUU. Una causa importante del estancamiento de la Productividad Media del Trabajo (PM) y del salario (W), en España ha estado en el insuficiente apoyo a la Industria, ya que ésta tiene efectos positivos sobre el conjunto de la economía. Modelo de Guisán y Cancelo (2014) (revista RSES) Este estudio analiza el desarrollo regional de 96 regiones europeas en el año 2010. Estima la relación entre la producción no industrial y la producción industrial, por habitante, QHNI y QHI) con un modelo lineal y con un modelo no lineal. Contrasta la heterocedasticidad con el test de White. Se estiman una relación para (QHI) relacionándola con su nivel retardado y con el nivel educativo de la población (PS2), resultando positivo y significativo el impacto de cada una de dichas variables. También se estima una ecuación de la tasa de Empleo en el año 2010 relacionándola con su valor retardado y con el incremento del cociente Producción/Salario (Q/W), con efectos positivos y significativos. También incluye una relación entre la Productividad Media del Trabajo no Industrial (PMNI) y la Productividad Medial del Trabajo Industrial (PMI) con efecto significativo. Esta relación a contribuye a confirmar la teoría de Kaldor sobre los efectos positivos de la Industria sobre la productividad de otros sectores. Modelo de Guisán(2022): Calidad de vida en 402 regiones de 38 países de América, Europa y Asia en el año 2016.. En el estudio de Guisán(2022) se estima un modelo interregional de 402 regiones de 36 países, con datos de la OCDE para varios indicadores de desarrollo regional y calidad de vida. Se analizan algunos datos y se hace referencia a otros estudios relacionados con el desarrollo regional. Los datos corresponde a regiones de los siguientes países: América: Canadá, Chile, Estados Unidos y México. Asia: Corea R., Israel, Japón. Eurasia: Turquía Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 52 Europa: Alemania, Austria, Bélgica, Chequia, Dinamarca, Eslovaquia, Eslovenia, España, Estonia, Finlandia, Francia, Grecia, Hungría, Islandia, Irlanda, Italia, Letonia, Lituania, Luxemburgo, Noruega, Países Bajos, Polonia, Portugal, Reino Unido, Suecia, Suiza Oceanía: Australia, Nueva Zelanda. La base de datos regionales de la OCDE(2022) presenta 13 indicadores para el año 2016, de los cuales hemos seleccionado la variable R13 como variables explicada y las variables R3, R4, R5 y R8, como variables explicativas. R3 = Tasa de paro (% de la Población Activa). R4= Renta per cápita en el año 2016 en (miles de Dólares del año 2010). R5=Tasa de homicidios por cada 100 mil habitantes R8 = Nivel de Polución (μg/m3) R13 = Satisfacción con la calidad de vida (escala de 0 a 10). Tabla 2.11. Valores Mínimo, Medio y Máximo de las variables en 402 regiones de la OCDE en el año 2016. Variable Mínimo Medio Máximo R3 Tasa de Paro (%) 1.80 7.27 29.7 R4, Renta per cápita 1.65 18,68 59.27 R5. Tasa de Homicidios 0 1.2 3.8 R8. Polución (PM2.5) 0 13.2 38.2 R13. Satisfacción 4.4 6.8 8.6 Fuente: Elaborado por Guisán(2022a) a partir de datos regionales de la OCDE. Nota: Los valores regionales de Renta per cápita (R4) pueden estar algo subvalorados, en varios casos. Otras estimaciones realizadas en Guisán(2022b), combinando varias estadísticas de la OCDE, regionales y nacionales, del año 2016, proporcionan una estimación de la Renta Disponible per cápita R4X que no parece estar subvalorada en términos de Paridades de Poder de compra. La renta disponible por habitante depende en gran parte de la Producción por habitante. La Renta per cápita puede ser mayor que el PIB per cápita en las regiones con valores más bajos si reciben transferencias del exterior. La Renta per cápita puede ser Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 53 menor que el PIB per cápita en las regiones con gran intensidad de capital exterior (ya que parte de la renta generada por esas inversiones corresponde a ciudadanos o entidades exteriores a la región). En el caso de España, la muestra incluye las 17 CCAA y las ciudades autónomas de Ceuta y Melilla, con los siguientes valores: R3: La variable Tasa de paro osciló entre un mínimo de 10.3 y un máximo de 26.2, por encima del valor medio del conjunto de las 402 regiones del estudio internacional. R4: Valores españoles en 2016 a precios de 2010 (según OCDE(2022) regional statistics) se situarón entre 12000 y 20000, en 13 CCAA y las 2 ciudades autónomas (por debajo de la media de la tabla 2.10) y en 4 CCAA por encima de dicha media. R5: Valores de las 17 CCAA españolas entre 0 y 1, por debajo de la media internacional de la tabla 2.10. Las ciudades autónomas tuvieron valores más elevados, con 4.7 en el caso de Ceuta y 1.2 en el caso de Melilla. R8: En el indicador de niveles de polución los datos españoles se sitúan entre 8.1 y 24.6, 16 de las 17 CCAA tienen un nivel inferior al valor medio de la tabla 2.10, y Cataluña, con 13.3, se sitúa ligeramente por encima de la media. Las ciudades autónomas de Ceuta y Melilla tienen valores superiores al valor medio de la tabla 2.10. R13. El nivel de satisfacción con la calidad de vida se sitúa entre 6.1 y 7 en todas las observaciones españolas con 12 CCAA por debajo del valor medio de la tabla 2.10, 1 con un valor igual a dicho valor medio (Baleares) y 4 con un valor ligeramente superior (Cantabria, País Vasco, Navarra y Murcia). Las dos ciudades autónomas se situaron en valores entre 6.1 (Ceuta) y 6.5 (Melilla). El modelo estimado para las 372 regiones que tenían disponibilidad de datos de todas las variables, se muestra en la tabla 2.12. Guisán, M.C., coord.. (2022). EE9: https://www.usc.gal/economet/ebooks.htm 54 Tabla 2.12. R13 en función de R3, R4, R5, R8 y variables ficticias Dependent Variable: R13. Method Least Squares. Observations 372 Variable Coefficient Std. Error t-Statistic Prob. C 7.479954 0.081286 92.02076 0.0000 REG3 -0.054096 0.003962 -13.65403 0.0000 REG4 0.011441 0.002237 5.115030 0.0000 REG5 -0.008352 0.002693 -3.101904 0.0021 REG8 -0.010106 0.003364 -3.004602 0.0028 DN1 -1.403810 0.062942 -22.30329 0.0000 DN2 -0.725039 0.054180 -13.38196 0.0000 DN3 -0.368854 0.059173 -6.233504 0.0000 DP1 0.328857 0.085381 3.851629 0.0001 DP2 0.202465 0.073377 2.759223 0.0061 R-squared 0.835499 Mean dependent var 6.686022 Adjusted R-squared 0.831409 S.D. dependent var 0.811154 S.E. of regression 0.333059 Akaike info criterion 0.665519 Sum squared resid 40.15602 Schwarz criterion 0.770866 Log likelihood -113.7865 Hannan-Quinn criter. 0.707355 F-statistic 204.2875 Durbin-Watson stat 1.999065 Prob(F-statistic) 0.000000 Fuente Guisán(2022). Nota: La estimación de las varianzas de b con el método de White, para tener en cuenta posible heterocedasticidad proporcionó resultados similares de las desviaciones típicas y de los estadísticos de la t de Student. Los resultados muestran una valor esperado de R13 en torno a 7.48 que se incrementa con el indicador de Renta per cápita (R4) y disminuye con el incremento de la Tasa de Paro (R3), con la Tasa de Homicidios por cada 100 mil habitantes (R5) y con el indicador de Polución (R8). Hay 3 grupos de regiones con variable ficticia de efectos negativos y 2 grupos de regiones con variables ficticias de efectos positivo. Guisán(2022 b) compara la situación de la OCDE con el conjunto mundial y con los países de más de 100 millones de habitantes y observa una calidad media, en numerosos indicadores, mayor en la OCDE. Destaca un nivel de renta per cápita más elevado y un nivel de polución menor en la OCDE que en otras áreas del mundo. Esa mayor calidad en muchos indicadores se debe, en gran parte, a su mayor nivel educativo, el cual contribuye a incrementar los indicadores positivos (como R13 y R4) y a disminuir el nivel de los negativos (R3, R5 y R8). Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 61 A veces, en la relación (3.8), no se incluyen KD por falta de suficiente disponibilidad de estadísticas de esta variable. En general, la exclusión de esta variable explicativa, aunque sea relevante, afecta poco a la bondad del ajuste, ya que suele haber un alto grado de correlación con la variable incluida Q/W. La inclusión de KD/W en general mejora la bondad del ajuste. Como se indica en el capítulo 5 del libro de Econometría de Guisán(1997) los parámetros de las variables explicativas se verán afectados por la exclusión. En ese caso descenderá el parámetro de Q/W ya que el efecto de KD/W sobre L* es negativo cuando hay infrautilización del Stock de Capital. Si el parámetro de D(Q/W) es β2, y el parámetro de D(KD/W) es β3, el efecto de la exclusión de D(KD/W) afecta al parámetro de D(Q/W) que será: β*2 = β2 + δ β3 siendo δ un valor positivo de la relación entre la variable excluida y la variable incluida (próximo a la proporción aproximada de D(KD/W) respecto a D(Q/W). Como el parámetro β3, de la variable relevante excluída, es negativo, el valor de β*2 < β2. La exclusión de D(KD/W) en general afecta poco a la bondad de ajuste, si hay gran correlación lineal entre la variable excluida y alguna o varias de las incluidas, pero disminuye el valor del estimador del efecto de D(Q/W) que estará afectado por dicha exclusión. 