Descomposición del desempleo provincial en sus … · ... las que explican tanto el nivel de...
40
1 Descomposición del desempleo provincial en sus componentes estructural y coyuntural mediante un modelo de error compuesto y análisis de sus patrones espaciales 1 Jaime Cuéllar Martín Ángel Martín Román 2 Alfonso Moral de Blas Departamento de Fundamentos del Análisis Económico, Universidad de Valladolid [Versión preliminar (no citar sin permiso)] RESUMEN La existencia de tasas de desempleo dispares en el ámbito regional, así como sus mecanismos de formación y su persistencia, han dado lugar a un gran número de artículos científicos tanto a nivel nacional como internacional. Sin embargo, su aplicación al ámbito provincial y la incorporación del análisis económico centrado en el ámbito espacial resulta ser menos abundante. Por otra parte, para poder distinguir e identificar los distintos componentes del desempleo, se han utilizado métodos basados en diversos filtros estadísticos univariantes (Hodrick-Prescott, Baxter-King, etc.). Nuestro trabajo pretende contribuir a esta literatura incorporando información multivariante. Siguiendo la metodología similar a la propuesta por Hofler y Murphy (1989) y Aysun et al. (2014), en la primera parte del trabajo se utilizan técnicas de fronteras estocásticas para descomponer la tasa de desempleo efectiva de cada una de las provincias españolas en dos componentes claramente diferenciados. Conceptualizamos uno de ellos como dependiente de factores más estructurales o de oferta agregada y el otro como un componente más coyuntural que puede verse afectado por las variaciones de la demanda agregada. En la segunda parte de la investigación se analiza la posible presencia de patrones de dependencia espacial entre las provincias españolas, tanto en el desempleo efectivo como en cada uno de sus componentes. En este apartado se emplean diferentes definiciones de vecindad para comprobar la robustez de los resultados obtenidos ante cambios en las matrices de pesos espaciales. A modo de conclusión, podemos decir que la identificación de estos dos componentes del desempleo nos permitirá conocer el margen de actuación que poseen los responsables de política económica a la hora de reducir el desempleo mediante la utilización de políticas de oferta y demanda agregada. El análisis de la posible dependencia espacial entre las provincias españolas en el ámbito del desempleo, puede ayudar a detectar patrones de formación comunes o “clusters” de desempleo provincial. Palabras clave: Desempleo, mercados de trabajo locales, econometría espacial Clasificación JEL: E24, J64, R11 1 Este trabajo corresponde a una versión preliminar del trabajo final, por favor, no citar sin permiso de los autores. 2 Email de contacto: [email protected]
Transcript of Descomposición del desempleo provincial en sus … · ... las que explican tanto el nivel de...
1
Descomposición del desempleo provincial en sus componentes
estructural y coyuntural mediante un modelo de error
compuesto y análisis de sus patrones espaciales1 Jaime Cuéllar Martín
Ángel Martín Román2
Alfonso Moral de Blas
Departamento de Fundamentos del Análisis Económico, Universidad de Valladolid
[Versión preliminar (no citar sin permiso)] RESUMEN
La existencia de tasas de desempleo dispares en el ámbito regional, así como sus mecanismos de
formación y su persistencia, han dado lugar a un gran número de artículos científicos tanto a nivel
nacional como internacional. Sin embargo, su aplicación al ámbito provincial y la incorporación del
análisis económico centrado en el ámbito espacial resulta ser menos abundante. Por otra parte, para poder
distinguir e identificar los distintos componentes del desempleo, se han utilizado métodos basados en
diversos filtros estadísticos univariantes (Hodrick-Prescott, Baxter-King, etc.). Nuestro trabajo pretende
contribuir a esta literatura incorporando información multivariante. Siguiendo la metodología similar a la
propuesta por Hofler y Murphy (1989) y Aysun et al. (2014), en la primera parte del trabajo se utilizan
técnicas de fronteras estocásticas para descomponer la tasa de desempleo efectiva de cada una de las
provincias españolas en dos componentes claramente diferenciados. Conceptualizamos uno de ellos como
dependiente de factores más estructurales o de oferta agregada y el otro como un componente más
coyuntural que puede verse afectado por las variaciones de la demanda agregada. En la segunda parte de
la investigación se analiza la posible presencia de patrones de dependencia espacial entre las provincias
españolas, tanto en el desempleo efectivo como en cada uno de sus componentes. En este apartado se
emplean diferentes definiciones de vecindad para comprobar la robustez de los resultados obtenidos ante
cambios en las matrices de pesos espaciales. A modo de conclusión, podemos decir que la identificación
de estos dos componentes del desempleo nos permitirá conocer el margen de actuación que poseen los
responsables de política económica a la hora de reducir el desempleo mediante la utilización de políticas
de oferta y demanda agregada. El análisis de la posible dependencia espacial entre las provincias
españolas en el ámbito del desempleo, puede ayudar a detectar patrones de formación comunes o
“clusters” de desempleo provincial.
Palabras clave: Desempleo, mercados de trabajo locales, econometría espacial
Clasificación JEL: E24, J64, R11
1 Este trabajo corresponde a una versión preliminar del trabajo final, por favor, no citar sin permiso de los autores. 2 Email de contacto: [email protected]
2
1. Introducción
Durante los últimos años el número de trabajos científicos dedicados al análisis de la disparidad regional
de las tasas de desempleo ha proliferado enormemente, lo que pone de manifiesto la relevancia del tema.
En este tipo de análisis el caso español resulta ser especialmente atractivo, debido a la gran disparidad de
sus tasas de desempleo a nivel regional y a la persistencia de estas diferencias a lo largo del tiempo
(Jimeno y Bentolila, 1998; Bande et al. 2008; Romero-Ávila y Usabiaga, 2008).
El trabajo se plantea dos objetivos. El primero de ellos consiste en desagregar las tasas de desempleo
provinciales en dos componentes, uno relacionado con factores de oferta agregada y otro que se explica a
través de factores económicos relacionados con la demanda agregada. La técnica econométrica empleada
para esta descomposición es la de las fronteras estocásticas, lo que supone un elemento novedoso en este
tipo de análisis.
La identificación de los componentes de la tasa de desempleo efectiva es importante por varias razones.
En primer lugar, permite conocer cuáles son los factores que inciden con mayor fuerza sobre la tasa de
desempleo efectiva y cuáles son los que más influyen en su evolución a lo largo del tiempo. En segundo
lugar, el conocimiento detallado que proporciona esta descomposición, puede resultar muy útil para saber
el margen de actuación, sobre la tasa de desempleo y sobre cada uno de sus componentes, que tienen las
autoridades económicas en el momento de diseñar e implementar medidas de política económica a nivel
territorial.
El segundo bloque de la investigación trata de identificar la presencia de patrones espaciales a la hora de
estudiar los niveles de desempleo que presentan las provincias española. Es decir, se testará la existencia
de dependencia espacial entre las tasas de desempleo provinciales efectivas y entre los dos componentes
de éstas. Para llevar a cabo este análisis, en un primer paso se obtienen los valores del estadístico I de
Moran (Moran, 1950) con el objetivo de detectar la existencia de correlación espacial a nivel global. No
obstante, el análisis espacial en su dimensión global no permite detectar la localización de dichos patrones
ni la posible existencia de “clusters” de desempleo provincial. Por este motivo daremos un paso más y
utilizaremos algunos de los estadísticos locales, denominados LISA (“Local Indicators of Spatial
Association”), siguiendo el trabajo seminal de Anselin (1995). De esta forma, podremos descomponer el
estadístico global y localizar los posibles “clusters” referentes a la tasa de desempleo provincial efectiva.
Nuestra investigación también aporta como novedad el análisis espacial de los componentes de
desempleo vinculado a la oferta agregada y el que esta vinculado a la demanda agregada de la tasa del
desempleo efectiva para el caso de las 50 provincias españolas. Además, se aplicarán varias definiciones
alternativas de vecindad que nos permitirán cotejar la robustez de los resultados.
El resto del trabajo se organiza como sigue. En la sección 2 se llevará a cabo una revisión de la literatura
relacionada con el tema. La sección 3 aportará una descripción detallada del marco conceptual sobre el
cual se basa la obtención de los dos componentes de la tasa de desempleo efectiva. En la sección 4 se
analiza brevemente la base de datos utilizada y se definen las variables empleadas. En la sección 5 se
explicará la metodología utilizada en el análisis econométrico. La sección 6 presenta y explica los
3
resultados, tanto de la descomposición de las tasas de desempleo efectivas como de la evolución y el
análisis espacial de los diferentes componentes. Finalmente, en la sección 7 se resumen las conclusiones
más relevantes de la investigación y se proponen algunas medidas de política económica relacionadas con
los resultados obtenidos.
2. Estado de la cuestión
Dado que el trabajo presenta dos bloques claramente diferenciados, la revisión bibliográfica también debe
realizarse en dos aparatados diferentes. Así, dedicaremos un primer subapartado a recoger los trabajos
más relevantes desde el ámbito de la descomposición del desempleo mediante la utilización de la técnica
de las fronteras estocásticas. Por su parte, en el segundo subapartado se analizan aquellas investigaciones
que han tratado el tema del desempleo regional desde diversas perspectivas.
2.1 Descomposición del desempleo
La descomposición del desempleo en función de sus distintos componentes, es un tópico en la literatura
económica, y las técnicas utilizadas para realizarlo han resultado ser muy diversas3. Una de las opciones
más utilizadas se basa en la aplicación de filtros estadísticos univariantes4, sin embargo, existen pocos
trabajos que apliquen el enfoque econométrico de fronteras estocásticas para poder hallar los diversos
componentes de la tasa efectiva de desempleo.
Uno de los trabajos pioneros en esta técnica es el de Warren (1991) que utiliza la estimación de fronteras
para la obtención del componente friccional de la tasa de desempleo. Warren (1991) toma como punto de
partida los modelos de emparejamiento del mercado de trabajo (Lillien, 1960). A partir de aquí aplica el
enfoque de los modelos de crecimiento del empleo cuando la economía se encuentra en el estado
estacionario desarrollados en Warren (1980 y 1983) para deducir la expresión de la tasa de desempleo en
el estado estacionario. En una segunda etapa, mediante la aplicación de un modelo OLS, Warren obtiene
la tasa media de desempleo para el sector manufacturero de Estados Unidos desde el mes de Abril de
1969 hasta el mes de Diciembre de 1979. Posteriormente, aplica una frontera estocástica de producción
para hallar el desempleo friccional del sector manufacturero. Finalmente, mediante la resta de ambas tasas
estimadas, obtiene una medida de la ineficiencia de ese mercado de trabajo.
Otro trabajo en esta misma línea es el de Bodman (1999) que toma como punto de partida el modelo
teórico expuesto en Warren (1991). Las principales diferencias surgen de la perspectiva regional (el
análisis se realiza para todos los estados de Australia) y de la modelización del término de ineficiencia del
error que se realiza siguiendo la propuesta de Battese y Coelli (1995). Una vez estimado el paro friccional
y modelizado el error, Bodman encuentra un efecto positivo sobre la ineficiencia de la administración
“laborista” en la mayoría de los estados analizados.
Un trabajo más próximo al enfoque empleado en esta investigación es el de Hofler y Murphy (1989).
Estos autores plantean un modelo para hallar el componente friccional del desempleo basado en 3 En el trabajo de Fabiani y Mestre (2000) se enumeran algunas de estas técnicas en su aplicación para el caso de la Unión Europea. 4 El filtro de Hodrick-Prescott (Hodrick y Prescott,1980,1997) y el filtro de Baxter-King (Baxter y King, 1999) son algunos de los más utilizados en la literatura.
4
Brechling (1967), donde la tasa de desempleo se separa en un componente friccional y en otro que
captura un exceso de oferta agregada en el mercado laboral5. Hofler y Murphy (1989) estiman una
frontera estocástica en su modalidad de costes utilizando la tasa de paro de los cincuenta estados de
EEUU para el periodo 1960-1979 y encuentran una gran variabilidad en el componente friccional del
desempleo y un aumento de éste para la mayoría de los estados desde el año 1960 hasta el año 1979. En
una segunda etapa encuentran que son las variables relacionadas con las transferencias sociales, el tamaño
de la fuerza laboral de los jóvenes, la tasa de participación de las mujeres, el nivel de educación y la tasa
de migración neta, las que explican tanto el nivel de desempleo friccional de cada estado como sus
cambios entre el año 1960 y 1979.
Finalmente, Aysun et al. (2014) proponen una forma de estimar el componente estructural de la tasa de
desempleo para EEUU desde 1960 hasta 2010. En este artículo se combinan elementos de las tres
investigaciones anteriores. Por un lado, utiliza un modelo y una metodología muy similar a la observada
en Warren (1991) para extraer el componente friccional del desempleo. Por otro lado, aplica una frontera
de costes para hallar el componente estructural de la tasa de desempleo como se hacía en Hofler y
Murphy (1989), mediante una especificación de la curva de Philips con expectativas. De esta manera, los
autores obtienen una medida del desempleo estructural que es siempre inferior al componente efectivo.
2.2 Análisis del desempleo desde una perspectiva regional
Durante los últimos años, los economistas han mostrado un interés creciente por el funcionamiento de los
mercados de trabajo a nivel regional, dando lugar a un gran número de trabajos científicos. Overman y
Puga (2002) aportan resultados para algunas regiones europeas durante el periodo temporal 1986-1996
desde la óptica de una polarización creciente entre regiones de alto desempleo y regiones de bajo
desempleo en función de la influencia espacial ejercida por parte de los vecinos de estas. Por otra parte,
Patacchini y Zenou (2007), estudian la existencia de desequilibrios en materia de desempleo para el caso
del Reino Unido, obteniendo una fuerte autocorrelación espacial positiva entre las tasas relativas de
desempleo locales. Este estudio apunta hacia un aumento de la dependencia espacial en el tiempo, la cual
se ve explicada, en gran medida, por la existencia de flujos de desplazamiento de los individuos entre
tales áreas locales.
Cracolici et al. (2007) llevan a cabo un enfoque muy similar al de Overman y Puga (2002). La principal
innovación de este trabajo radica en la aportación de evidencia empírica de persistencia espacial y
temporal de las 103 provincias italianas para los años 1998 y 2003. La explicación que los autores ofrecen
para este proceso de “clusterización”, se debe a factores que encajan con la hipótesis del desequilibrio
(Marston, 1985) para el año 1998, como es el incremento en el corto plazo del empleo. Sin embargo, para
el año 2003 los factores que provocan esta “clusterización” están mucho más relacionados con elementos
pertenecientes a la hipótesis del equilibrio (Marston, 1985). Para finalizar, se remarca la influencia de
5 El modelo expuesto en Hofler y Murphy (1989) para ilustrar el desempleo friccional se corresponde con la siguiente ecuación: 𝑈𝑈𝑡𝑡𝑡𝑡 = 𝛽𝛽0 + 𝛽𝛽1𝑡𝑡 + 𝛽𝛽2𝑡𝑡2 + 𝑤𝑤𝑡𝑡𝑡𝑡���������������
𝐹𝐹𝑡𝑡𝑡𝑡
+ 𝑣𝑣𝑡𝑡𝑡𝑡. Donde, 𝑈𝑈𝑡𝑡𝑡𝑡 hace referencia a la tasa de desempleo en el periodo t y el estado j, 𝐹𝐹𝑡𝑡𝑡𝑡 engloba
los componentes del desempleo friccional y 𝑣𝑣𝑡𝑡𝑡𝑡 recoge el exceso de oferta. El enfoque de fronteras estocásticas de costes se utiliza para separar 𝑤𝑤𝑡𝑡𝑡𝑡 de 𝑣𝑣𝑡𝑡𝑡𝑡 y poder hallar la frontera inferior que se corresponde con el componente friccional del desempleo.
5
factores de demanda laboral, como el principal elemento de la polarización del desempleo entre las
provincias del norte (bajo desempleo) y las del sur (alto desempleo).
