common trends and linkages in the us manufacturing … · 1.- introducciÓn el tejido industrial de...
TRANSCRIPT
COMMON TRENDS AND LINKAGES IN THE
US MANUFACTURING SECTOR, 1969-2000
Luis Lanaspa*
Irene Olloqui*
Fernando Sanz*
* Departamento de Análisis Económico. Universidad de Zaragoza (Spain)
2
Abstract
En este artículo partimos de la hipótesis de que las series de empleo por sectores
manufactureros referidas a una determinada área geográfica son potencialmente
susceptibles de presentar comportamientos económicamente relevantes en el tiempo.
Para contrastar esta afirmación hemos tomado datos anuales de empleo de veinte
sectores industriales (dos dígitos SIC) de Estados Unidos referidos a 51 estados y
cubriendo el periodo 1969-2000.
En primer lugar hemos contrastado si las series individuales de empleo por
estados cumplen la denominada Ley de Gibrat. Los resultados apuntan
mayoritariamente hacia el cumplimiento de la citada Ley. En segundo lugar,
contrastamos si tomadas dos a dos pueden o no tener tendencias estocásticas comunes y
vínculos en sus trayectorias en el tiempo. El resultado es que el sector manufacturero de
Estados Unidos se detectan notables vínculos, tanto de carácter interindustrial como
intraindustrial.
3
1.- INTRODUCCIÓN
El tejido industrial de los países es, por definición, un organismo cambiante, que
está potencialmente sometido a fenómenos de índole dinámica en el tiempo, pudiendo,
quizá, detectarse pautas más o menos regulares en su evolución. Esta es una de las
premisas de las que surge este trabajo, pero no es la única. También asumimos como
cierto que los diferentes sectores industriales son capaces de establecer vínculos
económicos entre sí a dos niveles: de un lado, una misma industria es susceptible de
presentar tendencias comunes consigo misma pero localizada en otra área geográfica (es
decir, fijamos el sector y nos movemos espacialmente); de otro, distintas industrias en
idéntica zona geográfica pueden comportarse de forma interrelacionada (fijamos el
espacio geográfico y nos movemos de una manufactura a otra). En el primer caso la
conexión es de tipo intraindustrial, mientras que en el segundo su carácter es
interindustrial.
El objetivo de este trabajo es contrastar empíricamente, con las técnicas
econométricas adecuadas, la veracidad de los postulados iniciales que hemos formulado
en el párrafo previo. Para ello se ha tomado como economía de referencia la de Estados
Unidos, y en concreto su sector manufacturero desde 1969 a 2000 inclusive; el grado de
desagregación utilizado es el de dos dígitos SIC (Standard Industrial Classification,), lo
que define veinte sectores industriales; las series empleadas en la aplicación son, para
cada sector, las de empleo en cada uno de los 51 estados USA considerados.
En primer lugar, como hemos dicho, vamos a contrastar si la evolución temporal
de las series de empleo industrial muestra alguna pauta de comportamiento previsible y,
por tanto, de carácter determinista o, por el contrario, dicho comportamiento es
estocástico, es decir, su trayectoria en es tiempo es el resultado de una suma de sucesos
4
que discurren de manera inesperada, como si fueran reacciones ante un determinado
shock inicial . En concreto, este interrogante puede contestarse verificando si se cumple
la Ley de Gibrat, que afirma, dicho de forma muy resumida, que la tasa de crecimiento
de un ente es independiente de su tamaño inicial. Hasta donde conocemos es la primera
vez que se lleva a cabo este contraste para datos de empleo por sectores y estados, lo
que constituye una aportación de este trabajo. En efecto, la Ley de Gibrat tiene una
vasta presencia en la literatura pero aplicada a ciudades (Ioannides y Overman, 2003,
Resende, 2004, Eeckhout, 2004, por citar sólo los más recientes) y, sobre todo, a
empresas (Geroski et al., 2003, Michelacci, 2004, Johansson, 2004, Jamet, 2004;
Audretsch et al., 2004, proporciona un exhaustivo survey sobre el tema).
Los resultados obtenidos muestran que, de forma predominante, para nuestras
series de empleo industrial se cumple la Ley de Gibrat, lo que implica que no presentan,
individualmente consideradas, comportamientos sistemáticos.
Ahora bien, es posible que tomadas dos a dos sí que tengan tendencias comunes,
vínculos en definitiva. Es momento, por tanto, de contrastar, como hemos adelantado al
principio de esta introducción, si pares de series de empleo manufacturero están
conectadas mediante relaciones interindustriales (lo que denominamos en la sección 3.3.
“efecto estado”) o intraindustriales (“efecto sector”). De nuevo la novedad en este
ejercicio empírico no reside en la técnica econométrica utilizada, que es el análisis de
cointegración (trabajos muy recientes que usan este método son los de Sarno y Valente,
2005, Kung y Carverhill, 2005, Bordo y MacDonald, 2005, Juselius y Toro, 2005 y
Coakley et al., 2005), sino en el ámbito económico en el que se emplea, a saber, datos
con un importante componente geográfico.
5
Los resultados derivados del análisis de cointegración son sugerentes: una parte
importante de las series, en torno al 40% de todos los pares posibles, presentan
comportamientos estocásticos afines.