3.2.2. Estimación de 10 modelos de Empleo: España, 1964-2003 Los modelos estimados en el Documento 77 de Guisán(2004b) sonInteresantes para comparar la bondad del ajuste y de la capacidad Predictiva de los 4 enfoques de la sección anterior, con otros enfoquesalternativos. Se aplicaron al Empleo No Agrario de España (LNAE) en el período 1964-2003. La tabla 3.1 presenta la comparación del % que el error Standard (%S.E.) supone respecto a la media de la variable LNAE en cada Una de las estimaciones (con corrección de autocorrelación cuando ha estado presente), Los modelos 1 a 4 son modelos causales sencillos: relación LNAE con su valor retardado un período y con el Valor Añadido real No Agrario. Difieren en la especificación: modelo en niveles, modelo en Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 62 incrementos, modelo de Corrección de Error (CE) (en dos variantes), o modelo dinámico mixto. El modelo (5) es un modelo no causal de tipo ARIMA. El Modelo 6 es un modelo VAR (Vector Autorregresion). Es causal porque tienen una relación bilateral no contemporánea: relaciona a LNAE y QNAE con valores retardados de ambas variables. Los modelos (7), (8) y (9) tienen fundamento en el pensamiento económico, El modelo (7), L* viene dado por la expresión (2), basada en el enfoque de Oferta y ecuación de Productividad. En general es correcto cuando Q=Qs1. El modelo 8, L* viene dado por la expresión (4), consistente en despejar el empleo en la función de producción, en función del Output y de K*. Algunos autores lo utilizan cuando el PIB viene explicado por el enfoque de demanda (Q=Qe). El modelo 9 L* viene dado por la relación (8) en el contexto del modelo de desequilibrio con Inputs Intermedios. En nuestra experiencia es el mejor, tanto cuando hay restricciones de demanda (Qd) como de inputs intermedios (Qs1). En este enfoque la función de producción es útil para explicar el stock de capital utilizado (K). Los mejores ajustes correspondieron, en este orden, a los modelos 9, 8 y 7 y el peor ajuste al modelo 5. Tabla 3.2. Comparación de 10 modelos del empleo no agrario de España (LNAE) en el período 1864-2002 Modelo %S.E. 1. En niveles 2.09 2. En incrementos 2.43 3. 1. CE sin DX 2.43 3.2. CE con DX 2.35 4. Dinámico Mixto 2.43 5. ARIMA(1,1,0) 2.82 6. VAR(2) 2.24 7.Productividad (L*=(2)) 1.91 8. Producción (L*=(4) 1.86 9.Beneficio esperado (L*=(8) 1.81 Fuente: Guisán(2004b): EcoDev 77. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 63 En el modelo 9 de España, de la tabla 3.2 el coeficiente estimado de D(Q/W) fue 514.8 y el coeficiente de D(KD/W)) fue -111.4, ambos significativamente distintos de cero. Al excluir la variable D(KD/W) en el modelo 7 el coeficiente estimado de D(Q/W) fue 241.5, pues el parámetro y el estimador de esta variable estarían afectados por la exclusión de D(KD/W). En el período 1960-1973 la inversión fue el motor principal del crecimiento de Q en España, y era la función de producción la que más influía en esa evolución, pero en la mayor parte del período muestral (1974-2003) se produjo una situación de infrautilización del capital., porque problemas de insuficiencia de demanda en unos sectores y de insuficiente disponibilidad de energía, y otros inputs intermedios, impidieron una utilización plena, o casi plena, del stock de capital disponible (maquinaria e instalaciones). 3.2.3. Modelo de Empleo en 3 países de la OCDE, 1965-2019 La tabla 3.3 muestra la estimación de la ecuación de Empleo (LT) con datos de panel de 3 países de la OCDE (Alemania, España y Estados Unidos), en el período 1965-2019. Tabla 3.3. Ecuación de Empleo en 3 países de la OCDE, 1965-2019 Dependent Variable: LT? Method: Pooled Least Squares. Sample: 1965 2019 Included observations: 55. Cross-sections included: 3. Total panel: 165 White cross-section standard errors & covariance (d.f. corrected) Variable Coefficient Std. Error t-Statistic Prob. LT?(-1) 1.001994 0.001957 512.1318 0.0000 D(GDP00?/W00?) 362.8020 50.11164 7.239875 0.0000 D(KD3?/W00?) -54.66922 9.984645 -5.475330 0.0000 D(PA?) 0.562920 0.120658 4.665425 0.0000 R-squared 0.999869 Mean dependent var 56352.93 Adjusted R-squared 0.999867 S.D. dependent var 46788.99 S.E. of regression 539.9176 Akaike info criterion 15.44465 Sum squared resid 46933270 Schwarz criterion 15.51995 Log likelihood -1270.184 Hannan-Quinn criter. 15.47522 Durbin-Watson stat 1.432179 Fuente: Guisan(2023 a). Libro EE11. Nota: Datos elaborados a partir de las estadísticas de la OCDE para LT, PIB, W y PA, y datos del FMI para KD3 (stock de capital público y privado). Los datos de PIB y W están expresados en Dólares , a precios y tipos de cambio del año 2000, y los de KD3 en Dólares a precios del año 2017. Datos LT y PA en miles de personas. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 64 Los gráficos 3.1 y 3.2 muestran la evolución de la tasa de empleo total y la tasa de empleo no agrario en los 3 países, y el gráfico 3.3 muestra la evolución del salario real. Los datos se han elaborado a partir de estadística de la OCDE. En el caso de Alemania se han utlizado también otras fuentes y estimaciones para la parte oriental en el período 1965-1990. Gráfico 3.1. Tasa de Empleo total (ocupados por cada mil habitantes) en España (LHTE), Alemania (LHTAX), y EEUU (LHTU) 250 300 350 400 450 500 550 65 70 75 80 85 90 95 00 05 10 15 LHTE LHTAX LHTU Nota: Elaborado por Guisán(2022a) a partir de Labour Force Statistics de la OCDE. Gráfico 3.2.Tasa de Empleo no agrario (ocupados por cada mil habitantes) en España (LHNAE), Alemania (LHNAAX) y EEUU (LHNAU) 200 250 300 350 400 450 500 550 65 70 75 80 85 90 95 00 05 10 15 LHNAE LHNAAX LHNAU Fuente: Elaborado por Guisán(2022a) a partir de Labour Statistics de la OCDE. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 65 Observamos que España tenía una tasa de Empleo no agrario muy baja hasta el año 1995. En el período 1995-2007 la tasa aumentó y tuvo un descenso posterior en 2007-2013, alcanzando un cierto grado de recuperación en 2013-2019. La tasa de Empleo (personas ocupadas por cada mil habitantes) evolucionó positivamente, tanto en el valor LT como de LNA, en los 3 países, pero en Alemania y Estados Unidos fue compatible con un incremento del salario medio real, mientras que en España el salario real permaneció prácticamente estancado en 1995-2019, debido a una insuficiente industrialización. El gráfico 3.3. compara la evolución del salario real de España, Alemania y Estados Unidos en 1965-2019. Gráfico 3.3. Coste Salarial por trabajador (miles de Dólares anuales a precios y tipos de cambio del año 2000) en España (W00E), Alemania W00AX) y Estados Unidos (W00U) 0 10 20 30 40 50 60 65 70 75 80 85 90 95 00 05 10 15 W00E W00AX W00U Fuente: Elaborado por Guisán(2022a) a partir de datos de la OCDE (Nacional Accounts para Remuneración y LFS para nº de Asalariados. Es importante modificar la política económica de España para que se pueda mantener una tasa de empleo elevada y al mismo tiempo permitir que el salario real medio supere el estancamiento del período 1995-2019. Para ello es imprescindible tener en cuenta el importante papel de la productividad media del trabajo y el impacto positivo de la industria. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 66 3.3. Modelos de Salario real y Productividad Para que los salarios reales del conjunto de trabajadores aumenten en general es imprescindible obtener unos niveles suficientes de productividad del trabajo, la cual depende a su vez de diversos factores técnicos, educativos y sociales, y en especial de la producción industrial por habitante, del apoyo al gasto en investigación y desarrollo (I+D) y de la calidad del gobierno. Modelo de Guisán(2023 a) de W y PM en 3 países de la OCDE Este modelo relaciona el Salario real (W) con su valor retardado y con el incremento del valor real de la Productividad Media del trabajo (PM). La estimación en 3 países de la OCDE (Alemania, España y Estados Unidos) en el período 1965-2019 se muestra en las tablas 3.4 (ecuación de W) y 3.5 (ecuación de PM). Tabla 3.4. Ecuación del Salario (W) en 3 países de la OCDE Dependent Variable: W00? Method: Pooled Least Squares. Sample: 1965 2019 Included observations: 55. Cross-sections included: 3. Total 165 White cross-section standard errors & covariance (d.f. corrected) Variable Coefficient Std. Error t-Statistic Prob. W00?(-1) 0.999715 0.001622 616.3371 0.0000 D(PM00?) 0.399385 0.054731 7.297218 0.0000 D(PH00?(-1)) 0.418295 0.093717 4.463398 0.0000 R-squared 0.998315 Mean dependent var 30.51630 Adjusted R-squared 0.998294 S.D. dependent var 10.75658 S.E. of regression 0.444316 Akaike info criterion 1.233454 Sum squared resid 31.98155 Schwarz criterion 1.289926 Log likelihood -98.75998 Hannan-Quinn criter. 1.256378 Durbin-Watson stat 1.528145 Fuente: Guisan(2023 a) en el libro EE11. Datos de las variables: OCDE. La ecuación de la tabla 3.4 muestra el impacto positivo y significativo, sobre el Salario real, tanto de un incremento de la Productividad Media (PM) en el período t como un incremento de la Producción por habitante (PH) en el período anterior. Aunque no aparezcan explícitamente la Educación y el gasto en I+D en las ecuaciones de W, su efecto positivo sobre el salario real se transmite a través de las variables explicativas PM y PH. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 67 Tabla 3.5. Ecuación de la Productividad(PM) en 3 países de la OCDE Dependent Variable: PM00?. Method: Pooled Least Squares Sample: 1965 2019 Included observations: 55. Cross-sections included: 3. Total 165 White cross-section standard errors & covariance (d.f. corrected) Convergence achieved after 8 iterations Variable Coefficient Std. Error t-Statistic Prob. PM00?(-1) 1.006225 0.002214 454.5839 0.0000 D(PH00?) 