En el trabajo de Filiztekin (2009), con un enfoque también similar al de Overman y Puga (2002), se
identifica una mayor disparidad y persistencia de los diferenciales del desempleo respecto a la media en
Turquía, durante los años 1980 y 2000 para el caso provincial (agregado) y también para las áreas
urbanas. El autor apunta hacia la existencia de una fuerte correlación espacial de las tasas de desempleo
territoriales, siendo el crecimiento del empleo en el año 1980 y el capital humano en el año 2000, los
factores que más contribuyen a moldear la distribución del desempleo. También en Basile et al. (2009), se
pone de manifiesto el papel que juega el desajuste entre la oferta y la demanda laboral, así como el
proceso de “Fuga de cerebros” a través de la migración, como los dos elementos más determinantes a la
hora de explicar las diferencias provinciales en materia de desempleo en Italia en el periodo 1995-2007.
Por su parte, Kondo (2015) lleva a cabo un análisis distinto al de los trabajos previamente citados. Su
investigación presenta evidencia empírica acerca de la persistencia de las tasas de desempleo de algunos
municipios japoneses durante el periodo 1980-2005. Mediante técnicas de econometría espacial detecta
“clusters” en las tasas de desempleo municipales con autocorrelación espacial positiva. Finalmente, el
estudio muestra la existencia de una notable heterogeneidad en lo relativo a la correlación espacial
existente entre las tasas de desempleo en función del género y de los grupos de edad. También pone de
manifiesto que los municipios con alto desempleo tienden a mantenerse en tal situación a lo largo del
periodo temporal estudiado.
En lo que concierne al análisis de las diferencias en materia de desempleo entre las distintas regiones
españolas, en Lopez-Bazo et al. (2002,2005) se utilizan técnicas exploratorias a nivel espacial junto con
los clásicos análisis de regresión espaciales. Ambos trabajos señalan la fuerte polarización de las
provincias españolas en dos grupos en función de la existencia de un “alto” y “bajo” desempleo relativo.
También se apunta que los factores causantes del desempleo relativo a nivel provincial en el periodo 1985
y 1997 difieren ligeramente.
Desde otra perspectiva, el trabajo de Huertas et al. (2006) aplica el modelo introducido en el trabajo de
Blanchard y Katz (1992) para evaluar el grado de persistencia del desempleo en Andalucía y Extremadura
durante el periodo comprendido entre el tercer trimestre de 1976 y el cuarto de 2004. Las conclusiones
principales señalan que una perturbación positiva en la demanda de trabajo a nivel provincial origina
efectos permanentes en la tasa de actividad de Andalucía y en la tasa de desempleo de Extremadura,
poniéndose de manifiesto la reducida movilidad de los trabajadores en tales regiones.
En Bande et al. (2008) el estudio se dirige a las 17 Comunidades Autónomas españolas durante el periodo
1980-2000. Los resultados obtenidos apuntan hacia una mayor disparidad de las tasas de desempleo
relativas de las CCAA españolas durante las expansiones, y a una reducción de ésta en los periodos de
recesión económica. La explicación que se aporta radica en la existencia de un fuerte “efecto imitación”
en el mecanismo de fijación salarial de las regiones españolas. Este efecto, se fortalece a raíz del cambio
en el nivel de centralización y coordinación de este mecanismo, dando lugar a un empeoramiento, en
términos de desempleo, de aquellas regiones cuya productividad es más reducida.
6
En algunos trabajos más recientes como el de Azorín (2013), se utiliza la técnica espacial de Griffith
(1996,2000) para las provincias españolas durante el periodo temporal 1998-2007. Las conclusiones
muestran una fuerte dependencia espacial entre las tasas de desempleo provincial, lo que da lugar a
polarización de las mismas, existiendo un grupo de provincias con altas tasas de desempleo en la mitad
sur y un conjunto de provincias con un desempleo notablemente más bajo en la mitad norte del país. Por
su parte, en López-Bazo y Motellón (2013) se lleva a cabo un enfoque basado en la utilización de
microdatos para las Comunidades Autónomas españolas durante los años 1999, 2004 y 2009. En su
estudio, los autores obtienen que las disparidades regionales entre las tasas de desempleo son persistentes
en el tiempo, jugando un papel determinante las variables relacionadas con las características educativas
de la población en las regiones con “alto” y “bajo” desempleo.
3. Marco conceptual
Este apartado cuenta con dos bloques. El primer bloque, tratará de enunciar y explicar a los diferentes
componentes de la tasa de desempleo efectiva. Desde otra perspectiva, el segundo bloque, enunciará
algunos de los fenómenos sociales y económicos encontrados en la literatura, que contribuyen a la
formación de clusters en materia de desempleo.
3.1. Componentes de la tasa de desempleo efectiva
De acuerdo con la teoría económica, la tasa de desempleo no obedece a una única tipología. De esta
manera, es común desagregar el desempleo agregado en diferentes componentes. Una clasificación muy
popular, que puede encontrarse incluso en manuales de economía, es la que distingue entre desempleo
friccional, estructural y cíclico6. En términos formales:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹 + 𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆 + 𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 (1)
donde 𝑈𝑈𝑖𝑖𝑡𝑡 es la tasa de desempleo efectiva en la región i en el momento t; 𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹 representa el desempleo
friccional; 𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆 es el desempleo estructural y, finalmente, 𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 recoge el desempleo cíclico. Se suele
considerar que el desempleo friccional es muy difícil de eliminar y siempre habrá algún desempleo de
este tipo. Este componente se explica a partir de la “teoría de la búsqueda de empleo” y es consecuencia
de la existencia de información asimétrica o imperfecta entre los buscadores y los demandantes de
empleo, lo que provoca, a su vez, que los emparejamientos en el mercado laboral tarden un tiempo en
realizarse y que existan individuos en situación de desempleo7.
Junto al desempleo friccional, se suele considerar al desempleo estructural como un tipo de desempleo
vinculado a factores de oferta agregada (por contraposición al desempleo cíclico que se suele ligar a
factores de demanda agregada). Este componente aparece debido a la existencia de desajustes entre la
oferta y la demanda de trabajo que pueden provocar la coexistencia de personas desempleadas y vacantes
6 Véase Krugman et al. (2016). 7 Esta teoría fue desarrollada por Mortensen (1970) y McCall (1970). Véase Lippman y McCall (1976a; 1976b), Mortensen (1986) y Mortensen y Pissarides (1999), para una revisión acerca del tema en cuestión. Un ejemplo reciente de este tipo de literatura son los trabajos de Tatsiramos y van Ours (2012, 2014).
7
sin cubrir en las empresas8. En este sentido, hay que apuntar que en la literatura macroeconómica
frecuentemente se ha considerado que la suma del desempleo friccional y del desempleo estructural se
corresponde con una noción de desempleo de equilibrio denominada “tasa natural de desempleo” o
“NRU” (Natural Rate of Unemployment). En términos formales, se puede expresar esta idea por medio de
la ecuación (2):
𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 = 𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹 + 𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆 (2)
donde 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 se refiere a la tasa natural de desempleo en la región i y en el momento t. A pesar del gran
número de definiciones existentes para este componente del desempleo9, podemos conceptualizarlo como
una tasa de desempleo de equilibrio a medio plazo (o largo plazo).
Precisando aún más, el concepto de tasa natural de desempleo pretende capturar la idea de que, aún
cuando las condiciones macroeconómicas sean las mejores posibles y no exista ningún problema de
insuficiencia de demanda agregada, siempre habrá “algún” nivel de desempleo. La tasa natural de
desempleo debe asociarse, por lo tanto, a cuestiones de oferta agregada en los modelos macroeconómicos.
Sin embargo, en una época de bajo crecimiento económico o en una recesión, consecuencia de un shock
de demanda adverso10, dicha demanda agregada sería “insuficiente” y a los anteriores componentes habría
que agregar el desempleo cíclico. Es decir, se podría rescribir la ecuación (1) como:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 + 𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 (3)
Una forma extremadamente sencilla de ilustrar esto es a través de la figura 1. Allí se representa un
mercado de trabajo muy simple. La curva de pendiente positiva 𝐿𝐿𝑖𝑖𝑡𝑡𝑆𝑆 es la fuerza laboral. Es creciente pues
a medida que aumenta el salario de mercado (𝑊𝑊𝑖𝑖𝑡𝑡) más individuos participan, dado que su salario de
reserva “estático” (o del modelo de elección entre consumo y ocio) es inferior. La curva 𝑁𝑁𝑖𝑖𝑡𝑡𝑆𝑆, también con
pendiente positiva, se refiere a la oferta de trabajo efectiva. La diferencia entre 𝐿𝐿𝑖𝑖𝑡𝑡𝑆𝑆 y 𝑁𝑁𝑖𝑖𝑡𝑡𝑆𝑆 pone de
manifiesto que no todos los trabajadores activos laborales están inmediatamente disponibles para trabajar.
A medida que aumenta el salario de mercado, se hace mayor que el salario de reserva “dinámico” (o de la
teoría de la búsqueda de trabajo) de más trabajadores y éstos aceptan más fácilmente los empleos que
encuentran. Por ello, la distancia entre 𝐿𝐿𝑖𝑖𝑡𝑡𝑆𝑆 y 𝑁𝑁𝑖𝑖𝑡𝑡𝑆𝑆 es menor para salarios altos. Dicha diferencia horizontal
entre ambas curvas es el desempleo friccional (𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹).
En la figura 1, también se representa la curva de demanda de trabajo en dos estados de la naturaleza
relativos a la situación de la producción agregada: expansión (y0) y recesión (y1). Se puede ver que
incluso en una situación de equilibrio con la producción en su máximo nivel, como en el punto A,
8Estos desajustes surgen como consecuencia de la existencia de rigideces institucionales, que se identifican con la rigidez a la baja de los salarios (salario mínimo, densidad de la sindicación etc.…), las prestaciones sociales por desempleo, la protección del empleo, la eficiencia de la búsqueda de trabajo por parte de los trabajadores, los flujos de entrada y salida del mercado de trabajo, las habilidades de la fuerza de trabajo, una reducida productividad laboral, la composición sectorial del empleo o la estructura demográfica de la población entre otros factores (Blanchard, 2012). 9 En el trabajo de Rogerson (1997) se pueden encontrar varios tipos de nomenclaturas para este término así como diversas definiciones de este concepto 10 Debido, por ejemplo, a una reducción de la confianza de los consumidores o de los empresarios. Una política monetaria contractiva o una reducción del gasto público también podrían explicar la existencia de una demanda agregada insuficiente, dando lugar a un aumento de la tasa de desempleo cíclico.
8
A
𝑾𝑾
𝑳𝑳
𝑵𝑵𝒊𝒊𝒊𝒊𝑺𝑺 𝑳𝑳𝒊𝒊𝒊𝒊𝑺𝑺
𝑳𝑳𝒊𝒊𝒊𝒊𝑫𝑫(𝒚𝒚𝟎𝟎)
𝑳𝑳𝒊𝒊𝒊𝒊𝑫𝑫(𝒚𝒚𝟏𝟏)
𝑼𝑼𝒊𝒊𝒊𝒊𝑺𝑺𝑺𝑺 𝑼𝑼𝒊𝒊𝒊𝒊
𝑭𝑭 𝑼𝑼𝒊𝒊𝒊𝒊𝑪𝑪
𝑾𝑾𝒊𝒊𝒊𝒊𝑪𝑪𝑪𝑪
𝑾𝑾𝒊𝒊𝒊𝒊𝑵𝑵𝑪𝑪
asociada a una demanda de trabajo 𝐿𝐿𝑖𝑖,𝑡𝑡𝐷𝐷 (𝑦𝑦0), se observarían trabajadores desempleados como
consecuencia del desempleo friccional.
Por otro lado, la existencia de un sistema de negociación colectiva que influye fuertemente en el
mecanismo de fijación de los salarios en el mercado de trabajo español, tiende a establecer un salario de
“negociación colectiva” (𝑊𝑊𝑖𝑖𝑡𝑡𝑁𝑁𝐶𝐶) superior al salario de equilibrio competitivo (𝑊𝑊𝑖𝑖𝑡𝑡
𝐶𝐶𝐶𝐶). Este salario es una
rigidez institucional que da lugar a un exceso de oferta laboral, provocando un desajuste y es el origen del
desempleo estructural (𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆)11. Como en el caso anterior, el desempleo estructural existiría incluso con
una demanda de trabajo como 𝐿𝐿𝑖𝑖,𝑡𝑡𝐷𝐷 (𝑦𝑦0), asociada a una situación de bonanza económica.
Figura 1: Desempleo friccional, estructural y cíclico
11 En Elhorst (2003) se citan algunos trabajos que han estudiado el efecto de la negociación colectiva sobre el desempleo. En la mayoría de ellos se encuentra un efecto positivo que parece confirmar la hipótesis anteriormente planteada.
9
En los trabajos de Bentolila y Jimeno (2003), Simón et al. (2006) y Bande et al. (2008) se aporta
evidencia empírica acerca de la influencia del sistema de negociación colectiva en el mercado de trabajo
en España. Debido a la “rigidez” de los salarios, se impide que éstos jueguen su papel de mecanismo de
equilibrio en el mercado laboral español12. En base a lo anterior, se puede afirmar que el ajuste “vía
precios” no funciona correctamente, y que, por consiguiente, los ajustes se producen fundamentalmente
“vía cantidades” en el mercado laboral español13.
El último elemento de la ecuación (1), es el denominado desempleo cíclico (𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶). Este elemento hace
referencia a la reducción de la demanda laboral provocada por una insuficiencia de demanda agregada
que reduce las ventas de las empresas. Dado que la demanda de trabajo es una demanda derivada, una
reducción de la demanda agregada en el mercado macroeconómico de bienes contrae la demanda de
trabajo. En la figura 1, el desempleo cíclico se ve reflejado en la distancia horizontal existente entre las
curvas 𝐿𝐿𝑖𝑖𝑡𝑡𝐷𝐷 (𝑦𝑦0) y 𝐿𝐿𝑖𝑖𝑡𝑡𝐷𝐷 (𝑦𝑦1). Es necesario aclarar que este tipo de desempleo es cero (desde un punto de vista
estrictamente teórico) cuando la economía se encuentra en el estado de la naturaleza “expansión” y, por el
contrario, se hace positivo en épocas de “recesión” cuando la demanda de trabajo se desplaza hacia la
izquierda, como se aprecia en la figura 1. Como es bien sabido, este tipo de desempleo podría corregirse
en el corto plazo mediante políticas de demanda agregada expansivas.
En este punto, es necesario llevar a cabo una importante aclaración para los fines de este trabajo entre el
concepto de tasa natural de desempleo o “NRU” (Natural Rate of Unemployment) y la tasa de desempleo
no aceleradora de la inflación o “NAIRU” (Non-Accelerating Inflation Rate of Unemployment). Pese a
que, frecuentemente, ambos conceptos son utilizados como sustitutivos, existen diversos matices que
cuestionan que la NRU y la NAIRU sean conceptos perfectamente equivalentes.
Siguiendo el trabajo de Espinosa-Vega y Rusell (1997), ambos conceptos tienen su origen en escuelas de
pensamiento económico distintas. Por otra parte en Tobin (1997), se sostiene que “la NAIRU y la NRU
no son sinónimos”. Por una parte, la NAIRU resulta ser una relación a nivel macroeconómico
consecuencia de la interacción de un gran número de mercados cuyos estados varían entre el exceso de
demanda y el exceso de oferta, estableciéndose un balance agregado entre las presiones inflacionistas de
aquellos mercados que se encuentran en una situación de exceso de demanda y las presiones
deflacionistas de aquellos que se encuentran en una situación de exceso de oferta. Por otro lado, siguiendo
a Grant (2002), la NRU es una tasa de equilibrio del desempleo que se ve influida por los rasgos
institucionales y demográficos de la economía.
Para los objetivos de este trabajo lo importante es comprender que el concepto de NAIRU está asociado a
una tasa de desempleo cíclica negativa en algunos periodos (en aquellos en los que la tasa de inflación se
incrementa). Al fin y al cabo, una estimación relativamente simple de la NAIRU es la intersección de una
curva de Phillips aumentada con expectativas con el eje de abscisas, y la tasa de desempleo efectiva
12 Para una explicación más completa del fenómeno véase, Jimeno y Bentolila, (1998), Garcia-Mainar y Montuenga-Gomez (2003), Maza y Moral-Arce (2006), Maza y Villaverde (2009) o Bande et al. (2012). 13 Cazes et al. (2013) muestra como en España, durante la “Gran Recesión”, el ajuste en el mercado de trabajo se ha llevado a cabo fundamentalmente a través del margen externo de ajuste (despidos y reducción de plantilla) del mercado de trabajo.
