Eficiencia técnica y convergencia en la región del eje cafetero (2011) - Omar Montoya Suárez

EFICIENCIA TÉCNICA Y CONVERGENCIA EN LA REGIÓN DEL EJE CAFETERO

Un análisis de frontera de producción

EFICIENCIA TÉCNICA Y CONVERGENCIA EN LA REGIÓN DEL EJE CAFETERO

Un análisis de frontera de producción

OMAR MONTOYA SUÁREZ Grupo de Investigación en Economía y Tecnología (GIECOTEC)

Universidad Tecnológica de Pereira, Colombia

Universidad Tecnológica de Pereira

Esta obra es resultado del proyecto de investigación titulado “Eficiencia Técnica y Convergencia en la Región del Eje Cafetero”, financiado por la Vicerrectoría de Investigaciones, Innovación y Extensión de la Universidad Tecnológica de Pereira, Colombia. Primera Edición: 2011 © Omar Montoya Suárez, 2011 [email protected] [email protected] © Universidad Tecnológica de Pereira, Colombia, 2011 Apartado Aéreo 097 Pereira Tel: 3137300 - 3137139 www.utp.edu.co ISBN: 978-958-722-121-3 Carátula y armada electrónica Omar Montoya Suárez Impreso por: Publiprint Ltda. C.C. La Popa, Dosquebradas, Colombia Impreso en Colombia-Printed in Colombia

Todos los derechos reservados. Esta publicación no puede ser reproducida, ni en su todo ni en sus partes, ni registrada en o transmitida por un sistema de recuperación de información, en ninguna forma ni por ningún medio, sea mecánico, fotoquímico, electrónico, magnético, electroóptico, por fotocopia o cualquier otro, sin el permiso previo por escrito de la Universidad Tecnológica de Pereira, Colombia.

Eficiencia técnica y convergencia en la Región del Eje Cafetero. Un análisis de frontera de producción/ Omar Montoya Suárez. – Dosquebradas (Colombia): Publiprint Ltda.; Pereira (Colombia): Universidad Tecnológica de Pereira, 2011.

167 p.

ISBN 978-958-722-121-3

1. Eficiencia Técnica; Convergencia; Eje Cafetero; Frontera de producción.

Para Claudia y Valeria

6

TABLA DE CONTENIDO

LISTADO DE TABLAS ............................................................................................................................. 8

LISTADO DE GRÁFICOS ...................................................................................................................... 10

INTRODUCCIÓN ..................................................................................................................................... 12

CAPÍTULO PRIMERO .............................................................................................................................. 17

EFICIENCIA TÉCNICA, CONVERGENCIA Y DIVERGENCIA: PERSPECTIVAS TEÓRICAS ....... 17

1.1. ANTECEDENTES DE LA INVESTIGACIÓN ............................................................................................... 17 1.1.1. Departamento de Risaralda ............................................................................................ 17 1.1.2. Departamento de Caldas: ................................................................................................ 19 1.1.3. Departamento del Quindío .............................................................................................. 19 1.1.4. Eje Cafetero ........................................................................................................................ 19 1.1.5. Departamentos de Antioquia, Tolima y Valle del Cauca ......................................... 20

1.2. PERSPECTIVAS TEÓRICAS .............................................................................................................. 21 1.2.1. Concepto de eficiencia ....................................................................................................... 21 1.2.2. Estudios de fronteras de producción ................................................................................ 26 1.2.3. Las técnicas de estimación de los parámetros de una frontera de producción

paramétrica ............................................................................................................................................ 33 1.2.4. Utilización de datos de panel en el modelo econométrico ............................................ 38

1.3. EL CONCEPTO DE CONVERGENCIA ................................................................................................. 40

CAPÍTULO SEGUNDO ........................................................................................................................... 43

ANÁLISIS DESCRIPTIVO DE LA ECONOMÍA DEL EJE CAFETERO ............................................. 43

2.1. EL CONTEXTO INTERNACIONAL DE LA ECONOMÍA DEL EJE CAFETERO ........................................ 44 2.1.1. Monetarismo Neoliberal vs. Keynesianismo ................................................................... 44 2.1.2. Bosquejo general de la crisis actual del capitalismo mundial ....................................... 48

2.2. PANORAMA GENERAL DEL COMPORTAMIENTO DE LA ECONOMÍA DE LOS DEPARTAMENTOS DEL

EJE CAFETERO ............................................................................................................................................ 50 2.2.1. Volatilidad del ciclo económico y de la serie tendencial del PIB de las economías del

Eje Cafetero ........................................................................................................................................... 55 2.2.2. Cambios en la estructura sectorial de las economías del Eje Cafetero ...................... 67 2.2.3. Participación de los sectores “genuinos” y “espurios” en el valor agregado de las

actividades terciarias ............................................................................................................................ 71 2.2.4. Comportamiento de los componentes del sector agropecuario ................................... 75 2.2.5. Balanza comercial Departamentos del Eje Cafetero ..................................................... 78 2.2.6. Conclusiones ........................................................................................................................ 81

CAPÍTULO TERCERO ........................................................................................................................... 83

7

EFICIENCIA TÉCNICA DE LOS DEPARTAMENTOS DEL EJE CAFETERO Y DE LOS DEPARTAMENTOS DE ANTIOQUIA, TOLIMA Y VALLE DEL CAUCA: EXPLICACIÓN Y

FORMULACIÓN DE LOS MODELOS TEÓRICOS Y EMPÍRICOS .................................................... 83

3.1. LA FUNCIÓN DE PRODUCCIÓN: MODELO TEÓRICO ......................................................................... 83 3.1.1. Frontera paramétrica estocástica con datos de panel ................................................... 83 3.1.2. Modelo teórico de los Efectos de Ineficiencia uit ................................................................... 88

3.2. LA FUNCIÓN DE PRODUCCIÓN EMPÍRICA, DATOS Y DEFINICIÓN DE VARIABLES .................................. 95 3.2.1. Selección de variables .............................................................................................................. 95 3.2.2. Correlación de las variables que no entraron en el modelo con las variables

seleccionadas ........................................................................................................................................ 98 3.2.3. Resumen estadístico de las variables seleccionadas .......................................................... 98

3.3. EL MÉTODO DE ESTIMACIÓN: MCOM Y MV: UN ANÁLISIS COMPARADO .................................... 100

CAPÍTULO CUARTO ............................................................................................................................ 103

RESULTADOS Y ANÁLISIS ................................................................................................................ 103

4.1. ESTIMACIÓN DEL MODELO PARAMÉTRICO ................................................................................... 103 4.1.1. Pruebas de hipótesis ...................................................................................................... 106 4.1.2. Elasticidades (productividades marginales) ............................................................ 111 4.1.3. Relaciones marginales de sustitución ............................................................................. 114 4.1.4. Rendimientos a escala ............................................................................................................ 115

4.2. EVOLUCIÓN DE LA EFICIENCIA TÉCNICA ....................................................................................... 116 4.2.1. Tendencia global de la eficiencia técnica en la economía de los departamentos

durante el período de estudio ........................................................................................................... 117 4.2.2. Tendencia de la eficiencia técnica por grupos de departamentos ............................. 119 4.2.3. Eficiencia técnica promedio simple estimada para cada uno de los departamentos

seleccionados ...................................................................................................................................... 121 4.2.4. Eficiencia técnica y tamaño de los departamentos ...................................................... 123

CAPÍTULO QUINTO ............................................................................................................................. 126

CONVERGENCIA Y CRECIMIENTO ECONÓMICO EN LOS DEPARTAMENTOS CAFETEROS:

DISPARIDADES EN EFICIENCIA TÉCNICA ..................................................................................... 126

5.1. CONVERGENCIA Σ ............................................................................................................................... 127 5.2. CONVERGENCIA Β .............................................................................................................................. 129

CONCLUSIONES Y RECOMENDACIONES ...................................................................................... 136

BIBLIOGRAFIA ..................................................................................................................................... 146

ANEXOS ................................................................................................................................................ 157

8

LISTADO DE TABLAS Tabla 1. Estudios según el tipo de metodología utilizada .......................................................... 20 Tabla 2Ventajas y Desventajas de los Modelos de Eficiencia utilizados en el trabajo ......... 33 Tabla 3. Enfoques y técnicas para medir la eficiencia técnica .................................................. 36 Tabla 4. Desviación estándar serie completa PIB a precios constantes de 1994 ............... 54 Tabla 5. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB

Real del departamento de Caldas ............................................................................................... 59 Tabla 6. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB

Real del departamento de Quindío .............................................................................................. 59 Tabla 7. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB

Real del departamento de Risaralda ........................................................................................... 60 Tabla 8. Volatilidad del componente cíclico del PIB real departamentos del Eje cafetero . 64 Tabla 9. Desviación estándar (Ciclo económico) PIB departamentos .................................... 64 Tabla 10. Correlaciones sectores departamento de Caldas .................................................... 70 Tabla 11. Correlaciones sectores departamento del Quindío ................................................... 70 Tabla 12. Correlaciones sectores departamento de Risaralda ................................................ 70 Tabla 13. Correlaciones sectores de servicios-comercio y sectores reales .......................... 75 Tabla 14. Variables fronteras de producción estocástica ......................................................... 96 Tabla 15. Variables para la función de efectos de ineficiencia ................................................. 96 Tabla 16.Correlaciones con el PIB variables del modelo Departamentos Eje Cafetero y

departamentos de Antioquia, Tolima y Valle del Cauca (Correlación de Pearson) ............. 97 Tabla 17. Resumen estadístico de las variables (inputs) departamento de Caldas ........... 99 Tabla 18. Resumen estadístico de las variables (inputs) departamento de Quindío .......... 99 Tabla 19. Resumen estadístico de las variables (inputs) departamento de Risaralda ........ 99 Tabla 20. Resumen estadístico de las variables (inputs) departamento de Antioquia ....... 99 Tabla 21. Resumen estadístico de las variables (inputs) departamento de Tolima ............ 99 Tabla 22. Resumen estadístico de las variables (inputs) departamento del Valle del Cauca

........................................................................................................................................................... 99 Tabla 23. Resumen estadístico de las variables (inputs) todos los departamentos ............ 99 Tabla 24. Estimación por máxima-verosimilitud frontera de producción estocástica

translog. con estimación de efectos de ineficiencia ................................................................ 103 Tabla 25. Estimación por máxima-verosimilitud frontera de producción estocástica

translog. sin estimación de efectos de ineficiencia, μ y η estimados ................................... 104 Tabla 26. Estimación por máxima-verosimilitud frontera de producción estocástica translog

η = 0 ................................................................................................................................................ 104 Tabla 27. Estimación por máxima-verosimilitud frontera de producción estocástica translog

μ = 0 ................................................................................................................................................ 105 Tabla 28. Estimación por máxima-verosimilitud frontera de producción Cobb Douglas con

estimación de efectos de ineficiencia ........................................................................................ 105 Tabla 29. Pruebas de Hipótesis .................................................................................................. 106

9

Tabla 30. Estimación elasticidades promedio output departamentos con respecto a cada

factor de producción ..................................................................................................................... 112 Tabla 31. Elasticidades promedio por departamento y por factor de producción ............... 113 Tabla 32. Relación marginal de sustitución técnica (RMS) entre los insumos para el total

de departamentos ......................................................................................................................... 114 Tabla 33. Tasa Marginal de Sustitución de los insumos para cada departamento .......... 115 Tabla 34. Resumen eficiencia técnica por departamento ........................................................ 116 Tabla 35. Eficiencia técnica promedio estimada (ponderada) por grupos de departamentos

......................................................................................................................................................... 119 Tabla 36. Eficiencia técnica promedio (simple) estimada para cada uno de los

departamentos seleccionados .................................................................................................... 122 Tabla 37. Eficiencia técnica y tamaño de los departamentos ................................................ 123 Tabla 38. Dispersión de la Eficiencia técnica promedio por departamento ......................... 129

Tabla 39. Convergencia General departamentos .................................................................... 130 Tabla 40. Convergencia β Departamentos Eje Cafetero ........................................................ 131 Tabla 41. Convergencia β Antioquia, Tolima y Valle del Cauca ............................................ 131

10

LISTADO DE GRÁFICOS

Gráfico 1. Eficiencia Técnica y Asignativa ................................................................................ 23 Gráfico 2. Conjunto de posibilidades de producción y las diferentes eficiencias (Método DEA) ................................................................................................................................................. 29 Gráfico 3. Lucha entre el monetarismo Neoliberal y el keynesianismo (Fase 1) ................. 45 Gráfico 4. La hegemonía del monetarismo neoliberal (Fase 2) .............................................. 47 Gráfico 5. Ondas largas de Kondratiev ...................................................................................... 48 Gráfico 6. Las curvas de la economía capitalista 1961-2003 ................................................. 49 Gráfico 7. PIB Real Risaralda...................................................................................................... 51 Gráfico 8. PIB Real Quindío ........................................................................................................ 52 Gráfico 9. PIB Real Caldas .......................................................................................................... 52 Gráfico 10. Volatilidad y crecimiento departamentos Eje Cafetero 1980-2008 .................... 55 Gráfico 11 Componente cíclico del PIB real de Caldas y Colombia ...................................... 63 Gráfico 12. Componente cíclico del PIB real de Quindío y de Colombia .............................. 63 Gráfico 13.Componente cíclico del PIB real de Risaralda y de Colombia ............................ 63 Gráfico 14. Tasa de participación sectores en el valor agregado de Caldas........................ 67 Gráfico 15. Tasa de participación sectores en el valor agregado del Quindío ..................... 67 Gráfico 16. Tasa de participación sectores en el valor agregado de Risaralda ................... 68 Gráfico 17. Tipo de terciarización en Caldas (% valor agregado del departamento) .......... 74 Gráfico 18. Tipo de terciarización en Quindío (% valor agregado del departamento) ........ 74 Gráfico 19. Risaralda. Subsectores terciarios genuinos y espurios (% valor agregado del departamento) ................................................................................................................................. 74 Gráfico 20. Caldas. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994) ........................................................................................................... 77 Gráfico 21. Quindío. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994) ........................................................................................................... 77 Gráfico 22. Risaralda. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994) ........................................................................................................... 77 Gráfico 23. Balanza comercial Departamentos del Eje Cafetero con café .......................... 78 Gráfico 24. Balanza comercial Departamentos del Eje Cafetero sin café............................ 78 Gráfico 25. Exportaciones no tradicionales por Departamento Eje Cafetero ...................... 79 Gráfico 26. Exportaciones tradicionales por Departamento Eje Cafetero ............................ 80 Gráfico 27. Importaciones totales departamentos Eje Cafetero ............................................ 80 Gráfico 28. Función de densidad de la distribución seminormal ........................................... 90 Gráfico 29. Función de densidad de la distribución normal truncada .................................... 90 Gráfico 30. Elasticidad promedio por departamento y por factor de producción ............... 113 Gráfico 31. Eficiencia técnica promedio simple (Modelo translogarítmico) ......................... 117