0.839771 0.164316 5.110708 0.0000 AR(1) 0.479370 0.087271 5.492885 0.0000 R-squared 0.999065 Mean dependent var 47.04371 Adjusted R-squared 0.999053 S.D. dependent var 17.70897 S.E. of regression 0.544836 Akaike info criterion 1.641349 Sum squared resid 48.08904 Schwarz criterion 1.697821 Log likelihood -132.4113 Hannan-Quinn criter. 1.664273 Durbin-Watson stat 2.022380 Fuente: Guisan(2023 a) en el libro EE11. Datos de la OCDE. El incremento de la Producción por habitante muestra un efecto positivo y significativo sobre la productividad. Dado que como hemos visto en la tabla 3.1, el incremento de la producción industrial por habitante es muy importante para el incremento de PH también lo es para el incremento de PM. Si analizamos la evolución de la Productividad media Industrial (PMI)y no Industrial (PMNI) encontramos, en el estudio de Guisán y Cancelo(2014) para las regiones europeas, y en el estudio de Guisán(2022) para varios países de la OCDE, un importante impacto positivo de PMI sobre PMNI, confirmando las teorías de Kaldor sobre la importante transmisión de productividad desde la Industria a los demás sectores productivos. Los gráficos 3.4 y 3.5 muestran la evolución de la Productividad Media No Industrial e Industrial por trabajador (PMNI y PMI) en Alemania, España y Estados Unidos, según los datos de la OCDE. El gráfico 3.6 muestra la evolución de la Producción Industrial por habitante (QHI). Muestran una caída de PMI en España en el período 2000-2019 y de QHI en el período 2008-2013, seguida de estancamiento. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 68 Gráfico 3.4. Evolución de PMNI en España, Alemania y EEUU (miles de Dólares a precios y tipos de cambio del 2000. 0 20 40 60 80 100 120 65 70 75 80 85 90 95 00 05 10 15 PMNI00E PMNI00AX PMNI00U Gráfico 3.5. Evolución de PMI en España, Alemania y EEUU (miles de Dólares a precios y tipos de cambio del 2000. 0 20 40 60 80 100 120 65 70 75 80 85 90 95 00 05 10 15 PMI00E PMI00AX PMI00U Gráfico 3.6. Producción Industrial por habitante (QHI) en Alemania, España y EEUU (miles de Dólares a precios del año 2000) 0 1 2 3 4 5 6 7 65 70 75 80 85 90 95 00 05 10 15 QHI00E QHI00AX QHI00U Fuente de los gráficos 3.4 a 3.6: Guisán(2023 a) con datos de la OCDE. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 69 Modelo No Lineal con interdependencia entre Empleo y Salario Teniendo en cuenta que el Empleo depende de forma no lineal del salario, a través del cociente Q/W, y que el salario depende de forma no lineal del Empleo, a través de PM=Q/L), podemos plantear la estimación de un sistema biecuacional no lineal y estimarlo por Mínimos cuadrados en 2 etapas no lineales. La tabla 3.6 presenta el modelo estimado para un conjunto de 6 países de la OCDE en el príodo 1991-2012 (Alemania, España, Francia, Italia, Reino Unido y Estados Unidos). En el programa E-Views utilizamos una muestra en la opción “unstructured” que es el tipo de muestra que se utiliza habitualmente para series no temporales. En este caso el vector de cada variable incluye las observaciones de cada país en cada año del período 1991-2012. Tabla 3.6. Modelo biecuacional no lineal entre Empleo y Salario En 6 países de la OCDE, 1991-2012. Empleo: NLS LT=C(11)*LTR+C(12)*((Q/W)- QR/WR) + C(13)*DPA Salario: NLS W=C(21)*WR+C(22)*((PM)- (QR/LTR)) Fuente: Elaborado por M.C. Guisán con datos de la OCDE. LT es el Empleo Total, Q es el PIB real, W es el salario real, DPA es el incremento de la Población Activa. PM=Q/LT es la Productividad Media del trabajo. Las correspondientes variables retardadas un período se indican con la terminación de su nombre con la letra R (LTR, QR, WR). El modelo fue estimado con la opción Mínimos Cuadrados en 2 Etapas no lineales (MC2NL). Los coeficientes tomaron valores positivos y significativos y la bondad del ajuste fue elevada, los valores de los coeficientes estimados fueron los siguientes: C(11) = 0.9916; C(12) = 0.3747; C(13) 0.9994; R2 = 0.9998 C(21) = 1.0012; C(22) = 0.4869; R2 = 0.9973 Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 70 3.4. Modelos de Empleo sectorial Algunos modelos macroeconométricos, y muchos modelos de desarrollo regional, incluyen una perspectiva sectorial en la explicación de los Valores Añadidos reales y en el Empleo. El incremento del Empleo en los Sectores de Servicios es muy importante para ofrecer oportunidades laborales a las mujeres, ya que un elevado porcentaje de la población femenina tiene preferencia por desarrollar su actividad laboral en muchos sectores de Servicios (comerciales, educativos, sanitarios, sociales, etc.). El desarrollo industrial, y otros variables, propician el incremento de oportunidades laborales y mejoras salariales en muchos sectores especialmente en los Servicios. Los países con un elevado valor de Producción Industrial por habitante son, en general, los que tienen un elevado valor de Producción de Servicios por habitante, y por lo tanto los que tienen las mayores tasas de Empleo y mejores salarios. En el Anexo, incluimos datos comparativos de España con otros países de la OCDE. El empleo de cada sector depende en gran medida de la evolución del Valor Añadido real del sector. Si se dispone de datos sectoriales del salario, se puede expresar el Empleo deseado en función del cociente Q/W. Modelos sectoriales de Guisán(2016): 17 CCAA, 1987-2012 En un artículo de la revista RSES, de Guisán(2016), se analiza la evolución del empleo sectorial en las 17 CCAA españolas, en el un período de 40 años y se estiman ecuaciones de Empleo para los sectores de los sectores de Agricultura (A), Industria (I), Construcción (B) y Servicios (S), mediante modelos dinámicos mixtos. El empleo de cada Sector en el año t (Li para i=A, I, B, S) es función de su valor retardado un período (Li(-1) y del incremento del Valor Añadido real del sector. Se puede utilizar el Valor Añadido real según enfoque producción (Qi) (utilizando el deflactor de cada sector) o el Valor Añadido real según el enfoque renta (Ri) (utilizando el deflactor del Consumo privado). Qi es un indicador de la cantidad producida mientras que Ri es un indicador del poder adquisitivo de las rentas generadas en cada sector. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 77 Diferencias entre el Grupo 1 y el Grupo 9 Indicador PH: Observamos una gran diferencia en la producción por habitante del Grupo más bajo, con sólo 1172 Dólares anuales per cápita y el Grupo de mayor capacidad productiva con más de 50000 Dólares anuales per cápita. Es importante que se promuevan medidas internacionales de cooperación para acercar, en la medida posible, las medias de los Grupos 1 a 5, en los próximos años, a un nivel más próximo a la media mundial de 1995. El apoyo al nivel educativo es una de las medidas más importantes. Indicador Fer19: Varía entre 4.82 en el Grupo 1 y 1.53 en el Grupo 9. Es importante que el valor medio de esta variable sea moderado para que sea compatible con el desarrollo sostenible, tanto desde el punto de vista de la disminución de la pobreza y del aumento de la calidad de vida, como desde el punto de vista medio-ambiental. El nivel educativo es esencial para moderar excesivas tasas de incremento de población y para el desarrollo sostenible. Guisán y Expósito(2021) muestran las perspectivas de incremento de Emisiones de CO2 en el año 2030 dependientes en gran medida de las perspectivas de evolución de la Población Mundial. Indicador X1=Satisfacción con la calidad de vida: varía entre 4.25 y 7.07. Una media de 4.25 indica unos niveles de instisfacción muy elevados en un elevado porcentaje de la población. La cooperación internacional, a través de la educación y la inversión, puede conseguir resultados muy positivos. Indicador X2=calidad del gobierno entre 3.12 y 8.24. Es una gran diferencia la que existe, en promedio, entre los países del Grupo 1, con menor nivel educativo y los del Grupo 9 con el más elevado nivel educativo. La educación contribuye, junto a otros factores, a mejorar este indicador que tiene una gran importancia para el desarrollo económico. Indicador X4=Paz varía entre 4 y 6.30. Las circunstancia económicas y sociales de los países con mayor nivel educativo favorece, en general, aptitudes políticas y sociales, que favorecen la resolución pacífica de conflictos y evitar conflictos violentos. No ocurre siempre pero en promedio, los grupos con mayor nivel educativo tienen más Paz. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 78 Panorama de l desarrollo en 21 áreas geográficas La tabla 4.2 muestra el PIB por habitante en 21 áreas del mundo. Tabla 4.2. PIB por habitante (Ph) ($ de 1999 en Paridades de Compra) Area 1980 2000 2005 00-05 Tasa00-05 1. África del Norte 3252 4183 4751 568 2.55 2. África del Noroeste 1448 1335 1556 181 2.90 3. África Interior y C. 1925 776 859 83 2.03 4. África del Nordeste 673 680 773 93 2.56 5. África del Este 822 878 953 75 1.64 6. África del Sur 4958 4655 5349 694 2.78 7. Oriente Próximo 9463 7252 7732 480 1.28 8. Oriente Medio 2375 3060 3596 536 3.23 9. India y Sur de Asia 1169 2349 2994 645 4.85 10. China y N.E.Asia 2539 6523 8517 1994 7.29 11. Indochina 1399 3079 3799 720 4.20 12. Pacífico Sur 3295 5264 5850 586 2.11 13. USA y Canadá 22062 31862 35048 3186 1.91 14. México y A.C. 6716 7046 7145 99 0.28 15. América andina 5052 5839 6625 786 2.53 16. América del S.E. 6901 8290 8829 539 1.26 17. Europa nórd. y brit. 14306 23223 25237 2014 1.66 18. Europa germ.+B. 18387 25432 26226 794 0.61 19. Europa latina 15142 27879 22985 1106 0.99 20. Europa E.