10
puede ser mayor o menor que ese valor. Esto sería equivalente a afirmar que la suma de desempleo
friccional y estructural es mayor que el desempleo efectivo en esos periodos. La noción de NAIRU es
muy útil para entender las presiones inflacionistas en los modelos macroeconómicos. Sin embargo,
afirmar que la suma del desempleo friccional y el estructural puede exceder el desempleo efectivo es algo
extraño para los modelos de economía laboral, con un fundamento más microeconómico, que consideran
que el desempleo efectivo es la adición de los tres componentes de la ecuación (1), no pudiendo ser
ninguno de ellos negativos (esto es, 𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹 ≥ 0; 𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆 ≥ 0; 𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 ≥ 0).
En este trabajo estamos más interesados en el concepto de NRU que en el de NAIRU. Aunque analizamos
mercados de trabajo desde un punto de vista macroeconómico, la inflación no juega ningún papel
relevante aquí. En cambio, sí que estamos muy interesados en medir qué parte del desempleo permanece
incluso cuando la demanda agregada se encuentra en su nivel máximo y no hay, por consiguiente, ningún
problema de insuficiencia de demanda agregada. Esto tiene importantes consecuencias desde la
perspectiva de la política económica, puesto que nos permitirá identificar, dentro de la tasa de desempleo
efectiva de cada unidad territorial y en cada momento del tiempo, cuántos puntos de tasa de desempleo
son atribuibles a factores de oferta agregada y cuántos a factores de demanda agregada.
Con este fin, hacemos uso de la metodología de fronteras estocásticas y estimamos un modelo
econométrico de error compuesto. En este sentido, nos basamos parcialmente en la propuesta de Hofler y
Murphy (1989) (HM en adelante) y más recientemente de Aysun et al. (2014). Por ejemplo, el trabajo de
Hofler y Murphy (1989), utilizando una base de datos sobre tasas de desempleo con información tanto
transversal como temporal para Estados Unidos, considera que existe una envolvente inferior que los
autores asocian a la tasa de desempleo friccional. En otras palabras, modelizan el desempleo friccional
por medio de componentes deterministas como una frontera estocástica de costes (es decir, una frontera
inferior), y la distancia desde esa frontera inferior hasta el desempleo efectivo es lo que ellos denominan
como “desempleo de exceso de oferta” en el mercado de trabajo. El trabajo de Aysun et al. (2014)
también utiliza la modelización de una frontera estocástica inferior para desagregar la tasa de desempleo
en sus diferentes componentes. Hay que apuntar, no obstante, que el procedimiento de Aysun et al. (2014)
es más elaborado y también emplea, parcialmente, el modelo de emparejamiento en el mercado de trabajo
propuesto por Warren (1991). El trabajo de Warren (1991) también hace uso de la metodología de
fronteras estocásticas para descomponer la tasa de desempleo, pero utilizando adicionalmente
información sobre vacantes14. Con el número de vacantes y el número de personas desempleadas estiman
una función de emparejamiento eficiente a través de una frontera estocástica superior.
En este papel racionalizamos la NRU como una noción de desempleo de equilibrio a medio plazo,
dependiente de factores que la literatura ha considerado como determinantes del desempleo friccional y
estructural, que denotaremos como el vector de variables 𝑋𝑋𝑖𝑖𝑡𝑡. Desde nuestro punto de vista, el desempleo
natural mínimo o “eficiente” sería por lo tanto una función de dicho vector de variables, 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 = 𝑓𝑓(𝑋𝑋𝑖𝑖𝑡𝑡).
Las desviaciones con respecto a ese mínimo serían consideradas ineficientes y se producirían como
consecuencia de las insuficiencias de demanda agregada, es decir, el desempleo cíclico se modeliza como
14 Precisamente la utilización de información sobre vacantes hace que en este papel no podamos seguir la metodología de Warren (1991). Es un hecho bien conocido que la información sobre vacantes en España es muy deficiente.
11
una perturbación no negativa 𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 = 𝑢𝑢𝑖𝑖𝑡𝑡 ≥ 0. Finalmente, asumiendo linealidad, 𝑓𝑓(𝑋𝑋𝑖𝑖𝑡𝑡) = 𝑋𝑋𝑖𝑖𝑡𝑡𝛽𝛽, la versión
estimable de (1) sería:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝑋𝑋𝑖𝑖𝑡𝑡𝛽𝛽 + 𝑣𝑣𝑖𝑖𝑡𝑡 + 𝑢𝑢𝑖𝑖𝑡𝑡 (4)
donde 𝑣𝑣𝑖𝑖𝑡𝑡 es una perturbación aleatoria convencional. En la ecuación (4) se está asumiendo
implícitamente que el desempleo cíclico tiene un valor mínimo igual a 0. En caso contrario, podrían darse
situaciones en las que la tasa natural de desempleo fuera superior al propio desempleo efectivo, como ya
ha sido apuntado15. En otras palabras, el componente 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 actúa como límite o frontera inferior para el
desempleo efectivo (𝑈𝑈𝑖𝑖𝑡𝑡 ≥ 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁).
3.2. Fenómenos generadores de dependencia espacial en el desempleo
Debido a que uno de nuestros objetivos es observar si existen clusters de desempleo en el caso del
efectivo y en sus dos componentes, definidos con anterioridad. En este apartado, se van a exponer algunos
fenómenos de tinte social y económico, desarrollados con amplitud en la literatura, que tratan de ofrecer
una explicación acerca del porqué algunas áreas vecinas exhiben tasas de desempleo similares.
El primero de estos, es el denominado “peer effect”, el cual, según Dietz (2002), surge cuando “el
comportamiento de un individuo ejerce una influencia directa sobre el comportamiento de otro individuo
de la comunidad”16. La influencia del “peer effect”, se manifiesta por dos canales distintos. El primer
canal, está relacionado con el efecto que provocan las “redes sociales” o “redes de empleo” de los
individuos. Según esta óptica, en los territorios de “bajo” desempleo la mayoría de los individuos poseen
“redes sociales” en las cuales, sus miembros suelen encontrarse en situación de empleo. Sin embargo, en
los territorios de “alto” desempleo se da la situación contraria, es decir, los componentes de las “redes
sociales” suelen encontrarse en situación de desempleo. La situación laboral en la que se encuentren los
miembros de la “red social” del individuo, afectará intensamente a las probabilidades de encontrar empleo
de este, actuando de forma positiva en el caso de las áreas de “bajo” desempleo y de forma negativa en las
áreas de “alto” desempleo (Topa, 2001; Conley y Topa, 2002; Calvo-Armengol y Jackson, 2004; Cingano
y Rosolia, 2012).
El segundo canal, se deriva del comentado con anterioridad y alude al coste social y psicológico que
provoca en los individuos encontrarse en una situación de desempleo, en función de la situación de sus
vecinos más cercanos. De esta manera, en las áreas de “bajo” desempleo, el coste psicológico y social de
los individuos en situación de desempleo es elevado, debido a que los vecinos se encuentran,
mayoritariamente, en situación de empleo. Esta situación, incentiva a los individuos desempleados a
llevar a cabo la búsqueda de empleo o aumentar su intensidad (Hedström et al. 2003). Por otra parte, en
las zonas de “alto” desempleo, los costes psicológicos y sociales de los individuos de verse envueltos en 15 En la literatura microeconómica de fronteras estocásticas de costes (véase, por ejemplo Revoredo-Giha et al., 2009; Sav, 2012 ó Duncan et al., 2012) se asume que el “coste de la frontera” es el mínimo posible y nunca puede superar al coste observado. Hofler y Murphy (1989) y Aysun et al. (2014) extrapolan esta idea al mercado de trabajo para descomponer la tasa de desempleo. Nosotros modificamos ligeramente esa interpretación y la aplicamos al mercado de trabajo español. 16 En la investigación de Lin (2010), este efecto se caracteriza por el hecho de que “las decisiones de un individuo pueden estar directamente influenciadas por las características del grupo al cual este pertenece”. Este tipo de efecto también ha sido utilizado en el ámbito microeconómico bajo el nombre de “Efecto Arrastre” (Bandwagon effect). Véase Topa y Zenou (2015) y Ioannides y Datcher Loury (2004), para una exposición más detallada.
12
una situación de desempleo son reducidos. Esto se debe a que el grupo de referencia de tales individuos
(vecinos) se encuentra en una situación similar (Hedström et al. 2003; Clark, 2003). A diferencia de las
áreas de “bajo” desempleo, esta situación desincentiva tanto la intensidad de búsqueda como la propia
búsqueda de empleo17.
Estos dos canales que operan a través del “peer effect”, dan lugar a que se produzca una correlación
espacial positiva del desempleo18. También, esta casuística, da lugar a una (reducción) aumento temporal
del periodo de desempleo de los individuos, provocando que resulte más fácil (difícil) para estos
abandonar tal situación, en función de las áreas de “bajo” y de “alto” desempleo (Calvo-Armengol y
Jackson, 2004; Bramoullé y Saint-Paul, 2010).
El segundo de los fenómenos, se encuentra relacionado con la movilidad geográfica de los trabajadores en
torno a las áreas adyacentes a su lugar de residencia. El efecto del “commuting”, favorece que las tasas de
desempleo, en áreas cercanas o adyacentes, exhiban una cierta correlación espacial19. La hipótesis
anterior se justifica mediante las acciones de los individuos, los cuales buscan empleo y trabajan en el
lugar en el cual residen y en aquellas áreas cercanas o próximas a la de residencia. Estas acciones,
provocan que los mercados laborales excedan sus límites puramente geográficos, lo que contribuye a
crear una importante interrelación entre tales territorios. De esta manera, se da lugar a que las tasas de
desempleo sean interdependientes y se encuentren correlacionadas en el espacio (Patacchini y Zenou,
2007).
Otro fenómeno que puede explicar la formación de clusters de desempleo, es la decisión de los individuos
de emigrar interregionalmente hacia provincias próximas o adyacentes en vez de hacia territorios más
alejados geográficamente. La decisión de los individuos de emigrar interregionalmente, está
estrechamente relacionada con las perspectivas de un ingreso futuro desconocido o difuso (a través de la
existencia de información imperfecta) y con la existencia de un coste creciente con la distancia
(Tassinopoulos y Werner, 1999)20. Estos elementos, originan una interrelación más estrecha entre áreas
próximas en el ámbito geográfico que entre áreas alejadas en el espacio, debido a que el beneficio
derivado de la migración interregional, a priori, disminuye conforme aumenta la distancia. Las hipótesis
planteadas con anterioridad, pueden explicar parte del porqué de la formación de áreas similares en
materia de desempleo entre provincias próximas o adyacentes.
El cuarto fenómeno, se identifica con el denominado “efecto desborde de estructura productiva”
(spillover effect). Mediante este efecto, se trata de explicar la similitud de las tasas de desempleo entre
territorios vecinos debido a factores relacionados con la estructura productiva. Debido a esto, existen
17 Ya que el beneficio derivado de ser “empleado” es menor que el coste que les supone a los individuos la búsqueda de empleo, lo que induce a dedicar menos tiempo a la búsqueda de empleo o desincentiva la realización de una búsqueda efectiva (Clark, 2003). 18 En Topa (2001) y en Conley y Topa (2002), se muestra como los patrones espaciales exhibidos en el desempleo son debidos al intercambio de información entre individuos a través de distintos tipos de distancia social (geográfica, étnica etc.). 19 En Elhorst (2003) se menciona al “Commuting” como uno de los elementos a tener en cuenta a la hora de explicar a las tasas de desempleo regionales. 20 El coste creciente a favor de la distancia no solo hace referencia a costes puramente monetarios (costes de transporte, costes inmobiliarios), sino que engloba también a costes no económicos, los cuales se deben a factores sociales y psicológicos (familiares, amistades etc.).
13
territorios que “desbordan” actividad hacia las áreas vecinas21. Esta situación hace que se compartan una
serie de características laborales similares a pesar de ser zonas espaciales distintas (provincias,
comunidades autónomas, países etc.…), y se genere un “feedback” entre tales áreas. Esta
“retroalimentación”, da lugar a la existencia de importantes lazos comerciales, lo que termina por modelar
una estructura y una especialización productiva similar entre los territorios vecinos. De esta forma, se
producen semejanzas en la formación de las tasas de desempleo.
El último fenómeno, alude a la existencia de un cierto “efecto desborde en materia de política fiscal”
(fiscal policy spillover effect) en materia de política fiscal, el cual, puede dar lugar a shocks de demanda
agregada comunes a nivel provincial, provocando efectos similares en las tasas de desempleo. De esta
manera, la aplicación de una política fiscal en un área concreta no solo produce efectos en el área en la
cual se aplica, sino que los territorios vecinos también se ven afectados, mediante la existencia de una
cierta dependencia espacial de carácter positivo, a través de los efectos derivados de un shock de demanda
agregada positivo (negativo), en el área “i”. Es decir, la presencia de un shock positivo (negativo) de
demanda agregada en el área “i”, produce un impacto en la provincia vecina “j”, contribuyendo a reducir
(aumentar) el desempleo en ambas áreas debido a su relación espacial22.
4. Metodología
Este apartado se divide en dos bloques, en el primer bloque se expondrá brevemente la metodología
utilizada para descomponer a la tasa efectiva de desempleo. Por otra parte, en el segundo bloque se
expondrán las técnicas de econometría espacial que se van a aplicar para detectar si existe autocorrelacion
espacial entre las tasas efectivas de desempleo provinciales y los componentes de estas.
4.1 Fronteras estocásticas
Como se ha comentado previamente, la descomposición del desempleo se ha realizado mediante el uso de
fronteras estocásticas. Esta técnica tiene su origen en los trabajos de Aigner et al. (1977) y Meeusen y van
den Broeck (1977) y se ha generalizado en el análisis de eficiencia para la obtención de producciones
máximas o costes mínimos. Su aplicación práctica en la versión de costes permite obtener un valor que
actúa como límite inferior para la variable objetivo23.
Este límite inferior se identifica aquí como la suma del desempleo friccional (𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹) y el desempleo
estructural (𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆), es decir, la tasa natural de desempleo (𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁). Y a la diferencia entre este y la tasa de
desempleo efectiva (𝑈𝑈𝑖𝑖𝑡𝑡) se le denomina desempleo cíclico (𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶).
21 Puede darse la situación de que en los territorios adyacentes cuenten con aspectos económicos determinantes cuyo funcionamiento sea deficiente, en tal caso el “desborde” que se produce a los territorios adyacentes resulta ser poco eficiente desde el punto de vista económico, generando un proceso de “efecto desborde” de carácter negativo. Por ejemplo, despidos masivos en un territorio, pueden provocar efectos económicos de carácter depresivo en los territorios adyacentes. Véase Martin (1997). 22 Por ejemplo, un aumento del gasto público en infraestructuras de transporte en el área “i”, da lugar a una reducción de los costes de transporte para los individuos de ese territorio y también para los individuos del área vecina “j”. Esta reducción de costes, aumenta la capacidad de consumo de los individuos en ambas áreas, lo que termina por originar una reducción del desempleo en los dos territorios a la par que provoca que este sea similar en ambas áreas. En presencia de un shock de demanda agregada de signo negativo (por ejemplo, una reducción del gasto público), se daría la situación contraria de aumento del desempleo en ambas áreas vecinas. 23 En Greene (2008) y en Kumbhakar y Lovell (2000) se puede encontrar una exposición muy detallada de este tipo de técnica econométrica.