11

Gráfico 32. Promedio simple y promedio ponderado de eficiencia ..................................... 118 Gráfico 33. Eficiencia técnica promedio ponderado general. Translog. .............................. 118 Gráfico 34. Eficiencia técnica promedio ponderado por grupos de departamentos. Translog. ........................................................................................................................................ 119 Gráfico 35. Eficiencia técnica promedio ponderado por grupos de departamentos. Translog ......................................................................................................................................... 120 Gráfico 36. Tasa de crecimiento PIB Eje Cafetero ................................................................. 121 Gráfico 37. Tasa de crecimiento PIB Antioquia, Tolima, Valle del Cauca ........................... 121 Gráfico 38. Ranking de eficiencia técnica por departamento. Translog. ............................. 122 Gráfico 39. Relación tamaño departamentos- Eficiencia técnica ......................................... 123 Gráfico 40. Evolución de la dispersión de la eficiencia técnica departamentos estudiados

......................................................................................................................................................... 128 Gráfico 41. Evolución de la dispersión de la eficiencia técnica Eje Cafetero ....................... 128 Gráfico 42. Evolución de la dispersión de la eficiencia técnica Antioquia, Tolima y Valle del

Cauca ............................................................................................................................................. 128 Gráfico 43. PIB Eje Cafetero ............................................................................................................ 133 Gráfico 44. PIB departamento de Antioquia, Tolima y Valle del Cauca .......................................... 133

12

INTRODUCCIÓN El presente estudio tiene como propósito central realizar estimaciones de eficiencia técnica y Convergencia para las economías de los departamentos de Risaralda, Caldas y Quindío (Eje Cafetero) durante el periodo 1990-2008. A pesar de que el centro del análisis son los departamentos del Eje Cafetero, se han incluido los departamentos de Antioquia, Tolima y Valle del Cauca, departamentos igualmente cafeteros, con el objetivo de realizar análisis comparativos entre cada uno de ellos y entre grupos de departamentos (el Eje Cafetero como grupo 1 y los tres departamentos restantes como grupo 2). Definimos como eficiente al departamento que obtiene el máximo posible de producción habiendo empleado unos recursos dados y como ineficiente a aquel departamento que, usando los mismos recursos, obtiene menos producción que el anterior. Se busca, en concreto, establecer si la tecnología y los diferentes factores productivos utilizados en la producción por los departamentos de la Región del Eje Cafetero y los departamentos de Antioquia, Tolima y Valle del Cauca, están siendo realmente eficientes en la producción y si existe una tendencia hacia la convergencia en eficiencia técnica entre los mismos, lo que daría luces para el entendimiento de las posibilidades de que el proceso de creación y consolidación de la región (en nuestro caso la región del Eje Cafetero, que ha sido el sueño de muchos1) sea viable o no en el corto y mediano plazo. Lo que parece cierto es que las asimetrías desempeñan (o pueden desempeñar) un papel determinante en el curso y en los resultados de los procesos de integración regional (Garay, 2002). El estudio de las simetrías o asimetrías departamentales es de suma importancia si se tienen en cuenta los problemas que han tenido que enfrentar estos departamentos con la globalización y apertura de los mercados: por una parte la competencia interna y por otra la competencia externa, han provocado en estos una debacle que ha iniciado una batalla entre los pequeños y medianos productores y las grandes empresas de los diferentes sectores económicos, batallas que han llevado incluso a serias crisis sectoriales tal y como ocurre en el sector confección, calzado y el sector agropecuario de la región del Eje Cafetero. La globalización también tiene repercusión en la eficiencia regional debido a que la apertura hacia otros mercados presiona hacia la tecnificación y al incremento de la eficiencia para poder afrontar la competencia con competidores internacionales bien organizados y con niveles de eficiencia altos. Sin embargo, el proceso de tecnificación no es tarea fácil para nuestras economías regionales dada la existencia de una serie de factores económicos, sociales, políticos, culturales, institucionales, organizacionales, etc., que, combinados, restringen demasiado este proceso. Es el caso, por ejemplo, de la

1La Región del Eje Cafetero, en particular, reviste de una enorme importancia dado que ha venido siendo centro de reflexión en varias temáticas durante los últimos años por la academia, gobierno, gremios y otras instituciones interesadas. Las temáticas discutidas

abarcan aspectos como el comportamiento de la producción, la productividad, competitividad, desarrollo tecnológico y lo ambiental, entre otros. Se ha empezado a generar consenso en el sentido de que ya no es posible hablar de departamentos aislados sino que se debe hablar de región como estrategia vital para el logro de crecimiento, desarrollo económico e incremento de productividad y competitividad.

13

agricultura de la Región que, con la apertura a otros mercados, ha tenido que luchar por una mayor eficiencia para lograr ser más competitivo, sin que aún lo haya logrado. El comportamiento de la producción y de la productividad de la Región del Eje Cafetero, en comparación con los departamentos de Antioquia, Tolima y Valle del Cauca, desde la óptica de la evolución de su eficiencia técnica, no ha sido analizado hasta el momento. Existen algunos trabajos que abordan el problema individualmente para el departamento de Risaralda (y concretamente para algunos sectores económicos) aplicando la función Coob Douglas con datos transversales2. Para el departamento de Caldas se ha realizado solamente un trabajo con aplicación de la Cobb Douglas pero únicamente para el sector del café3. Para el departamento del Quindío no se encontraron antecedentes investigativos en esta materia. Existen, además, algunos trabajos que abordan la eficiencia técnica de todos los departamentos de Colombia desde el punto de vista de un grupo de empresas más representativas en cada departamento4. Existe, en general, escaso análisis económico-empírico, a través de fronteras de producción, referido a la economía de los departamentos del Eje Cafetero. Esto se relaciona, sin lugar a dudas, entre otros factores, a dificultades de acceso a la información requerida para el análisis.

Los desafíos de política económica pendientes en el eje Cafetero son diversos. Incluyen desde consolidar reglas de acceso a recursos más eficientes, hasta permitir oportunidades económicamente eficientes de desarrollo sectorial bajo entornos de relativa equidad para la diversidad de actores que operan en los diferentes sectores productivos de las economías de los departamentos que conforman la Región. En este contexto de desafíos, la presencia de heterogeneidad productiva en los departamentos suele implicar condicionamientos de importancia. Un ejemplo de esto se observa en los diferentes Planes de Desarrollo Departamental relacionados a esfuerzos económicos, de financiamiento y de regulación para lograr una mayor racionalización económica. En estas materias, contribuiría a lograr avances el entender de mejor forma los motivos por los cuales importantes grados de heterogeneidad productiva perduran en el tiempo. Nuestro análisis se motiva como partícipe de este objetivo genérico. Dada la gran heterogeneidad económica, analizar fuentes de diferencias en los rendimientos de la economía departamentales, debiera proveer información de interés para evaluar diferentes trade-offs económicos que subyacen en los actuales esfuerzos para lograr mayores niveles de eficiencia económica. Este trabajo aborda, pues, aspectos de heterogeneidad productiva centrándose en analizar si las diferencias en los niveles o escalas de operación ayudan a entender las diferencias en los rendimientos productivos estimados para los distintos tipos de economía de los departamentos de la región.

2 Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (1998). Medición de la productividad en la industria

manufacturera de Risaralda. Revista Páginas, No 53. Pereira. Buchelli L., Gerardo y López B., Juan Carlos (1998). Determinantes de la productividad del sector industrial regional. Proyecto de grado, facultad de economía industrial, Universidad Católica Popular del Risaralda. Pereira. Velásquez, Cesar A. y Trujillo, Oscar E. (1998). Medición de la productividad de la Industria manufacturera del Departamento de Risaralda. Proyecto de grado, Facultad de Economía, Universidad Libre de Pereira. 3Bustamante G., F.J. (2001). Determinantes de la productividad del café en el departamento de Caldas. Pereira (Colombia),

Universidad Tecnológica de Pereira. Facultad de Ingeniería Industrial, Tesis: Magister en Administración Económica y Financiera. 4Quintero Otero, Jorge. Competitividad en la industria manufacturera de Cartagena: Un análisis de eficiencia técnica en el

periodo 2001-2004.http://www.ocaribe.org/docs/2009030640_competitividad5.pdf

14

Son tres los pilares en los que se construye este estudio: el primero, medir la eficiencia técnica de los departamentos de la Región del Eje Cafetero (Caldas Quindío y Risaralda) y de los departamentos de Antioquia, Tolima y Valle del Cauca, es decir, si están o no maximizando el desempeño productivo, dada la cantidad de insumos con que cuentan. Segundo, analizar la evolución de ésta eficiencia en el tiempo. Por ejemplo, si un departamento fue ineficiente técnicamente en el año 1, sigue siendo ineficiente o pasa a ser eficiente en el año 2. Tercero, evidenciar si en la Región del Eje Cafetero se está dando el proceso de convergencia en cuanto a eficiencia técnica o si, por el contrario, los departamentos de la región se están dispersando (alejando) cada vez más. Los tres objetivos planteados están vinculados a la aplicación de la función Cobb Douglas Translogarítmica con fronteras estocásticas variante en el tiempo5 y utilizando datos de panel6, cuya regresión arroja, además, los parámetros β que son los que permiten medir la elasticidad insumo-producto y otros indicadores de enorme importancia. En cuanto a la eficiencia técnica, requiere, a partir del error εit arrojado en la regresión de la función de producción, separar de éste sus dos componentes vit (errores aleatorios no controlables) y uit (errores de ineficiencia controlables). Este proceso de separación exige supuestos distribucionales en ambos componentes del error. El indicador de niveles de eficiencia técnica permite identificar la posición relativa de las economías cafeteras respecto a la frontera eficiente a la vez que permite, igualmente, determinar el grado de adopción de innovaciones tecnológicas. Permite, además, disponer de una valiosa información sobre el comportamiento de las economías durante el período analizado y comparar sus resultados. Si las economías no están aprovechando de manera adecuada sus recursos, pueden realizar ajustes económicos que les harán posible incrementar su producción y mejorar su eficiencia7.

El estudio permite identificar también las disparidades existentes entre dichas economías lo que, a partir de un análisis comparado, permite deducir estrategias que aporten a la política económica general de los departamentos de la Región. Además, a partir de estos resultados se podrá identificar los factores que explican la variación de la eficiencia técnica entre los departamentos lo que dará información para el desarrollo de estrategias que permitan hacer aportes para la formulación de la política económica y tecnológica de la región. Por último, este trabajo permitirá, con fundamento en los resultados encontrados, sentar las bases para una posible reorientación de la política económica y tecnológica a nivel departamental y Regional. El trabajo se organiza de la siguiente manera. El capítulo I indaga sobre los antecedentes investigativos, a la vez que hace un breve recorrido teórico por los conceptos de eficiencia técnica y convergencia. El lector impaciente, si tiene algún conocimiento sobre el estado del arte en esta materia, podrá saltarse este punto sin ningún problema. El capítulo II describe aspectos relevantes de la economía de la Región del Eje Cafetero en conjunto y por departamento. El capítulo III presenta el modelo teórico y empírico de frontera estocástica de producción con datos de panel variante en el tiempo, así como los

5 Si el ambiente operacional es competitivo, es difícil aceptar la noción de que la ineficiencia técnica permanece

constante; por esta razón se permite que la ineficiencia varíe entre departamentos y años. 6 El panel de datos utilizado es de seis (6) departamentos y tres “insumos” (factores) por departamento para el periodo

comprendido entre 1990 y el año 2008. Para el modelo de efectos de ineficiencia, que se estima junto con la función estocástica, se utilizan tres variables. 7 Delgado, María de J. y Álvarez Inmaculada. Evaluación de la eficiencia técnica en los países miembros de la Unión

Europea, Revista Gestión y Política Pública, VOLUMEN XIV,NÚMERO 1,I SEMESTRE DE 2005,PP. 107-128

15

resultados arrojados para los seis (6) departamentos estudiados. En el capítulo IV se estudia el proceso de convergencia entre los departamentos, desde el punto de vista de la eficiencia técnica. Por último, se presentan las conclusiones.

16

CAPÍTULO PRIMERO

EFICIENCIA TÉCNICA, CONVERGENCIA Y DIVERGENCIA: PERSPECTIVAS TEÓRICAS

17

CAPÍTULO PRIMERO

EFICIENCIA TÉCNICA, CONVERGENCIA Y DIVERGENCIA: PERSPECTIVAS TEÓRICAS

1.1. Antecedentes de la investigación

Aunque en el contexto internacional y nacional son numerosas las estimaciones realizadas de la productividad total y de la eficiencia técnica en distintos ámbitos, para la economía de la Región del Eje Cafetero, y también para los otros departamentos considerados en esta investigación (Antioquia, Tolima y Valle del Cauca), no se dispone de muchos estudios y los pocos que existen, aunque muy buenos, no se centran en el tema objeto de estudio propuesto en este trabajo. Como ejemplos de antecedentes investigativos, se pueden citar los siguientes trabajos: 1.1.1. Departamento de Risaralda

Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (1998). Medición de la productividad en la industria manufacturera de Risaralda. Revista Páginas, No 53. Pereira.

Este ensayo busca dilucidar los factores determinantes de la productividad de la industria Risaraldense utilizando como indicador la productividad total de los factores (PTF) básico. En las dos primeras secciones se aborda la discusión teórica y metodológica necesaria para la medición de la PTF y el análisis de la estructura de la función Cobb Douglas tradicional. Se utilizan los factores Valor Agregado y los insumos capital y trabajo. En la sección tercera se desarrolla el modelo econométrico utilizado para calcular los parámetros ζ y β de la función Cobb Douglas, necesarios para mediar el incremento en la PTF. Finalmente, en la cuarta sección, se presentan las conclusiones a que dan lugar los resultados del trabajo. Se trabaja para la producción agregada del departamento de Risaralda y con los factores capital y trabajo únicamente. El estudio se realizó para el lapso de tiempo comprendido entre 1970 y 1995.

Buchelli L., Gerardo y López B., Juan Carlos (1998). Determinantes de la productividad del sector industrial regional. Trabajo de grado, Facultad de Economía Industrial, Universidad Católica Popular del Risaralda. Pereira.

El trabajo se propone dilucidar los determinantes de la productividad del sector industrial de Risaralda. Utiliza una función Cobb Douglas tradicional y como inputs los factores capital y trabajo. Trabaja a nivel de la producción agregada de la industria del departamento de Risaralda. Es un trabajo muy parecido al de Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (1998). Medición de la productividad en la industria manufacturera de Risaralda. Revista Páginas, No 53. Pereira, descrito con anterioridad.

18

Velásquez, Cesar A. y Trujillo, Oscar E. (1998). Medición de la productividad de la Industria manufacturera del Departamento de Risaralda. Trabajo de grado, Facultad de Economía, Universidad Libre de Pereira.