+ E.M. 6176 8723 10746 2023 4.17 21. Rusia y su entorno 9219 5902 8377 2475 7.00 Total mundo 5284 7329 8541 1212 3.06 Fuente: Guisán(2006) a partir de datos del Banco Mundial, Guisán y Aguayo(2001) y Guisán y Exposito (2001). Notas: La 5ª columna es el incremento del período 2000-2005 y la 6ª es la tasa anual de crecimiento de ese período (%). Abreviaturas. A.=América, C.=Central, E.=Este, N.= Norte, S.=Sur. B. =Benelux (Bélgica, Países Bajos y Luxemburgo). La tabla 4.3 muestra las tasas de crecimiento de la Producción real (PIB), la Población y la Producción real per cápita(PH) a lo largo del siglo XX. Incluimos las tasas exponenciales, como se indica en Guisán, Aguayo y Expósito(2001), porque en esta opción se cumple exactamente que la tasa de crecimiento de PH es igual a la diferencia entre la tasa de crecimiento del PIB real y la tasa de crecimiento de la Población. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 79 Tabla 4.3. Tasas exponenciales de crecimiento del PIB, la Población y PH Área PIB Población PH 190050 195098 190050 195098 190050 195098 Europa Occidental. 1.41 3.34 0.51 0.50 0.90 2.84 Europa E. y exURSS 1.96 1.97 0.17 0.48 1.79 1.49 Turquía 2.03 5.00 1.27 2.32 0.76 2.68 USA 3.07 3.39 1.38 1.20 1.69 2.19 América Latina 3.39 4.04 1.45 2.33 1.94 1.71 China 0.13 5.80 0.57 1.71 -0.44 4.09 India 0.60 4.24 0.45 2.08 0.15 2.16 Japón 2.25 5.78 1.28 0.86 0.97 4.92 Asia (otros) 2.24 5.19 1.80 2.28 0.44 2.91 África 2.32 3.42 1.40 2.51 0.92 0.91 Mundo 1.90 3.84 0.89 1.77 1.01 2.07 Fuente: Guisán y Cancelo(2001), en base a datos de Maddison(2001). Nota: PIB Producto Interior Bruto real (a precios constantes). PH= PiB por habitante. Tasas exponenciales anuales en porcentaje. La tasa anual de crecimiento de PH a nivel mundial fue de 1.01% anual en el conjunto de la primera mitad del siglo XX y pasó a un 2.07% en la segunda mitad del siglo. Con los datos de la tabla 4.1, podemos deducir una tasa anual de crecimiento de PH del 2.0% en el período 1995-2019. En el período 1950-1998 Europa Occidental logró una tasa media de crecimiento de PH superior al 2% con una diferencia entre las tasas de crecimiento de la Producción y de la Población igual a: (3.34-0.51=2.84). También lo lograron Turquía, Estados Unidos, China, India, Japón y el grupo de Otros países de Asia. No lo logró el grupo de Europa Oriental y Países de la antigua URSS, a pesar de tener un crecimiento población moderado, por problemas de insuficiente crecimiento del PIB: la diferencia entre la tasa de crecimiento del PIB y la tasa de crecimiento de la población resultó: tasa de PH= 1.97-0.48=1.49. Tampoco lo lograron el grupo de América Latina y el conjunto de África, a pesar de tener una tasa de crecimiento de la Producción mayor que la de Europa Occidental, debido a que tuvieron una tasa de crecimiento Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 80 de la Población mayor que las medias de Europa y Mundo. Pobreza y cooperación internacional al desarrollo En el período 1995-2019 se produjeron algunos avances en la superación de varios problemas de pobreza, desnutrición e insuficiente atención sanitaria: 1) Ha aumentado la esperanza de vida como se muestra en el estudio de Guisán y Expósito(2016) titulado “Life Expectancy, Education and Development in African Countries 1980-2014: Improvements and International Comparisons” en AEID 2016 Abstract. 2) Ha aumentado la producción de muchos alimentos y ha disminuido la desnutrición, como se muestra en el estudio de Guisán y Expósito(2021). La tabla 4.4 muestra una cuantificación aproximada de los recursos dedicados a la cooperación internacional al desarrollo: 1) Stock neto de inversión extranjera directa. 2) Exportaciones de bienes. 3) Ingresos por turismo extranjero. 4) Inversión privada y donaciones. 5) Ayuda privada de empresas e individuos a través de remisiones del exterior. 6) Ayuda pública al desarrollo. 7) Apoyo financiero exterior a la inversión (inversión menos ahorro). Tabla 4.4. Canales de cooperación al desarrollo en 2010 Fuente: Guisan, Aguayo and Exposito(2015). Capítulo 6 del libro de Arvin and Lew, ed. (2005), Comentario en la Entrada 24 del Blog https://economiaydesarrollointernacional.blogspot.com Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 81 Según estas estimaciones la Ayuda Oficial al Desarrollo (AOD, ODA) aportaría, sólo 23 Dólares anuales por habitante, en promedio, en los países receptores, menos que las donaciones privadas (39 Dólares), remesas de inmigrantes (38), ingresos por turismo (63) y los rendimientos del comercio exterior y de la inversión extranjera. Educación, desarrollo sostenible y medio ambiente El bajo nivel educativo de muchos países del mundo ha llevado a un incremento de la población mundial se ha duplicado en el período 1970-2015, pasando, en millones de personas de 3584 a 77341 (se multiplico por 1.99) y las Emisiones totales de CO2 se multiplicaron por 2.32 pasando de, en millones de Tm, de 15583 en 1970 a 36191 en 2015. Los mayores incrementos de Emisiones totales de CO2 tuvieron lugar en China, por su importante incremento de Emisiones per cápita, y en los países y áreas con mayor incremento de Población (aunque tuviesen un incremento moderado de las emisiones per cápita). El grupo de 6 países europeos formado por Alemania, España, Francia, Italia, Reino Unido y Suiza, tuvo una disminución de Emisiones totales en el período 1970-2015, ya que disminuyeron sus emisiones per cápita y su factor de incremento de Población fue mucho más moderado que el del conjunto mundial. Es importante que la ayuda internacional impulse de forma efectiva el aumento del nivel educativo que es la llave principal para que se supere la pobreza en los países de los grupos con mayores porcentajes de pobreza. La cooperación al desarrollo educativo no debe limitarse a las ayudas transmitidas desde los Gobiernos, sino que las iniciativas desde los centros educativos, grupos de investigación universitarios, medios de comunicación, asociaciones, empresas solidarias y otras organizaciones, son además elementos de impulso muy importantes que deberían ser promovidos, o al menos no dificultados Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 82 4.2. Modelos econométricos de Educación y Producción per cápita Los importantes efectos positivos, directos e indirectos, que la educación tiene sobre el desarrollo han sido analizados en diversos estudios de gran interés. Los avances en la disponibilidad de estadísticas, de la OCDE, y otros organismos, y de diversos autores, como Denison, Barro y Lee, y otros, permitieron disponer de datos para la estimación de modelos econométricos que relación la Educación con el desarrollo económico y la calidad de vida. Algunos trabajos pioneros en este sentido son los modelos de Guisan(1997), publicado en EcoDev18, Neria(1998), Guisán, Neira y Aguayo(1998), en EcoDev26 y Neira y Guisán (1999). Neira y Guisán (1999), publicaron el libro nº18, en la colección de libros impresos DEA del Equipo de Econometría de la USC. y publicaron varios artículos y documentos en formato electrónico, disponibles en https://www.usc.gal/economet/documentos.htm, como los siguientes: Tabla 4.5. Modelos de Guisán y Neira, en el período 2001-2007 Guisán y Neira(2001). Capital humano y capital físico en la OCDE, su importancia en el crecimiento económico en el período 1965-95, EEDI 1-2 Neira y Guisán(2002) Modelos econometricos de capital humano y crecimiento economico: Efecto Inversion y otros efectos indirectos, EcoDev 62. Neira y Guisán(2003). Modelos de Capital Humano: Principales enfoques y evidencia empírica. EcoDev 64. Guisan y Neira(2006). Direct and Indirect Effects of Human Capital on World Development, 1960-2004, AEID Vol. 6-1. Neira (2007). Capital humano y desarrollo económico mundial: Modelos econométricos y perspectivas, Neira, I. EEDI 7-2 Otras publicaciones del Equipo de Econometría de la USC, sobre educación y desarrollo son las que figuran en la tabla 4.6, entre otras. En el libro de Guisan(2023 b) se ofrece una guía de lecturas electrónicas de Informes de Economía Internacional publicados por nuestro equipo de investigación en 2001-2022. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 83 Tabla 4.6. Modelos de Guisán, Aguayo y Expósito (2001) a (2021) Guisán, Aguayo y Expósito(2001): Educación en 132 países, AEID1-1. Guisán y Expósito(2007). Desarrollo de África, 2000-2005, AEID 7.2. Guisan (2021). Educación y calidad de vida en 164 países 1995.2019. AEID 21.2, Otros estudios sobre el papel de la educación en el desarrollo económico se citan en los libros de las colección Estudios Económicos (Guisán et al (2001): EE4 y Guisán et al(2004) EE8) publicados por nuestra Asociación Hispalink-Galicia, disponibles en: https://www.usc.gal/economet/libros.htm Comentamos brevemente los Modelo de Neira y Guisán(1999) y (2006) y los modelos de la tabla 4.6. Modelos de Neira y Guisán(1999) y de Guisán y Neira (2006) El modelo de Neira y Guisán(1999) muestra efectos directos e indirectos de la Educación sobre la Producción por habitante (PH). Incluye la estimación de una función de producción en la que tanto el stock de capital, como el nivel educativo muestran un efecto positivo y significativo sobre PH) y la estimación de la relación entre el Stock de capital por habitante (KH), el valor de PH retardado 5 años y el nivel educativo de la población (medido por la proporción de habitantes mayores de 25 años con al menos estudios secundarios completo) en las que ambos coeficientes resultan positivos y significativos. Se estima con un panel de 19 países de la OCDE en 6 períodos quinquenales, desde 1960-65 a 1985-1990. Guisán y Neira(2006) presentan la estimación de Neira(1998) para la ecuación de KH, en función de KH(-5) y del nivel educativo, en 3 grupos de países: Países de la OCDE, Asia y América Latina. El coeficiente estimado para el valor retardado del Capital por habitante resulta positivo, significativo y mayor que 1 (1.12 en la OCDE, 1.21 en Asia y 1.02 en América Latina. El coeficiente del indicador de nivel educativo resulta positivo y significativo en los 3 grupos de países (12.14 en la OCDE, 19.36 en Asia y 11.17 en América Latina). Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 84 Modelo de Guisán, Aguayo y Expósito (2001) (AEID 1-1) Es uno de los primeros modelos econométricos internacionales que estima el efecto de la Educación sobre el Desarrollo en un conjunto de 132 países. Muestra un efecto positivo de la educación sobre la Producción Industrial y no Industrial por habitante. El modelo muestra que, en promedio, por cada 2 años de incremento de la variable Tyr (años de escolaridad media de la población), el valor de Fer (nº medio de hijos por mujer en su vida) disminuye en algo más de una unidad, con las siguiente ecuaciones estimadas: Fer00 = 6.36 -0.49 Tyr99 (4.1) Fer00 = 0.94 Fer95 – 0.47 DTyr (4.2) La ecuación 4.1 en un modelo en niveles y 4.2 es un modelo dinámico mixto que relaciona Fer en el año 2000 con su valor en 1995 y con el incremento de Tyr (DTyr) en el período 1995-2000. Impacto de la Educación sobre la Producción Industrial por habiantes: En ese estudio se encuentra un efecto significativo de los años de escolaridad y del gasto educativo previo sobre el valor de la Producción Industrial por habitante y sobre el desarrollo económico. La inversión industrial por habitante es importante para impulsar ese sector, con sus efectos positivos sobre otros sectores productivos. El nivel educativo contribuye a la que haya una diferencia positiva entre la tasa anual de crecimiento de la Producción y la tasa anual de crecimiento de la Población, y por lo tanto a que aumente el valor del Ahorro, la Inversión y la Producción por habitante (PH) tan necesarios para la erradicación de la pobreza y promover el desarrollo. Modelo de Guisán y Expósito(2007): Desarrollo de África 20002005. Este estudio analiza la evolución de la educación, el gasto en salud y el desarrollo económico en 39 países africanos en el período 2000-2005. Estiman ecuaciones que ponen de manifiesto la existencia de relación bilateral entre Educación y Producción per cápita. Por una parte el gasto educativo per cápita del pasado muestra efecto positivo y significativo sobre la Producción real Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 85 por habitante (PH) y por otro el gasto educativo medio de cada país depende de su valor retardado y del incremento de PH. Modelo de Guisán(2021): 164 países en 2019 (AEID 21-2) Este estudio dedicado a la evaluación del papel de la educación sobre el desarrollo económico y la calidad de vida, con 164 países del mundo en el año 2019, muestra un efecto directo positivo y varios efectos indirectos positivos sobre el desarrollo económico. La estimación de una ecuación relación el PIB real por habitante de cada país en el año 2019 (PH19, en Dólares a precios y paridades de compra del año 2017)), con su valor retardado en el año 1995 (PH95) y con los indicadores de educación (XTYR) y de Fecundida o nº medio de hijos por mujer a lo largo de su vida (XFER). PH19 = 1.0014 PH95 + 496 XTYR – 528 XFER; (4.2) R2 = 0.9628 donde XTYR = Promedio de los valores de TYR en los años 2010 y 2019, con los datos de UNDP(2021), en el Informe de Desarrollo Humano, y XFER= promedio FER en los años 2010 y 2019. El nivel educativo muestra un efecto significativo directo por PH19, y también un efecto significativo indirecto, ya que contribuye a disminuir los valores demasiado elevados de XFER y dicha disminución tiene un efecto positivo sobre PH19. Los coeficientes resultaron estadísticamente significativos. La bondad del ajuste fue elevada a pesar de que hay muchas variables explicativas excluidas (como la inversión por habitante por ejemplo). Ello ocurre, porque las variables excluidas están correlacionadas con las incluidas. El estudio presenta también la estimación del efecto del incremento del nivel educativo sobre la disminución de la variable FER. Así la educación muestra en el conjunto de los 164 países un efecto positivo importante sobre PH, pues además de su coeficiente de efecto directo en la ecuación (4.2) tiene un efecto indirecto positivo sobre PH19 al contribuir a disminuir XFER. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 86 4.3. Modelos econométricos de Educación y Calidad de Vida Modelos de Guisán (2009) y (2010):Educación y Calidad del Gobierno Guisán (2009( y(2010) analiza la relación entre educación, calidad del gobierno y desarrollo económico a nivel mundial, y presenta un análisis de indicadores de desarrollo económico y social, que incluyen el bienestar personal, la calidad socio-política y el nivel educativo. Los modelos econométricos analizados en dicho estudio muestran que el aumento del nivel educativo favorece en general el aumento del indicador Gov1x (Voz de los ciudadanos), así como un mayor nivel de producción por habitante. A su vez un aumento de Gov1x en general favorece el aumento de Gov2x (eficacia del Gobierno), y el aumento de Gov2x influye positivamente sobre la producción por habitante. La ecuación (4.15) de dicho estudio relaciona el nivel educativo con el indicador “Government Effectiveness” del año 2007 (GOVEF07). ^ Govef07=0.0349Ph05+0.43Voice07+0.0479 Tyr00+0.3029Eduh00+D (4.4) (3.84) (10.23) (2.44) (2.04) El coeficiente de determinación tomó un valor elevado: R2 =0.91. La Letra D indica que se incluyeron algunas variables ficticias. La ecuación muestra que el indicador de Efectividad del Gobierno en el año 2007 (Govef07) aumenta con el nivel de desarrollo económico de los años anteriores, el impacto del indicador Voz de los Ciudadanos (influido positivamente, en general, por el nivel educativo), el impacto del nº medio de años de Escolaridad en el pasado reciente(Tyr00) y el impacto del Indicador de gasto educativo por habitante en el pasado reciente (Eduh00). En Guisán(2009a) se estimó el efecto positivo de la calidad del Gobierno sobre el desarrollo. Aunque algunos obstáculos pueden dificultar transitoriamente el papel positivo de la educación en algunos países, la experiencia indica que el nivel educativo, generalmente, acaba determinando en gran medida la renta real Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 93 Así si denominamos IPA, IPI, IPB e IPS a los índices de precios absolutos de los sectores de Agricultura, Industria, Construcción (Building) y Servicios en el conjunto de España podemos calcular el valor añadido real de cada sector en cada región mediante el cociente del valor añadido monetario del sector en la región y el índice de precios del sector en el país: QA = VA / IPA; QI = VI / IPI; QB = VB / IPB; QS = VS / IPS Donde VA, VI, VB y VS son los valores añadidos monetarios de cada sector. Los índices de precios absolutos se calculan a partir de los deflactores de la Contabilidad Nacional, mediante la división del Valor Añadido de cada sector a precios corrientes (valor monetario) y el valor añadido de cada sector a precios constantes (valor real). En general los deflactores a nivel de un país son válidos para cada una de las regiones. El incremento de QA, QI, QB y QS indica un aumento de las cantidades producidas en el conjunto de bienes que produce cada sector. Así si duplicamos las cantidades producidas de todos los bienes, el valor añadido real , en el enfoque producción, se duplicaría. El valor añadido real según el enfoque renta: es el cociente entre el valor añadido monetario de cada sector y el IPC. Refleja el poder adquisitivo de las rentas generadas en cada sector. Así para el caso del valor añadido sectorial de una determinada región tendríamos: RA = VA /IPC = QA * IPRA; RI = VI / IPC = QI * IPRI RB = VB / IPC = QB * IPRB; RS= VS / IPC=QS * IPRS En el año base el IPC y el índice de precios relativos de cada sector son iguales a la unidad, por lo que el valor añadido monetario coincide con el real en sus dos enfoques (producción y renta). Muchos informes económicos hacen referencia a la evolución del valor añadido real según el enfoque producción pero puede ser más interesante conocer el valor añadido real según el enfoque renta 4) PIB real por habitante y Renta familiar real por habitante: PIB: El Producto Interior Bruto a precios de mercado (PIB pm) a precios corrientes de un país se calcula a partir de la suma de los valores añadidos de todos los sectores productivos en ese país, Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 94 tanto si los factores productivos pertenecen o no a dicho país, valorados a precios de mercado, más los impuestos netos (impuestos-subsidios) ligados a la importación. El PIB puede expresarse a precios corrientes y a precios constantes. El cociente entre ambos valores es el deflactor implícito del PIB (IPPIB). RFD: La renta familiar es el conjunto de ingresos que obtienen las familias a partir de diversas fuentes de renta (salarios, rentas de la propiedad y rentas mixtas, transferencias del Gobierno y otras transferencias). Una vez deducidos los impuestos que pagan las familias obtenemos la renta familiar disponible (RFD). La renta familiar disponible a precios corrientes a veces no aparece de forma explícita en la Contabilidad Nacional pero la calculamos sumando los valores del Consumo y el Ahorro de las familias residentes en el país. Su valor real se calcula dividiendo su valor a precios corrientes por un índice general de precios que puede ser el IPC (Indice de Precios del Consumo Privado) o el IPPIB. Dividiendo por el número de habitantes (Población=POB) tenemos la renta familiar disponible real por habitante o renta real per cápita (RPC o RH): RPC= RH = (RFD/IPC) / POB Esta forma de calcular la renta real es correcta siempre que el IPC refleje adecuadamente el precio de los bienes y servicios que adquieren las familias. Es interesante analizar el precio de la principal inversión a la que se dedica gran parte del ahorro familiar (vivienda), pues afecta al poder adquisitivo de la renta familiar. Las series temporales de evolución del IPC se pueden obtener mediante el deflactor del Consumo Privado en las estadísticas internacionales, dividiendo el Consumo a precios corrientes por su valor a precios constantes de un año base. 5) Comparaciones internacionales según tipos de cambio y paridades de compra: Para comparar datos económicos de países con moneda diferente debemos expresar las variables en una moneda común (dólar o Euro generalmente). Si se trata de comparar valores monetarios (a precios corrientes) dividimos el valor en moneda del país en cada año por su Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 95 equivalencia, respecto a la moneda común, de cada año. Si se trata de valores reales (a precios constantes) dividimos los datos de cada año por la equivalencia del año base. Para la equivalencia podemos utilizar el tipo de cambio (TC) o la paridad de compra (PC). Cuando se comparan datos de países industrializados las diferencias entre ambos métodos suelen ser pequeñas, pero cuando se comparan países industrializados con países poco industrializados las diferencias pueden ser muy elevadas. En ese caso es preferible, en general, realizar las comparaciones con las paridades de compra. La OCDE y del Banco Mundial proporcionan datos de paridades .6) Tasas de crecimiento real de una variable:Se pueden calcular según la fórmula del interés compuesto y según la fórmula exponencial. Los resultados en general son parecidos. Para que sea una tasa de crecimiento real las variables deben estar expresadas a precios constantes. Tasas de crecimiento: fórmulas del interés compuesto y exponencial Fórmula del interés compuesto: xt = xs (1+i)t-s, z= ln(1+ i)=(ln (xt)–ln (xs) / (t-s), (1+i) es igual a exp(z), i=exp(z)-1, la tasa de crecimiento anuall, en porcentaje, es: tc1 = i*100 Fórmula exponencial: xt = xs eλ (t-s) ,implica: λ .(t-s) = ln (xt) – ln (xs), λ = (ln (xt) – ln (xs)) / (t-s) = z, la tasa de crecimiento anual, en porcentaje, es: tc2 = z * 100 tc1 = D(xr)*100/xt-1 = ( (xt – xt-1) *100) / xt-1 = ((xt / xt-1) – 1) *100 tc2 = D(ln(xt)*100 = (ln(xt) – ln(xt-1)) *100 Nota: ln(x)=logaritmo neperiano de x; exp(z)=inversa de ln(z), xt=valor real de la variable en el año t y xs en el año s (s<t) Elección entre ambos métodos: Lo más habitual es que las tasas de crecimiento en los estudios económicos se calculen según la fórmula del interés compuesto (compound rates en inglés) pero cuando la variable en estudio es el cociente entre otras dos variables puede ser más interesante el cálculo mediante el método exponencial (exponential rates en inglés), pues en este método la tasa del cociente entre dos variables es exactamente igual a la diferencia entre las tasas de crecimiento del numerador y del denominador. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 96 El PIB por habitante mundial, a precios constantes de 1990 según las estimaciones de Maddison, pasó de 1.35 miles de Dólares en 1900 a 5.80 miles en el año 2000. La tasa media de incremento anual, en porcentaje, según la fórmula exponencial fue: (ln(5.80)- ln(1.35))*100/100=1.46%. 7) Convergencia económica externa e interna.Convergencia externa: En los estudios de convergencia del PIB real percápita (PH) de los países en vías de desarrollo hacia los niveles de los países más desarrollados, se observa que, en general, la diferencia entre los países pobres y ricos se acrecienta en el tiempo, incluso cuando un país en vías de desarrollo experimenta una mejora en su PH, así como una mejora en el ratio respecto a un país más desarrollado. La mejora en el ratio entre PH de un país en vías de desarrollo (PH1) y un país desarrollado (PH2), se alcanza con frecuencia y depende de la diferencia entre las tasas de crecimiento anual: ratiot = PH1t/PH2t = (PH1o etc1.t) / (PH2o etc2.t) = (PH1o/PH2o) etc3.t ; tc3= tc1-tc2 ; El ratio entre la Producción por habitante del país 1 y el país 2, en el año t, depende del ratio inicial y del número e elevado a tc3 por el tiempo, siendo tc3=tc1-tc2. La diferencia entre los valores de PH entre ambos países depende no sólo de la diferencia entre las tasas de crecimiento sino también del ratio inicial. En efecto, la diferencia (Dt) entre PH2t y PH1t puede expresarse como: Dt = PH2t – PH1t = PH20 etc2.t – PH1o etc1.t ; Dt >0 si PH20 etc2.t. > PH1o etc1.t, y por lo tanto si: (PH2o/PH1o) etc2.t > etc1.t ; Ln (PH2o/PH10) + tc2.t > tc1.t ; Ln (PH2o/PH10) - tc3. t > 0 Dt >0 mientras tc3.t no sea mayor que el logaritmo del ratio entre los valores iniciales del país 2 y del país 1. Analizando la evolución del PIB por habitante, en el período 19852010, en un conjunto de 132 países del mundo, encontramos que más del 80% experimentaron una evolución positiva de su ratio respecto a USA pero sólo 6 países lograron Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 97 disminuir su diferencia de PH. Convergencia interna: Índice de Gini: La evolución del índice a través del tiempo a veces tiene forma de V invertida. Hay una gran igualdad en la pobreza en las fases iniciales del desarrollo, una mayor diversidad en las fases intermedias, con un aumento del Índice de Gini cuando algunos grupos de población se incorporan a las clases medias y abandonan la pobreza. En una tercera fase puede producirse un abandono masivo de la pobreza, con un incremento de la clase media y descenso del Índice de Gini. Esa fase no debe ser interpretada como negativa cuando el incremento del desarrollo mejora la vida de toda la población, incluidos los grupos de menor renta. 8) Algunos retos de la economía mundial en el siglo XXI Algunos retos importantes de la primera mitad del siglo XXI son: 8.1, Educación y desarrollo. Destacamos la necesidad de impulsar políticas educativas a nivel mundial. En general se producen avances, pero no al ritmo que sería necesario. Es importante mejorar la información disponible y su difusión para un seguimiento del avance en educación y desarrollo. 8.2 Educación y medio ambiente. En Guisán y Expósito(2021) se presentan perspectivas de contaminación de CO2 en el año 2030. Muestran que el 85% del incremento total mundial de CO2 en 1970-2020 se debió a incremento de población y sólo un 15% a incremento de las emisiones per cápita. Las perspectivas son mejores si se impulsa el nivel educativo de los países menos desarrollados, pues modera tasas elevadas de crecimiento de la Población mundial y las emisiones totales de CO2. 8.3.Industria, comercio exterior y desarrollo: Se necesita un equilibrio razonable entre apertura comercial y apoyo al desarrollo interior e la Industria y otras actividades. En general no es bueno ni el proteccionismo exagerado ni la apertura exterior excesiva y generadora de un fuerte endeudamiento exterior. 8.4. Prevención de las pandemias y otros problemas globales: Es importante tomar más medidas de prevención y seguimiento de este tipo de problemas para evitar excesos de contagios, y por supuesto impulsar el gasto en I+D dirigido a la prevención y curación de enfermedades, a precios asequibles para todos los países del mundo. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 98 8.5. Cooperación internacional para la Inversión: Los países con niveles bajos de renta real por habitante necesitan también cooperación internacional para la Inversión, para ofrecer más oportunidades de renta a su población. 