14
Según lo apuntado con anterioridad, la tasa natural de desempleo es igual a 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 = 𝑓𝑓(𝑋𝑋𝑖𝑖𝑡𝑡). La ecuación
(5) expresa de forma econométrica a la tasa natural de desempleo24:
𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 = 𝑋𝑋𝑖𝑖𝑡𝑡𝛽𝛽1 + 𝑣𝑣𝑖𝑖𝑡𝑡 (5)
donde 𝑋𝑋𝑖𝑖 es un vector de variables explicativas, 𝛽𝛽1 es el vector de los coeficientes a estimar y 𝑣𝑣𝑖𝑖𝑡𝑡 es un
ruido estadístico del que se establece que es simétrico e independientemente distribuido de la forma
𝑁𝑁(0,𝜎𝜎𝑣𝑣2). Sin embargo, este componente actúa como una barrera inferior teórica que no podemos
observar. Nuestra información procede de la tasa de desempleo efectiva que es mayor o igual a este
componente (𝑈𝑈𝑖𝑖𝑡𝑡 ≥ 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁). De esta manera, la tasa de desempleo efectiva puede representarse como la
suma de la tasa natural de desempleo y una perturbación aleatoria no negativa, que se identifica con él
𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶 , a través de la siguiente expresión:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝑈𝑈𝑖𝑖𝑡𝑡𝑁𝑁𝑁𝑁 + 𝑢𝑢𝑖𝑖𝑡𝑡�𝑈𝑈𝑖𝑖𝑡𝑡𝐶𝐶
(6)
siendo 𝑢𝑢𝑖𝑖𝑡𝑡 un término de error de esperanza positiva e independientemente distribuido de la forma
𝑁𝑁(𝜇𝜇,𝜎𝜎𝑣𝑣2). Como hemos apuntado con anterioridad, la estrategia seguida en esta investigación se basa
parcialmente en el enfoque presentado por Aysun et al. (2014), donde también se considera que el
desempleo cíclico tiene un valor mínimo igual a 0.
Combinando las ecuaciones (5) y (6) se obtiene la expresión (4) enunciada con anterioridad:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝑋𝑋𝑖𝑖𝑡𝑡𝛽𝛽1 + 𝜀𝜀𝑖𝑖𝑡𝑡 (7)
donde: 𝜀𝜀𝑖𝑖𝑡𝑡 = 𝑣𝑣𝑖𝑖𝑡𝑡 + 𝑢𝑢𝑖𝑖𝑡𝑡
La ecuación (7) se corresponde con un modelo econométrico de error compuesto que debe ser estimado
por máxima verosimilitud. También, es necesario mencionar que para obtener la estimación de 𝑢𝑢𝑖𝑖𝑡𝑡
(𝐷𝐷𝐷𝐷𝐷𝐷), será necesario suponer una distribución para los dos componentes del error 𝜀𝜀𝑖𝑖𝑡𝑡 (Jondrow et al.,
1982). En el caso del componente 𝑣𝑣𝑖𝑖𝑡𝑡 , no tendríamos ningún problema, ya que en la literatura empírica
parece existir un fuerte consenso en que dicho componente está distribuido de la forma 𝑁𝑁(0,𝜎𝜎𝑣𝑣2), el
principal problema surge cuando tenemos que considerar la distribución del término 𝑢𝑢𝑖𝑖𝑡𝑡25. En este caso, y
al igual que HM y Aysun et al. (2014), se ha optado por utilizar la distribución Semi-Normal.
4.2 Autocorrelación espacial
El siguiente paso en el análisis econométrico consiste en analizar si existe o no autocorrelación espacial
en las tasas provinciales de desempleo efectivas y en sus componentes. Inicialmente se testará la
24 La falta de información lo suficientemente extensa y comparable en el tiempo, referente a las vacantes existentes en el mercado de trabajo hace muy difícil el poder extraer el componente friccional (𝐷𝐷𝐹𝐹) de acuerdo al enfoque utilizado en Warren (1991), Bodman (1999) y Aysun et al.(2014), por lo que se procederá a estimar tal componente junto con el desempleo estructural. 25 En este caso son varias las distribuciones propuestas dentro de la literatura econométrica: Normal truncada (Stevenson, 1980), Semi-Normal (Aigner et al., 1977), Exponencial (Meeusen y van den Broeck, 1977) y Gamma (Greene, 1990).
15
existencia de autocorrelación espacial a nivel global, y para ello utilizaremos el estadístico conocido
como I de Moran (Moran, 1948) definido de acuerdo a la expresión (8)26:
𝐼𝐼 = 𝑁𝑁𝑆𝑆0∗
∑ 𝑤𝑤𝑖𝑖𝑡𝑡 𝑁𝑁𝑖𝑖𝑡𝑡 (𝑥𝑥𝑖𝑖−�̅�𝑥)�𝑥𝑥𝑡𝑡−�̅�𝑥�
∑ (𝑥𝑥𝑖𝑖−�̅�𝑥)2𝑁𝑁𝑖𝑖=1
(8)
donde 𝑁𝑁 es el tamaño muestral, 𝑆𝑆0 es igual a ∑ ∑ 𝑤𝑤𝑖𝑖𝑡𝑡𝑡𝑡𝑖𝑖 , 𝑤𝑤𝑖𝑖𝑡𝑡 y hace referencia a los componentes de la
matriz de pesos espaciales, 𝑥𝑥𝑖𝑖 simboliza el valor de la variable 𝑥𝑥 en la región 𝑖𝑖 y finalmente, �̅�𝑥 se
corresponde con la media muestral de la variable 𝑥𝑥. Este estadístico toma valores comprendidos entre 1 y
-1, de tal forma que existe autocorrelación positiva cuando sus valores son cercanos a 1 y negativa cuando
lo hacen a -1. En base a lo anterior, si existe autocorrelación positiva (negativa), las zonas que presentan
valores elevados de la variable objeto de estudio, se encuentran rodeadas de otras zonas que presentan
valores elevados (reducidos) de la variable que se está estudiando27. Aparte de estudiar la presencia de
autocorrelacion espacial a nivel global, puede resultar interesante identificar “clusters”, o zonas donde la
variable objetivo se comporte de una forma determinada. Para este nuevo objetivo también se lleva a cabo
un análisis local de autocorrelacion espacial mediante la utilización del estadístico local de Moran Ii
(Anselin, 1995) definido de acuerdo a la ecuación (9)28:
𝐼𝐼𝑖𝑖 = 𝑧𝑧𝑖𝑖
∑ 𝑧𝑧𝑖𝑖2
𝑁𝑁�𝑖𝑖
∑ 𝑤𝑤𝑖𝑖𝑡𝑡𝑡𝑡𝑗𝑗𝐽𝐽𝑖𝑖 𝑧𝑧𝑡𝑡 (9)
donde 𝑧𝑧𝑖𝑖 se corresponde con el valor de la variable objeto de estudio normalizada para la región 𝑖𝑖,
mientras que 𝐽𝐽𝑖𝑖 simboliza al conjunto de zonas que se consideran vecinas de la región 𝑖𝑖.
Finalmente, para comprobar la robustez de nuestros resultados, se ha optado por plantear varias
alternativas para el caso de las matrices espaciales (𝑤𝑤𝑖𝑖𝑡𝑡), atendiendo a diferentes criterios geográficos y
socioeconómicos de vecindad entre las provincias.
5. Base de datos
Los datos que se van a utilizar en este trabajo, proceden de la Encuesta de Población Activa (EPA)
elaborada por el Instituto Nacional de Estadística (INE) y del Instituto Valenciano de Investigaciones
Económicas (IVIE). Estos datos poseen periodicidad anual y están desagregados para las 50 provincias
españolas durante el periodo 1984-201229.
26 En Cliff y Ord (1981) se otorga a este estadístico una ventaja sobre el resto de índices de autocorrelación espacial. 27 Los gráficos de dispersión de Moran (Anselin, 1995) ofrecen una visión más vertebradora y completa de la existencia o no de autocorrelacion espacial a nivel global. 28 Para una exposición más completa acerca de este tipo de estadísticos, véase Moreno y Vayá (2002). 29 Las ciudades autónomas de Ceuta y Melilla se han excluido del análisis debido a la reducida representatividad y disponibilidad de algunos de los datos utilizados.
16
Figura 2: Distribución de las tasas de desempleo efectivas provinciales
Para mostrar gráficamente las dinámicas comentadas en la sección introductoria, la figura 2 presenta la
distribución provincial de desempleo en 1984 y 2012 a través de dos mapas de cuartiles. Los datos
reflejan como las tasas de desempleo provincial presentan diferencias sensibles, situándose las tasas más
altas en las provincias situadas en el extremo sur y en las Islas Canarias, mientras que las provincias que
presentan unas tasas más reducidas se sitúan en el norte de la península ibérica. Además se puede
comprobar cómo la imagen descrita con anterioridad presenta unas mínimas variaciones si comparamos
los resultados del año 1984 con los del año 2012, lo que es una muestra inequívoca de persistencia. A
modo de conclusión, podemos decir que la distribución geográfica del desempleo, de acuerdo a las dos
figuras anteriores, sugiere que la dependencia espacial entre los mercados de trabajo provinciales
constituye un elemento a tener en cuenta.
En el cuadro A1 del Apéndice se presenta un resumen de las variables empleadas en este trabajo y de su
procedimiento de cálculo. La variable central de este estudio es la tasa de desempleo efectiva provincial,
es la que actúa como dependiente y la que trataremos de descomponer. Para esta descomposición se
emplearán también una serie de regresores que recojan los aspectos estructurales y expliquen la evolución
a lo largo del tiempo.
Las tres primeras variables explicativas del cuadro A1 del Apéndice, hacen referencia a la composición
sectorial del empleo en cada provincia. Según Elhorst (2003), la composición sectorial resulta ser un
elemento clave a la hora de explicar las diferentes tasas de desempleo a nivel territorial, lo que se traduce
en la existencia de diferencias en materia salarial, de cualificación de la mano de obra de competitividad
sectorial, siendo factores determinantes para explicar el nivel de desempleo desde una perspectiva
territorial30.
Otras dos variables importantes para explicar la tasa de desempleo efectiva, son la tasa de actividad de las
mujeres y el porcentaje de población de 15 a 24 años, respecto del total de la población provincial. En
relación con la primera, Elhorst (2003) apunta a la existencia de mecanismos que actúan de forma
30 Véase Summers et al. (1986).
21 o más16.63-2113.19-16.634.23-13.19
España,1984Fuente: INE
Tasa de desempleo efectiva (%), 1984
31 o más23.23-31.0618.53-23.2312.97-18.53
España,2012Fuente: INE
Tasa de desempleo efectiva (%), 2012
17
opuesta31 y que puede generar resultados diversos al explicar la tasa de desempleo efectiva. Por su parte,
la segunda variable es puramente demográfica y suele generar efectos positivos sobre el nivel de
desempleo (Johnson y Kneebone, 1991; Murphy y Payne, 2003). La explicación acerca de por qué la
población joven influye positivamente en el desempleo puede ser que sus habilidades de búsqueda son
menores y son más ineficientes que las cohortes de edades más avanzadas, es decir, buscan peor que los
individuos más veteranos. Por lo tanto, los periodos de desempleo de los jóvenes suelen ser más largos
que los de los individuos de edades más avanzadas, ya que son más ineficientes a la hora de realizar la
búsqueda32. Otra explicación de este fenómeno puede encontrarse en que, en general, los individuos más
jóvenes poseen un menor capital específico que los más veteranos, debido a su reducida experiencia
laboral, lo que influye de forma negativa en sus emparejamientos en el mercado de trabajo33.
Finalmente, se han incluido dos variables para capturar el nivel de capital humano que poseen los
ocupados. La primera de estas variables es el porcentaje de ocupados que poseen el segundo ciclo de la
educación secundaria (Bachiller Superior) y la segunda recoge el porcentaje de ocupados que poseen
educación superior34 sobre el total de ocupados de cada provincia. Atendiendo al trabajo de Elhorst
(2003), las variables que miden el nivel de capital humano suelen tener un efecto negativo sobre el
desempleo. Parece lógico suponer que las personas con un nivel educativo más elevado, suelen
desarrollar habilidades que les permiten adaptarse de una forma mucho más rápida y efectiva a los
cambios tecnológicos y así ser más productivos, en comparación con las personas que poseen un nivel
educativo inferior. Esto les hace mucho más atractivos desde el punto de vista de la contratación
empresarial, otorgándoles, a su vez, una mayor estabilidad laboral35.
Para aportar información más detallada de las variables utilizadas, en el Apéndice (cuadro A2) se recogen
algunos estadísticos descriptivos. La tasa de paro media del periodo, como variable central de nuestra
investigación, presenta una gran variabilidad provincial, toma los valores más altos en Cádiz (30,52%) y
Badajoz (26,34%), mientras que los más reducidos se localizan en Lleida (7,28%) y Soria (8,64%).
Estas diferencias interprovinciales también se hacen extensivas a otras variables. La tasa de participación
femenina resulta ser un elemento importante en regiones como Girona (49,72%) o las Islas Baleares
(46,17%), pero en provincias como Cuenca o Zamora no llega a alcanzar el 30%. En cuanto al ratio de la
población joven (15-24 años) sobre el total de la población provincial, la variabilidad entre las provincias
españolas es menos acusada. Las provincias con un mayor porcentaje son Cádiz (16,48%) y Las Palmas
(16,47%) mientras que los valores más reducidos se encuentran en Lugo (11,6%) y Ourense (11,73%).
Con respecto a las variables que reflejan la composición sectorial, tal vez sea el sector agrícola el que
mayor disparidad presenta en el ámbito provincial. Lugo es la provincia que más destaca, con un 37,87%
de ocupados en la agricultura, seguida de Cuenca con un 25,9%. Por el contrario, en Madrid y Barcelona 31 En Lázaro et al. (2000), Azmat et al. (2006) y Bertola et al. (2007) se apuntan algunos factores determinantes de las recurrentes tasas de desempleo de las mujeres. 32 En Maguire et al. (2013) se pueden encontrar algunas referencias de los motivos acerca de las altas tasas de desempleo de los jóvenes españoles (16-24 años) durante el periodo 2007-2013. 33 Véase Eichhorst y Neder (2014) para una mayor explicación de los problemas relacionados con la transición “Escuela-Trabajo” en algunos de los países mediterráneos europeos. 34 Para una definición más detallada de las variables educativas consultar http://www.ivie.es/downloads/caphum/series-2013/metodologia-series-capital-humano-1964-2013.pdf . 35 Véase López-Bazo y Motellón (2012) para una mayor explicación acerca de las diferencias regionales en materia de capital humano, su efecto sobre el mercado de trabajo y sobre los salarios.
18
la agricultura representa menos del 2% del empleo total de la provincia. En el sector industrial, los
extremos están marcados por Álava (34,93%) y Almería (6,09%). Finalmente, el sector servicios presenta
sus mayores tasas en Las Palmas (74,93%) y en Madrid (73,58%), mientras que en provincias como Lugo
(42,9%) y Teruel (47,48%), es mucho menos importante. Las últimas variables son las que capturan el
capital humano de los ocupados a nivel provincial. En el caso de los ocupados que poseen el segundo
ciclo de la educación secundaria (Bachiller Superior), los valores más elevados se observan en Castellón
y Girona con valores superiores al 30%, la contrapartida se observa en Guipúzcoa y Guadalajara, con
valores inferiores al 20%. Finalmente, las provincias que presentan un mayor porcentaje de ocupados con
educación superior son Madrid (17,46%) y Vizcaya (14,25%), el caso opuesto se observa en Cuenca
(4,58%) y Lugo (5,28%).
6. Resultados
Como ya hemos hecho a lo largo de todo el trabajo, este apartado se divide en tres bloques. En el primero
de ellos se presentan los resultados de la descomposición de la tasa de desempleo, en el segundo se
analiza la existencia de dependencia espacial de la tasa de paro efectiva y sus componentes. Finalmente,
en el tercer bloque se comentan las implicaciones de los resultados obtenidos.