A partir de una función Cobb Douglas logarítmica, y utilizando los inputs capital y trabajo, presenta una medición de la PTF a partir de 1990 y hasta 1997 para la industria del departamento de Risaralda. Se hace a nivel del Departamento de Risaralda y para la producción agregada del Departamento.

Gaviria Ríos, M.A. y Sierra Sierra, H.A. (2005). Lecturas sobre Crecimiento Económico Regional. Edición a texto completo en www.eumed.net/libros/2005/mgr/

El libro consta de cuatro capítulos donde se abordan varios temas para desarrollar el objetivo propuesto de la “Medición de la productividad en la industria manufacturera de Risaralda”. Para abordar el estudio del crecimiento económico de esta región, en un primer capítulo se revisa el debate teórico orientado a identificar cuáles son los factores que pueden contribuir a aumentar los niveles de crecimiento dentro del contexto de los países en desarrollo. Esta parte se inicia con la respuesta neoclásica al problema del crecimiento, para continuar con el planteamiento de las teorías del crecimiento endógeno. Posteriormente se analiza el impacto de la apertura a la luz de esas teorías, haciendo énfasis en la situación de los países latinoamericanos. En el segundo capítulo, que utiliza algunas técnicas estadísticas (prueba Dickey – Fuller ampliada (ADF), filtro Hodrick - Prescott (H-P), Matriz de correlación simple, Descomposición de varianzas, Pruebas de normalidad) se asume el estudio del crecimiento regional de corto plazo. A partir del supuesto de que algunas regiones pueden reaccionar con más fuerza que otras a los comportamientos de las variables macroeconómicas nacionales, tales como cambios propiciados por la política económica, variaciones en los precios relativos y/o innovaciones tecnológicas, en este aparte se exploran las características del ciclo de la economía risaraldense en los períodos 1980 – 2002. Para ello se evalúa en qué medida el ciclo productivo de Risaralda ha estado relacionado con el patrón nacional o si, por el contrario, ha estado fundamentalmente determinado por eventos particulares del departamento y/o por los cambios en las condiciones económicas internacionales, especialmente en lo que tiene que ver con la evolución del mercado internacional del café. El tercer capítulo se centra en el estudio del crecimiento económico de largo plazo acudiendo a series de tiempo. En coherencia con ello, en este capítulo se busca responder a la pregunta sobre ¿cuáles han sido los determinantes del crecimiento económico risaraldense durante el período 1980 - 2008? Para ese propósito se parte de un modelo Solow - Swan ampliado, inicialmente propuesto por Mankiw, Romer y Weil (1992), como base para interpretar el crecimiento de la economía. Dicho modelo es levemente modificado, para contrastar las hipótesis de Kaldor y Schumpeter y la llamada "Ley de Verdoorn"8 en la explicación del crecimiento económico del departamento.

8La segunda Ley del crecimiento económico de Kaldor, mejor conocida como la Ley de Verdoorn, postula que un

incremento en la tasa de crecimiento de la producción manufacturera conduce a un aumento de la productividad del trabajo dentro del mismo sector, debido al proceso de aprendizaje que se deriva de una división del trabajo y una especialización mayores, asociadas a la ampliación del mercado, así como a las economías de escala de carácter dinámico provenientes de la incorporación del progreso técnico y de la mecanización de las actividades productivas.

19

Finalmente, en el capítulo cuarto se hace una revisión de la teoría sobre la relación entre comercio exterior de productos manufacturados y crecimiento económico, para lo cual se enfatiza en la perspectiva predominante de la literatura reciente que sugiere que el crecimiento de las exportaciones manufactureras genera rendimientos crecientes en los sectores relacionados, según la llamada "Ley de Verdoorn", y externalidades en los sectores no exportables. De manera complementaria se explora la evidencia empírica acumulada, con especial atención en el caso colombiano, y se aportan algunos resultados de nuevos ejercicios para los ámbitos nacional y regional. 1.1.2. Departamento de Caldas: Para el Departamento de Caldas se encontró el siguiente trabajo de grado en donde se aplica la función Cobb Douglas básica para analizar los determinantes de la productividad del café:

Bustamante G., F.J. (2001). Determinantes de la productividad del café en el departamento de Caldas. Pereira (Colombia), Universidad Tecnológica de Pereira. Facultad de Ingeniería Industrial, Tesis: Magister en Administración Económica y Financiera.

El objetivo de esta investigación fue formular un modelo econométrico que identificara los principales factores que determinan la productividad del cultivo del café en los municipios caldenses de Aguadas, Marquetalia, Risaralda y Palestina. Se definieron cuatro municipios del departamento con condiciones contrastantes de localización, densidad de siembra promedio y productividad por hectárea. Se realizó un muestreo aleatorio de 195 fincas, la encuesta indagó sobre variables técnico-económicas, sociales y administrativas, la productividad analizada correspondió al año civil 2000. Se analizó la eficiencia productiva a nivel parcial y total. El análisis de los determinantes de la productividad se realizó empleando la función tipo Cobb-Douglas con transformación Log-log, incluyendo variables continuas y categóricas (Dummy). Se plantearon cuatro modelos significativos estadísticamente, el primero de ellos para la productividad del factor tierra en términos de CPS/ha/año, el segundo para la productividad de la mano de obra medida en CPS/jornal, la productividad total en términos del costo unitario de producción y el margen bruto de utilidad $/ha. Se definieron las elasticidades para cada una de las variables consideradas y se analizó el comportamiento de cada modelo. 1.1.3. Departamento del Quindío No se encontraron trabajos acerca de la PTF y Eficiencia técnica para el departamento del Quindío, tomado individualmente. 1.1.4. Eje Cafetero Para el Eje Cafetero se encontraron los siguientes trabajos:

Perdomo, Jorge Andrés, et. al. (2007). Factores que afectan la eficiencia técnica en el Sector Cafetero Colombiano: una aplicación con análisis envolvente de datos.

20

Desarrollo y Sociedad, núm. 60, julio-diciembre, pp. 1-45. Universidad de los Andes, Colombia.

El presente estudio, con datos microeconómicos de los caficultores del país, determinó mediante la aplicación de Análisis Envolvente de Datos, DEA la eficiencia técnica por tipo de productor (pequeño, mediano y grande) y sector general cafetero, para la zona productora de café más representativa de Colombia, comprendida por los departamentos de Caldas, Quindío y Risaralda.

Perdomo, Jorge Andrés y Hueth, Darrell (2010). Funciones de producción y eficiencia técnica en el eje cafetero colombiano: una aproximación con frontera estocástica. Centro de Estudios sobre Desarrollo Económico (CEDE), Facultad de Economía, Universidad de los Andes, Agosto.

Este estudio estimó la forma funcional de producción cafetera en Colombia mediante fronteras estocásticas (FEP). Con esto, se analizó la importancia de los principales insumos empleados en la producción de café (cantidad de hectáreas cultivadas, mano de obra utilizada, maquinaria requerida y cantidad de fertilizantes aplicados), que afectan la productividad. Igualmente, se determinó la existencia de economías de escala en productores pequeños, medianos, grandes y sector general cafetero, ubicados en Caldas, Quindío y Risaralda. Finalmente, fue evaluada la eficiencia técnica (ET) en la producción. 1.1.5. Departamentos de Antioquia, Tolima y Valle del Cauca

Quintero Otero, Jorge David, et. al. (2007). Determinantes de la eficiencia técnica en las empresas colombianas 2001-2004. Universidad de Cartagena. Grupos de investigación Ciencia, Tecnología y Sociedad y Mercado laboral.

En este trabajo se estima la eficiencia técnica para una muestra de 171 empresas de Colombia en el periodo 2001-2004. El análisis se realiza por sector y por departamento utilizando una frontera estocástica. Se realiza para todos los departamentos de Colombia La síntesis de estos trabajos se muestra en la siguiente tabla:

Tabla 1. Estudios según el tipo de metodología utilizada

Autores Nombre del trabajo Modelo empleado

Tipo de frontera

Tipo de datos

Ámbito de aplicación

Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (1998)

Medición de la productividad en la industria manufacturera de Risaralda. Revista Páginas, No 53. Pereira.

Función Cobb Douglas

Determinística y paramétrica

De corte transversal

Departamento de Risaralda (Agregado)

Buchelli L., Gerardo y López B., Juan Carlos (1998).

Determinantes de la productividad del sector industrial regional. Proyecto de grado, facultad de economía industrial, Universidad Católica Popular del Risaralda. Pereira.

Cobb Douglas




Velásquez, Cesar A. y Trujillo, Oscar E. (1998)

Medición de la productividad de la Industria manufacturera del Departamento de Risaralda. Proyecto de grado, Facultad de Economía, Universidad Libre de Pereira.

Cobb Douglas




21

Gaviria Ríos, M.A. y Sierra Sierra, H.A.(2005)

Lecturas sobre Crecimiento Económico Regional. Edición a texto completo en www.eumed.net/libros/2005/mgr/

Cobb Douglas




Bustamante G., F.J.(2001)

Determinantes de la productividad del café en el departamento de Caldas. Pereira (Colombia), Universidad Tecnológica de Pereira. Facultad de Ingeniería Industrial, 2001 Tesis: Magister en Administración Económica y Financiera.

Cobb Douglas



Se definieron cuatro municipios del departamento de Caldas con condiciones contrastantes de localización, densidad de siembra promedio y productividad por hectárea; los municipios estudiados fueron Aguadas, Marquetalia, Risaralda y Palestina.

Perdomo, Jorge Andrés, et. al. (2007).

Factores que afectan la eficiencia técnica en el Sector Cafetero Colombiano: una aplicación con análisis envolvente de datos.

Análisis Envolvente de Datos (DEA)

No paramétrica


Eje Cafetero

Perdomo, Jorge Andrés y Hueth, Darrell (2010).

Funciones de producción y eficiencia técnica en el eje cafetero colombiano: una aproximación con frontera

estocástica.

Cobb Douglas Translogarítmica estocástica

Estocástica y paramétrica

Panel de datos

Eje Cafetero

Quintero Otero, Jorge David, et. al. (2007).

Determinantes de la eficiencia técnica en las empresas colombianas 2001-2004

Cobb Douglas Translogarítmica estocástica

Estocástica y paramétrica

Panel de datos

Todos los departamentos de Colombia

Fuente: Elaboración propia

1.2. Perspectivas teóricas

Se muestran los avances teóricos sobre el concepto de eficiencia y sobre los estudios de fronteras de producción paramétricos y no paramétricos, así como los avances en la utilización de datos de corte transversal y datos de panel. Además, se realiza una breve presentación de los avances en el campo de los análisis de convergencia y su importancia.

1.2.1. Concepto de eficiencia La eficiencia es un concepto relativo, que se obtiene por comparación con otras alternativas disponibles, considerando los recursos empleados en la consecución de los resultados. Es un concepto cada vez más utilizado no sólo en el lenguaje científico, empresarial y de diferentes unidades económicas, sino también en el lenguaje coloquial: se trata ante todo de ser eficiente para poder competir en las mejores condiciones posibles en unos mercados cada día más abiertos e internacionalizados.

22

La eficiencia técnica se refiere a la habilidad para obtener el máximo producto (output) posible dados una canasta de factores de producción (inputs) y un nivel de tecnología determinados. En otros términos, la eficiencia técnica alude a la habilidad de producir en la frontera de posibilidades de producción. Koopmans (1951) fue quien dio por primera vez una definición de eficiencia productiva bajo los términos de “óptimo de Pareto”9. Centrándose en la eficiencia técnica afirmó que una unidad económica será ineficiente si es posible incrementar la producción de un producto (output) sin aumentar el consumo de insumos (inputs) y sin disminuir la producción de ninguno de los restantes outputs. De igual modo, se puede establecer -en términos de input- que una unidad económica será ineficiente si es posible reducir el consumo de inputs sin por ello reducir la cantidad de ninguno de los outputs producidos y sin aumentar el consumo de ninguno de los restantes inputs del proceso productivo. Debreu (1951), por su parte, ofrece una medida de eficiencia basándose en un ratio de distancias [output / input], al que llamó “coeficiente de utilización de los recursos”. Dicho ratio cuantificaría la proporción en que la situación obtenida en una economía se aleja de la óptima, considerando como tal aquélla en la que fuera imposible aumentar la satisfacción de algún individuo sin, al menos, disminuir la del otro. Este modo de concebir la cuantificación de la eficiencia, si bien no dependía de las unidades de medida, presentaba la dificultad de necesitar de la existencia de un sistema intrínseco de precios que homogenizara las magnitudes de bienes comparadas en el proceso de cálculo del parámetro de eficiencia mediante el cómputo del ratio de distancia. Esta dificultad afecta la posibilidad de cómputo de índices de eficiencia en sectores en los que, como el público, habitualmente no operan con precios.

Farrell (1957) propuso por primera vez el uso de la optimización para determinar la eficiencia, al margen de las tradicionales medidas asociadas a la productividad. Se concentró específicamente en una definición de eficiencia productiva proponiendo un marco teórico para su interpretación, así como las medidas a adoptar en su determinación y cuantificación. Propuso una medida de eficiencia relativa, expresión de la desviación observada respecto a aquella situación que reflejara mayor eficiencia productiva en un grupo representativo y homogéneo de unidades económicas. Cada organización o unidad productiva individual es puesta en relación con aquéllas consideradas más eficientes, comparación de la que se desprenderá el grado de eficiencia de cada una de ellas. Para su proposición de medición de eficiencia, Farrel supuso una empresario unidad económica que empleara dos insumos (entradas X1 y X2), para generar un producto, (Salida Y), bajo rendimientos constantes de escala10 y total conocimiento de la función de producción.

9El concepto de eficiencia de Pareto (también llamado óptimo de Pareto, Pareto-optimalidad u óptimo paretiano) es aquella

situación en la cual se cumple que no es posible beneficiar a más elementos de un sistema sin perjudicar a otros. Se basa en criterios de utilidad: si algo genera o produce provecho, comodidad, fruto o interés sin perjudicar a otro, provocará un proceso natural de optimización hasta alcanzar el punto óptimo. Las sucesivas mejoras llevan a una mejor asignación donde ya no es posible ninguna mejora paretiana (http://es.wikipedia.org/wiki/Eficiencia_de_Pareto). 10

Los rendimientos constantes a escala se presentan cuando variando en una proporción determinada la cantidad de factores utilizada, la cantidad producida varía en la misma proporción. En esta situación, el costo unitario de producción permanece constante conforme se incrementa el volumen de producción.