8.6. Cooperación para la paz, seguridad y calidad del gobierno: Son muchas las iniciativas positivas que se pueden desarrollar para fomentar las vías pacíficas de resolución de conflictos, la educación, la democracia de calidad, y la cooperación internacional. Los medios de comunicación podrían tener un papel importante para dar voz a quienes impulsan la paz y el desarrollo. Anexo A4.2. Lecturas seleccionadas: Modelos aplicados a Europa, América, Asia, África y otras áreas. En las siguientes tablas indicamos con E los artículos den la revista EEDI, con A los publicados en AEID y con R los publicados en RSES. Tabla A4-2-1.Europa y países OCDE (artículos 2001-2010) E 8-1 Salario, Empleo y Productividad de la Economía Española en 1965-2008, Guisan, M.C. and Aguayo, E. E 6-2 Indicadores de producción científica en Economía, Ciencia y Tecnología: Análisis Comparativo de España, Unión Europea y Estados Unidos, 2001-2006, Guisán, M.C., Cancelo, M.T. E 4-2 Desarrollo económico de Europa Central en 1950-2002: Modelos econométricos y comparación con Irlanda, España y Austria, Guisan, M.C., Aguayo, E. A 13-1 Employment, Productivity And Wages In European Regions: Econometric Model Of 96 Nuts-1 In Year 2010, Guisan, M.C., Vazquez, E. A 11-2 Industry, Foreign Trade and Employment in EU Countries; Comparison of France, Germany, Italy, Spain and the UK with the United States, Guisan, M.C. A 11-1 Women Participation, Quality of Government and Economic Development in Europe, 2000-2007, Guisan, M.C., Aguayo, E. A 9-1 Government Effectiveness, Education, Economic Development and Well-Being: Analysis of European Countries in Comparison with the US and Canada, 2000-2007. Guisan, M.C. A 7-1 Wages, Productivity and Human Capital In The European Union: Econometric Models And Comparison With The USA 1985-2005. Guisan, M.C., Aguayo, E. Nota: Artículos ehttps://www.usc.gal/economet/econometria.htm Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 99 Tabla A4-2-2. América Latina 2001-2010 E 3-1 Industria, Comercio Exterior y Desarrollo en Argentina y MERCOSUR, 1976-2000. Guisan, M,C.. Gardella, R., Lupo, F. E 7-1 Desarrollo económico de América Latina en 2000-2005: Industria, Comercio Exterior e Inversión, Guisan, M.C y Aguayo, E. E 2-1 Relaciones intersectoriales en Latinoamérica en el período 1980-99.. Guisán, M.C., Aguayo, E. , Expósito ,P. E 2-1 Educacion y desarrollo económico de America Latina en el siglo veinte y …. siglo veintiuno, Guisán, M.C., Aguayo, E. A 10 -2 Education, Gender Equality, Social Well-Being and Economic Development in American Countries, 2000-2010, Guisan, M.C. and Aguayo, E. Nota: Artículos en https://www.usc.gal/economet/econometria.htm Tabla A4-2-3. África, 2001-2010 E 6-1 Desarrollo económico de África en 2000-2005: Educación, Gasto de Salud, Población y Renta, Guisán, M.Carmen. y Expósito, Pilar E 3-1 Análisis Comparativo del Desarrollo Económico en China e India, 1950-2000, Guisán, M.C. E 1-2 Educación, desarrollo y emigración en África. Nuevas políticas de cooperación ….internacional. Guisán, M.C., Expósito, P. E 7-2 Education, Development and Health Expenditure in Africa in 20002005, Guisan, M.C., Exposito; P. Nota: Artículos disponibles en https://www.usc.gal/economet/econometria.htm Tabla A4-2-4. Asia 2001-2010 E 10-1 Pobreza, ODM y cooperación internacional al desarrollo en África y Asia, Guisan, M.C., Expósito, P. E 8-2 Desarrollo económico de Filipinas en 1950-2007, Guisán, M.C. and Expósito, P. E 7-2 Desarrollo económico de China, India y países limítrofes, 19902005, Guisán, M.C., Cancelo, M.T. y Expósito, P. A 12-1 Investment, Poverty and Development in Asia-Pacific Countries: Econometric Models and Evolution, 2000-2010, Guisan, M.C., Exposito, P. A 8-2 An Econometric Model of Industry, Trade and Economic Development of Philippines, 1990-2006, Guisan, M.C., Exposito, P. A 4-3 Human Capital, Trade and Development in India, China, Japan and other Asian Countries, 1960-2002: Econometric Models and Causality Tests, Guisan, M.C. Nota: Artículos en https://www.usc.gal/economet/econometria.htm Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 100 Tabla A4-2-5. Economía Mundial, 2001-2010 E 10-2 Desarrollo Económico Mundial en 2000-2010: Análisis de la OCDE, América Latina, África y Asia, Guisán, M.C. E 9-2 Educación, calidad del gobierno y desarrollo económico en América, Europa, África y Asia, Guisán, M.C. E 9-2 Desarrollo Socio-Económico de América Latina, Europa, países de la OCDE y mundial, 2000-2008. A 1-1 Economic growth and cycles: Cross-country models of Education, Industry and Fertility and International Comparisons by Guisan, M.C.; Aguayo, E., Exposito, P. Nota: Artículos en https://www.usc.gal/economet/econometria.htm Libros: Libros electrónicos de las series EE y DEA disponibles en la Web: https://www.usc.gal/economet/libros.htm Otros artículos del período 2011-2022 y posteriores: En Guisán(2022), EcoDev 126, sugerimos otros artículos interesantes del período 2011-2022 : https://ideas.repec.org/s/eaa/ecodev.html Otras lecturas: Artículos, documentos y libros disponibles en formato electrónico en Ideas.Repec, Dialnet y otras bases. Blogs de difusión de la investigación económica. En los Blogs de la Asociación Hispalink-Galicia (AHG) y de la Asociación de Estudios Euro-Americanos de desarrollo Económico se incluye información y actualizaciones de estudios del desarrollo económico español e internacional. https://hispalinkgalicia.blogspot.com https://economiaydesarrollo-eeg.blogspot.com https://economiaydesarrollointernacional.blogspot.com https://euroamericanassociation.blogspot.com Bibliografía y Capítulos de este libro en: https://www.usc.gal/economet/ebooks.htm Libro EE9 de la Serie “Estudios Económicos” de la Asociación Hispalink-Galicia: https://www.usc.gal/economet/ebooks.htm Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 101 Notas sobre la bibliografía. 1) Enlaces: Las revistas o colecciones más citadas en el libro estén disponibles electrónicamente en los enlaces que figuran a continuación. En otras citas bibliográficas puede incluirse el vínculo correspondiente. a) Enlaces a las revistas AEID, EEDI, IJAEQS y RSES AEID. Applied Econometrics and International Development, https://www.usc.gal/economet/aeid.htm EEDI. Estudios Económicos de Desarrollo Internacional https://www.usc.gal/economet/eedi.htm IJAEQS. International Journal of Applied Econometrics and Quantitative Studies, https://www.usc.gal/economet/ijaeqs.htm RSES. Regional and Sectoral Economic Studies https://www.usc.gal/economet/rses.htm b) Enlace a libros electrónicos de las series DEA y EE Documentos de Econometría Aplicada (DEA) https://www.usc.gal/economet/documentos.htm Estudios Económicos de la Asociación Hispalink-Galicia https://www.usc.gal/economet/ahg.htm c) Enlaces a la serie de Documentos “Economic Development” (EcoDev) https://ideas.repec.org/s/eaa/ecodev.html 2) Nota sobre los acentos: Cuando el apellido de los autores lleva acento en la lengua española, se suprime si el artículo está en inglés, para evitar distorsiones informáticas en las bases de datos.4) Actualizaciones de la bibliografía desde el año 2022 pueden incluirse en las nuevas versiones del documento de Guisán(2022), EcoDev 126.5) A continuación figura la bibliografía por orden alfabético. En EcoDev 126 figura clasificada por series, lengua y año de publicación. Bibliografía Aguayo, E., Carballas, D.(2004). Tourism and Employment of Services in Central and Eastern European Countries, 1995-2002. Regional and Sectoral Economic Studies, Vol. 4-2. Aguayo, E., Guisán, M.C. (2004a). Employment and Population in the European Union: Models and Causality tests”. Economic Development 80. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 102 Aguayo, E., Guisán, M.C. (2004b). Distribución regional de la industria, la producción y el empleo. Cap. 5 del libro EE8 de Guisán, M.C. coord..(2004). Aguayo, E. Guisán, M.C., Rodriguez, X.A. (2001). Impacto de la industria y el turismo en el crecimiento económico de las regiones españolas. Regional and Sectoral Economic Studies, Vol.1-1. Arvin, B.M., Lew, B.(2015) Handbook on the Economcis of Foreign Aid. Edward Elgar. Print and Electronic Edition. Barro,R.J.(1991).Economic Growth: A Cross-section of Countries. The Quarterly Journal of Economics, 407-443. Barro, R.J., Grossman, H.I.(1971). A General Disequilibrium Model for Income and Employment. American Economic Review, Vol.71-1. Barro, R., Lee, J.W.(1997). “Schooling Quality in a Cross-section of Countries”. NBER Working Papers 6198. Bodkin, R.G., Klein, L.R. and Marwah, K.(1991). A History of Macroeconometric Model-Building. Cancelo, M.T, Guisan, M.C., Frias, I. (2001) “Supply and Demand of Manufacturing Output in OECD countries: Econometric Models and Specification test” Applied Econometrics and International Development, V. 1-2. Cancelo, M.T. y Guisán, M.C. (1998): Educación, inversión y competitividad en países de la OCDE: 1964-94. Documentos de Econometría Aplicada, DEA nº 12. Cancelo, M.T. y Guisán, M.C.(2004). “Oferta y Demanda de la producción manufacturera en países de la OCDE”. Capítulo 4 del libro EE8 de Guisán, M.C. coordinadora.(2004). Cancelo,M.T.(2001).”Productividad industrial y comercio exterior en la Unión Europea” .Regional and Sectoral Economic Studies, V.1-2. Cardona, M., Zuluaga, F., Cano C.A. y Gómez Alvis, C. (2004). Diferencias y similitudes en las teorías del crecimiento económico. Libros Eumed. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 109 Guisan, M.C., Aguayo, E., Exposito, P. (2015). "MDGs and international Cooperation: An Analysis of Private and Public Aid and the Role of Education”. Chapter 8 of the book by Arvin and Lee, editors(2015). The Economics of Foreign Aid, Edward Elgar. Guisán, M.C., Arranz, M.(2001). “Consumption Expenditure on Health and Education: Econometric Models and Evolution in OECD Countries, 1970-96”, Economic Development Nº. 50. Guisán, M.C., Arranz, M.(2003). “Econometric Models of Private and Public Health Expenditure in OECD countries, 1970-96”, Applied Econometrics and International Development, Vol. 3-3. Guisan, M.C., Cancelo, M.T. (2002). “Econometric Models of Foreign Trade in OECD Countries”. Applied Econometrics and International Development. Vol. 2-2, pp. 65-81. Guisán, M.C., Cancelo, M.T., Diaz, M.R. (1998). “Gasto en investigación y su impacto sobre el crecimiento regional”, Economic Development 32. Guisán, M.C., Cancelo, M.T., Diaz, M.R. (2010). “Concentración industrial en las regiones españolas y europeas”. Documento de la Serie Economic Development No. 101. Guisán, M.C., Cancelo, M.T., Aguayo, E. y Diaz, M.R. (2002). “Educación, investigación y desarrollo regional en la Unión Europea”. Economic Development nº 62.y Capítulo 4 del libro EE5 de Guisán, M.C. (coord..) (2001 b). Guisan, M.C., Cancelo, M.T., Neira, I., Aguayo, E., Exposito, P. (2004). Crecimiento económico en los países de la OCDE2. Libro EE8 de la serie Estudios Económicos de la AHG. Guisán, M.C., Cardim-Barata, S.