6.1 Descomposición de la tasa de desempleo efectiva
Como ya se ha comentado, la descomposición de la tasa de desempleo efectiva se ha llevado a cabo
siguiendo la técnica de fronteras estocásticas Como hemos mencionado con anterioridad, hemos optado
por una parametrización de la frontera más completa que la llevada a cabo por HM. Concretamente, se
han utilizado 3 especificaciones diferentes:
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝛽𝛽0 + 𝐷𝐷𝐴𝐴𝐴𝐴𝑖𝑖𝑖𝑖𝑡𝑡𝛽𝛽1 + 𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖𝑡𝑡𝛽𝛽2 + 𝑆𝑆𝑆𝑆𝐴𝐴𝑣𝑣𝑖𝑖𝑡𝑡𝛽𝛽3 + 𝐼𝐼2001𝛽𝛽4 + 𝑣𝑣𝑖𝑖𝑡𝑡 + 𝑢𝑢𝑖𝑖𝑡𝑡 (10)
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝛽𝛽0 + 𝐷𝐷𝐴𝐴𝐴𝐴𝑖𝑖𝑖𝑖𝑡𝑡𝛽𝛽1 + 𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖𝑡𝑡𝛽𝛽2 + 𝑆𝑆𝑆𝑆𝐴𝐴𝑣𝑣𝑖𝑖𝑡𝑡𝛽𝛽3 + 𝑇𝑇𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡𝛽𝛽4 + 𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡𝛽𝛽5 + 𝐼𝐼2001𝛽𝛽6 + 𝑣𝑣𝑖𝑖𝑡𝑡 + 𝑢𝑢𝑖𝑖𝑡𝑡 (11)
𝑈𝑈𝑖𝑖𝑡𝑡 = 𝛽𝛽0 + 𝐷𝐷𝐴𝐴𝐴𝐴𝑖𝑖𝑖𝑖𝑡𝑡𝛽𝛽1 + 𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖𝑡𝑡𝛽𝛽2 + 𝑆𝑆𝑆𝑆𝐴𝐴𝑣𝑣𝑖𝑖𝑡𝑡𝛽𝛽3 + 𝑇𝑇𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡𝛽𝛽4 + 𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡𝛽𝛽5 + 𝐵𝐵𝐵𝐵𝐵𝐵ℎ𝑖𝑖𝑡𝑡𝛽𝛽6 + 𝑆𝑆𝑢𝑢𝑆𝑆𝑖𝑖𝑡𝑡𝛽𝛽7 + 𝑇𝑇𝑖𝑖𝑡𝑡𝛽𝛽8 +
𝑇𝑇2𝑖𝑖𝑡𝑡𝛽𝛽9 + 𝐼𝐼2001𝛽𝛽10 + 𝑣𝑣𝑖𝑖𝑡𝑡 + 𝑢𝑢𝑖𝑖𝑡𝑡 (12)
La especificación más básica (ecuación 10) únicamente modeliza la frontera con las variables que hacen
referencia a la composición sectorial de la mano de obra y una variable dicotómica (𝐼𝐼2001) que tomará
el valor 1 a partir del año 2001 y 0 en el caso contrario36. La segunda especificación (ecuación 11) añade
dos nuevas variables explicativas, la tasa de actividad de las mujeres (𝑇𝑇𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡) y el ratio de la población
joven sobre el total de población (𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡). Finalmente, la ecuación (12) hace referencia a la especificación
más completa con cuatro regresores más, las dos de capital humano (𝐵𝐵𝐵𝐵𝐵𝐵ℎ𝑖𝑖𝑡𝑡 𝑦𝑦 𝑆𝑆𝑢𝑢𝑆𝑆𝑖𝑖𝑡𝑡), una tendencia
lineal (𝑇𝑇𝑖𝑖𝑡𝑡) y otra cuadrática (𝑇𝑇2)37. En el cuadro A3 del Apéndice, se pueden observar con detalle los
resultados obtenidos para cada una de las especificaciones enunciadas anteriormente. Es importante el
resultado que se ofrece por parte del estadístico denominado “Frontera”, ya que este nos informará de sí
36 Esta variable ficticia se introduce debido a que en el año 2001 se introdujo un cambio metodológico que influye en la forma de medición del desempleo. Los cambios metodológicos introducidos pueden consultarse en http://www.ine.es/epa02/meto2002.htm. 37 La tendencial cuadrática mide la evolución temporal de las variables independientes del propio modelo.
19
existe o no frontera en su nivel de costes, como podemos observar todas las especificaciones presentan
frontera de costes a un nivel de significación del 1%.
Si comenzamos el análisis por las variables sectoriales, podemos observar que todos los regresores
presentan valores positivos y significativos, lo que indica que todos los sectores tienen tasas de paro
naturales superiores al de referencia que es la construcción. También se aprecia que la agricultura y la
industria presentan valores muy similares y que el mayor efecto sobre el desempleo estructural
corresponde al sector servicios.
Una explicación del porqué de estos resultados y de la gran influencia del sector servicios sobre la
variable dependiente, podría ser el gran peso que poseen algunos trabajos de baja cualificación dentro de
este sector, lo que origina que durante las etapas de crisis económica, los trabajadores poco cualificados
tiendan a aumentar su propia tasa de desempleo estructural38. Hay que tener en cuenta que los
trabajadores poco cualificados están sujetos a una gran rotación, con escasas actividades de formación por
parte de la empresa. 39 Esto genera una mano de obra con baja formación laboral y reducida
empleabilidad.
Los dos regresores añadidos en la especificación 2 también presentan un signo positivo y significativo
que se mantiene en la especificación 3. El coeficiente que presenta la tasa de actividad femenina indica
que la incorporación de la mujer al mercado laboral ha contribuido a aumentar las tasas de desempleo
efectivas en su contexto agregado, en parte debido a que sus tasas de desempleo son virtualmente
superiores a las de los varones. Aunque este efecto se diluye en parte cuando se añade más información al
modelo. Por su parte, el coeficiente relativo al ratio de la población joven pone de manifiesto tres cosas.
En primer lugar corrobora la hipótesis ya comentada de que los jóvenes buscan peor que los individuos de
mayor edad. En segundo lugar, refleja la dificultad de encontrar empleo por parte de este colectivo debido
a un capital específico “reducido”. Por último, se observa la gran influencia del desempleo juvenil en el
nivel de desempleo40.
En cuanto a las variables de capital humano, los resultados son coherentes con la hipótesis planteada con
anterioridad. En ambos casos se observa un efecto reductor sobre el desempleo natural (especificación 3).
Este resultado indica que cuando el capital humano de los ocupados crece, menor es la posibilidad de caer
en una situación de desempleo (Nickell y Bell, 1996). También se observa que un ocupado con educación
superior tiene menos posibilidades de ser desempleado que otro que posea una educación equivalente al
bachillerato superior.
Por su parte, la variable que captura el efecto del cambio metodológico llevado a cabo por el INE en el
año 2001, presenta un efecto negativo y muy significativo en todas las especificaciones, sobre todo en el
caso de las especificaciones 1 y 3. En base a esto, la nueva metodología adoptada por parte del INE
contribuyó a disminuir la tasa de desempleo. Finalmente, la tendencia incluida en la especificación 3
38 Oesch (2010), utilizando un panel que incluye a 21 países de la OCDE, presenta evidencia empírica acerca de las variables que más influyen sobre el desempleo de los trabajadores de baja cualificación. 39 Un buen ejemplo para el caso español podrían ser algunos empleos dentro del sector turístico. 40 Dolado et al. (1999 y 2000) y Dolado et al. (2002) exponen algunas de las causas y consecuencias del “ineficiente” funcionamiento del mercado de trabajo para los jóvenes en España.
20
resultan ser significativa, siendo negativa para su componente lineal y ligeramente positiva para el
cuadrático.
Una vez realizada la descomposición, se estiman y representan los componentes de la tasa de desempleo
efectiva detallados con anterioridad: el componente que simboliza a la tasa de desempleo natural y el
desempleo cíclico41. En la figura 3 se puede observar la evolución de la tasa natural de desempleo para
todas las provincias españolas durante el periodo 1984-201242. La media de este componente durante el
periodo anteriormente señalado alcanza un valor igual a 13,47 aunque se vislumbra una cierta
heterogeneidad entre ellas. Las provincias que presentan el valor medio superior son Cádiz (27,58),
Córdoba (23,43) y Badajoz (23,30) y las que mejor se comportan son Lleida (4,40), Soria (6,10) y Huesca
(6,46) 43.
Pese a lo apuntado en el párrafo anterior, para comprender de una forma más completa el aporte de este
elemento a la tasa de desempleo efectiva, debemos fijarnos en los valores relativos. En base a esto, las
provincias cuyo componente natural presentan una aportación media mayor a la tasa de desempleo
efectiva son Cádiz (90,37%), Sevilla (89,58%) y Córdoba (88,95%). Como contraposición a lo apuntado
con anterioridad, son las provincias de Lleida (60,44%), Teruel (69,64%) y Soria (70,66%), las que
presentan una aportación media menor a la tasa de desempleo efectiva.
A la vista de la figura 3 también podemos decir que la evolución del componente natural es bastante
similar para todas las provincias. Al inicio del periodo parece mantenerse muy constante y al final
muestra una figura en forma de “U” que abarca el final de los años noventa y el comienzo del siglo XXI.
En base a esto, se produce una reducción muy marcada en este componente en el inicio del siglo XXI que,
de forma aproximada, dura hasta el año 2008 y que termina con el inicio de la crisis económica para la
gran mayoría de las provincias.
En la figura 4 se representan las estimaciones obtenidas del desempleo cíclico (𝑈𝑈𝑖𝑖,𝑡𝑡𝐶𝐶 ) a nivel provincial44.
Atendiendo a las cifras agregadas, este componente presenta un valor medio igual a 2,78, representando
aproximadamente una quinta parte del componente natural. Al igual que ocurría antes, las provincias
presentan una heterogeneidad notable en sus valores, siendo Castellón (3,14), Girona (3,13) y Cáceres
(3,049) las provincias con mayores valores medios. Por otra parte, las provincias que presentan los
valores medios menores son Burgos (2,47), Soria (2,53) y Navarra (2,54). Por debajo de la media también
encontramos a Madrid, Guipúzcoa y Vizcaya45. También, se observan ciertas similitudes en la evolución
de todas ellas, con un repunte final que coincide con el periodo asociado a la “Gran Recesión”.
41 Se han obtenido algunos valores negativos en la estimación de la tasa natural de desempleo para algunas de las provincias. Pese a esto, tales valores representan una parte muy reducida en comparación con el total de las estimaciones, siendo inferiores en todos los casos al 2% de las estimaciones totales obtenidas, teniendo en cuenta a las tres especificaciones utilizadas. 42 Las estimaciones se han realizado a partir de la especificación 3.Se han realizado pruebas utilizando la especificación 1 y la especificación 2 y los resultados son muy similares, con un coeficiente de correlación entre ambas especificaciones igual a 0.9635 y a 0.9683, respectivamente. Tales resultados están a disposición de los interesados previa petición a los autores. 43 Los resultados detallados se encuentran a disposición de los interesados previa solicitud a los autores. 44 Las estimaciones realizadas del desempleo cíclico también se han realizado con la especificación 1 y la especificación 2, siendo los resultados muy similares. Las estimaciones obtenidas a través de la especificación 1 y la 2 presentan un coeficiente de correlación igual a 0.8707 y 0,8887, respectivamente. 45 Los resultados detallados se encuentran a disposición de los interesados previa solicitud a los autores.
21
FIGURA 3: Desempleo natural (𝑼𝑼𝒊𝒊𝒊𝒊𝑵𝑵𝑵𝑵) por provincia (1984-2012)
010
2030
010
2030
010
2030
010
2030
010
2030
010
2030
010
2030
1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010
1980 1990 2000 2010 1980 1990 2000 2010
Albacete Alicante Almería Asturias Badajoz Balears (Illes) Barcelona Burgos
Cantabria Castellón de la Plana Ciudad Real Coruña (A) Cuenca Cáceres Cádiz Córdoba
Girona Granada Guadalajara Guipúzcoa Huelva Huesca Jaén León
Lleida Lugo Madrid Murcia Málaga Navarra Ourense Palencia
Palmas (Las) Pontevedra Rioja (La) Salamanca Santa Cruz de Tenerife Segovia Sevilla Soria
Tarragona Teruel Toledo Valencia Valladolid Vizcaya Zamora Zaragoza
Álava Ávila
22
05
100
510
05
100
510
05
100
510
05
10
1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010 1980 1990 2000 2010
1980 1990 2000 2010 1980 1990 2000 2010
Albacete Alicante Almería Asturias Badajoz Balears (Illes) Barcelona Burgos
Cantabria Castellón de la Plana Ciudad Real Coruña (A) Cuenca Cáceres Cádiz Córdoba
Girona Granada Guadalajara Guipúzcoa Huelva Huesca Jaén León
Lleida Lugo Madrid Murcia Málaga Navarra Ourense Palencia
Palmas (Las) Pontevedra Rioja (La) Salamanca Santa Cruz de Tenerife Segovia Sevilla Soria
Tarragona Teruel Toledo Valencia Valladolid Vizcaya Zamora Zaragoza
Álava Ávila
FIGURA 4: Desempleo cíclico (𝑼𝑼𝒊𝒊𝒊𝒊𝑪𝑪 ) por provincia (1984-2012)
23
6.2 Análisis espacial de la tasa de desempleo efectiva y sus componentes
Una vez realizada la descomposición, el siguiente paso lo constituye el análisis de dependencia espacial
de cada componente. Para este objetivo el primer paso es definir las matrices de vecindad, aquí se han
utilizado cuatro matrices espaciales distintas. La primera de ellas considera vecinos a los 5 vecinos más
cercanos46. La segunda es una matriz de distancias que penaliza a aquellas unidades espaciales que se
encuentran más alejadas. La tercera es una matriz de distancias basada en el cuadrado de la distancia
inversa. Finalmente, la cuarta es una matriz administrativa, que considera vecinas a aquellas provincias
que pertenecen a la misma CCAA.
En el cuadro 1 se presentan los valores referentes al estadístico I de Moran global mediante la utilización
de la matriz espacial que sigue el criterio de los 5 vecinos más cercanos47, Los datos muestran una fuerte
autocorrelacion espacial, tanto en las tasas de desempleo efectivas provinciales como en sus dos
componentes. En el caso de la tasa de desempleo efectiva durante el periodo 1984-2012, podemos decir
que todos los valores del estadístico resultan ser positivos y significativos a un nivel del 1%. Los valores
son muy estables durante todo el periodo analizado (manteniéndose en un rango entre el valor 0,5 y 0,79).
Pese a lo apuntado, si es cierto que la autocorrelacion espacial entre las distintas tasas de desempleo
efectivas, parece aumentar con el tiempo, aunque de forma ligera, sobre todo hasta mediados de los años
noventa. Sin embargo, durante la última mitad de los años noventa la dependencia espacial se hace cada
vez más intensa, llegando a alcanzar valores cercanos al 0,75, pese a una ligera reducción durante el
periodo 2001-2004, la dependencia espacial a nivel global entre las tasas de desempleo efectivas vuelve a
aumentar con gran fuerza hasta el final del periodo, alcanzándose su máximo valor en el año 2006
(0,798), lo que indica que las tasas de desempleo efectivas son cada vez mas similares a la de sus vecinos,
conforme avanzamos en el tiempo. Finalmente, en el apartado A) de los gráficos de dispersión de Moran
de la figura A1 del Apéndice, se observa como la dispersión varía muy ligeramente hacia una mayor
concentración positiva.
La evolución de la dependencia espacial de la tasa natural de desempleo, es muy similar a la observada
para el caso de la tasa de desempleo efectiva. Al igual que ocurría con anterioridad, todos los valores de la
I de Moran resultan ser positivos y significativos a un nivel del 1%. En este caso los valores son más
elevados, situándose en el rango 0,66-0,78. Aunque en este caso la evolución de la I de Moran es más
estable a lo largo de todo el periodo. La anterior hipótesis se mantiene si observamos el apartado B) de los
gráficos de dispersión de Moran de la figura 1 del Apéndice, en los cuales la dispersión se mantiene,
prácticamente, invariable con carácter positivo.
46 Este tipo de matriz espacial, también es utilizada en Basile et al. (2009). 47 Los resultados obtenidos por el resto de matrices espaciales coinciden en identificar la existencia de autocorrelación espacial para la tasa de desempleo efectiva y para sus dos componentes de una forma muy similar a la observada para el caso de los resultados de la matriz que se muestran en el cuadro 1, a excepción del caso de la matriz administrativa para el caso del componente cíclico, mediante la cual no se detecta autocorrelación espacial. Los resultados detallados se encuentran a disposición de los interesados, previa solicitud a los autores.
24
Por su parte, la evolución del estadístico I de Moran durante el periodo temporal 1984-2012 para el caso
del desempleo cíclico es más errático que para los dos anteriores. La I de Moran, indica una
autocorrelación espacial positiva y continua en el tiempo a partir del año 1990 salvo en 3 años. En base a
lo apuntado anteriormente, diremos que la magnitud de los valores de la I de Moran, para todo el periodo
objeto de estudio, es mucho más reducida que para los dos casos anteriores. También es necesario
destacar, la mayor variabilidad de la I de Moran de este componente. Esta variabilidad se vislumbra
claramente en el apartado C) de la figura A1 del Apéndice.