23

Supuso, además, que la eficiencia puede descomponerse en lo que denominó Eficiencia Técnica, Eficiencia Asignativa y Eficiencia de Escala, asociándolos con la función de producción, la función de costos y la función de beneficio. a. Eficiencia Técnica Al hablar de Eficiencia Técnica, Farrell define por primera vez el concepto de frontera de producción como el máximo output o producto obtenible a partir de una serie de inputs, insumos o recursos dados. Supone utilizar correctamente los factores de producción capital, tierra y trabajo); es decir, dados unos determinados recursos obtener con ellos la máxima producción posible. Es por tanto, un concepto técnico y no económico. Las empresas que operen de esta manera serán consideradas eficientes técnicamente.

Gráfico 1. Eficiencia Técnica y Asignativa

X1/Y I P A Q R Q´ I‟ A´ O X2/Y Fuentes: Farrel, M. J. (1957) “The Measurement of Productive Efficiency”, En: Journal of the Royal Statistical Society, Series A, General, 120, Part 3, 253-281.

Se considera una unidad económica que produce un único producto a partir de los factores x1, x2 (Ver gráfico 1).La función óptima tecnológica o frontera de producción se representa por la isocuanta unitaria (f (x1/y, x2/y) = 1), caracterizada por la combinación de factores x1, x2mínimosde entrada que es necesaria para obtener una unidad de producto. En el gráfico, la isocuanta la representa la curva I-I‟. Los puntos situados en la frontera (por ejemplo, el punto Q),representa las empresas técnicamente eficientes al tener combinaciones de inputs (que representan distintas combinaciones de técnicas) que permiten obtener la máxima productividad dada una determinada cantidad de inputs, mientras que si por ejemplo una unidad económica utiliza cantidades de entradas definidas por el punto P, se puede afirmar que es técnicamente ineficientes puesto que todas las entradas pueden reducirse proporcionalmente sin una reducción en la salida hasta llegar al punto Q. El segmento QP es una medida del exceso de utilización de los dos factores considerados, por lo tanto es una cuantía de la ineficiencia técnica.

24

De modo que la medida de la Eficiencia Técnica es la razón entre OQ y OP, queda representada por la siguiente ecuación, es decir:

(1)

En general, según la teoría de la producción, un proceso es ineficiente si existe otra combinación de factores que permita obtener el mismo nivel de producción con un menor consumo de factores, o más producto con el mismo nivel de factores. Por otra parte una unidad es 100% eficiente cuando no se ha encontrado entre las entidades en observación una combinación de cantidades de entradas y de salidas con las que se produzca lo mismo o más y se use lo mismo o menos que la entidad observada. b. Eficiencia Asignativa Todos los conceptos tratados hasta ahora, implica cantidades físicas y relaciones técnicas. Sin embargo también deben considerarse otros conceptos, tales como el costo y el beneficio. Si se conocen los precios de los inputs y outputs y lo que se pretende es maximizar el beneficio o minimizar el costo, sin duda debe incorporarse esta información. En este caso se habla de Eficiencia Asignativa en adición a la Eficiencia Técnica. Considerar la Eficiencia Asignativa a la hora de seleccionar los inputs, implica elegir aquellos inputs que produzcan una cantidad dada de outputs al mínimo costo (dado el precio de los inputs más relevantes y dado un monto de inversión), es decir, relaciona el producto obtenido por unidad de costos de los recursos utilizados. Cuando ya no se puede aumentar el beneficio monetario o social mediante la traslación de recursos de una actividad a otra, o entre distintas empresas, se dice que se ha alcanzado la eficiencia en la asignación. A partir de la función de costos, que representa el mínimo costo dado los precios de insumos y del producto, se estima la Eficiencia Asignativa. Siguiendo con el mismo ejemplo presentado en la figura anterior, todos los puntos que estén en la isocuanta I-I‟ tienen una Eficiencia Técnica del 100% y los que estén por encima una eficiencia inferior. La línea A-A‟ representa la razón de los precios de los factores dado un monto de inversión. Se conoce como línea de isocostos. Un isocosto expresa las diferentes combinaciones de insumos (X1, X2) que una unidad económica puede adquirir, dados el desembolso total (Inversión) de la unidad económica, y los precios de los factores. En el gráfico 1 se muestra que la línea de isocostos es tangente a la isocuanta unitaria en el punto Q‟. Está claro que el punto Q que está sobre la isocuanta unitaria, siendo técnicamente eficiente, representa mayor costo de utilización de factores que el representado por Q‟, punto que es técnica y asignativamente eficiente. Se puede considerar que el segmento RQ es una medida de la ineficiencia en la asignación de recursos que selecciona la técnica eficiente, pero más cara comparándola con el mínimo costo Q‟.

OP

OQET

25

La Eficiencia en Asignación de recursos se mide mediante la razón OR y OQ; por lo tanto, queda representada por la siguiente ecuación:

(2)

Mediante una combinación de los índices de Eficiencia Técnica y Asignativa se obtiene la medida de la Eficiencia Económica, la cual queda expresada por:

OP

OREE

(3)

Esta razón es la equivalente al producto de las razones anteriores, es decir, Eficiencia Técnica x Eficiencia Asignativa = Eficiencia Económica

(4)

c. Eficiencia de Escala o Economía de Escala Una empresa situada en la frontera se considera técnicamente eficiente si obtiene la máxima cantidad de output posible dado su nivel de inputs empleado y una determinada tecnología. Pero esto no implica que opere en la escala o tamaño óptimo. Una empresa técnicamente eficiente puede obtener una mayor productividad explotando, lo que se denomina, su Economía de Escala. Esto consiste en lograr un tamaño óptimo tal que le permita mejorar su nivel de ingresos o su productividad mediante la mejor adecuación de su estructura productiva al volumen de producción. En teoría económica ese tamaño coincide con aquel volumen de producción para el que el costo medio (costo por unidad de producto) a largo plazo es mínimo. Las empresas situadas en la frontera y que operan con una escala óptima, se consideran Técnicamente Eficientes y con Eficiencia de Escala o Economía de Escala. Si la escala no es la óptima se considera que, siendo técnicamente eficiente, presentan ineficiencia de escala o deseconomía de escala. Para hablar de relaciones escalares hay que pensar en producciones a largo plazo, en las que todos los factores son variables y no se considera ninguno como fijo. Las deseconomías de escala se pueden asociar con las dificultades de gestionar una unidad económica a medida que crece. Cuando una empresa crece cabe que aumente la burocratización en los órganos directivos y que surjan dificultades de coordinación entre los distintos departamentos, lo que puede conducir a que se incrementen los costos medios. También se suele asociar la deseconomía de escala a empresas que desarrollan su actividad en el sector servicios y que entran en un periodo de no calidad o mal servicio. Con todo esto debe tenerse en cuenta que si una empresa ha incrementado su productividad de un año a otro, esta mejora no tiene por qué deberse necesariamente a

OQ

OREA

OP

OR

OQ

ORX

OP

OQ

26

una mejora en su eficiencia, porque puede haber ocurrido un cambio técnico (por ejemplo, introducir una nueva máquina) o haber explotado su economía de escala o alguna de las combinaciones de estos tres factores. Cuando una empresa es eficiente en los tres tipos, se dice que es económicamente eficiente, ya que está maximizando sus beneficios.

1.2.2. Estudios de fronteras de producción Una de las principales herramientas para medir la eficiencia son los estudios de frontera de producción. Partiendo de este concepto, en el transcurso de las últimas cinco décadas los investigadores han desarrollado, básicamente, dos enfoques teóricos: los enfoques paramétricos que emplean técnicas econométricas y los enfoques no paramétricos, que utilizan la programación matemática. Dichos enfoques, complementados con distintas metodologías, han permitido evaluar la eficiencia técnica de diferentes unidades económicas. La principal diferencia entre estos dos métodos es que el método paramétrico impone una forma funcional a la función de frontera mientras que el no-paramétrico no es restringido a una forma funcional específica. Dentro del enfoque no paramétrico el más utilizado es el Análisis envolvente de Datos (DEA) y dentro del paramétrico se encuentran: a) la frontera paramétrica determinística que considera que todas las divergencias entre el máximo producto factible y el producto observado se explican por la ineficiencia técnica. Por ello, se trata de un modelo que especifica una frontera común a todos los productores y no discrimina los efectos externos no controlables por la empresa o unidad económica que pueden influenciar su desempeño; y b) la frontera paramétrica estocástica que considera que las desviaciones con respecto a la frontera pueden no estar enteramente bajo el control de la empresa o unidad económica analizada. En conjunto, y en términos generales, se pueden distinguir, dentro de los enfoques paramétricos y no paramétricos, cinco métodos propuestos para construir fronteras de producción óptimas y medir la ineficiencia relativa a esas fronteras. Los cinco métodos referidos son los siguientes: a. Método de la programación pura Esta metodología fue pionera en la medición de la eficiencia. Fue propuesta por Farrell (1957)11 quien estimó una frontera de producción determinística no paramétrica bajo el supuesto de rendimientos constantes a escala. Para esto construyó una isocuanta envolvente utilizando técnicas de programación lineal a partir de las relaciones de insumo-producto observadas para un sector productivo determinado. La isocuanta estimada con las características de ser unitaria, convexa y eficiente, le sirvió para compararla con las observaciones reales y medir el grado de ineficiencia técnica. La medición empírica de la eficiencia técnica consistió en seleccionar de una muestra de empresas aquellas que tuvieran la mejor eficiencia, y construir con éstas una frontera eficiente. Posteriormente, Farrel propuso comparar los resultados obtenidos para cada

11

La medida de la eficiencia técnica a partir de funciones de producción de frontera fue introducido en la literatura económica por Koopmans (1951), aunque el principal referente en el tema es Farrel (1957).

27

empresa con la frontera eficiente: entonces, aquellos casos que representen desviaciones de ese „estado ideal‟ son caracterizados como ineficientes. Por esta razón, se afirma que la medición de la eficiencia de una empresa tiene un carácter relativo, ya que debe ser comparado con una medida estándar incluida en la muestra objeto de estudio. Farrel propone medir la eficiencia económica a través de la determinación de la eficiencia técnica y de la eficiencia asignativa, con referencia a la función de producción de las empresas totalmente eficientes. Como esta función no es observable, el autor sugiere dos métodos para estimarla: a) la construcción de una frontera no paramétrica, a través de métodos de programación lineal; b) la estimación de la frontera utilizando una función paramétrica. El método propuesto por Farrel consiste en estimar una función de producción frontera que permite calcular el output máximo (y*) que puede ser obtenido por cada unidad de producción, dada una combinación de inputs. El nivel de eficiencia técnica (ET) de cada unidad productiva se puede calcular como la relación entre el producto obtenido (y) y dicho máximo, es decir, 0 ≤ ET = y/y * ≤ 1. Por lo tanto, para poder estimar la ET se precisa conocer la función de producción frontera, que en las aplicaciones empíricas se deriva de los datos disponibles, por lo que la eficiencia estimada se calcula a partir de las mejores prácticas observadas. Aunque esta metodología fue pionera y novedosa, sus aplicaciones fueron limitadas. Su mayor fortaleza era la de no imponer una forma funcional a la frontera, pues esta se obtenía a través de los datos del sector; sin embargo presentaba una deficiencia al atribuir como ineficiencia técnica pura a cualquier desviación alrededor de la frontera unitaria. Otra debilidad de esta técnica se debe a que al no ser estocástica no puede captar shocks aleatorios externos, errores de medición en los datos, etc. La propuesta teórica de Farrell (1957) fue ampliada por Färe, Grosskopf y Lovell (1985) incorporándose el supuesto de rendimientos a escala no constantes y la posibilidad de “congestión de insumos”, esto es, cuando el producto marginal es cero o negativo a determinado nivel de uso de un recurso productivo. b. Método de Análisis Envolvente de Datos (DEA) A partir del primer método sugerido por Farrell (1957), Charnes, Cooper y Rhodes (1978) desarrollaron la metodología conocida como Data Envelopment Analysis (DEA), que luego fue, y aún sigue siéndolo, ampliamente utilizada en la literatura. Es una técnica no paramétrica y determinística dentro de los modelos para medir eficiencia. Esta metodología permite comparar el nivel de eficiencia productiva de distintas unidades económicas llamadas DMU12. Para lo anterior, se construye un índice de eficiencia el cual es el que maximiza el ratio entre la suma ponderada de los outputs y la suma ponderada de los inputs de una entidad determinada. La eficiencia de cada unidad es determinada a través de la estimación de una frontera de referencia, la cual es construida a través de métodos matemáticos de programación lineal usando las unidades productivas más eficientes de la muestra, es decir, las que están sobre la llamada frontera de producción, la que se define como la óptima combinación de

12

Charnes, Cooper y Rhodes (1978) emplean el término Decisión Market Unit (DMU) para referirse a entidades sin ánimo de lucro. No obstante, el término DMU se ha extendido para hacer referencia a cualquier tipo de productor o unidad de producción: empresa, industria, personas, región, país, etc.

28

inputs dado un determinado nivel de outputs, o bien la combinación óptima de outputs para un determinado nivel de inputs. Una unidad se clasificará como ineficiente cuando se sitúa fuera de la frontera, o sea, cuando está por debajo de la frontera de producción, o por encima de la frontera de costos. La ineficiencia es medida por la distancia entre la observación real y su correspondiente frontera de producción. Las ventajas de utilizar esta técnica son las menores exigencias en cuanto a la relación funcional de las variables usadas; es decir, el análisis de funciones frontera de producción mediante el método DEA, no necesita la elección (a priori) de una forma funcional concreta para describir la frontera de producción. Otras ventajas es la de ser intuitiva, entregar información sobre posibles determinantes de ineficiencia, y ser muy adecuada para unidades productivas que ofrecen muchos productos y tienen gran diversidad de objetivos. Dentro de sus desventajas está que exige que las unidades analizadas sean homogéneas, para evitar que la ineficiencia de una DMU se deba a la no uniformidad en la escala de producción, ó en el uso de las entradas y las salidas. Es muy flexible a la hora de escoger las ponderaciones, lo cual da origen a la posibilidad que una ponderación cuya variable sea trascendental para la DMU no sea considerada; además, cualquier alejamiento de la frontera de eficiencia de alguna asignación de recursos y productos se supone que es por la ineficiencia de la DMU, y no por perturbaciones aleatorias. Esta incapacidad para incluir perturbaciones aleatorias hace que sus resultados sean muy sensibles a errores de medida y de especificación del modelo. Un ejemplo sencillo servirá para aclarar los puntos esenciales del método DEA. Supongamos varias unidades productivas en cuya actividad empleen un único input para obtener un único output. De esta manera podemos representar a las distintas empresas en un gráfico de dos dimensiones, con el input en el eje horizontal y el output en el vertical (Gráfico 2). Podemos definir dos fronteras de producción en función de si suponemos la existencia de rendimientos variables a escala entre los insumos y los productos (VRS)13 o si mantenemos la hipótesis de rendimientos constantes a escala entre los insumos y los productos (CRS)14. En el primer caso, la frontera de producción consiste en la envolvente dibujada por los puntos que precisen menos cantidad de input para cada cantidad de output. En el ejemplo, corresponde a la línea quebrada que pasa por los puntos B, C, D, E, F, G y H (Frontera VRS). Estas serían las unidades técnicamente eficientes, mientras que las restantes (por ejemplo el punto A) serían tanto más ineficientes cuanto más alejadas se encuentren de la frontera. La distancia se mide horizontalmente porque estamos considerando el grado de ineficiencia en el uso del input para una cantidad de output dada. Cuanto más alejados nos encontremos de la frontera, mayor será la cantidad de input que estaremos empleando para producir un cierto nivel de output y, por tanto, mayor será la ineficiencia técnica.