Este no es, en absoluto, un trabajo teórico. Sin embargo, las implicaciones
teóricas del resultado comentado en el párrafo anterior merecen, por lo menos, ser
objeto de un breve comentario. Si realmente los sectores manufactureros pueden tener
vínculos de índole intra e interindustrial, si presentan tendencias comunes y reaccionan
análogamente a shocks externos, entonces se puede establecer un puente entre estas
deducciones empíricas y algunos de los postulados de la Nueva Geografía Económica
(NGE), que enfatiza la aparición de fenómenos de aglomeración (y de desaglomeración)
producidos por la interacción entre economías de escala y costes de transporte, además
de por la existencia de vínculos input-output entre empresas. En cualquier caso, como se
aprecia a lo largo de todo el trabajo, no son pocas las alusiones a ideas propias de la
NGE, que es el modelo que define el contexto teórico de este trabajo empírico.
El artículo se estructura como sigue. La sección segunda aborda y explica los
aspectos econométricos. Los resultados se exponen en el apartado tercero, que distingue
entre lo relativo al contraste de la Ley de Gibrat y lo referente al análisis de
cointegración, que intenta descubrir vínculos y tendencias comunes entre los sectores.
Finalmente, las conclusiones cierran el trabajo.
2.- ESPECIFICACIÓN ECONOMÉTRICA
La aplicación empírica que se lleva a cabo consta de dos partes: contraste del
cumplimiento de la Ley de Gibrat y análisis de cointegración para las series sectoriales
de empleo por estados.
6
2.1.- Contraste de la Ley de Gibrat
En nuestro contexto el cumplimiento de la Ley de Gibrat supone la
independencia entre el crecimiento experimentado por un sector en una unidad
geográfica, que es el estado, y el tamaño inicial del sector. La Ley de Gibrat se expresa
formalmente como:
Sijt = Sijt-1 + εt (1)
donde Sijt es el tamaño (empleo) del sector i en el estado j, en el periodo t, Sijt-1 es el
tamaño del mismo sector y estado en el periodo anterior, εt es una variable aleatoria
distribuida independientemente de Sijt-1. Siguiendo a Chesher (1979), La Ley de Gibrat
puede ser contrastada empíricamente a partir de la siguiente regresión:
tijtijt StS ερβµ +++= − )log( )log( 1 (2)
Ecuación que resulta de aplicar logaritmos neperianos a la ecuación (1), a la que,
además, y como es habitual, se le ha añadido elementos deterministas constante y
tendencia.
La Ley de Gibrat se cumple cuando ρ=1. Desde un punto de vista empírico,
diremos que la Ley se cumple si no podemos rechazar la hipótesis nula de que el
coeficiente ρ sea igual al la unidad. Por tanto contrastar la Ley de Gibrat es contrastar si
el tamaño del sector tiene una raíz unitaria, es decir, la variable presenta una tendencia
estocástica.
Como hemos comentado anteriormente, el hecho de que la evolución tendencial
de la variable sea estocástica significa que su magnitud es fruto de la suma de
reacciones imprevisibles que se van desencadenando como consecuencia de un
determinado suceso. En otras palabras, es fruto de la integración de shocks aleatorios, de
7
ahí que tome el nombre de integrada de orden 1, I(1). Si restamos en ambos lados de la
igualdad la variable log(Sijt-1), la regresión queda:
tijtS εαβµ +++=∆ )log(S t)log( 1-ijt (3)
Siendo α = ρ -1. En dicha regresión la variable endógena ∆log(Sijt) representa el
crecimiento del tamaño del sector i en el estado j en el periodo t. Si no se cumple la Ley
de Gibrat (se rechaza la hipótesis nula de raíz unitaria), es porque o bien ρ<1, lo que
implica que α <0, o porque ρ>1, esto es, α>0. En el primer caso estamos ante una
variable estacionaria en varianza y que, por tanto, converge hacia un estado
estacionario; además el hecho de que α sea negativo supone que crecimiento del sector
y su tamaño están inversamente correlacionados. El segundo caso indica que el
comportamiento del tamaño del sector es explosivo: cuanto mayor es su tamaño inicial
mayor es su crecimiento.
La inclusión de los elementos deterministas en la ecuación (3) define el estado
estacionario al que converge la variable en caso de que fuera I(0) y permite que dicho
estado estacionario presente un posible comportamiento tendencial.
Para llevar a cabo el contraste de la Ley de Gibrat hemos aplicado dos contrastes
de raíz unitaria. Partimos de los contrastes ampliamente conocidos de Dickey Fuller
(1979) Ampliado (ADF) y Phillips Perron (1988), que corrigen la presencia de
autocorrelación en los residuos de la regresión mediante procedimientos alternativos (el
primero incluyendo retardos de la variable endógena en incrementos, tantos como nos
indique el criterio seleccionado para tal fin, y el segundo corrigiendo el estadístico DF
de manera no paramétrica, teniendo en cuenta la varianza a largo plazo de los residuos
de la regresión, es decir considerando las autocovarianzas de los residuos). Basándonos
en los tests de Stock (1999), hemos seguido la propuesta de Elliot et al. (1996) de
eliminar localmente la media y tendencia de la serie mediante el procedimiento GLS
8
(Generalized Least Squares) para, posteriormente, aplicar el contraste ADF y una
versión modificada del estadístico Zt de Phillips Perron (1988) a la serie así modificada.
Ambos contrates se denotan en lo que sigue con ADFGLS y MZTGLS, respectivamente.
En los dos tests, la hipótesis nula es que la variable tiene una raíz unitaria, α=0, o lo que
es lo mismo, se cumple la Ley de Gibrat, frente a la hipótesis alternativa α<01.