En la figura 5 se muestran los resultados obtenidos a través de los estadísticos locales de la I de Moran
para las provincias españolas48. Observando los resultados para el caso de la tasa de desempleo efectiva,
detectamos la existencia de dos grandes zonas geográficas perfectamente definidas y diferentes entre sí,
una mitad sur que se caracteriza por mantener “altas” tasas de desempleo y una mitad norte definida por
la existencia de tasas de desempleo efectivas “bajas”.
48 Los resultados obtenidos mediante la utilización del resto de matrices espaciales son muy similares, encontrándose a disposición de los interesados previa petición a los autores.
CUADRO 1.- I de Moran (knn=5) Año I z(I) I z(I) I z(I)
𝑈𝑈𝑖𝑖,𝑡𝑡 𝑈𝑈𝑖𝑖,𝑡𝑡𝑁𝑁 𝑈𝑈𝑖𝑖,𝑡𝑡𝐶𝐶 1984 0.529 *** 6.982 0.773*** 10.066 0.001 0.279 1985 0.558*** 7.331 0.750*** 9.766 -0.015 0.063 1986 0.626*** 8.192 0.743*** 9.698 0.054 0.947 1987 0.669*** 8.753 0.728*** 9.498 -0.033 -0.162 1988 0.670*** 8.777 0.681*** 8.887 0.055 0.988 1989 0.673*** 8.803 0.681*** 8.878 0.098 1.528 1990 0.656*** 8.587 0.689*** 8.980 0.124* 1.875 1991 0.679*** 8.904 0.678*** 8.864 0.117* 1.777 1992 0.712*** 9.289 0.664*** 8.681 0.090 1.428 1993 0.668*** 8.750 0.670*** 8.779 0.194*** 2.731 1994 0.659*** 8.687 0.682*** 8.975 0.231*** 3.220 1995 0.666*** 8.770 0.674*** 8.873 0.212*** 2.960 1996 0.690*** 9.049 0.701*** 9.223 0.228*** 3.191 1997 0.712*** 9.315 0.695*** 9.125 0.366*** 4.907 1998 0.744*** 9.784 0.706*** 9.247 0.297*** 4.032 1999 0.752*** 9.847 0.706*** 9.245 0.253*** 3.499 2000 0.753*** 9.848 0.727*** 9.504 0.253*** 3.503 2001 0.645*** 8.621 0.721*** 9.449 0.155*** 2.298 2002 0.631*** 8.415 0.691*** 9.071 0.012 0.414 2003 0.628*** 8.258 0.700*** 9.183 0.056 0.973 2004 0.621*** 8.204 0.690*** 9.026 0.235*** 3.257 2005 0.730*** 9.596 0.741*** 9.669 0.301*** 4.132 2006 0.798*** 10.417 0.721*** 9.466 0.259*** 3.625 2007 0.777*** 10.120 0.707*** 9.268 0.304*** 4.228 2008 0.789*** 10.227 0.736*** 9.659 0.135** 2.006 2009 0.771*** 9.976 0.757*** 9.907 0.254*** 3.516 2010 0.762*** 9.869 0.770*** 10.058 0.240*** 3.358 2011 0.747*** 9.687 0.756*** 9.855 0.208*** 3.011 2012 0.784*** 10.120 0.785*** 10.277 0.262*** 3.617
Notas: Todas las estimaciones incluyen a las observaciones de las 50 provincias españolas. La hipótesis nula hace referencia a la ausencia de dependencia espacial. z(I), indica el valor del estadístico z. *, ** y *** indican significación al 10%, 5% y 1% respectivamente.
25
FIGURA 5: Estadísticos de dependencia espacial local A) Tasa de desempleo efectiva
B) Tasa natural de desempleo
Bajo-BajoAlto-BajoAlto-AltoNo signif.
España, 1984Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 1994Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2004Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2012Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 1984Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 1994Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2004Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2012Fuente: Elaboración propia
26
C) Desempleo cíclico
Estos dos “clusters” de desempleo efectivo se mantienen a lo largo del periodo objeto de estudio, sobre
todo en la zona sur de España, que incluye las provincias de Huelva, Badajoz, Sevilla, Cádiz, Málaga,
Córdoba, Jaén, Granada, Las Palmas y Santa Cruz de Tenerife. Sin embargo el clúster del norte se va
desplazando hacia la zona del País Vasco, Navarra y Aragón, manteniéndose muy constante desde la
mitad de los años noventa hasta el año 2012. Nuevamente los resultados obtenidos para el caso de la tasa
de desempleo natural son muy similares a los observados para el caso del desempleo efectivo. El clúster
de “alto” desempleo detectado en las provincias de la mitad sur española se mantiene y también su
persistencia en el tiempo. Por su parte, el clúster de “bajo” desempleo ya no es tan constante como en el
caso del desempleo efectivo, aunque en el año 2012 se acaba situando prácticamente en la misma zona
(nordeste peninsular).
En lo relativo al desempleo cíclico, se han obtenido dos notables resultados. Primero, los clusters de
desempleo cíclico son menos persistentes tanto en el espacio como en el tiempo, en comparación con los
formados a partir del componente natural. 49. Segundo, la dependencia espacial global en torno a este
componente se obtiene mediante la utilización de las matrices que se guían por criterios de proximidad
geográfica, pero no para la matriz administrativa, la cual considera vecinas a aquellas provincias
pertenecientes a la misma comunidad autónoma. De acuerdo a este resultado, el desempleo cíclico
provincial está explicado en mayor medida por características geográficas, en vez de por las
características administrativas comunes en materia provincial.
49 Véanse los gráficos de dispersión locales de la I de Moran pertenecientes a la figura 2 del Apéndice.
Bajo-AltoAlto-BajoAlto-AltoNo signif.
España, 1984Fuente: Elaboración propia
Bajo-BajoBajo-AltoAlto-AltoNo signif.
España, 1994Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2004Fuente: Elaboración propia
Bajo-BajoAlto-AltoNo signif.
España, 2012Fuente: Elaboración propia
27
6.3 Implicaciones de los resultados
En base a los resultados anteriores, se presenta evidencia empírica de la existencia de dos “clusters”
provinciales distintos entre sí, un clúster de “alto” desempleo efectivo en la mitad sur peninsular y un
clúster de “bajo” desempleo efectivo en el nordeste peninsular. También, nuestros resultados muestran
como esta división se explica, fundamentalmente, a través del componente natural del desempleo, ya que
la “persistencia espacial” es mucho más evidente que en el cíclico50.
Anteriormente, en el segundo bloque del tercer apartado, habíamos llevado a cabo una exposición de
algunos fenómenos sociales y económicos que podrían contribuir a la explicación acerca de por qué
existen clusters de desempleo. Refiriéndonos a estos fenómenos, podemos establecer que en el caso de los
clusters de desempleo natural, los fenómenos que parecen operar detrás de su formación son los
relacionados con el “peer effect”, el efecto del “commuting”, la acción de la migración interregional y por
último el “efecto desborde de estructura productiva” (spillover effect). Los cuatro elementos, enunciados
con anterioridad, están estrechamente relacionados con la intensidad y la búsqueda de empleo (“peer
effect”, “commuting” y migración interregional) y con la estructura productiva de los territorios (“efecto
desborde de estructura productiva”). Debido a que el componente natural está formado por el desempleo
friccional (𝑈𝑈𝑖𝑖𝑡𝑡𝐹𝐹), el cual se encuentra explicado por cuestiones relacionadas con la teoría de la búsqueda de
empleo, y por el desempleo estructural (𝑈𝑈𝑖𝑖𝑡𝑡𝑆𝑆𝑆𝑆), explicado en parte por la estructura productiva de los
territorios. Consideramos que los cuatro fenómenos anteriores pueden estar operando a través del
desempleo friccional y del estructural, explicando de esta manera al desempleo natural.
En lo que concierne a los clusters formados a través del componente cíclico del desempleo efectivo, la
explicación acerca de su reducida persistencia en materia espacial, se puede ilustrar a través del fenómeno
denominado con anterioridad como “efecto desborde en materia de política fiscal” (fiscal policy spillover
effect). En base a lo anterior, la gran variación que sufren este tipo de clusters, en el tiempo y en el
espacio, puede ser debida a la política económica fiscal de demanda agregada que se aplique en un
territorio determinado y en un instante concreto, cuyos efectos operan en el corto plazo. De esta manera,
la formación de los clusters resulta ser más heterogénea, en función del territorio en el cual se aplique la
política fiscal.
7. Conclusiones
Inicialmente apuntábamos que los objetivos de este trabajo eran dos: la descomposición de la tasa de
desempleo efectiva de las 50 provincias españolas durante el periodo 1984-2012 y el análisis de si existe
o no dependencia espacial entre las tasas de desempleo efectivas a nivel provincial y también entre sus
componentes. Con respecto al primero de los objetivos, y mediante la utilización de la técnica de las
fronteras estocásticas, se ha podido dividir a la tasa de desempleo efectiva de las provincias españolas en
un componente natural, que a su vez es la suma de dos tipos de desempleo (𝑈𝑈𝑖𝑖,𝑡𝑡𝐹𝐹 y 𝑈𝑈𝑖𝑖,𝑡𝑡𝑆𝑆𝑆𝑆) y un componente
cíclico. Nuestros resultados apuntan hacia una mayor influencia del componente natural sobre el
50 En Cracolici et al. (2007) se define al concepto de “persistencia espacial” en base a la situación que provoca que “las provincias adyacentes exhiban unas tasas de desempleo similares en el ámbito espacial y en diferentes periodos de tiempo”.
28
desempleo efectivo, que en el caso del componente cíclico. También se ha encontrado que el periodo
conocido como la “Gran Recesión”, parece explicarse en mayor medida a través del componente natural
que del cíclico, aunque la influencia de este último componente sobre la tasa de desempleo efectiva
también es importante.
En base al segundo de los objetivos, se ha detectado una significativa autocorrelación espacial global
positiva tanto entre las tasas de desempleo efectivas a nivel provincial, como en los componentes
naturales, siendo más relevante en estos dos elementos que en el caso del componente cíclico, cuya
correlación espacial global positiva esta explicada en materia de criterios puramente geográficos. Lo
anterior indica que ni el desempleo efectivo, ni sus componentes se encuentran distribuidos de forma
aleatoria en el contexto espacial. Nuestros resultados, también apuntan hacia la formación de dos clusters
genuinamente diferentes, uno de “bajo” desempleo efectivo en la zona nordeste de la península ibérica y
otro de “alto” desempleo efectivo en el extremo sur. Este fenómeno es muy similar al que se observa en el
componente natural. Sin embargo, el comportamiento del componente cíclico parece ser más errático en
la formación de los clusters de desempleo. Este proceso de formación de clusters de desempleo parece
operar mediante la acción del “peer effect”, el efecto del “commuting”, la migración interregional local y
el “efecto desborde de estructura productiva” (spillover effect) para el caso del componente natural.
Mientras que para el caso del componente cíclico, el fenómeno que parece explicar su comportamiento
puede atribuirse al “efecto desborde en materia de política fiscal” (fiscal policy spillover effect).
Nuestros resultados ofrecen una explicación novedosa en lo que se refiere a la existencia de persistencia
espacial entre las tasas de desempleo efectivas y entre sus dos componentes, incidiendo en explicaciones
relacionadas con los fenómenos sociales y económicos que operan entre los individuos dentro del
mercado de trabajo. En base a lo anterior, se pone de manifiesto la necesidad de acometer reformas desde
el punto de vista laboral con carácter urgente (Blanchard et al. 2014).
De acuerdo a nuestros resultados, sería necesario tener en cuenta la importancia relativa de cada uno de
los componentes del desempleo efectivo en los territorios, con el objetivo de conocer cuál es el margen de
acción que tienen las autoridades para poder aplicar políticas de oferta o demanda agregada y así poder
conocer el posible impacto de estas en cada una de las provincias.
A su vez, la identificación de los clusters de los componentes del desempleo efectivo y la explicación
acerca de los fenómenos que guían su formación, podría ayudar a los “policymakers” a conocer cuáles
son las dinámicas dominantes detrás del desempleo efectivo. Un mayor conocimiento acerca de los
mecanismos de formación de las tasas de desempleo efectivas y acerca del porqué de su “clusterización”,
podría ayudar a lograr el objetivo de convergencia de estas hacia un valor común, mediante la eliminación
de las fuertes disparidades a nivel provincial entre aquellas áreas de “alto” y “bajo” desempleo explicadas
fundamentalmente a través de sus respectivos componentes naturales.
29
REFERENCIAS BIBLIOGRÁFICAS
Aigner, D., Lovell, C. K., & Schmidt, P. (1977). Formulation and estimation of stochastic frontier
production function models. Journal of Econometrics, 6(1), 21-37.
Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.
Aysun, U., Bouvet, F., & Hofler, R. (2014). An alternative measure of structural
unemployment. Economic Modelling, 38, 592-603.
Azmat, G., & e Manning, M. G. A.(2006):“Gender Gaps in Unemployment Rates in OCDE
Countries”. Journal of Labor Economics, 24(1), 1-37.
Azorín, J. D. B. (2013). La distribución del desempleo en las provincias españolas: Un análisis con datos
de panel mediante el filtrado espacial.Investigaciones regionales: Journal of Regional Research, (27),
143-154.
Basile, R., Girardi, A., & Mantuano, M. (2009). Regional unemployment traps in Italy: Assessing the
evidence. Preuzeto September, 28, 2009.
Bande, R., Fernández, M., Montuenga, V., & Sanromá, E. (2012). Wage flexibility and local labour
markets: a test on the homogeneity of the wage curve in Spain .Investigaciones Regionales, (24), 175.
Bande, R., Fernández, M., & Montuenga, V. (2008). Regional unemployment in Spain: Disparities,
business cycle and wage setting. Labour Economics, 15(5), 885-914.
Battese, G. E., & Coelli, T. J. (1995). A model for technical inefficiency effects in a stochastic frontier
production function for panel data. Empirical economics,20(2), 325-332.
Baxter, M., & King, R. G. (1999). Measuring business cycles: approximate band-pass filters for economic
time series. Review of economics and statistics,81(4), 575-593.
Bentolila, S., & Jimeno-Serrano, J. F. (2003). Spanish unemployment: the end of the wild ride?.
Bertola, G., Blau, F. D., & Kahn, L. M. (2007). Labor market institutions and demographic employment
patterns. Journal of Population Economics, 20(4), 833-867.
Bertola, G. (2000). Labor Markets in the European Union. IFO Studien 46:99-122.
Blanchard, O. J., Jaumotte, F., & Loungani, P. (2014). Labor market policies and IMF advice in advanced
economies during the Great Recession. IZA Journal of Labor Policy, 3(1), 1-23.
Blanchard, O., Amighini, A. y Giavazzi, F. (2012). Macroeconomía (5ª ed.). Pearson Educación, S.A.,
Madrid, 2012.
Blanchard, O. J., Katz, L. (1992). Regional evolutions. Brookings papers on economic activity, 1992(1),
1-75.
Bodman, P. M. (1999). Labour market inefficiency and frictional unemployment in Australia and its
States: A stochastic frontier approach. Economic Record, 75(2), 138-148.
Bramoullé, Y., & Saint-Paul, G. (2010). Social networks and labor market transitions. Labour
Economics, 17(1), 188-195.
Calvo-Armengol, A., & Jackson, M. O. (2004). The effects of social networks on employment and
inequality. The American Economic Review, 94(3), 426-454.
Cazes, S., Verick, S., & Al Hussami, F. (2013). Why did unemployment respond so differently to the
global financial crisis across countries? Insights from Okun’s Law. IZA Journal of Labor Policy, 2(1), 1-
18.
30
Cingano, F., & Rosolia, A. (2012). People I know: job search and social networks. Journal of Labor
Economics, 30(2), 291-332.
Clark, A. E. (2003). Unemployment as a social norm: Psychological evidence from panel data. Journal of
labor economics, 21(2), 323-351.