13

También se conoce como modelo BCC en honor a sus creadores Banker, Charnes y Cooper (1984). Los rendimientos decrecientes a escala se suponen cuando el incremento de los insumos de una DMU resulta en un menos que proporcional incremento en sus productos. Los rendimientos crecientes a escala están presentes cuando ante un incremento de los insumos de una unidad, se obtiene un aumento más que proporcional en sus productos. 14

También se conoce como modelo CCR en honor a sus creadores Charnes, Cooper y Rhodes (1978). Los rendimientos constantes a escala se suponen cuando un aumento en los insumos de una DMU lleva a un aumento proporcional en sus productos, es decir, existe una relación lineal uno a uno entre los insumos y los productos.

29

En cambio, si suponemos que el proceso productivo tiene rendimientos constantes a escala, la frontera eficiente deberá ser una línea recta que parta del origen de ordenadas y, en el ejemplo, pase por el punto E, que resultaría la única unidad eficiente (frontera CRS). De nuevo, la distancia horizontal hasta la frontera de producción nos mide el grado de ineficiencia de las otras unidades productivas.

Gráfico 2. Conjunto de posibilidades de producción y las diferentes eficiencias (Método DEA)

OUTPUT

Frontera CRS (CCR) Frontera VRS (BCC) H (Frontera eficiente) G F Conjunto de posibilidades de eficiencia: D Eficiencia total (global) =MN/MA E Eficiencia Técnica =MB/MA Eficiencia de escala =MN/MB N M A B C INPUT Fuente: Mercado et. al. (1998)

Cada vértice de la frontera es una unidad económica que destaca sobre el resto. Estos puntos de la frontera, más todos los puntos ubicados por debajo de ella, constituyen el conjunto de posibilidades de producción, es decir, representan el espacio en el cual es factible que se sitúen las diferentes unidades económicas (Mercado, et. al., 1998).

Las empresas en la frontera tienen valores de eficiencia o productividad en el modelo de optimización iguales a 1 (100%). Sin embargo sólo se consideran eficientes, si las restricciones se satisfacen en el sentido estricto de la igualdad.

Dentro de las ventajas más relevantes que tiene el modelo de frontera, se encuentra la de requerir un mínimo de información, que en la práctica constituye una característica sobresaliente, al compararse con otros tipos de modelos. Aun así la cantidad de información que produce es valiosa y variada, proporcionado una imagen completa de la situación de la empresa. Entre la información que genera el modelo de frontera están: a) la eficiencia técnica, b) la eficiencia de escala y c) la eficiencia global o total.

La eficiencia técnica está dada por la siguiente ecuación:

Eficiencia técnica = MB/MA (5)

30

Esta eficiencia, como se observa en el gráfico 2, compara a la unidad económica A con aquella situada en la frontera eficiente (punto B). Así se observa la situación actual de la unidad económica, contra aquella que tendría si estuviera en la frontera eficiente minimizando los insumos que utiliza y trabajando en un ambiente en el cual admite deseconomías de escala.

La eficiencia de escala se define por:

Eficiencia de escala = MN/MB (6)

Este valor representa qué tan alejada está la frontera eficiente de aquella hipotética empresa formada por la línea-Frontera CRS, laborando en una economía de escala constante.

La eficiencia global se determina sí:

Eficiencia global (Total) = MN/MA (7)

Con este cociente se comparan los insumos actuales, que está requiriendo la unidad productiva o económica «A», con aquella empresa generada por una frontera hipotética (línea que va desde el origen y es tangente al conjunto de posibilidades de producción y toca la frontera eficiente en el punto E) que asume que el conjunto de unidades económicas laboran en una economía de escala constante (Mercado et al., 1998).

De esta manera el segmento MA mide los recursos que está consumiendo la unidad económica A y el segmento MN mide los insumos que consume la unidad económica N (hipotética), que genera la misma cantidad de salida que la empresa A.

De las ecuaciones (5), (6) y (7) se observa que la eficiencia global (MN/MA), es igual al producto de la eficiencia técnica: MB/MA y la eficiencia de escala: MN/MB.

Eficiencia global (Total) = (Eficiencia técnica) x (eficiencia de escala)

= (MB/MA) x (MN/MB) = MN/MA (8)

Existen distintas variantes de los modelos BCC (VRS) Y CCR (CRS). Se pueden mencionar CCR-I y BCC-I (orientados a insumos), CCR-O y BCC-O (orientados a productos), FDH15 y el modelo aditivo, combinación de los orientados a insumos y productos. Además, existe el modelo DEA Windows Analysis que se utiliza cuando se trabaja con datos de panel. Todas las variantes anteriores tienen equivalencias para sus medidas de eficiencia relativa. El modelo BCC define una frontera de posibilidades de producción en base a las actividades observadas y su “casco convexo”. El modelo regresa una medida de eficiencia mayor que la obtenida con el modelo CCR.

15

El FDH es un caso particular del método DEA. Dicho método permite formar una frontera de producción convexa donde está permitida la existencia de sustituibilidad entre los insumos. La construcción de dicha frontera se realiza mediante la combinación lineal de distintos puntos correspondientes a las observaciones registradas de diferentes unidades de decisión o DMUs por su sigla en inglés (“decisión marking units”), calificadas como eficientes. Esto significa que este método permite arribar a la frontera de producción cuya función es desconocida utilizando la evidencia empírica disponible.

31

Los Modelos orientados a productos buscan, dado el nivel de inputs, el máximo incremento proporcional de los outputs permaneciendo dentro de la frontera de posibilidades de producción. En este sentido, una entidad no puede ser caracterizada como una eficiente si es posible incrementar cualquier output sin incrementar ningún input y sin disminuir ningún otro output. Los modelos orientados a insumos persiguen la máxima reducción proporcional en el vector de inputs mientras permanece en la frontera de posibilidades de producción. Una unidad no es eficiente si es posible disminuir cualquier input sin alterar sus outputs. c. Método de la frontera paramétrica determinística El primer modelo propuesto de frontera econométrica, que se denomina frecuentemente frontera determinística, suponía la eficiencia técnica explicada por una variable aleatoria no-negativa ui que correspondía a los errores que resultaban de la estimación de una determinada función de producción econométrica. Esta metodología es una extensión propuesta por el mismo Farrell (1957) quien postuló que una frontera de producción puede ser construida a partir de una forma funcional específica. Aigner y Chu (1968) siguiendo el planteamiento de Farrel estimaron una función de producción para la industria planteando una especificación Cobb-Douglas y midieron la eficiencia técnica mediante el método de la programación lineal a través de los residuos, el cual consiste en minimizar la suma de los valores absolutos de los residuos del logaritmo de la función de producción, imponiendo la condición de que todos sean positivos. Por otro lado, Førsund y Hjalmarsson (1979), siguiendo esta técnica, estimaron una función de producción para relacionarla con el progreso técnico en las empresas industrializadoras de lácteos en Suecia. Con los progresos alcanzados por Farrell se pudo caracterizar las fronteras tecnológicas mediante funciones matemáticas sencillas y adaptarlas a casos de rendimientos no constantes a escala. Sin embargo, no se superaron las desventajas de las formulaciones determinísticas como la no captación de errores de medición o los shocks aleatorios. Otra desventaja de esta metodología, radica en que no se pudo adaptar a los casos de multiproductos, debido a que cuando hay especificaciones muy restrictivas de la función de producción se limita el número de observaciones que pueden ser técnicamente eficientes y los estimadores pierden sus propiedades estadísticas, lo cual no permite hacer inferencia estadística. d. Método de la técnica estadística Consiste en la aplicación de las técnicas estadísticas para estimar una frontera estadística determinística, ya sea mediante el uso de “mínimos cuadrados corregidos” o “estimaciones por máxima verosimilitud”. Este método fue propuesto por Afriat (1972) y ampliado por Richmond (1974) y Greene (1980).Tiene la ventaja de poder hacer inferencia estadística basándose en los resultados que entrega. Las fronteras de este tipo responden a la expresión:

32

Y = f(X) e- u (9) Donde el componente e-u mide la eficiencia técnica y cae en un intervalo cerrado y acotado entre cero y uno; los valores de los residuos ui son independientes e idénticamente distribuidos e indican que la eficiencia técnica es también una variable de iguales características. La variable “x” es exógena e independiente de “u”. Una debilidad del método de técnica estadística, radica en que cualquier desviación de la frontera es atribuida a ineficiencia técnica, y además, tiene limitaciones porque se debe asumir una determinada función para los errores. e. Método de la frontera paramétrica estocástica Debido a las limitaciones que mostraban las técnicas determinísticas antes mencionadas, el método de fronteras estocásticas surgió como alternativa a partir de los trabajos de Aigner, Lovell y Schmidt (1977) y Meeusen y Van den Broeck (1977). Esta metodología entregó la posibilidad de reconocer entre el efecto de la variable exógena no controlada por las unidades productivas y el efecto de las variables controladas y determinantes de la ineficiencia productiva. El método de fronteras estocásticas logró descomponer el término de error en dos partes, un componente sistemático o simétrico, y otro asimétrico. El primer componente recoge la existencia de variaciones aleatorias alrededor de la frontera, capturando los efectos de errores de especificación del modelo y shocks aleatorios. Por otro lado, el componente asimétrico mide los efectos de ineficiencia sobre la frontera. Formalmente, la expresión de la frontera estocástica es:

Y = f(X) eV – U (10)

Siendo f(X) ev la frontera de producción estocástica, donde “v” es el término de error clásico con distribución iid ~ (0, ζ2) que capta los impactos exógenos aleatorios. Por otro lado, el elemento de la ecuación e-u refleja la eficiencia técnica alrededor de la frontera. La variable “x” es exógena e independiente de “e”. El método de fronteras estocásticas, al igual que el método de fronteras estadísticas puede realizarse por medio de mínimos cuadrado ordinarios o por máxima verosimilitud, manteniendo todas las propiedades de los estimadores. Los problemas de este método son: 1) que intenta imponer una estructura fuerte sobre la tecnología, 2) la dificultad para establecer una distribución para el término de error unilateral, y 3) la aplicación en situaciones de multiproducto. De otro lado, la ventaja de este método es que introduce un término de perturbación que incorpora ruido, errores de medición y shocks exógenos que están más allá del control de las unidades productivas. Dicho de otra forma, incorpora al método de la frontera determinística un componente para absorber aquellos shocks exógenos que son particulares a cada productor. De este modo, es posible descomponer las desviaciones de la frontera en el impacto de la ineficiencia técnica, por un lado, y de los efectos externos, por el otro.

33

A continuación se presenta un cuadro comparativo de ventajas y desventajas entre el método DEA y el método de frontera paramétrica Estocástica.

Tabla 2 Ventajas y Desventajas de los Modelos de Eficiencia utilizados en el trabajo

DEA FRONTERA PARAMÉTRICA ESTOCÁSTICA Ventajas

No especifica la forma funcional

Aporta información útil para la gestión (grupos de comparación, seguimientos de objetivos)

No es preciso ponderar a priori las variables del modelo multiproducto

Un único resultado (óptimo de Pareto)

Desventajas

Es preciso definir una función de producción y distribución de variables aleatorias

Menos información

Ponderación outputs (función frontera)

Posibilidad de óptimos locales (MV)

Desventajas

Modelo determinístico

Complicación en obtener test de hipótesis (análisis de sensibilidad del modelo)

Extensión del análisis de indicadores

Alta influencia en la frontera de outliers (pertenecen a los grupos de comparación)

Ventajas

División error aleatorio-ineficiencias

Test de bondad de ajuste de los modelos y de significación de los parámetros

Análisis de causalidad.

Menor sensibilidad a los comportamientos externos (outliers)(pertenecen a los grupos de comparación)

Fuente: Fuente: Coelli y Batesse (1999). Se le han ampliado algunos aspectos para volverlos un poco más comprensibles.

1.2.3. Las técnicas de estimación de los parámetros de una frontera de producción paramétrica

Las técnicas estadísticas para estimar los parámetros de una frontera paramétrica determinística son las siguientes: a. Mínimos cuadrados ordinarios (MCO) Este procedimiento plantea utilizar, como estimación de los parámetros, aquella combinación de β1, β2,… βk que minimice los errores que el modelo cometerá. Consiste en asumir que la ineficiencia es cero, con lo que, en ausencia de ineficiencia técnica, la estimación se simplifica, posibilitándose la regresión mínimo cuadrática (MCO). Supone, además, invarianza de los parámetros a través del tiempo. Es necesario señalar que la estimación de una función de producción empleando Mínimos Cuadrados Ordinarios (MCO) no permite obtener una frontera, sino únicamente el comportamiento promedio de las unidades económicas analizadas. De esta forma, se generan residuos tanto positivos como negativos. b. Mínimos cuadrados ordinarios corregidos (MCOC) Introducido por Winsten (1957) quien estimó la función de producción, en un primer paso, mediante mínimos cuadrados ordinarios, y en un segundo, dado que el estimador de β0 obtenido en la primera fase es sesgado, lo corrigió sumándole el máximo valor de los residuos mínimo cuadráticos. Los estimadores de la ineficiencia se obtienen también, corrigiendo los residuos mediante la resta del máximo valor de los residuos mínimo cuadráticos. El método de los MCOC se basa, pues, en una corrección del método MCO, sin hacer hipótesis alguna acerca de la forma funcional del componente no positivo de la eficiencia.