Respecto a la determinación del número de retardos k a incluir en la regresión
para el cálculo del contraste ADF y para el contraste de MZT se ha tenido en cuenta el
trabajo de Perron y Ng (1996). Por otra parte, Ng y Perron (2001) proponen utilizar el
criterio Modified Akaike Information Criterion (MAIC) a los contrastes de raíz unitaria
aplicados a las series detrended por el método GLS. Alternativamente, y con objeto de
comparar resultados, hemos seleccionado también el número de retardos con el criterio
de Schwarz, (Bayesian Information Criterion, BIC).
2.2.- Análisis de cointegración para pares de series de empleo sectorial
En el apartado anterior se ha explicado cómo estudiar econométricamente si
existe evidencia empírica de que las variables (empleo de un sector en un estado) se
comportan como series estacionarias y que, por tanto, convergen a un estado
estacionario o si, por el contrario, se cumple la Ley de Gibrat y, en consecuencia, se
trata de variables I(1) que están sometidas a una evolución aleatoria y afectadas de
forma permanente por los shocks que puedan experimentar.
Una interpretación económica que se deriva en el segundo caso es que el tamaño
de cada sector en un estado determinado no presenta un patrón de comportamiento
regular. Moviéndonos en este escenario, cabe ahora preguntarse si, a pesar de ello,
1 Λα ηιπ⌠τεσισ αλτερνατιϖα α>0 ha sido estudiada, siendo rechazada en todos los casos.
9
puede existir una relación lineal o tendencia común a largo plazo de equilibrio entre el
tamaño un sector en un estado y el tamaño de cualquier otro sector en el mismo estado,
o del mismo sector en cualquier otro estado.
Econométricamente hablando, realizar este estudio es equivalente a comprobar
si podemos encontrar relaciones de cointegración de las series tomadas dos a dos. La
existencia de cointegración implica a su vez la existencia de relación de equilibrio a
largo plazo.
¿Cuándo están dos series cointegradas? Dos variables Xt e Yt están cointegradas
si siguiendo cada una procesos estocásticos no estacionarios, una combinación lineal de
ellas es estacionaria o, generalizando, dos variables del mismo orden de integración I(d)
están cointegradas si una relación lineal de ellas es de un orden de integración h < d.
Una consecuencia inmediata de que dos variables estén cointegradas es que se puede
estimar una relación lineal entre ambas que no tenga naturaleza espuria. La existencia
de cointegración garantiza, entre otras cosas, que los estimadores mínimo cuadráticos de
dicha relación lineal son superconsistentes incluso cuando existe correlación
contemporánea entre los residuos y las variables explicativas, tal y como demostró
Stock (1987). No obstante, en muestras finitas pueden aparecer sesgos importantes y la
inferencia se ve invalidada debido a las propiedades no estándar de sus distribuciones.
Ahora bien, dado que nuestro objetivo no es realizar inferencia estadística podemos
aparcar esta discusión y centrarnos, exclusivamente en lo que perseguimos: el estudio
de la existencia o no de cointegración.
Para ello utilizamos el procedimiento pionero propuesto por Engle y Granger
(1987). Dicho contraste analiza la hipótesis nula de no estacionariedad de los residuos
mínimo cuadráticos de la relación de cointegración frente a la alternativa de que son
estacionarios, es decir, si los residuos de dicha relación son I(1) (o, en general, del
10
mismo orden de integración que las variables que se relacionan) frente a I(0) (o, en
general, de un orden de integración inferior al de las variables). Por tanto bajo la
hipótesis nula contrastamos la no existencia de cointegración mediante la aplicación del
contraste ADF a los residuos de la siguiente regresión:
thktijt uStS +++= )log()log( γβµ (4)
Siendo i y h indicativos del sector al que nos referimos y j y k indicativos del
estado. En cada regresión estimada, como veremos más adelante, o bien i=h o bien j=k.
De esta forma el estudio se refiere a posible relación de equilibrio entre dos series de un
mismo sector entre distintos estados o de un mismo estado entre distintos sectores. A
pesar de que este contraste es similar al diseñado por Dickey y Fuller (1981) para el
análisis univariante, los valores críticos difieren y están tabulados en Mckinnon (1991).
Se ha elegido este método de contraste, entre varios posibles, por dos motivos
principales. En primer lugar, por su sencillez, ya que se efectúa mediante mínimos
cuadrados ordinarios y sólo es necesario probar que los residuos son estacionarios. En
segundo lugar, y dado que el método de Engle y Granger tan sólo permite estimar una
única relación de cointegración, resulta especialmente adecuado cuando la relación es
entre dos variables entre las que como máximo, podemos encontrar precisamente una
única relación de cointegración. Por tanto, y esto es una ventaja adicional de nuestro
planteamiento, no podemos incurrir en sesgos de estimación de los parámetros o perder
eficiencia en las pruebas de hipótesis, por esto que ambos problemas se derivan de la
omisión de posibles relaciones de cointegración cuando existen más de dos variables en
la relación.
Para acabar este epígrafe, queremos comentar que hay una amplia literatura que
ofrece innovadores contrastes de cointegración tendentes a incorporar rupturas
estructurales. Nuestra apuesta a lo largo del papel ha sido la de no considerar la
11
existencia de dichas rupturas. La razón es clara: dado el relativamente escaso número de
observaciones que tenemos la pérdida de grados de libertad que supone la inclusión de
variables que recogen dichos cambios sería importante; este hecho se ved además
agravado por la pérdida adicional de observaciones derivada de la aplicación de los
criterios MAIC y BIC en la selección del número de retardos a considerar en las
regresiones.