Cliff, A. D., & Ord, J. K. (1981). Spatial processes: models & applications. Taylor & Francis.
Conley, T. G., & Topa, G. (2002). Socio‐economic distance and spatial patterns in
unemployment. Journal of Applied Econometrics, 17(4), 303-327.
Cracolici, M. F., Cuffaro, M., & Nijkamp, P. (2007). Geographical distribution of unemployment: An
analysis of provincial differences in Italy. Growth and Change, 38(4), 649-670.
Dietz, R. D. (2002). The estimation of neighborhood effects in the social sciences: An interdisciplinary
approach. Social science research, 31(4), 539-575.
Dolado, J. J., García‐Serrano, C., & Jimeno, J. F. (2002). Drawing lessons from the boom of temporary
jobs in Spain. The Economic Journal, 112(480), F270-F295.
Dolado, J. J., Felgueroso, F., & Jimeno, J. F. (2000). Youth labour markets in Spain: Education, training,
and crowding-out. European Economic Review,44(4), 943-956.
Dolado, J. J., Felgueroso, F., & Jimeno, J. F. (1999). The Causes of Youth Labour Market Problems in
Spain: Crowding-out, Institutions, Or the Technology Shifts?. Universidad Carlos III de Madrid,
Departamento de Economía.
Duncan, K., Philips, P., & Prus, M. (2012). Using stochastic frontier regression to estimate the
construction cost inefficiency of prevailing wage laws.Engineering, Construction and Architectural
Management, 19(3), 320-334.
Eichhorst, W., & Neder, F. (2014). Youth unemployment in Mediterranean countries. IZA Policy
Paper, 80.
Elhorst, J. P. (2003). The mystery of regional unemployment differentials: theoretical and empirical
explanations. Journal of economic surveys, 17(5), 709-748.
Espinosa-Vega, M. A., & Russell, S. (1997). History and theory of the NAIRU: a critical
review. Economic Review-Federal Reserve Bank of Atlanta, 82(2), 4.
Fabiani, S., & Mestre, R. (2000). Alternative measures of the NAIRU in the euro area: estimates and
assessment.
Filiztekin, A. (2009). Regional unemployment in Turkey. Papers in Regional Science, 88(4), 863-878.
García-Mainar, I., & Montuenga-Gómez, V. (2003). The Spanish wage curve: 1994–1996. Regional
Studies, 37(9), 929-945.
Grant, A. P. (2002). Time-varying estimates of the natural rate of unemployment: A revisitation of
Okun’s law. The Quarterly Review of Economics and Finance, 42(1), 95-113.
Greene, W. H. (2008). The econometric approach to efficiency analysis. The measurement of productive
efficiency and productivity growth, 92-250.
Greene, W. H. (1990). A gamma-distributed stochastic frontier model. Journal of econometrics, 46(1),
141-163.
Hedstrom, P., Kolm, A. S., & Aberg, Y. (2003). Social interactions and unemployment.
31
Hodrick, R. J., & Prescott, E. C. (1997). Postwar US business cycles: an empirical investigation. Journal
of Money, credit, and Banking, 1-16.
Hodrick, R. J., & Prescott, E. C. (1980), “Postwar U.S. Business Cycles: An Empirical Investigation,”
Carnegie Mellon University discussion paper no. 451.
Hofler, R. A., & Murphy, K. J. (1989). Using a composed error model to estimate the frictional and
excess‐supply components of unemployment. Journal of Regional Science, 29(2), 213-228.
Huertas, I. P. M., Hernández, F. N., & Ibáñez, C. U. (2006). Persistencia del desempleo regional: El caso
del sur de España. Revista de Economía Laboral,3(1), 46-57.
Ioannides, Y. M., & Datcher Loury, L. (2004). Job information networks, neighborhood effects, and
inequality. Journal of economic literature, 42(4), 1056-1093.
Jimeno, J. F., & Bentolila, S. (1998). Regional unemployment persistence (Spain, 1976–1994). Labour
Economics, 5(1), 25-51.
Johnson, J. A., & Kneebone, R. D. (1991). Deriving natural rates of unemployment for sub-national
regions: the case of Canadian provinces. Applied Economics, 23(8), 1305-1314.
Jondrow, J., Lovell, C. K., Materov, I. S., & Schmidt, P. (1982). On the estimation of technical
inefficiency in the stochastic frontier production function model. Journal of econometrics, 19(2-3), 233-
238.
Kondo, K. (2015). Spatial persistence of Japanese unemployment rates. Japan and the World
Economy, 36, 113-122.
Krugman, P., Wells, R. y Graddy, K. (2016). Fundamentos de Economia (2ª ed.). Reverté, S., 2012.
Kumbhakar, S. C., & Lovell, C. A. (2000). Knox (2000) Stochastic Frontier Analysis.
Lázaro, N., Moltó, M., & Sánchez, R. (2000). Unemployment determinants for women in
Spain. Labour, 14(1), 53-77.
Lin, X. (2010). Identifying peer effects in student academic achievement by spatial autoregressive models
with group unobservables. Journal of Labor Economics, 28(4), 825-860.
Lippman, S. A., & McCall, J. J. (1976a). The Economics of Job Search: A Survey: Part I. Economic
Inquiry, 14, 155-189.
Lippman, S. A., & McCall, J. J. (1976b). The Economics of Job Search: A Survey: Part II. Economic
Inquiry, 14, 347–368
López‐Bazo, E., & Motellón, E. (2013). The regional distribution of unemployment: What do micro‐data
tell us?. Papers in Regional Science,92(2), 383-405.
López-Bazo, E., & Motellón, E. (2012). Human capital and regional wage gaps.Regional Studies, 46(10),
1347-1365.
López‐Bazo, E., Barrio, T. D., & Artís, M. (2005). Geographical distribution of unemployment in
Spain. Regional Studies, 39(3), 305-318.
López‐Bazo, E., Barrio, T. D., & Artis, M. (2002). The regional distribution of Spanish unemployment: A
spatial analysis. Papers in Regional Science, 81(3), 365-389.
Maguire, S., Cockx, B., Dolado, J. J., Felgueroso, F., Jansen, M., Styczyńska, I., ... & Rinne, U. (2013).
Youth unemployment. Intereconomics, 48(4), 196-235.
32
Marston, S. T. (1985). Two views of the geographic distribution of unemployment. The Quarterly
Journal of Economics, 57-79.
Martin, R. (1997). Regional unemployment disparities and their dynamics.Regional Studies, 31(3), 237-
252.
Maza, A., & Moral-Arce, I. (2006). An analysis of wage flexibility: Evidence from the Spanish
regions. The Annals of Regional Science, 40(3), 621-637.
Maza, A., & Villaverde, J. (2009). Provincial wages in Spain: convergence and flexibility. Urban
Studies, 46(9), 1969-1993.
McCall, J. J. (1970). Economics of information and job search. Quarterly Journal of Economics, 84, 113-
126.
Meeusen, W., & Van den Broeck, J. (1977). Efficiency estimation from Cobb-Douglas production
functions with composed error. International economic review, 435-444.
Moran, P. A. (1950). Notes on continuous stochastic phenomena. Biometrika,37(1/2), 17-23.
Moran, P. A. (1948). The interpretation of statistical maps. Journal of the Royal Statistical Society. Series
B (Methodological), 10(2), 243-251.
Moreno, R y Vaya, E. (2002): “Econometría espacial. Nuevas técnicas para el análisis regional. Una
aplicación a las regiones europeas”. Investigaciones Regionales, 1, 83-106.
Mortensen, D. T., & Pissarides, C. A. (1999). New developments in models of search in the labor market.
Handbook of Labor Economics, 3, 2567-2627.
Mortensen, D. T. (1986). Job search and labor market analysis. Handbook of Labor Economics, 2, 849-
919.
Mortensen, D. T. (1970). Job search, the duration of unemployment, and the Phillips curve. American
Economic Review, 60, 847-862.
Murphy, K. J., & Payne, J. E. (2003). Explaining change in the natural rate of unemployment: A regional
approach. The Quarterly Review of Economics and Finance, 43(2), 345-368.
Nickell, S., & Bell, B. (1996). Changes in the Distribution of Wages and Unemployment in OECD
Countries. The American Economic Review, 86(2), 302-308.
Oesch, D. (2010). What explains high unemployment among low-skilled workers? Evidence from 21
OECD countries. European Journal of Industrial Relations, 16(1), 39-55.
Overman, H. G., & Puga, D. (2002). Unemployment clusters across Europe's regions and
countries. Economic policy, 17(34), 115-148.
Patacchini, E., & Zenou, Y. (2007). Spatial dependence in local unemployment rates. Journal of
Economic Geography.
Revoredo-Giha, C., Milne, C. E., Leat, P. M., & Cho, W. J. (2009). Efficiency of Scottish Farms: A
Stochastic Cost Frontier Analysis1. Agricultural Economics Review, 10(2), 17.
Rogerson, R. (1997). Theory ahead of language in the economics of unemployment. The Journal of
Economic Perspectives, 11(1), 73-92.
Romero-Ávila, D., & Usabiaga, C. (2008). On the persistence of Spanish unemployment rates. Empirical
Economics, 35(1), 77-99.
33
Sav, G. T. (2012). For-Profit College Entry and Cost Efficiency: Stochastic Frontier Estimates vs Two-
Year Public and Non-Profit Colleges. International Business Research, 5(3), 26.
Simón, H. J., Ramos, R., & Sanroma, E. (2006). Collective bargaining and regional wage differences in
Spain: An empirical analysis. Applied Economics,38(15), 1749-1760.
Stevenson, R. E. (1980). Likelihood functions for generalized stochastic frontier estimation. Journal of
econometrics, 13(1), 57-66.
Summers, L. H., Abraham, K. G., & Wachter, M. L. (1986). Why is the unemployment rate so very high
near full employment?. Brookings Papers on Economic Activity, 1986(2), 339-396.
Tassinopoulos, A. and Werner, H. (1999) To move or not to move: migration in the European Union
(IAB Labour Market Research Topics 35), Neurenberg: IAB.
Tatsiramos, K., & van Ours, J. (2012). Labor market effects of unemployment insurance design.
Discussion Paper Series No. 6950. Institute for the Study of Labor (IZA).
Tatsiramos, K., & Ours, J. C. (2014). Labor market effects of unemployment insurance design. Journal of
Economic Surveys, 28, 284-311.
Tobin, J. (1997). Supply constraints on employment and output: NAIRU versus natural rate. Cowles
Foundation paper no. 1150.
Topa, G., & Zenou, Y. (2015). Neighborhood and network effects. Handbook of Regional and Urban
Economics, 5, 561-624.
Topa, G. (2001). Social interactions, local spillovers and unemployment. The Review of Economic
Studies, 68(2), 261-295.
Warren Jr, R. S. (1991). The estimation of frictional unemployment: a stochastic frontier approach. The
Review of Economics and Statistics, 373-377.
34
APÉNDICE
CUADRO A1.- Descripción de variables y fuentes de datos.
Variable Definición Fuente
Tasa de desempleo de la región i en el año t
(𝑇𝑇𝐷𝐷𝑖𝑖𝑡𝑡)
𝑇𝑇𝐷𝐷𝑖𝑖𝑡𝑡 = 𝐷𝐷𝑖𝑖𝑡𝑡𝑅𝑅𝐷𝐷𝑖𝑖𝑡𝑡
∗ 100
𝐷𝐷𝑖𝑖𝑡𝑡 : Desempleados totales en la región i en el año t.
𝑅𝑅𝐷𝐷𝑖𝑖𝑡𝑡 : Población activa total en la región i en el año t.
Encuesta de Población Activa (EPA), elaborada por el Instituto
Nacional de Estadística (INE)
Ocupados en el sector agrícola de la región i en el año t
(𝐷𝐷𝐴𝐴𝐴𝐴𝑖𝑖𝑖𝑖𝑡𝑡)
𝐷𝐷𝐴𝐴𝐴𝐴𝑖𝑖𝑖𝑖𝑡𝑡 = 𝐷𝐷𝐴𝐴𝑅𝑅𝐼𝐼𝑖𝑖𝑡𝑡𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡
∗ 100
𝐷𝐷𝐴𝐴𝑅𝑅𝐼𝐼𝑖𝑖𝑡𝑡: Ocupados totales en el sector agrícola en la región i en el año t.
𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡: Ocupados totales en la región i en el año t.
Instituto Valenciano de Investigaciones Económicas
(IVIE)
Ocupados en el sector industrial de la región i en el
año t (𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖𝑡𝑡)
𝐼𝐼𝐼𝐼𝐼𝐼𝑖𝑖𝑡𝑡 = 𝐼𝐼𝑁𝑁𝐷𝐷𝑖𝑖𝑡𝑡𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡
∗ 100
𝐼𝐼𝑁𝑁𝐷𝐷𝑖𝑖𝑡𝑡: Ocupados totales en el sector industrial en la región i en el año t.
𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡: Ocupados totales en la región i en el año t.
Instituto Valenciano de Investigaciones Económicas
(IVIE)
Ocupados en el sector servicios de la región i en el
año t (𝑆𝑆𝑆𝑆𝐴𝐴𝑣𝑣𝑖𝑖𝑡𝑡)
𝑆𝑆𝑆𝑆𝐴𝐴𝑣𝑣𝑖𝑖𝑡𝑡 = 𝑆𝑆𝑆𝑆𝑅𝑅𝑆𝑆𝑖𝑖𝑡𝑡𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡
∗ 100
𝑆𝑆𝑆𝑆𝑅𝑅𝑆𝑆𝑖𝑖𝑡𝑡: Ocupados totales en el sector servicios en la región i en el año t.
𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡: Ocupados totales en la región i en el año t.
Instituto Valenciano de Investigaciones Económicas
(IVIE)
Tasa de actividad de las mujeres de la región i en el
año t (𝑇𝑇𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡)
𝑇𝑇𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡 = 𝑅𝑅𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡
𝑅𝑅𝑂𝑂𝐵𝐵 16 − 65𝑖𝑖𝑡𝑡∗ 100
𝑅𝑅𝐷𝐷𝑇𝑇𝑖𝑖𝑡𝑡 : Población activa total femenina en la región i en el año t
.𝑅𝑅𝐷𝐷𝑖𝑖𝑡𝑡 : Población femenina en edad de trabajar en la región i en el año t.
Encuesta de Población Activa (EPA), elaborada por el Instituto
Nacional de Estadística (INE)
Ratio de la población joven de la región i en el año t
(𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡)
𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡 = 𝐽𝐽𝑂𝑂𝑆𝑆𝑖𝑖𝑡𝑡𝑅𝑅𝑂𝑂𝐵𝐵𝑖𝑖𝑡𝑡
∗ 100
𝐽𝐽𝑂𝑂𝑆𝑆𝑖𝑖𝑡𝑡 : Población total de 16 a 24 años en la región i en el periodo t.
𝑅𝑅𝐷𝐷𝑖𝑖𝑡𝑡 : Población total en la región i en el año t.
Encuesta de Población Activa (EPA), elaborada por el Instituto
Nacional de Estadística (INE)
Ocupados que poseen bachillerato superior
(𝐵𝐵𝐵𝐵𝐵𝐵ℎ𝑖𝑖𝑡𝑡)
𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡 = 𝐵𝐵𝐵𝐵𝐵𝐵ℎ𝑖𝑖𝑡𝑡𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡
∗ 100
𝐵𝐵𝐵𝐵𝐵𝐵ℎ𝑖𝑖𝑡𝑡 : Ocupados que poseen el título de Bachiller Superior en la región i en
el periodo t. 𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡: Ocupados totales en la región i en
el año t.
Instituto Valenciano de Investigaciones Económicas
(IVIE)
Ocupados que poseen educación superior
(𝑆𝑆𝑢𝑢𝑆𝑆𝑖𝑖𝑡𝑡)
𝑅𝑅𝑅𝑅𝐽𝐽𝑖𝑖𝑡𝑡 = 𝑆𝑆𝑢𝑢𝑆𝑆𝑖𝑖𝑡𝑡𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡
∗ 100
𝑆𝑆𝑢𝑢𝑆𝑆𝑖𝑖𝑡𝑡 : Ocupados que poseen estudios superiores en la región i en el periodo t. 𝑂𝑂𝑂𝑂𝑖𝑖𝑡𝑡: Ocupados totales en la región i en
el año t.