34

Se trata de estimar los parámetros por MCO y corregir el sesgo en el valor de la constante, dándole valores hasta que todos los residuos corregidos son no-positivos y al menos uno es cero. Si se usa el método de mínimos cuadrados corregidos para realizar la estimación de la función de producción, de la ecuación inicial:

Yi= b0+biXi– Ui, Para i = 1, ..., n (11)

Obtenemos la ecuación:

Yi= (b0- E(Ui)) + SibiXi– (Ui– E(Ui)) (12) Como se puede observar, este método de estimación es una extensión del método de mínimos cuadrados clásico (ordinario) y consiste en sumar y restar E(U

i) en el lado

derecho de la expresión 11, obteniendo de esta horma la ecuación 12. Dado que la esperanza del error (Ui) es cero, al estimar los parámetros de la función seleccionada por mínimos cuadrados se obtienen los mejores estimadores lineales insesgados de todos los parámetros de la ecuación, satisfaciendo todos los supuestos de Gauss–Markov16. b. Mínimos cuadrados ordinarios Modificados (MCOM) Este procedimiento fue introducido por Richmond (1974) y se compone de dos partes. Para la primera parte no es necesario ningún supuesto sobre la distribución de los términos de error. Se trata de estimar la función de producción utilizando el método MCO y obteniendo, de esta manera, los estimadores de los parámetros tecnológicos. En la segunda etapa, es necesario sin embargo suponer una forma funcional para los términos de ineficiencia. En este caso, se efectúan dos correcciones a los resultados de la primera parte: a) se incrementa el valor de la intersección (β0) en una cantidad igual a la media estimada de los ui, que se obtiene a su vez de los momentos de los residuos MCO; b) se corrigen los residuos MCO en el sentido opuesto. Con estas correcciones se obtiene un estimador no sesgado de la constante y dela varianza. Con los residuos modificados, además, se calculan los niveles individuales de eficiencia técnica. La utilización del método MCOM implica que la intersección modificada no necesariamente cubrirá todas las observaciones y que si una observación tiene residuos

16

Dicho teorema se basa en 10 supuestos, denominados, Supuestos de Gauss Márkov; que sirven como hipótesis a la demostración del mismo: 1. El modelo está correctamente especificado. 2. Debe ser lineal en los parámetros. 3. El valor de la media condicional es cero. 4. Hay homocedasticidad. 5. No existe correlación entre las perturbaciones. 6. La covarianza entre ui y xi es cero. 7. El número de observaciones es mayor que el de parámetros. 8. Existe variabilidad entre los x. 9. No hay multicolinealidad perfecta. 10. Las x son no estocásticas. (Obtenido de http://es.wikipedia.org/wiki/Teorema_de_Gauss-M%C3%A1rkov)

35

MCO suficientemente grandes es posible que el nivel de eficiencia técnica sea mayor a uno (ETi > 1). c. Método de estimación de máxima verosimilitud Mediante el método de máxima verosimilitud, se asigna una determinada distribución de probabilidad para el error del modelo determinístico o estocástico, de esta manera se estiman los parámetros de dicho modelo a partir de sus momentos centrales, utilizando la información entregada por los residuos de la regresión. Con la obtención de los parámetros se puede evaluar la eficiencia media de una muestra y de cada una de las unidades productivas que la componen. Debido a que la estimación de la eficiencia técnica se hace a través del término constante de la regresión, el tipo de distribución elegida condiciona este factor, y por lo tanto para cada distribución se obtendrá una estimación distinta de eficiencia. La estimación por máxima verosimilitud es un método que supone la existencia de una variable aleatoria y compuesta por una combinación lineal de otras variables aleatorias xi

con parámetros θ tal que y = g( xi ,θ). Se supone que la función de densidad conjunta de dicha variable aleatoria toma la forma f(y, θ), la cual depende de las distintas variables aleatorias y de los distintos parámetros. A esta función de densidad se le llama función de verosimilitud: L (y, θ) = f ( y, θ). Generalmente, dadas las propiedades de los logaritmos, se maximiza la función de verosimilitud tomada en logaritmos. Se demuestra que los estimadores son asintóticamente eficientes17. Bajo esta parametrización, según Battese y Corra (1977) la función de máxima verosimilitud es la siguiente:

(13)

Donde (.) es la función de distribución estándar de una variable aleatoria normal. Por su

parte, las estimaciones máximo verosímiles de β, ζ2 y es posible obtenerlas

maximizando la función de máxima verosimilitud definida anteriormente. Una ventaja de usar MV, respecto a las técnicas convencionales de estimación para paneles, es que al usar MV las firmas más eficientes adquieren mayor preponderancia en los resultados de estimación que las menos eficientes. Esto no sucede en las metodologías convencionales de estimación, donde todas las firmas tienen la misma influencia. En lo que respecta a la frontera de producción paramétrica estocástica, la aplicación del método de Mínimos Cuadrados Ordinarios (MCO) genera estimadores consistentes no sesgados de los parámetros tecnológicos βn de la función de producción, pero no de la constante β0 que está negativamente sesgada. La razón de este resultado es que en el caso de una frontera estocástica los ui son mayores o iguales a cero y el término de error εi = vi – ui es asimétrico, por lo tanto, la esperanza del error compuesto no es cero, sino negativa: E(εi) = - E(ui) ≤ 0. Por otra parte, la estimación con MCO no genera estimadores

17

Es decir, entre todos los estimadores consistentes de un parámetro , los de máxima verosimilitud son los de varianza mínima.

2

121

2 )(2

1)})1/()((1log{)log(

2)

2log(

2)log( ii

n

i

iin

ixy

xyNNL

36

de los niveles de eficiencia de cada empresa en particular y por ende, este método no es adecuado para estimar la función de producción estocástica. Concretamente, la estimación de los parámetros de la frontera estocástica puede ser realizada con dos métodos diferentes: la aplicación del Mínimos Cuadrados Ordinarios Modificados, que ajusta una estimación de MCO, o bien la aplicación de Máxima Verosimilitud. Este último método es el más utilizado para este tipo de fronteras. En la tabla 3 se presenta un resumen de las ventajas y desventajas de los diferentes enfoques y técnicas para medir la eficiencia técnica.

Tabla 3. Enfoques y técnicas para medir la eficiencia técnica

Enfoque Modelo Técnica Descripción Supuestos

PARAMÉTRICO: Es necesario especificar una forma particular de función (Cobb-Douglas, Función de Elasticidad de Sustitución Constante (CES), etc.) para especificar la tecnología (frontera de eficiencia)

DETERMINÍSTICO: Todas las desviaciones de la frontera de eficiencia se asume que se deben a la ineficiencia técnica. Las medidas de error y factores aleatorios son tomados como ineficiencia técnica

1.- Mínimos Cuadrados Ordinarios Corregidos (MCOC)

Consiste en estimar, en primer lugar, una función de producción por Mínimos Cuadrados Ordinarios (MCO) y corregir después el término independiente añadiéndole el máximo residuo positivo obtenido en la estimación. De esta forma, todas las observaciones se encontrarán por debajo de la frontera, a excepción de la correspondiente al máximo residuo que será considerada como la más eficiente. Dicho de otra forma: implica desplazar la línea (estimación inicial obtenida por MCO) hacia la unidad económica con mejor desempeño. En sentido general, los modelos MCOC no son sino una función promedio desplazada. Existen dos pasos necesarios, uno para obtener el valor esperado del término de error y otro para desplazar o “centrar” la ecuación.

No requiere establecer supuestos sobre la distribución de los errores

2.- Mínimos Cuadrados Ordinarios modificados o desplazados

Consiste en estimar, en primer lugar, una función de producción por Mínimos Cuadrados

Este procedimiento se compone de dos partes: para la primera parte no es necesario ningún

37

(MCOM) Ordinarios (MCO) y : a) corregir después el término independiente añadiéndole una cantidad igual a la media estimada de los uI y b) se corrigen los residuos MCO en el sentido Opuesto. Con estas correcciones se obtiene un estimador no sesgado de la constante y de La varianza. Con los residuos modificados, además, se calculan los niveles individuales de Eficiencia técnica.

supuesto sobre la distribución de los términos de error. En la segunda etapa, es necesario, Sin embargo, suponer una forma funcional para los términos de ineficiencia.

3.- Estimación por Máxima Verosimilitud (MLE)

Estima una frontera que envuelve todas las observaciones y los residuos se insertan en la ecuación de tecnología

Es necesario suponer una Distribución para los dos elementos de error desde el inicio.

ESTOCÁSTICO: Distingue y separa entre ineficiencia técnica y ruido estadístico como posibles desviaciones de la frontera de eficiencia

1.- Mínimos Cuadrados Ordinarios modificados o desplazados (MCOM)

Los residuos que contiene la ineficiencia y el ruido son separados

Asume que la variable aleatoria que representa el ruido estadístico es idd, normal, con media cero y varianza constante. La distribución media normal es la más utilizada.

2.- Estimación por Máxima Verosimilitud (MLE)

Los residuos que contiene la ineficiencia y el ruido son separados

Asume que la variable aleatoria que representa el ruido estadístico es idd, normal, con media cero y varianza constante. La distribución media normal es la más utilizada.

NO PARAMÉTRICO: No es necesario especificar una forma particular de función para describir la tecnología o la frontera de eficiencia

ANÁLISIS ENVOLVENTE DE DATOS (DEA): Utiliza una secuencia de programación lineal, una para cada observación para construir pieza por pieza una función frontera lineal de producción. No permite interferencia estadística. Considera las medidas de error y los shocks aleatorios como ineficiencia.

1.- Retorno Constante a Escala (CCR)

La eficiencia técnica puede estimarse utilizando una orientación de insumo u orientación de producto

No es necesario asumir ninguna forma funcional de la frontera o asumir alguna distribución del error. Asume convexidad en la frontera posible y que todas las empresas operan a la escala

2.- Retorno Variable a Escala (BCC)

La estimación de la eficiencia técnica usando orientación de insumo o de producto da resultados diferentes debido a la consideración del retorno variable a

Asume convexidad en la frontera de posibilidades de producción y la variable vuelve a escala

38

escala

3.- Modelo Aditivo DEA

Puede trabajar con excesos de insumos y con falta de productos simultáneamente

Asume convexidad en la frontera de posibilidades de producción y la variable vuelve a escala

Fuente: Coelli y Batesse (1999). Tomado de Leitón Quiroga, Jorge G.M. Modelos de Eficiencia Económica: El transporte ferroviario. Documento de trabajo No. 02/07 Febrero del 2007, Instituto de Investigaciones socioeconómicas (IISE), Universidad Católica Boliviana “San Pablo” (http://www.iisec.ucb.edu.bo/papers/2006-2010/iisec-dt-2007-02.pdf). Se le han ampliado algunos aspectos para volverlos un poco más comprensibles.

1.2.4. Utilización de datos de panel en el modelo econométrico Cornwell et al. (1990), junto con Kumbhakar (1990), extendieron el uso de datos de panel a modelos de frontera estocástica permitiendo estimar eficiencias variantes en el tiempo. En la literatura existe consenso al afirmar que la estimación de Datos de Panel brinda un marco más provechoso o ventajoso para el análisis de la eficiencia de una unidad económica y otro muy valioso para el desarrollo de nuevas técnicas de estimación (Greene, 2001). En estadística y econometría, el término de datos de panel se refiere a datos que combinan una dimensión temporal con otra transversal. Un conjunto de datos que recoge observaciones de un fenómeno a lo largo del tiempo se conoce como serie temporal. Dichos conjuntos de datos están ordenados y la información relevante respecto al fenómeno estudiado es la que proporciona su evolución en el tiempo. Un conjunto transversal de datos contiene observaciones sobre múltiples fenómenos en un momento determinado. En este caso, el orden de las observaciones es irrelevante. La dimensión temporal enriquece la estructura de los datos y es capaz de aportar información que no aparece en un único corte. El análisis de datos de panel trata del estudio de estos conjuntos de datos. En términos generales, los datos tipos panel abarcan información para cada unidad económica en varios periodos de tiempo18, lo cual no ocurre con datos de corte transversal. Por lo tanto, es de esperar que la estimación de panel permita fuertes supuestos distribucionales o brinde mejores resultados en los estimadores de eficiencia técnica con mayor número de propiedades estadísticas. Son frecuentes en Economía los conjuntos de datos que combinan series temporales con unidades de sección cruzada (países, estados, Regiones, Departamentos, empresas, etc.), de forma que una aplicación de técnicas para su estudio por separado deja cuestiones sin resolver. Los datos de panel permiten estimar en forma simultánea el proceso tecnológico subyacente a una determinada unidad económica (función de producción y/o costos de producción), junto con los determinantes de la eficiencia productiva, lo cual incrementa las opciones para testear hipótesis de interés. Una principal desventaja es que el supuesto de independencia entre niveles de ineficiencia específicos de la unidad productiva y los niveles de insumos no es sostenible del todo19.

18

Cuando cada productor es observado T veces, se dice que el Panel es Balanceado (“Balanced”); mientras que si cada

productor i es observado veces, se dice que el Panel es No-Balanceado (“Unbalanced”). 19

Desde que los productores de cada departamento conocen algo acerca de su eficiencia técnica, esto influirá en la selección de los insumos.

39

Ventajas y limitaciones derivadas del uso de paneles de datos Entre los beneficios de usar datos de panel pueden incluirse20: a. Control de la heterogeneidad individual: los datos transversales y temporales no son capaces, por si solos, de controlar la heterogeneidad inherente en el comportamiento de los individuos, empresas, regiones o países, corriéndose el riesgo de obtener estimaciones sesgadas cuando se utilizan datos de un tipo o de otro. Sin embargo, a través del uso de los datos de panel pueden controlarse estos efectos específicos, transversales o temporales, sean observables o no (generalmente no lo serán). b. Proporciona datos con mayor cantidad de información, con mayor grado de variabilidad y con menor nivel de colinealidad entre los regresores; y también aumenta el número de grados de libertad y, por tanto, da lugar a una mayor eficiencia en las estimaciones. c. Son un medio adecuado para estudiar procesos dinámicos de ajuste ya que a partir de ellos se pueden analizar los cambios en el tiempo de las distribuciones transversales. d. Ayudan a identificar y medir efectos que no son detectables con datos puros de corte transversal o de series temporales. e. Permiten construir y contrastar modelos de comportamiento más complejos que con datos más simples. f. Puesto que las unidades transversales de un panel de datos normalmente se refieren a individuos, familias o empresas (más que a países o regiones, para los cuales no se utiliza generalmente el término de panel de datos sino de pool temporal de secciones cruzadas21), se evitan los sesgos que resultan cuando se trabaja con variables agregadas. Por otro lado, entre las limitaciones cabe destacar las siguientes: a. Problemas de diseño muestral y de recogida de datos relacionados con inadecuadas tasas de cobertura, falta de respuesta, frecuencia y lapso temporal, período de referencia, etc. b. Distorsiones provocadas por errores de medida, que pueden aparecer por la falta de respuesta, errores de memoria, respuestas incorrectas deliberadas, etc. c. Problemas de selección muestral tales como no aleatoriedad, auto-selección, no-respuesta inicial o abandono. d. En general, escasa dimensión temporal, lo que invalida algunos argumentos asintóticos y hace que la mayor parte de los mismos hayan de recaer en el tamaño del corte transversal.

20

http://eco.unex.es/jramajo/econII_tema2.pdf 21

Para este tipo de datos, donde los valores Ti son grandes en relación al número de unidades transversales (N), se utilizan

modelos de la forma yit= xi'tβ + vit, permitiendo que el término de error vit sea heteroscedástico, autocorrelacionado y que

exista correlación cruzada entre grupos; a veces se añaden al modelo básico efectos individuales fijos para permitir la presencia de efectos individuales inobservables.