3.- RESULTADOS EMPÍRICOS
3.1.- Base de datos
Los datos de la aplicación empírica llevada a cabo para Estados Unidos se han
tomado del U.S. Department of Comerce en Regional Economic Accounts del Bureau
Economic Analysis, en la página web de libre acceso www.bea.doc.gov. El periodo
considerado es todo aquel del que se ofrecen datos, esto es, 1969 a 2000, inclusive,
generando un total de 32 observaciones anuales. El nivel de desagregación de las
manufacturas USA es de dos dígitos SIC, lo que define veinte sectores industriales. Otro
nivel de desagregación superior, a saber, tres dígitos SIC (140 sectores) nos parece
inapropiado por dar lugar a un número demasiado amplio de industrias. El cuadro 1
recoge los veinte sectores manufactureros sometidos a análisis con su código
correspondiente.
12
Cuadro 1.- Sectores manufactureros considerados. Dos dígitos SIC
413 Lumber and wood products 417 Furniture and fixtures 420 Stone, clay, and glass products 423 Primary metal industries 426 Fabricated metal products 429 Industrial machinery and equipment 432 Electronic and other electric equipment 435 Motor vehicles and equipment 441 Instruments and related products 444 Miscellaneous manufacturing industries 453 Food and kindred products 456 Tobacco products 459 Textile mill products 462 Apparel and other textile products 465 Paper and allied products 468 Printing and publishing 471 Chemicals and allied products 474 Petroleum and coal products 477 Rubber and miscellaneous plastics products 480 Leather and leather products
La unidad geográfica de referencia va a ser el estado, de forma que de cada
sector industrial se toma el número absoluto de empleados en cada uno de los 49
estados norteamericanos que hay entre Canadá y Méjico más Alaska y Hawai, lo que da
lugar a un total de 51 estados, incluyendo el Distrito de Columbia.
3.2.- El sector manufacturero USA y la Ley de Gibrat
La cuestión a la que queremos dar respuesta en este apartado (vease la segunda
sección para más detalles técnicos) es si la evolución temporal del empleo en cada
sector y en cada estado es independiente del tamaño del sector en cuestión en el periodo
anterior, esto es, si su tasa de crecimiento no depende de dicho tamaño. En otras
palabras, estamos contrastando el cumplimiento de la Ley de Gibrat.
13
Las implicaciones económicas de este ejercicio son importantes porque si
aceptamos que las series de empleo por industria y estado son integradas de orden uno
o, lo que es lo mismo, se verifica la Ley de Gibrat y el comportamiento futuro no se ve
influido por la dimensión inicial, estamos admitiendo que las series presentan una
tendencia estocástica, de forma que no existen regularidades o pautas reseñables de
carácter determinista en su trayectoria a lo largo del tiempo.
Y existen argumentos teóricos para justificar que las series de empleo por
sectores y estados, aunque estén consideradas de forma individual, puedan presentar
estos patrones de comportamiento en el tiempo a los que hemos aludido en el párrafo
previo. En efecto, una de las características de los modelos de la denominada NGE,
introducida por Krugman (1991), es que los procesos de aglomeración (y también los de
desaglomeración), en presencia de economías de escala y costes de transporte, son self-
reinforcing, es decir, se autoalimentan mediante mecanismos del tipo causación
circular, de forma que la historia importa (vease al respecto Baldwin et al., 2003). Dicho
de otra forma, si las predicciones propias de la NGE tienen alguna importancia en las
manufacturas de USA, la tasa de crecimiento podrá depender del tamaño, de la
magnitud pasada o inicial, las series de empleo serán estacionarias y tenderán a
converger, al menos en el largo plazo, a un estado estacionario, incumpliéndose la Ley
de Gibrat.
El objetivo de este trabajo no es someter a contraste alguno de los postulados de
la NGE. Nuestra intención es explorar, en esta sección, si la tasa de crecimiento de las
series de empleo industrial por estados de USA es función de la dimensión de dicho
sector. Este análisis va a permitir poner en relación los resultados que de él se derivan
con alguna de las características que definen los modelos teóricos de la NGE.
14
El cuadro 2 ofrece, a un nivel de significación del 5%, el porcentaje de rechazos
de la Ley de Gibrat. El significado de las siglas MZTGLS, ADFGLS, BIC y MAIC ha sido
objeto de explicación en el apartado anterior. La ecuación (3) es la que se ha estimado
para construir este cuadro.
Cuadro 2.- Porcentaje de rechazos por sectores de la hipótesis nula de cumplimiento de
la Ley de Gibrat.
La principal conclusión que se deduce de la información anterior es que en el
sector manufacturero de Estados Unidos, las series de empleo por estados cumplen de
forma mayoritaria la Ley de Gibrat, que establece que su evolución en el tiempo no
depende del tamaño del sector en cuestión. Basta mirar la última fila del cuadro 2 para
comprobar que ese es el comportamiento predominante, es decir, la presencia en dichas
MZTGLS ADFGLS BIC MAIC BIC MAIC 413 Lumber and wood products 23,53 17,65 35,29 33,33417 Furniture and fixtures 15,99 11,76 27,45 19,61420 Stone, clay, and glass products 17,65 5,88 31,37 17,65423 Primary metal industries 17,65 11,76 27,45 21,57426 Fabricated metal products 21,57 11,76 17,65 11,76429 Industrial machinery and equipment 25,49 13,73 31,37 17,65432 Electronic and other electric equipment 17,65 7,84 27,45 15,69435 Motor vehicles and equipment 17,65 13,73 43,14 29,41441 Instruments and related products 11,76 5,88 19,61 5,88444 Miscellaneous manufacturing industries 3,92 1,96 19,61 11,76453 Food and kindred products 7,84 5,88 13,73 3,92456 Tobacco products 9,80 0,00 15,69 1,96459 Textile mill products 9,80 5,88 13,73 11,76462 Apparel and other textile products 19,61 11,76 13,73 3,92465 Paper and allied products 11,76 5,88 21,57 7,84468 Printing and publishing 5,88 5,88 5,88 0,00471 Chemicals and allied products 13,73 1,96 23,53 5,88474 Petroleum and coal products 9,80 3,92 7,84 5,88477 Rubber and miscellaneous plastics products 11,76 7,84 33,33 17,65480 Leather and leather products 9,80 9,80 19,61 5,88
TOTAL SECTORES 14,12 8,04 22,45 12,45
15
series de una raíz unitaria. Y esta conclusión es tanto más cierta si el método de
estimación es MZTGLS frente a ADFGLS y el criterio to select the autoregressive
truncations lag es el MAIC frente al BIC.