Instituto Valenciano de Investigaciones Económicas
(IVIE)
35
CUADRO A2.- Valor Medio y desviación de las variables utilizadas en la estimación.
TD TAM RPJ Agri Ind Serv Bach Sup
Álava 13.40 43.71 13.94 4.41 34.93 53.49 18.41 9.76 4.72 8.19 3.30 2.55 4.56 6.49 2.29 3.80
Albacete 18.11 37.91 15.04 13.19 19.31 56.16 29.87 6.76 6.84 8.49 2.21 6.74 3.06 7.82 6.88 3.80
Alicante 18.00 43.14 14.58 6.10 23.89 59.33 30.31 6.57 5.54 5.00 2.69 2.75 5.46 6.82 7.14 3.41
Almería 18.86 41.16 15.96 25.03 6.09 56.64 23.10 6.44 6.78 10.74 2.23 7.11 1.40 6.48 6.08 2.33
Asturias 15.99 35.93 12.63 11.36 16.37 58.11 22.29 8.15 4.59 5.37 2.72 6.31 2.22 9.55 4.99 3.45
Ávila 14.67 31.60 12.62 18.85 11.68 54.46 28.09 6.14 5.18 7.33 2.00 8.44 2.18 6.47 8.64 2.42
Badajoz 26.34 34.08 14.97 17.33 10.18 59.82 30.55 6.27 6.88 8.25 1.79 5.75 1.05 5.71 11.17 2.63
Balears (Illes) 12.31 46.17 14.15 3.54 11.55 71.10 30.08 6.41 4.70 8.88 2.34 2.49 4.14 6.26 6.64 2.16
Barcelona 15.98 45.34 13.90 1.19 30.16 59.81 24.09 10.91 6.08 8.02 2.93 0.31 7.01 6.78 2.39 3.69
Burgos 12.88 37.92 13.10 11.04 25.91 53.21 20.97 7.70 3.80 8.24 2.50 5.65 2.07 5.53 3.04 3.01
Cáceres 19.95 34.49 14.09 18.65 8.96 56.93 28.01 6.27 5.12 6.41 2.02 9.10 1.03 7.76 11.74 2.79
Cádiz 30.52 35.38 16.48 9.05 12.66 65.76 21.60 6.98 7.52 8.83 2.79 4.05 3.41 7.04 5.58 2.71
Cantabria 15.17 37.61 13.55 10.48 20.02 58.04 24.52 8.28 5.08 7.25 2.71 6.28 2.88 8.03 4.66 3.24
Castellón 12.06 41.85 13.96 10.68 26.37 52.24 32.56 6.36 6.00 7.59 2.22 5.94 3.57 6.77 10.48 2.74
Ciudad Real 16.49 31.68 14.61 13.21 15.16 54.56 28.08 6.29 5.28 7.88 1.71 5.43 1.72 6.16 6.63 2.85
Córdoba 26.33 35.34 15.18 15.69 15.02 58.29 25.47 7.32 6.05 8.83 2.07 4.59 2.08 5.90 6.94 2.97
Coruña (A) 14.28 40.74 13.45 17.40 15.27 55.73 22.42 8.70 3.36 5.50 2.81 10.16 1.73 8.82 8.07 5.02
Cuenca 12.70 28.94 13.17 25.90 12.51 48.45 28.96 4.58 4.20 7.43 1.82 10.46 1.73 8.11 7.83 2.06
Girona 10.79 49.72 13.56 6.19 23.63 57.55 32.37 6.93 4.66 6.39 2.21 2.73 4.25 6.10 7.95 2.91
Granada 24.93 35.30 15.61 13.43 9.60 64.77 24.13 10.15 6.70 8.48 2.47 4.79 1.45 6.02 5.07 4.25
Guadalajara 13.21 36.02 13.15 8.78 18.56 58.46 18.38 9.14 4.35 11.42 1.96 4.52 4.03 9.02 5.19 3.43
Guipúzcoa 13.84 42.21 13.51 2.68 32.69 56.95 17.97 11.01 6.44 7.17 3.53 1.49 5.36 6.53 2.14 5.28
Huelva 25.81 35.65 15.57 17.31 13.10 56.21 26.69 5.29 6.74 9.29 2.29 2.81 4.34 6.30 9.59 2.68
Huesca 9.06 36.68 12.14 17.49 17.00 53.21 24.95 7.16 3.26 9.01 1.82 6.23 1.95 7.17 5.55 2.87
Jaén 24.09 32.27 15.36 18.67 16.34 53.96 28.05 6.23 6.24 7.90 1.90 6.19 3.45 7.77 6.68 3.18
León 14.61 36.67 12.81 15.99 11.78 56.18 23.90 7.37 3.95 4.26 2.37 9.90 1.56 10.36 5.15 2.93
36
Cuadro A2 (continuación)
Lleida 7.28 40.77 12.97 15.80 15.86 55.36 20.86 7.18 3.49 8.46 1.99 6.10 1.93 6.18 5.41 2.87
Lugo 10.24 45.04 11.60 37.87 10.49 42.90 25.64 5.28 3.19 3.19 1.75 14.45 1.84 11.62 9.55 3.08
Madrid 13.85 43.61 14.70 0.96 15.94 73.58 20.42 17.46 5.05 10.39 3.09 0.24 4.97 4.96 1.39 5.68
Málaga 25.25 39.40 15.34 6.44 8.99 71.19 26.64 7.38 8.04 7.16 2.73 2.91 2.64 5.80 6.17 2.73
Murcia 17.30 40.23 15.86 13.96 17.60 56.95 26.26 7.52 5.83 7.70 2.63 2.99 3.54 5.08 4.98 3.07
Navarra 10.83 40.98 13.59 7.38 29.42 53.58 22.50 10.37 4.30 8.80 2.69 3.09 3.29 5.26 1.99 3.78
Ourense 12.08 42.36 11.73 25.53 14.79 48.32 21.05 6.32 4.51 3.09 1.99 17.78 3.35 13.93 8.62 3.62
Palencia 14.91 34.06 13.00 13.83 18.87 55.48 19.80 7.05 5.05 7.64 2.15 4.30 1.72 5.75 3.90 2.37
Palmas (Las) 20.93 43.46 16.47 6.11 7.32 74.93 25.45 6.43 7.33 8.18 3.53 3.24 2.66 6.18 5.52 2.15
Pontevedra 16.37 44.05 14.59 18.13 20.19 51.20 27.55 6.55 4.13 3.40 3.00 10.46 1.48 9.57 8.40 3.48
Rioja (La) 11.39 37.62 13.29 10.45 29.64 50.33 21.98 8.50 4.36 9.30 2.20 4.21 3.20 5.81 4.79 3.32
Salamanca 18.26 35.75 13.39 13.60 11.32 62.75 21.24 11.19 5.15 7.72 2.57 6.87 1.94 7.38 5.43 5.46
S C Tenerife 19.83 42.37 15.60 7.83 6.45 72.43 23.20 8.54 6.11 7.82 3.17 4.03 1.05 5.37 4.17 2.99
Segovia 11.36 38.48 13.25 16.94 15.39 56.19 22.17 8.79 3.22 6.66 2.31 7.24 2.07 7.05 4.16 3.41
Sevilla 26.04 37.91 15.97 9.30 13.21 67.18 26.52 10.09 6.89 8.98 2.83 3.99 2.57 6.23 5.77 3.85
Soria 8.64 36.23 11.91 17.59 21.21 50.94 26.81 7.53 2.90 9.04 1.89 6.88 2.24 4.54 10.36 2.10
Tarragona 12.75 43.46 13.83 9.62 18.32 56.72 25.56 6.92 4.45 8.39 2.35 4.55 1.70 5.97 3.21 2.57
Teruel 9.29 32.77 11.87 18.26 18.26 47.48 25.12 5.90 3.65 9.42 1.29 6.65 2.03 6.66 6.83 2.28
Toledo 13.85 35.01 14.14 11.68 23.82 49.41 29.52 5.65 5.10 10.06 1.79 6.81 3.82 9.07 7.67 2.83
Valencia 17.14 41.29 14.41 6.14 23.18 60.30 27.88 9.30 5.76 8.58 2.73 3.31 4.62 6.49 5.54 3.76
Valladolid 18.18 39.47 14.26 6.75 22.17 60.19 21.81 10.08 5.86 8.66 3.35 3.29 4.39 7.17 3.75 4.04
Vizcaya 17.44 40.53 13.47 2.31 24.42 63.69 19.85 14.25 6.15 7.01 3.41 1.30 5.20 5.95 1.38 4.67
Zamora 16.28 28.99 12.07 25.17 10.12 51.96 18.60 6.35 4.51 5.54 1.91 9.56 2.10 6.80 4.47 2.08
Zaragoza 12.69 40.01 13.22 6.93 25.15 59.36 21.32 10.21 5.15 8.19 2.46 3.31 3.32 5.44 2.21 4.10
Total 16.25 38.63 13.95 12.84 17.62 57.64 24.67 7.96 7.48 8.99 2.74 9.69 7.65 9.84 7.34 4.04
Fuente: Elaboración propia a partir de la información proporcionada por la INE y el IVIE. El primer valor de la columna hace referencia al valor medio y el segundo a la desviación estándar.
37
CUADRO A3.- Especificaciones econométricas
Especificación 1 Especificación 2 Especificación 3
C -79.524*** (-18.14)
-104.153*** (-19.81)
-68.237*** (-12.94)
Agri 0.920*** (18.85)
0.906*** (18.56)
0.412*** (7.26)
Ind 0.965*** (15.74)
0.892*** (13.93)
0.419*** (6.47)
Serv 1.206*** (23.55)
1.254*** (23.84)
0.854*** (15.78)
TAM 0.099***
(3.63) 0.063** (2.02)
RPJ 1.045***
(8.52) 1.657*** (11.87)
Bach -0.100***
(-4.00)
Sup -0.325***
(-4.00)
T -0.626***
(-7.65)
T2 0.034*** (15.80)
D2001 -6.535*** (-22.28)
-4.098*** (-9.78)
-6.552*** (-14.46)
Frontera 0.000*** 0.000*** 0.002*** Nº Obs 1450 1450 1450
Notas: La variable dependiente es la tasa de desempleo agregada de cada comunidad autónoma. Todas las estimaciones incluyen a las observaciones de las 50 provincias españolas. “Frontera”, hace referencia al test de máxima verosimilitud para determinar si existe o no frontera. *, ** y *** indican significación al 10%, 5% y 1% respectivamente Entre paréntesis se encuentra el valor correspondiente al estadístico “z”
FIGURA A1.- Gráficos de dispersión globales de Moran (Matriz knn=5)
A) Tasa de desempleo efectiva
-10
12
Spat
ially
lagg
ed td
e198
4
-2 -1 0 1 2tde1984
Wtde1984 Fitted values
(Moran's I=0.5295 and P-value=0.0010)
-10
12
Spat
ially
lagg
ed td
e199
4
-2 -1 0 1 2 3tde1994
Wtde1994 Fitted values
(Moran's I=0.6594 and P-value=0.0010)
38
B) Tasa natural de desempleo
A) Desempleo cíclico
-2-1
01
2Sp
atia
lly la
gged
tde2
004
-2 -1 0 1 2 3tde2004
Wtde2004 Fitted values
(Moran's I=0.6214 and P-value=0.0010)
-2-1
01
2Sp
atia
lly la
gged
tde2
012
-2 -1 0 1 2tde2012
Wtde2012 Fitted values
(Moran's I=0.7841 and P-value=0.0010)
-10
12
Spa
tially
lagg
ed O
AG
RE
G19
84
-2 -1 0 1 2OAGREG1984
WOAGREG1984 Fitted values
(Moran's I=0.7728 and P-value=0.0010)
-10
12
Spat
ially
lagg
ed O
AGRE
G19
94
-2 -1 0 1 2 3OAGREG1994
WOAGREG1994 Fitted values
(Moran's I=0.6820 and P-value=0.0010)
-10
12
Spat
ially
lagg
ed O
AGR
EG20
04
-2 -1 0 1 2OAGREG2004
WOAGREG2004 Fitted values
(Moran's I=0.6896 and P-value=0.0010)
-10
12
Spat
ially
lagge
d OA
GREG
2012
-1 0 1 2 3OAGREG2012
WOAGREG2012 Fitted values
(Moran's I=0.7855 and P-value=0.0010)
-1-.5
0.5
11.
5S
patia
lly la
gged
DA
GR
EG
1984
-1 0 1 2 3 4DAGREG1984
WDAGREG1984 Fitted values
(Moran's I=0.0006 and P-value=0.9940)
-1-.5
0.5
1Sp
atia
lly la
gged
DAG
REG
1994
-2 -1 0 1 2 3DAGREG1994
WDAGREG1994 Fitted values
(Moran's I=0.2310 and P-value=0.0040)
39
FIGURA A2.- Gráficos de dispersión locales de Moran (Matriz knn=5)
A) Tasa de desempleo efectiva
B) Tasa natural de desempleo
-1-.
50
.51
Spa
tially
lagg
ed D
AG
RE
G20
04
-2 -1 0 1 2 3DAGREG2004
WDAGREG2004 Fitted values
(Moran's I=0.2351 and P-value=0.0060)
-1-.5
0.5
11.
5Sp
atia
lly la
gged
DAG
REG
2012
-1 0 1 2 3DAGREG2012
WDAGREG2012 Fitted values
(Moran's I=0.2623 and P-value=0.0010)
1
910
12
1314
15
16
17
18
19 20
2122
232425
2627
29
30
31
34
35
3637
38
40
41 44
45
47
50
5153
54
55
56
23
4
5
6
7 8
28
39
4243
46
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1984
1
10
12
13
1415
16
18
1920 21 22 23
2426
27
28
34
35 36
3738
40
414243
44
4550
51535455
56
2
3
4
5
6
7
8
9
17
2529
30
31
39
46 47
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1994
1
4
13
14
15
1618
19
20
2122
23
2426
27
2829
31
3436
3738
40
41
4243 44
45
46
5153 54
55
56
23
5
6
7 8
9
10
12
1725
30 35
3947
50
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2004
10
14
16
17
18
192122
23
2426
2728
2930
31
34
36
37
38
40
414243
44
45
55
56 1
23 45 6
78
9
1213
15
20
25
35
3946
47
5051
53 54
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2012
16
10
12
13
1415
16
17
18
192021
2223
24 2627
28
2931
34
3536
3738
40
414243
4445
51535455
56
2
34
5
7
8
92530
39
4647
50
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1994
1
10
12
13
14
15
16
17
18 19202122
23
24
25
2627
28
3435
36
3738
40
4144
50
51535455
56
2
34
5
6
78
9
2930
31
39
42
43
45
4647
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1984
40
C) Desempleo cíclico
1
9
12
13
14
15
16
17
18
19 20
212223
26
27
28
34
35 36
38
40
4142 4344
45
46 47
515354
55
56
2
3
4
5
6
78
10 242529
30
31
37
39
50
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2004
1
10
13
14
15
16
17
1819
20
2122
23
24 2627
2829 31
34 36
3738
40
4142 43 44
4554
55
56
2
3
4
5
6
78
912
2530
35
39
4647
505153
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2012
1 2
3
4
5
6
7
8
9
10
12
13
141518
1920
2122
23
2425
26
27
28
29
31
34
35
36
37
38
3940 4142
43 44
46
47 50
51
5354
55
56
16
17
30
45
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1984
2
3
45
6
8
1012
13
15
16
17
18
1920
21
22
24
25
26
34
35
3637
384142
43
4447
505153
54
55
56
1
7
9
14
23
27
2829
30
31
39
40
45
46
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
1994
23 7
9
10
12
13
14
15 16
1718
20
2122
23 24
25
2627
28
29
30
3134
35
36
37
38
4041
42
4344
45
46 47
50
51
5354
55561
4 5
6
8
19
39
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2004
23
4
5
6
78
9
10
12
1415
16
17
18
19
20
22
23
24
25
26
27
28
293031
34
35
37
38
39
40
414243
44
45
4647
5051
53
55
1
1321
36
54
56
-1.5
-.5
.5
1.5
2.5
3.5
4.5
Wz
-1.5 -.5 .5 1.5 2.5 3.5 4.5 5.5z
2012