40

La utilización de Modelos Datos de Panel permite mayor flexibilidad para diferenciar comportamientos entre observaciones, es decir, permiten modelar la heterogeneidad entre los grupos. Esto es importante para nuestro caso por las diferencias estructurales que presentan tanto los diferentes departamentos de la Región del Eje Cafetero como los diferentes sectores económicos de la misma Región. Además, permite clasificar los efectos económicos que no pueden distinguirse sólo con el uso de datos de corte transversal o series de tiempo. Esta metodología permite obtener modelos con o sin ponderaciones entre los miembros de los Datos de Panel. Un modelo con ponderaciones asume que no existe una tendencia uniforme entre los sectores industriales frente al crecimiento industrial. En la formulación, el modelo Datos de Panel considera que los errores variantes a través del tiempo no están correlacionados con valores presentes y pasados de ciertos variables condicionantes, de modo que estos son predeterminados con respecto a los errores variantes en el tiempo. 1.3. El concepto de convergencia En los años recientes se ha desarrollado un debate sobre las condiciones iniciales y las fuentes del crecimiento económico de largo plazo de la economía mundial, de los países y de las regiones. En los debates existen dos posiciones extremas: por un lado están las teorías Neoclásicas de crecimiento exógeno que sostienen que a largo plazo deberá producirse un proceso de convergencia entre las economías, pues existen mecanismos que permiten a las economías menos desarrolladas crecer más de prisa que las más desarrolladas y, en última instancia, alcanzarlas. Por otro lado, están las teorías más recientes de crecimiento endógeno que afirman que la convergencia, en términos de ingreso por habitante, no tiene necesariamente que producirse, por cuanto las economías más dinámicas pueden seguir creciendo tanto o más de prisa que las menos desarrolladas. Esta polémica ha derivado en la discusión empírica sobre la existencia o no de convergencia. En general, la hipótesis de convergencia se ha utilizado para explicar la tendencia de las brechas en el ingreso por habitante entre las naciones (Barro, 1991 y Barro y Sala-i-Martin, 1990 y 1995) y, en otros casos, para entender el diferencial productivo y los mecanismos de transmisión de la tecnología entre países, industrias y empresas (Baumol, 1986; De Long, 1988; Bernard y Durlof, 1990, y Bernard y Jones, 1996). La literatura económica distingue, en términos generales, entre dos tipos de convergencia a la hora de medir la aproximación o el alejamiento de los niveles de la variable o variables de interés entre países, regiones, departamentos, etc., en el transcurso del tiempo: la “convergencia ζ” y la “convergencia β” (Sala-i-Martín, X, 1994a). La convergencia ζ se produce cuando tiene lugar una reducción de la dispersión de los niveles de la variable o variables de interés entre los departamentos analizados en el presente estudio; esto es, cuando podemos inferir una disminución de la varianza o de la desviación típica interdepartamental entre dichas variables. Dicho de otra forma, la ζ convergencia es una medida de dispersión que indica el grado de desigualdad que existe entre distintas economías, tomando como referencia una determinada variable

41

económica. Si la desigualdad muestra una tendencia a reducirse en el tiempo se afirma que se está produciendo ζ convergencia, de lo contrario estaremos en presencia de divergencia entre los departamentos. La hipótesis de la convergencia β hace referencia a la dinámica por la que las regiones más pobres tienden a crecer a una velocidad superior a la de las más ricas, y, por ello, a reducir el diferencial existente entre ellas en cuanto a nivel de renta per cápita. En este sentido uno de los temas debatidos es sí las diferencias interregionales tienden a reducirse a mediano o largo plazo sin necesidad de la intervención pública o, por el contrario, es inevitable la intervención.

42

CAPÍTULO SEGUNDO

ANÁLISIS DESCRIPTIVO DE LA ECONOMÍA DEL EJE CAFETERO

43

CAPÍTULO SEGUNDO

ANÁLISIS DESCRIPTIVO DE LA ECONOMÍA DEL EJE CAFETERO La Región del Eje Cafetero está conformada por los departamentos de Caldas, Quindío y Risaralda. Se encuentra ubicada en la parte central de Colombia, zona estratégica que equidista de las principales ciudades del país. Su área total es de 12.906 kilómetros cuadrados que equivalen al 1,3% del territorio nacional. De esta área, un poco más de la mitad (56%) corresponde al departamento de Caldas, 28% a Risaralda y 15% al Quindío. Está Región está integrada por 53 municipios (Risaralda 14, Quindío 12 y Caldas 27) donde viven cerca de 2.421.763 habitantes (datos a 2007), lo que significa que alrededor del 6.1% de la población colombiana habita en el Eje Cafetero22.La economía regional se fundamenta en la explotación agrícola, donde se destaca la producción cafetera; renglón que ha sido la base de su desarrollo desde finales del siglo XIX y del cual sustentan sus ingresos buena parte de los pobladores23.

Esta Región es afectada, en los actuales momentos, por un conjunto de circunstancias internas, pero sobre todo externas. Las grandes tendencias mundiales actuales no han traído los beneficios que se anunciaron para la inmensa mayoría de la población. Por el contrario, lo que se constata es que este proceso de globalización, direccionado por la política neoliberal24, está ocasionando serios problemas a la dinámica de la economía y, por ende, al bienestar social. El sector con mayor impacto negativo, producto de la globalización neoliberal a partir de la década del 90, es el agropecuario, pues, como se constata en este estudio, fue uno de los sectores que más perdió participación en el valor agregado del eje Cafetero debido, fundamentalmente, a la fuerte dependencia de la producción de café, la cual cayó en el periodo de análisis. El sector servicios, que es en la actualidad el de mayor dinamismo, no tiene capacidad de jalonar el crecimiento y, mucho menos, el desarrollo de la región.

El presente análisis descriptivo de la economía del Eje Cafetero se organizó de la siguiente manera: En primer lugar se aborda el contexto internacional de la Economía de la Región, en donde se describen los principales cambios estructurales de la economía mundial a partir de comienzos de los años 70 y cómo éstos han conducido a una mayor apertura de los mercados de los departamentos en estudio lo que ha obligado a la implementación de una nueva lógica en el comercio y en los procesos internos de producción. En segundo lugar se muestra un panorama general del comportamiento de la economía de cada departamento. En dicho panorama se estudia, entre otros factores, los siguientes: a) la dinámica y estabilidad de la economía. Se muestra el comportamiento histórico del PIB, la tendencia cíclica y su volatilidad. Además se estudia si la serie es estocástica o no lo es. Esto es importante porque nos permite comprender si el comportamiento del PIB está sometido a variables externas no controlables por los

22

Ver: PNUD (2004). Eje Cafetero. Un pacto por la Región. Informe Regional de Desarrollo Humano, Colombia. 23

Gómez Ramírez, et. al. Alberto. Turismo en el Eje Cafetero. Centro Regional de Estudios Económicos de Manizales, Junio del 2004. http://www.banrep.gov.co/documentos/publicaciones/pdf/cald_1.pdf 24

El Neoliberalismo es la síntesis de la estructura de intereses económicos y de poder de las empresas multinacionales cuyo objetivo es ampliar cada vez más su área de influencia y dominio a nivel mundial.

44

diferentes departamentos o si, por el contrario la variabilidad del PIB obedece a factores fácilmente controlables. b) se analizan los cambios en la estructura sectorial de la economía del eje cafetero y c) se estudia el comportamiento de la balanza comercial de todos los departamentos en estudio. Por último, se presentan algunas conclusiones.

2.1. El contexto internacional de la economía del Eje Cafetero

Se abordan dos aspectos claves: en el primero se estudia la pugna entre dos estructuras de poder (Monetarismo neoliberal en ascenso y keynesianismo en decadencia): se indaga sobre el proceso de ascenso del capital transnacional como estructura dominante a nivel mundial y el rediseño de la sociedad; y en el segundo aspecto, se hace un bosquejo general de la crisis actual del capitalismo mundial.

2.1.1. Monetarismo Neoliberal vs. Keynesianismo

El comportamiento de la economía del Eje Cafetero está estrechamente ligado al proceso operado en la economía mundial a partir de los años 90s, proceso que se caracterizó por una serie de cambios estructurales importantes en la economía mundial tendientes a rediseñar un nuevo orden económico internacional que hiciera viables los intereses económicos y políticos de las grandes empresas transnacionales del mundo y sobre todo, los de las empresas transnacionales de los EE.UU. Este proceso tiene dos fases: la primera arranca en 1965 y termina en 1980 y tiene que ver con la lucha entre el monetarismo neoliberal y el Keynesianismo. La segunda fase se extiende desde 1980 hasta hoy y se refiere a la hegemonía del monetarismo neoliberal y al rediseño del capitalismo mundial. Fase 1. Lucha entre el monetarismo Neoliberal y el keynesianismo La ofensiva neoliberal y monetarista contra la teoría y la política convencional keynesiana se desató en la década de los setenta (Rodríguez, 2005). Pero no sólo se trataba de la pugna entre dos tendencia económicas sino que en el fondo subyacía la lucha entre dos estructuras de poder claramente definidos: el capital industrial (representado por el Keynesianismo que perdía fuerza), de un lado, y del otro, el capital financiero internacional y el capital industrial transnacional (representado por el monetarismo neoliberal) que se disponía a ejercer el dominio económico, social y político a nivel mundial.

45

Gráfico 3. Lucha entre el monetarismo Neoliberal y el keynesianismo (Fase 1)

Fuente: Elaboración propia.

El Keynesianismo surgió en 1930 con la crisis mundial capitalista, se impuso en la década del 40 como doctrina y política económica predominante y hace crisis en la segunda mitad de la década de 1960. Fue precisamente a partir de esta fecha en que se desata la ofensiva por el poder del neoliberalismo monetarista, representante de los intereses del capital financiero internacional y de los intereses de las empresas transnacionales. Sin embargo, no va a ser sino hasta fines del decenio de 1970 en que realmente se adopta una política monetarista neoliberal firme y cada vez más predominante. Como consecuencia de esta nueva hegemonía, en los ochenta se empiezan a realizar las principales transformaciones estructurales, basadas en el liberalismo monetarismo: en Inglaterra, la cuna del keynesianismo, y en Estados Unidos, se daría la señal de arranque de dichas transformaciones, para ser inmediatamente seguidas por otros gobiernos de economías desarrolladas y luego por las economías subdesarrolladas.

Para reafirmar dicha hegemonía, algunos economistas representantes de esta tendencia teórica neoliberal, recibían el premio Nobel como reconocimiento a sus aportaciones en

Keynesianismo

(Capital industrial nacional)

1965 - 1980

Lucha entre el Monetarismo

Neoliberal y el

Keynesianismo

Neoliberalismo monetarista

(Capital bancario internacional y capital industrial

transnacional)

-Surgió en 1930 aproximadamente -Se impone en la dédaca del 40como doctrina oficial -Hace crisis en 1965

-Se desata su ofensiva en la década del 70 -Se impone a finales de los 70 como doctrina oficial

El capital bancario e industrial transnacional (capital financiero internacional) se impone como

estructura de intereses económicos y de poder hegemónicos mundial

46

dicho campo. Entre estos economista cabe destacar los representantes más importantes: Friedrich August von Hayek (1899 - 1992), premio Nobel de Economía en 1974; Milton Friedman (1912-2006), premio Nobel de Economía en 1976, entre otros.

El monetarismo neoliberal fue ganando espacio no solamente teórico sino también en las instancias del gobierno, en la academia, en los medios de comunicación y en algunos intelectuales de la época. Este aumento de poder, sin lugar a dudas, estaba sustentado en el crecimiento del poder económico y político del capital financiero transnacional (empresas transnacionales).

Bhaduri y Steindl (1985) consideraban apenas digno de discutir el contenido del monetarismo y se preguntaban desconcertados ¿cómo esta ideología gradualmente ganaba terreno y se convertía en "el credo de los círculos gobernantes en algunos países y con mucha influencia en otros"? Estos economistas hacían notar que el monetarismo estaba asociado a una política monetaria y fiscal restrictiva, política que siempre había sido apoyada por los banqueros y los financieros (la City de Londres y Wall Street, entre otros) ya que estos eran los que demandaban altas tasas de interés y presupuestos restringidos, de tal manera que "la teoría monetaria había encontrado un hogar en aquellos círculos más que en cualquier otro". Consideraban que el ascenso de la influencia del monetarismo en el mundo había sido precedido por un cambio de poder de la industria a los bancos. Por tal motivo, el monetarismo neoliberal era visto como una ideología de los banqueros y los rentistas y, por tanto, servía como un antídoto a la ideología keynesiana (Rodríguez, 2005). Para mediados de los ochenta el neoliberalismo y el monetarismo antiinflacionario se había convertido en la teoría y la política oficial de la mayoría de los principales países capitalistas y por tanto su influencia se extendió a los demás países, inclusive a los países socialistas25.

El cambio de marea, que los teóricos monetaristas percibían en la segunda mitad de los setenta, estaba plenamente establecido veinte años después. El keynesianismo había sido desplazado en la política económica y la teoría heterodoxa, el monetarismo neoliberal, se había convertido en la teoría ortodoxa. El mundo había cambiado de nuevo26. Fase 2. Hegemonía del capital transnacional y rediseño del capitalismo mundial (cambios estructurales en la sociedad)

25

“Los países que durante mucho tiempo habían abogado por su propia modalidad local de socialismo, financiada con la ayuda de Occidente, de repente tuvieron que contemplar un enfoque más realista para atraer las inversiones occidentales al practicar políticas de libre mercado: todavía un terremoto pequeño, pero que transformaría a la economía mundial a lo largo de la próxima década”, Thatcher, Margaret. (1994). Los años en Downing Street. Ediciones Aguilar-Nuevo Siglo, pp. 168-169. 26

Se demuestra como, en un momento histórico específico, determinadas estructuras de intereses económicos y de poder pugnan por la hegemonía económica y política, lucha que viene rodeada de un rediseño del orden económico mundial y de un recambio en el paradigma teórico, necesarios estos últimos dos procesos para que esta nueva estructura de poder encuentre el espacio propicio para operar, es decir, para imponer sin problemas sus intereses económicos, sociales y políticos.