Sólo hay tres sectores en los que una cierta relación con ideas propias de la NGE
se da en al menos un tercio de los estados, siempre con el método de estimación ADF.
Se trata de la industria 413 (Lumber and wood products) con 18 y 17 estados según los
criterios SBIC y MAIC, respectivamente; del sector 435 (Motor vehicles and
equipment) con 22 estados según el criterio SBIC y de la industria 477 (Rubber and
miscellaneous plastic products) con 17 estados, también de acuerdo a SBIC. Veremos
en el apartado siguiente que estos tres sectores manufactureros aparecen de forma
prominente en el cuadro (4), lo que es indicativo de que su especial comportamiento no
es completamente casual.
3.3.- Tendencias comunes y vínculos en el sector manufacturero USA
Acabamos de deducir en el subapartado anterior que el comportamiento
temporal predominante en las series de empleo en cada estado y subsector
manufacturero es que son I(1), es decir, se cumple la Ley de Gibrat y no podemos
defender, por tanto, que presentan un patrón sistemático de evolución a lo largo del
tiempo. El paso siguiente a dar en la investigación es inmediato: ya que no hay
regularidades individuales, ¿es posible que haya trayectorias comunes para pares de
series?
Procede, por consiguiente, pasar al análisis de cointegración, que permite dar
respuesta al interrogante previo. En este contexto se plantean dos opciones, ambas
relevantes. Sean lnSijt y lnShkt sendas series de empleo, siendo i y h indicadores de
16
sector manufacturero y j y k de diferentes estados USA. Las dos posibilidades
razonables de tomar series dos a dos para estudiar si están o no cointegradas son las
siguientes:
• j=k. Se trata de un efecto estado, que explora la posible existencia de
vínculos entre distintos sectores dentro de un mismo estado. Los vínculos,
las tendencias comunes en este caso serían de tipo interindustrial. El número
de regresiones a realizar es:
2
20 posibles pares de sectoresx51 estados=190x51=9690
• i=h. Se trata de un efecto sector, que explora la posible existencia de
vínculos geográficos entre estados para un mismo subsector manufacturero.
Los vínculos, las tendencias comunes en este caso serían de tipo
intraindustrial. El número de regresiones a realizar es:
251
posibles pares de estadosx20 sectores=1275x20=25500
Vamos a describir los resultados de lo que hemos denominado efecto estado. El
número total de rechazos de la hipótesis nula de no cointegración es de 3939 sobre 9690
posibles, lo que representa un 40.65%, que no deja de ser una magnitud relevante.
Evidentemente, esta cifra no es válida para todos los estados. El cuadro 3 ordena los
estados USA de mayor a menor número de relaciones de cointegración detectadas:
desde 109 de 190 posibles para Arizona hasta 41 para Iowa.
17
Cuadro 3.- Efecto estado. Porcentaje de relaciones de cointegración encontradas.
Arizona 57,37SouthCarolina 53,16Tenesse 52,11Delaware 51,58NortCarolina 51,58Georgia 51,05Mississipi 51,05Washington 49,47Alabama 48,95Idaho 48,95Oregon 47,89NortDakota 47,89Kansas 47,37Wyoming 47,37Alaska 46,84Minessota 45,26California 44,74Arkansas 44,21Maine 44,21Nevada 44,21Penssilvania 44,21Virginia 44,21Maryland 43,68Oklahoma 43,68Hawaii 43,16New Hampshire 43,16Wisconsin 43,16Florida 42,11DistrictofColumbia 40,53Montana 40,00New York 38,42SouthDakota 38,42UTA 38,42Missouri 37,89Michigan 37,37New Mexico 35,79Colorado 34,74Texas 34,74Conneticut 33,16Illinois 33,16NewJersey 33,16Kentucky 32,63Vernont 31,05Louisiana 29,47West Virginia 29,47Rhode Island 28,95Massachussets 26,32Ohio 26,32Nebraska 25,79Indiana 23,16Iowa 21,58
18
Una primera conclusión que se extrae del cuadro previo es que el efecto estado
tiene una notable presencia en el sector manufacturero de Estados Unidos, por encima
de lo que posiblemente cabría esperar a priori. En otras palabras, y sobre todo para los
estados de la parte alta del cuadro 3, podemos hablar de importantes vínculos
interindustriales entre sectores dentro de áreas geográficas bien delimitadas como son
los estados.
Una segunda cuestión interesante a responder es si los estados de la parte alta y
baja del cuadro 3 presentan alguna regularidad geográfica en el mapa de los Estados
Unidos o, por el contrario, su distribución en dicho mapa es aleatoria. Para ello
consideramos como porcentajes de corte el resultado de multiplicar y dividir el
porcentaje total, 40.65%, por 1.2, esto, es, el veinte por ciento sobre dicha cifra global,
lo que resulta tomar los estados por encima del 48.78% y por debajo del 33.875%. Los
mapas 1 y 2 muestran la localización de estos estados.