(2004). “Industria e Comercio Externo na Economía do Brasil, 1960-2000". Economic Development nº 73. Guisan, M.C., Exposito, P.(2002). “Econometric Models of Agriculture in OECD Countries: Production, Income, and Agrarian Employment in Spain, France, Japan, and the USA, 1965-99”. Economic Development nº 60. Guisan, M.C., Exposito, P.(2004 a). “Econometric Models of Demand and Supply of Agriculture in Spain, France, Japan and Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 110 the USA, 196499: An Analysis of Interdependence”. Economic Development nº 75. Guisan, M.C. y Exposito, P.(2004 b). Economic Growth in China: An econometric model of intersector relations and foreign trade. Economic Development nº 76. Guisan, M.C., Expósito, P. (2004 c). La investigación económica en España en 1990-2003: índices múltiples de calidad y limitaciones de los rankings parciales. Economic Development, nº 72. Guisan, M.C., Exposito, P. (2007). “Fifty years of Econometrics Research in Spain: Doctoral Dissertations, international publications and other contributions, 1956-2006”, Economic Development, nº 98. Guisan, M.C., Exposito, P.(2011). “Regional Employment and Unemployment by Gender in Spain in comparison with other European Countries”, Regional and Sectoral Economic Studies, Vol. 11-1. Guisan, M.C, Exposito, P.(2013). “Employment, Production and Income by Sector in Spain: Econometric Models and Comparison with Germany and the United States, 1965-2010”, Regional and Sectoral Economic Studies, Vol-13-1. Guisan, M.C. and Frias, I. (1996): Economic Growth and Social Welfare in the European Regions. European Regional Science Association. ERSA 36th Congress, Zürich. Economic Development No. 9. Guisan, M.C., Martinez, C. (2003). Education, Industrial Development and Foreign Trade in Argentina: Econometric Models and International Comparisons. Economic Development nº 67. Guisan, M.C. and Neira, I. (2006). “Direct and Indirect Effects of Human Capital on World Development, 1960-2004”, Applied Econometrics and International Development, Vol. 6-1. Guisán, M.C., Neira, I. y Aguayo, E. (2000). “Analisis comparativo del desarrollo económico de España, Francia e Irlanda en el periodo 1960-99”, Economic Development nº 43. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 111 Guisan, M.C., Vazquez, E. (2013). “Employment, Productivity and Wages In European Regions: Econometric Model of 96 Nuts1 in Year 2010, Applied Econometrics and International Development, Vol. 13-1. Hartley, K., Cox, A. and Mayes, D.G. (1997): “The impact of rules”. En: Mayes, D.G. (ed): The Evolution of the Single European Market. Edward Elgar Publishing. Kaldor, N. (1963). “Capital Accumulation and Economic Growth.”In: Lutz, F. A. and D. C. Hague (eds.) ,Proceedings of a Conference Held by the International Economics Association. London: Macmillan. Kaldor,N. (1976) “Capitalismo y desarrollo industrial: algunas lecciones de la experiencia británica”, C. F. Díaz, S. Teitel y V. Tockman, comps., Política económica en centro y periferia, FCE México. Kaldor, N. (1966) “Causes of the Slow Rate of Economic Growth in the United Kingdom”, F. Targetti y A. P. Thirlwall, comps., The Essential Kaldor, London, Duckworth, 1989. Kaldor, N. (1970). “The Case for Regional Policies”, En F. Targetti y A.P. Thirlwall, comps., The Essential Kaldor, London, Duckworth. 1989. Kaldor,N.(1975)“Economic Growth and the Verdoorn Law. A Comment on Mr. Rowthorn’s Article”,The Economic Journal 85,340, pp. 891-896. Kaldor, N. (1981) “The Role of Increasing Returns, Technical Progress and Cumulative Causation in the Theory of International Trade and Economic Growth”, in F. Targetti y A. P. Thirlwall (1989). Kaufmann D., A. Kraay, and M. Mastruzzi (2008): Governance Matters VII: Governance Indicators for 1996-2007. World Bank Policy Research Working Paper nº 4654. Klein, L.R.(1991) (editor). Comparative performance of US Econometric Models. Oxford University Press. Korres, G. (ed.) (2007). Regionalisation, Growth and Economic Integration. Physica-Verlag a Springer Company, Heidelberg. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 112 Kuh, E. (1967). “A Productivity Theory of Wage Levels. An Alternative to the Phillips Curve”, The Review of Economic Studies, Vol. 34-4, pp. 333-360. Kuh, E., Schmalensee, R.L. (1973) An Introduction to Macroeconomics, North-Holland, Amsterdam. Maddison, A.(2001). The World Economy. A millennial perspective. Development Centre Studies. OECD, Paris. Marks, N., Simms, A., Thompson, S. and Abdallah, S. (2006). HPI Index. NEF Foundation. Mas, M.; Pérez, F. Y Uriel, E. (1995): El stock de capital en España y en sus Comunidades Autónomas. Vol. I. Fundación BBV. Mayes, D.G. (1997): The Evolution of the Single European Market. Edward Elgar Publishing McCombie, J. S. L. y J. R. Ridder. “The Verdoorn Law Controversy: Some New Empirical Evidence Using U.S. State Data”, Oxford Economics Papers 36, 1984, pp. 268-284. Moreno, A.M. (2008). “Las leyes del desarrollo económico endógeno de Kaldor: el caso colombiano”, Rev.econ.inst. vol.10 no.18 Bogotá. Murphy, K.; A. Shleifer y R. Vishny. “Industrialization and the Big Push”, Journal of Political Economy 97, 1989, pp. 1003-1026. Myrdal, G. Teoría económica y regiones subdesarrolladas, 1957, México, Fondo de Cultura Económica, 1970. Neira, I.(1998). Educación y crecimiento mundial: estudio econométrico del impacto del capital humano. Tesis Doctoral dirigida por Maria-Carment Guisán, USC. 1998. Resumen. Neira, I., Guisán, M.C. (1999). Modelos econométricos de capital humano y crecimiento económico. Libro DEA Nº 18, Neira, I., Guisán, M.C. (2002). “Modelos econometricos de capital humano y crecimiento economico: Efecto Inversion y otros efectos indirectos”, Economic Development, nº 62. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 113 Nobukini,M.,Adams,F.(1990).“A supply-side interregional model of the US manufacturing industry:1960-78”.Papers of the Reg.Sci., 68,p.71-81. Ocampo, J.A. comp. (2004), El desarrollo económico. En los albores del siglo XXI, Bogotá, CEPAL y Alfaomega. Portela, M. and Neira, I. (2002) Capital Social: Concepto y Estudio Econométrico sobre el Capital Social en España (Spanish). Estudios Económicos de Desarrollo Internacional. Vol 2-2. Preston, R.S.(1975). “The Wharton Long Term Model: InputOutput Within the Context of a Macro Forecasting Model”, International Economic Review 16, pp.3-19. Pulido, A. (2015). The Legacy of Klein (1920-2013): A Vision of the Future. Estudios de Economía Aplicada, EEA, Vol. 23-2, Asoc. ASEPELT-España. Rey, C. (1991). “Impacto del turismo sobre el empleo y el desarrollo regional. Análisis econométrico de las regiones españolas 1980-90”. Tesis Doctoral dirigida por la Dra. Mª Carmen Guisán, leída en la Universidad de A Coruña. Disponible en Dialnet. Rey, C. (1998). “Economía del turismo. Estructura de mercados e impacto sobre el desarrollo”. Estudios Económicos EE1. AHG. Sneesens, H.R. and Dreze, J.H. (1986). "A Discussion of Belgian Unemployment, Combining Traditional Concepts and Disequilibrium Econometrics," Economica, LSE, vol. 53. Somarriba, N., Pena-Trapero, J.B.(2008). “Quality of Life and Subjective Welfare in Europe: An Econometric Analysis”, Applied Econometrics and International Development, Vol. 8-2. Abstract Targetti, F. and A. P.Thirlwall, comps. (1989) The Essential Kaldor, London, Duckworth. Veenhoven, R. (2008). Sociological theories of subjective wellbeing. In M. Eid & R. J. Larsen (Eds.), The science of subjective well-being (pp. 44–61). Guilford Press. Guisán, M.C., coord.. (2002). EE9. https://www.usc.gal/economet/ebooks.htm 114 Organismos y fuentes estadísticas: Banco Mundial. Datos de World. Development Indicators (WDI) . Banco Mundial. Datos de World Government Indicators (WGI) Comisión Europea (1996): Primer informe sobre la cohesión económica y social. Comisión Europea (1997): Actividades de Investigación y desarrollo tecnológico en la Unión Europea. Informe anual 1997. EU(2006). Quality of Life. EU(2008).Distribution of Employment in the NACE2-digit sectors. European Commission (1998): Proposal for Council Decisions concerning the specific programmes implementing the Fifth Framework Programme of the European Community for research, tecnological development and demonstration activities (1998-2002). EUROSTAT. National Accounts. ESA. Oficina estadística de las Comunidades europeas. Bruselas. Varios años. EUROSTAT. Regional Statistical Year Book and Cronos. Varios años . EUROSTAT. Research and Development Statistics. IEP(2021). Global Peace Index. Institute for Economics and Peace. INE (varios años): Encuesta de Población Activa. Madrid. OCDE. Basic Science and Tecnology Statistics.The Economist OCDE (varios años). National Account Statistics. Paris. OCDE (varios años). Labour Force Statistics, Paris. OCDE, Expenditure in Industry, OCDE, París. The Economist. Quality of Life Index. UNDP(2021). Human Development Report. United Nations Development Program. UNESCO (2002). Objetivos de Desarrollo del Milenio. WHR(2021). World Happiness Report. WVS(2006).WorldValues Survey Assoc.Comisión Europea (1996a): 8º Informe anual sobre los fondos estructurales. Libro disponible en: https://www.usc.gal/economet/ebooks.htm