Mapa 1.- Estados con mayor número de tendencias comunes y vínculos de tipo
interindustrial.
19
Mapa 2.- Estados con menor número de tendencias comunes y vínculos de tipo
interindustrial.
La interpretación de los mapas es directa y sorprendente: la ubicación de los
estados es cualquier cosa menos aleatoria, y prácticamente todos ellos tienen frontera
común con otro u otros estados que comparten la misma característica. En efecto, salvo
para el caso de Arizona en el mapa 1 y de Louisiana en el mapa 2, que permanecen
aislados, el resto de los estados se agrupan en el espacio formando clusters. Para el caso
de los estados con mayor número de vínculos estos clusters se sitúan en el noroeste y en
el sudeste del país. Los estados con menor número de tendencias comunes entre
sectores, aparte de varios estados contiguos en Nueva Inglaterra, trazan lo que es
prácticamente una línea recta que va desde West Virginia hasta Nebraska.
Una vez estudiado el llamado efecto estado, podemos centrarnos en el efecto
sector. El número total de rechazos de la hipótesis nula de no cointegración es de 9883
sobre 25500 posibles, lo que representa un 38.76%, que no deja de ser una magnitud
20
relevante, aunque ligeramente inferior a la asociada al efecto estado. Evidentemente,
esta cifra no es válida para todos los sectores. El cuadro 4 ordena las industrias
manufactureras de mayor a menor número de relaciones de cointegración detectadas:
desde 615 de 1275 posibles para Motor vehicles and equipment hasta 359 para Printing
and publishing.
Cuadro 4.- Efecto sector. Porcentaje de relaciones de cointegración encontradas.
435 Motor vehicles and equipment 48,24 413 Lumber and wood products 47,22 471 Chemicals and allied products 46,20 432 Electronic and other electric equipment 43,69 477 Rubber and miscellaneous plastics products 42,98 429 Industrial machinery and equipment 41,10 456 Tobacco products 40,16 420 Stone, clay, and glass products 40,08 441 Instruments and related products 40,08 453 Food and kindred products 39,53 423 Primary metal industries 38,82 426 Fabricated metal products 37,80 480 Leather and leather products 36,71 417 Furniture and fixtures 36,08 465 Paper and allied products 35,84 444 Miscellaneous manufacturing industries 34,59 459 Textile mill products 34,04 474 Petroleum and coal products 33,96 462 Apparel and other textile products 29,88 468 Printing and publishing 28,16
Razonando de manera análoga a como lo hacíamos con el efecto estado, una
primera conclusión de interés que se extrae del cuadro previo es que el efecto sector
tiene una notable presencia en las manufacturas de Estados Unidos, de nuevo por
encima de lo que posiblemente cabría anticipar. En otras palabras, y sobre todo para los
sectores de la parte alta del cuadro 4, podemos hablar de importantes vínculos
intraindustriales que se producen entre las series de empleo un mismo sector (de ahí el
carácter intra) estudiadas en distintos estados y que, por definición, presentan tendencias
21
estocásticas comunes. Una diferencia reseñable entre la incidencia porcentual del efecto
estado y del efecto sector no reside en sus medias, que son casi iguales, sino en su
varianza: las divergencias entre los porcentajes por estados del cuadro 3 son más
intensas que las que se dan por sectores en el cuadro 4.
Asimismo en el epígrafe 3.2. hemos visto que había tres industrias para las
cuales era más factible rechazar el cumplimiento de la Ley de Gibrat, de forma que
podíamos encontrar en ellas con más probabilidad ciertos pautas más o menos estables
en el tiempo. Pues bien, estos tres sectores son Motor vehicles and equipment, Lumber
and wood products y Rubber and miscellaneous plastic products, que ocupan los
puestos primero, segundo y quinto en el cuadro 4, de forma que, como parece lógico,
estas industrias son también las que presentan un mayor porcentaje de tendencias
comunes con la misma industria en otro estado. Dicho en otras palabras, los sectores
con una mayor tendencia a mostrar comportamientos individuales regulares son a su vez
los más proclives a tener vínculos cuando se toman las series dos a dos. Son dos
maneras alternativas y complementarias de ver una misma realidad.
Una cuestión pendiente de resolver es si los sectores de la parte alta (por ejemplo
los seis primeros) y baja (por ejemplo los seis últimos) del cuadro 4 presentan alguna
característica común que los identifique frente al resto. Y es un aspecto interesante
puesto que nos va a permitir definir el sector tipo que tiene menos vínculos o, sobre
todo, más conexiones con series análogas de empleo en otros estados. Para ello vamos a
utilizar los criterios catalogadores de industrias propuestos en Midelfart-Knarvik et al.
(2000). Se toman los veinte sectores dos dígitos SIC y, de acuerdo a nueve conceptos,
se clasifican en high (H, seis sectores), medium (M, siete sectores) o low (L, siete
sectores). Estos conceptos son los siguientes: indicators of economies of scale (IRS,
measures of minimum efficient scale), technology level (TECH), intra-industry linkages
22
(INTRA, use of intermediates from own sector as share of value of production), inter-
industry linkages (INTER, use of intermediates from other sectors as share of value of
production), capital intensity (K/L, capital stock per employee), skill intensity (S/L,
share of non manual workers in workforce), industrial growth (A, growth in value of
production between 1970 and 1994), final demand bias (FINAL, percentage of sales to
domestic consumers and exports) and agricultural input intensity (AGRI, use of primary
inputs as a share of value of production).
El cuadro 5 ofrece los veinte sectores manufactureros ordenados tal y como
aparecen en el cuadro 4, esto es, de mayor a menor intensidad en los vínculos y
tendencias comunes, y a la derecha clasificados en H, M o L de acuerdo a los nueve
conceptos explicados en el párrafo previo más una primera columna que los divide en
durables (D) y non durables (ND).
Cuadro 5.- Efecto sector y tipología de las industrias.
D/ND IRS TECH INTRA INTER K/L S/L A FINAL AGRIMotor vehicles and equipment D H H H M L L L M L Lumber and wood products D M M H M M L L M M Chemicals and allied products ND H H H L H H M M L Electronic and other electric equipment D H H M M L M H M L Rubber and miscellaneous plastics products ND M H L H L M L M M Industrial machinery and equipment D H H M M M H M L L Tobacco products ND L M M H H M L H H Stone, clay, and glass products D H M M H L L H L M Instruments and related products D M H L H L H H L M Food and kindred products ND L M L H H M M H H Primary metal industries D M M H L H M M L L Fabricated metal products D M M L M M L H L L Leather and leather products ND L L H L M L L H H Furniture and fixtures D L L L M L L M M H Paper and allied products ND M L H L H M M L M Miscellaneous manufacturing industries D L M L M L L H M M Textile mill products ND L L M L M H L H H Petroleum and coal products ND H L L H H H M H L Apparel and other textile products ND L L M L M M L H H Printing and publishing ND M L M L H H H L M
23
A la luz de la información contenida en el anterior cuadro, los criterios INTER,
K/L, S/L, A y FINAL no discriminan de forma clara entre los sectores. El resto sí que lo
hacen. En efecto, la fotografía de una industria con un efecto sector intenso es la
siguiente: es mayoritariamente de bienes duraderos (de las seis últimas industrias, hasta
cinco son de bienes no duraderos), presenta importantes economías de escala, es
claramente intensiva en tecnología (de las seis últimas, hasta cinco son muy bajas en
este concepto, y de las seis primeras, hasta cinco son altas en este apartado), como era
de esperar por la propia definición del efecto sector, tiene fuertes relaciones intra-
industriales, al menos en las tres primeras, y usa muy poco intensivamente inputs
primarios. A nuestro juicio, por su relación con toda la literatura teórica relativa a la
NGE, son especialmente interesantes las conexiones de una industria con un efecto
estado fuerte y el hecho de que sea, con una alta probabilidad, muy intensiva en
tecnología y que tenga importantes economías de escala.
Con esto terminamos la aplicación empírica. Sin embargo, todavía es susceptible
de generar mucha más información. Piénsese, por ejemplo, que para un empresario de
Houston puede ser relevante conocer entre qué pares de industrias tejanas existen
comportamientos afines, y esto se puede hacer para cada uno de los 51 estados; o para
un industrial del papel saber en qué estados dicho sector presenta tendencias comunes y
vínculos, y esto se puede hacer para cada uno de los 20 sectores manufactureros.
Ofrecer todos estos resultados sería excesivo, pero en todo caso they are available from
the authors upon request.
24
4.- CONCLUSIONES
En este artículo partimos de la hipótesis de que las series de empleo por sectores
manufactureros referidas a una determinada área geográfica son potencialmente
susceptibles de presentar comportamientos económicamente relevantes en el tiempo. En
todo caso es una cuestión abierta que debe someterse, de forma rigurosa, a contraste
empírico. Para ello hemos tomado datos anuales de empleo de veinte sectores
industriales (dos dígitos SIC) de Estados Unidos referidos a 51 estados y cubriendo el
periodo 1969-2000.
En este contexto, nos hemos enfrentado al problema de forma secuencial. Así, en
una primera etapa hemos contrastado si las series individuales de empleo por estados
cumplen la denominada Ley de Gibrat, esto es, si la tasa de crecimiento es
independiente del tamaño inicial, en cuyo caso no existe un patrón alguno en la
evolución temporal. Los resultados apuntan mayoritariamente hacia el cumplimiento de
la citada Ley.
Ya que las series no muestran, en general, pauta regular alguna consideradas de
forma aislada, en una segunda etapa contrastamos si tomadas dos a dos pueden o no
tener tendencias estocásticas comunes y vínculos en sus trayectorias en el tiempo. El
análisis de cointegración, que permite llevar a cabo esta segunda fase, ofrece resultados
mucho más interpretables desde un punto de vista económico. En efecto, en el sector
manufacturero de Estados Unidos se detectan notables vínculos, tanto de carácter
interindustrial (lo que hemos llamado “efecto estado”) como intraindustrial (“efecto
sector”). Los estados con mayor número de tendencias comunes entre sus sectores se
localizan en el noroeste y sudeste del país (el hecho de encontrar clusters de estados es
indicativo de que Geography Matters), mientras que las industrias con mayores vínculos
25
entre estados se caracterizan fundamentalmente por la existencia de rendimientos
crecientes y por ser intensivas en tecnología (otra conclusión que entronca con los
modelos recientes de Geografía Económica).
Este es un trabajo empírico, pero no está exento de importantes implicaciones
teóricas, tal y como hemos visto en el párrafo anterior. Sin embargo, estos contactos con
la teoría pueden ser más directos. En efecto, tanto si la Ley de Gibrat no se verifica
(primera etapa), como, sobre todo, si dos series de empleo están cointegradas (segunda
etapa), podemos establecer un puente entre estos resultados y algunos de los postulados
de la Nueva Geografía Económica. Dicho en otras palabras, si las series de empleo
tienen comportamientos sistemáticos en el tiempo, bien de forma individual, bien en
parejas, podemos admitir, al menos en cierta medida, que ideas propias de la NGE como
self-organizing systems, circular causation o history matters encuentran algún tipo de
respaldo.
Por último, queremos exponer una serie de posibles extensiones del papel. En
primer lugar, la base de datos se podría ampliar temporal (más allá de 2000) y
espacialmente (considerando otros países distintos de Estados Unidos, en particular
países europeos). En segundo lugar, cabe, si se contara con un mayor número de
observaciones, la posibilidad de que, en los contrastes estadísticos, las series
presentasen rupturas estructurales.
26
5.- REFERENCIAS
Audretsch D.B., L. Klomp, E Santarelli y A.R. Thurik, “Gibrat’s Law: Are the Services
Different?”, REVIEW OF INDUSTRIAL ORGANIZATION, 24: 301-324, 2004
Baldwin R., R. Forlid, P Martin, G Ottaviano y F. Robert-Nicoud, Economic Geography
and Public Policy, Princeton University Press 2003.
Bordo MD, MacDonald R “Interest rate interactions in the classical gold standard,
1880-1914: was there any monetary independence?” JOURNAL OF MONETARY
ECONOMICS 52 (2): 307-327 MAR 2005
Chesher, A. “Testing the law of proportionate effect” JOURNAL OF INDUSTRIAL
ECONOMICS 27 (4):403-411 1979
Coakley J, Flood RP, Fuertes AM, et al. “Purchasing power parity and the theory of
general relativity: The first tests” JOURNAL OF INTERNATIONAL MONEY AND
FINANCE 24 (2): 293-316 MAR 2005
Dickey, D. A. y W. A. Fuller. “Distribution of the estimators for autoregressive time
series with a unit root” JOURNAL OF THE AMERICAN STATISTICAL
ASSOCIATION, 74: 427-431 1979
Dickey, D. A. y W. A. Fuller. “Likelihood ratio statistics for autoregressive time series
with a unit root” ECONOMETRICA 49: 1057-1072 1981
Eeckhout, J. “Gibrat's law for (All) cities”AMERICAN ECONOMIC REVIEW
94(5):1429-1451 DEC 2004
Elliot, G., Rotherberg, T.J., y Stock, J.H. “Efficient Test for an autoregressive unit root”
ECONOMETRICA 49: 251-256 1987
Engle R. F. y C. W. J. Granger, “Co-integration and error correction: representation,
estimation and testing”. ECONOMETRICA, 55: 251-256 1987
27
Geroski, P.A., S. Lazarova, G. Urga and C.F. Walters, “Are Differences in Firm Size
Transitory or Permanent?”, JOURNAL OF APPLIED ECONOMETRICS, 18: 47-59,
2003
Ioannides YM, Overman HG “Zipf's law for cities: an empirical examination”
REGIONAL SCIENCE AND URBAN ECONOMICS 33 (2): 127-137 MAR 2003
Jamet, S. “Irreversibility, uncertainty and growth” JOURNAL OF ECONOMIC
DYNAMICS & CONTROL 28 (9): 1733-1756 JUL 2004
Johansson, D. “Is small beautiful? The case of the Swedish IT industry”
ENTREPRENEURSHIP AND REGIONAL DEVELOPMENT 16 (4): 271-287 JUL
2004
Juselius K, Toro J “Monetary transmission mechanisms in Spain: The effect of
monetization, financial deregulation, and the EMS” JOURNAL OF INTERNATIONAL
MONEY AND FINANCE 24 (3): 509-531 APR 2005
Krugman P., “Increasing Returns and Economic Geography”, JOURNAL OF
POLITICAL ECONOMY, 99: 483-499, 1991
Kung JJ, Carverhill AP “A cointegration study of the efficiency of the US Treasury
STRIPS market” APPLIED ECONOMICS 37 (6): 695-703 APR 10 2005
Mckinnon J.G., Critical Values as Cointegration tests, In : Engle, R.F. and Clive W.J.
(Eds.), Long Run Economic Relationships. OXFORD UNIVERSITY PRESS, NY 1991
Michelacci, C. “Cross-sectional heterogeneity and the persistence of aggregate
fluctuations” , JOURNAL OF MONETARY ECONOMICS 51 (7): 1321-1352 OCT
2004
Ng, S. y Perron, P. “Lag Length selection and construction of unit root tests with good
size and power” ECONOMETRICA 69: 1529-1554 2001
28
Perron, P. y Ng, S. “Useful Modifications to some unit root test with dependen errors
and their local asymptotic properties” REVIEW OF ECONOMICS STUDIES 63: 435-
465.
Phillips, P. C. B. y Perron, P. “Testing for a Unit Root in Time Series” BIOMETRIKA,
75: 335-346 1988
Resende M. “Gibrat's law and the growth of cities in Brazil: A panel data investigation”
URBAN STUDIES 41 (8): 1537-1549 JUL 2004
Sarno L, Valente G “Modelling and forecasting stock returns: Exploiting the futures
market, regime shifts and international spillovers” JOURNAL OF APPLIED
ECONOMETRICS 20 (3): 345-376 MAR-APR 2005.
Stock, J.H. “Asymptotic Properties of least squares estimators of cointegrating vectors”
ECONOMETRICA 55: 1035-1056.
Stock, J.H. “A class of tests for integration and cointegration”. In : Engle, R.F., White,
H. (Eds.), Cointegration, Causality and Forecasting. A Festschrift in Honour of Clive
W.J. Granger. OXFORD UNIVERSITY PRESS, Oxford 137-167 1999