47

Gráfico 4. La hegemonía del monetarismo neoliberal (Fase 2)


A partir de finales de los 80s y principio de los 90s empieza, en forma sistemática, el rediseño del capitalismo mundial como consecuencia obvia de la consolidación definitiva de la hegemonía del capital financiero transnacional. Pero al mismo tiempo, empieza a consolidarse, también sistemáticamente, la ideología neoliberal. Sus primeros cimientos aparecen en noviembre de 1989 con el llamado “Consenso de Washington”27 El Consenso de Washington consiste en un listado de políticas económicas consideradas durante los años 1990 por los organismos financieros internacionales y centros económicos con sede en Washington DC, Estados Unidos, como el mejor programa económico que los países latinoamericanos debían aplicar para impulsar el crecimiento. Como puede deducirse, es un programa económico no consultado a los países subdesarrollados pero impuesto a éstos por los organismos internacionales norteamericanos. Como consecuencia de estas directrices, se produce, a finales de los 80 y comienzos de los 90, la llamada “Apertura Económica” en Colombia y en la mayoría de países latinoamericanos, como una imposición de los EE. UU. que busca apresuradamente mercados nuevos para la colocación de la enorme sobreproducción de mercancías y capitales que no encontraban salida internamente dada la crisis económica de ese país que se hace aún más severa desde finales de los ochenta. En 1994, con el ánimo de acelerar el libre mercado en América Latina, EE.UU promueve la llamada Área de Libre Comercio de las Américas (ALCA). La idea de integrar las economías del Hemisferio Occidental en un ALCA fue propuesta en la primera Cumbre de las Américas en 1994. La liberalización de los flujos de inversión, y no solo del comercio de bienes y servicios, es uno de los objetivos del ALCA. El objetivo del grupo de negociación sobre inversión del ALCA es generar un marco legal justo y transparente para promover la inversión extranjera mediante la creación de un

27

El Consenso de Washington fue formulado originalmente por John Williamson en un documento de noviembre de 1989 ("What Washington Means by Policy Reform" que puede traducirse como "Lo que Washington quiere decir por reformas políticas"). El escrito concreta diez temas de política económica, en los cuales, según el autor, "Washington" está de acuerdo. "Washington" significa el complejo político-económico-intelectual integrado por los organismos internacionales (FMI, BM), el Congreso de los EUA, la Reserva Federal, los altos cargos de la Administración y los grupos de expertos.

http://es.wikipedia.org/wiki/1990

http://es.wikipedia.org/wiki/Washington_DC

http://es.wikipedia.org/wiki/Estados_Unidos

48

entorno estable y predecible al interior de los países que proteja al inversionista, su inversión y los flujos asociados. No solamente se pretendía la liberación de los mercados tanto de bienes y servicios como de capitales en América Latina, sino que se buscaba también la creación de un marco jurídico e institucional acorde con los intereses del gran capital internacional. No obstante, el ALCA fracasó por conflictos entre empresarios, divergencias entre gobiernos y resistencias populares. Este proyecto intentaba reforzar la dominación integral de Estados Unidos sobre Latinoamérica mediante privilegios a los grandes exportadores y empresas multinacionales de los EE.UU. La iniciativa fue apoyada dentro y fuera de Estados Unidos por estas empresas y objetada por los sectores más dependientes de cada mercado interno.

En los actuales momentos Estados Unidos ha lanzado una contraofensiva para suscribir tratados bilaterales que radicalizan la agenda neoliberal y aumentan la indefensión de las economías latinoamericanas: son los llamados Tratados de Libre comercio (TLC) que, hoy por hoy, encuentra una enorme oposición en el congreso Norteamericano y en algunos sectores de ese país.

En conclusión, la política del libre mercado y, en general, la política neoliberal se ha abierto camino en América Latina a través de un sinnúmero de métodos económicos y extraeconómicos. 2.1.2. Bosquejo general de la crisis actual del capitalismo mundial

El bosque general de la crisis actual del capitalismo mundial es el siguiente:

a. Onda larga descendente de Kondratiev Los países desarrollados del mundo atraviesan, desde principios de los años 1970 y hasta los actuales momentos, una onda larga descendente de Kondratiev que amenaza con destruirlos (gráfico 5).

Gráfico 5. Ondas largas de Kondratiev

Gráfico 5. Ondas Largas de Kondratiev

1780-90

1810-17

1844-51

1870-75

1890-96

1914-20 1973

1939-40 Hoy

I II III

IV

Crisis económica mundial

Onda larga descendente de Kondratiev

64 años46 años 49 años 69 años

30 años

34 años26 años 20 años

24 años 25 años

34 años

35 años

Promedio ciclo

completo: 57 años

“Años Dorados del capitalismo”

Fuente: elaboración propia de fuentes diversas

49

Se puede asegurar que la crisis empieza en la década de los 70 con la crisis del petróleo y el fenómeno de la estanflación (1973-1981). No obstante, esta recesión se presentó con fuerza a finales de los 80 y principios de los noventa (1989-93) y se extiende hasta hoy. Es importante observar que la crisis mundial que empieza en los años 70 coincide con la crisis general del sistema keynesiano y con la ofensiva del monetarismo neoliberal por la hegemonía, la cual logra a finales de los 80. Además, el recrudecimiento de la crisis mundial a finales de los 80, coincide, igualmente, con el inicio de los cambios estructurales del sistema capitalista para hacer viable los intereses económicos sociales y políticos del capital transnacional. Esta onda larga descendente, que empezó a comienzos de los años 70, es la más extensa (35 años) que ha vivido el mundo capitalista desde 1810 (gráfico 5). Esta crisis internacional dio paso al modelo neoliberal y su modalidad de globalización como estrategias para tratar de superar los graves problemas del sistema capitalista, pero, como lo enseña la experiencia, en lugar de ello se han recrudecido por la propia naturaleza de dichas estrategias: flexibilización laboral, privatizaciones, disminución del gasto social, reducción de los mecanismos de protección de las economías, militarización de la sociedad, criminalización de la protesta social, entre otras. b. Crisis y contradicciones del capitalismo mundial Una característica sobresaliente del capitalismo contemporáneo es la recuperación de la tasa de ganancia desde comienzo de los 80 (en que se impone la hegemonía del capital transnacional reflejado en el monetarismo neoliberal) y más decididamente desde los 90 en adelante (en que se inicia el rediseño del capitalismo mundial); pero este proceso no va acompañado por un aumento de la acumulación capitalista durable y generalizada, ni por un crecimiento y productividad estable; es más, tanto la acumulación como el crecimiento económico y la productividad han ido descendiendo al mismo momento que la ganancia crece (gráfico 6). Esta es una cuestión inédita en la historia del capitalismo.

Gráfico 6. Las curvas de la economía capitalista 1961-2003

50

La tesis es que la ofensiva neoliberal (una respuesta política, militar y económica del capital a la caída de la tasa de ganancia que venía descendiendo desde fines de los 60, una vez agotado el carácter excepcional del boom de la posguerra), aunque ha logrado en gran medida recuperar la rentabilidad, lo ha hecho generando contradicciones explosivas que más temprano que tarde estallarán en una crisis de conjunto, actualizando la definición del capitalismo como un sistema declinante. Las medidas Neoliberales en vez de ser una estrategia importante para que el capitalismo salga de la crisis la ha recrudecido y sus efectos económicos, sociales, políticos y culturales en la mayor parte del mundo han sido nocivos para la mayoría de la población.

2.2. Panorama general del comportamiento de la economía de los departamentos del Eje Cafetero

A continuación se describe un panorama general actual de la economía de los departamentos del Eje Cafetero tratando de mostrar los aspectos más relevantes. Partimos de la hipótesis de que el comportamiento de la economía de los departamentos en estudio está estrechamente ligado al proceso de globalización operado en la economía mundial a partir de los años 90s. Se usaron series de tiempo con periodicidad anual: el PIB real de los departamentos comprende el periodo 1980-2008 y las demás variables desde 1990 hasta el 2008. Dinámica y estabilidad de la economía del Eje Cafetero28 La dinámica económica se mide por la tasa de crecimiento del PIB, mientras que la estabilidad o volatilidad de los flujos del PIB (serie completa)29, para los departamentos del Eje Cafetero en el período 1980-2008, se estima a partir de sus coeficientes de variación30, que se definen como la desviación estándar de la serie sobre la media en el período considerado. La volatilidad es tanto más indeseable cuanto mayor sea, porque termina provocando efectos negativos en la confianza de los agentes económicos y en el crecimiento económico de mediano y largo plazo.

28

Para los efectos de este capítulo las series del PIB de cada departamento se tomaron desde 1980 hasta el 2008. Fue necesario realizar un empalme de series para todos los departamentos dado que los datos de 1980 a 1989 estaban en base 1975 y de 1990 al 2008 en base 1994. Con el empalme la serie total quedó con base 1994. En la elaboración de series de tiempo para el PIB, que sean consistentes en el largo plazo, se distinguen tres métodos de empalme que se pueden clasificar en dos grupos [Correa, V. et al. (2002)]: a) Técnicas Estadísticas de Empalme y b) Reproceso Detallado. El procedimiento de Reproceso Detallado consiste en utilizar los métodos, fuentes, clasificaciones y conceptos utilizados en el nuevo año base para el recálculo de los años anteriores a éste, en la elaboración de las cuentas nacionales. La utilización de este método es muy difícil en la Región del Eje Cafetero y en Colombia, producto de la falta de información necesaria para su aplicación. Las Técnicas Estadísticas de Empalme, por su parte, se pueden subdividir en dos métodos: a) Interpolación entre años base: Para la utilización de esta metodología es necesario elaborar las cuentas regionales con el mayor detalle posible para los años base. Los años intermedios se obtienen a través de la interpolación de la mencionada información. b) Método del Indicador: Cuando la información está disponible sólo en algunos años, los datos se pueden empalmar usando un indicador relacionado. Una de las alternativas de esta metodología es el uso del Método de la Tasa de Variación. En este caso se usan las variaciones provenientes de las series antiguas y se aplican a la última serie. Con esta metodología se respeta la trayectoria de crecimiento de cada Departamento. En este trabajo, debido a la información existente de los PIB Departamentales, se utilizó el Método de la Tasa de Variación. 29

Aquí se estudiará la volatilidad de la serie completa del PIB; más adelante se estudiará la volatilidad únicamente del ciclo económico una vez separada la tendencia de la serie. 30

Estos son de amplio uso en la literatura. Véase, por ejemplo, Banco Mundial (1997)

51

Por volatilidad se entiende la variación de una variable en torno a su tendencia central. Una economía es volátil cuando sus principales indicadores macroeconómicos tienden a variar de forma errática e impredecible en comparación con otras economías o con períodos que son económicamente estables. Esta volatilidad es consecuencia de ser economías muy susceptibles a shocks externos e internos.

La volatilidad se puede medir a través de estadísticos que resuman la magnitud con la que un indicador tiende a desviarse de su tendencia central; entre los más relevantes se encuentran la desviación estándar y el coeficiente de variación. El coeficiente de variación es la medida de dispersión relativa de mayor importancia; se expresa en términos porcentuales, y se define como la desviación estándar de una variable dividida entre su media; la misma puede ser más adecuada cuando los promedios son claramente diferentes, aunque las unidades puedan ser las mismas. Por su parte, la desviación estándar, como medida absoluta, es la que mejor cuantifica la magnitud en que una variable suele desviarse de su tendencia central y se calcula con respecto a la media aritmética de los valores de la serie. Su valor se encuentra en relación directa con la dispersión de los datos (a mayor dispersión de ellos, mayor desviación estándar y, a menor desviación estándar menor dispersión). Es considerada como la medida de desviación más importante y de mayor utilidad práctica. En este trabajo se utiliza la desviación estándar como indicador de la volatilidad de las diferentes series del PIB de los departamentos del Eje Cafetero y de Colombia.

En el decenio de los noventa la economía risaraldense perdió dinámica y estabilidad. En efecto, mientras durante los ochenta el PIB creció a tasas cercanas al 5% anual, en los noventa esa tasa de crecimiento promedio tan sólo alcanzó el 2,98% (gráfico 7). Dicho decrecimiento económico estuvo acompañado de una pérdida de estabilidad en el comportamiento de la serie completa en cada uno de los periodos estudiados (tabla 4). En la década del 80 hubo mayor estabilidad en la serie del PIB (la desviación estándar fue del 3,7%) que en los años posteriores (desviación estándar de 4,16%). Se observa que no solamente disminuyó la dinámica de la economía sino también su estabilidad.

Gráfico 7. PIB Real Risaralda

Nota: Crecimiento promedio durante los 80: 4,91% anual. Crecimiento promedio a partir de los 90 hasta 2008: 2.98% anual.

-15

-10

-5

0

5

10

15

19

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

%

PIB Real RisaraldaPrecios constantes de 1994

Crecimiento promedio durante los 80: 4,91% anual

Crecimiento promedio a partir de los 90 hasta hoy: 2.98% anual

52

Por su parte, el departamento del Quindío, aunque ganó crecimiento de un período a otro, la economía no mejoró mucho su estabilidad: durante los ochenta su PIB creció a tasas cercanas al -0,78% anual y en los noventa esa tasa de crecimiento promedio alcanzó el 2,53% (gráfico 8). Sin embargo, dicha recuperación económica se hizo en un ambiente de enorme inestabilidad en su economía, en efecto, en los ochenta la desviación estándar fue del 10,42% y en los años posteriores, aunque la desviación estándar disminuyó un poco al ubicarse en 8,22%, siguió siendo alta en comparación con los demás departamentos y con el promedio de Colombia (ver tabla 4).

Gráfico 8. PIB Real Quindío

Nota: Crecimiento promedio durante los 80: -0.78%. Crecimiento promedio a partir de los 90 hasta 2008: 2.53% anual

El departamento de Caldas tuvo un crecimiento económico del 3,18% en la década del 80 y en los años posteriores, hasta el 2008, su crecimiento fue del 3,27% (gráfico 9). Se produjo un crecimiento muy leve de un período a otro. Sin embargo, este crecimiento se produjo en un ambiente de creciente inestabilidad de su economía: La desviación estándar de la serie del PIB en los 80 fue del 4,37%, mientras que de 1990 al 2008 la desviación estándar fue del 5,54% (tabla 4).

Gráfico 9. PIB Real Caldas

Nota: Crecimiento promedio durante los 80: 3.18% anual. Crecimiento promedio a partir de los 90 hasta el 2008: 3.27% anual.

-30

-20

-10

0

10

20

30

19

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

%

PIB Real QuindíoPrecios constantes de 1994

-10

-5

0

5

10

15

20

19

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

%

PIB Real CaldasPrecios constantes de 1994

Crecimiento promedio durante los 80: -0.78% anual

Crecimiento promedio a partir de los 90‟ hasta el 2008: 2.53% anual

Crecimiento promedio durante los 80: 3.18% anual

Crecimiento promedio a partir de los 90 hasta el 2008: 3.27% anual

53

Los departamentos del Eje Cafetero se caracterizan, pues, porque en las últimas dos décadas (a partir de los años 90 hasta hoy) han experimentado un incremento de la inestabilidad o volatilidad en su actividad económica, pues la desviación estándar de la serie completa de su respectivo PIB está muy por encima de la desviación estándar de la serie del PIB Nacional en los dos periodos en estudio (ver tabla 4 y gráfico 10).

Además, se observa una relación inversa clara entre volatilidad y crecimiento para Quindío y Risaralda. Caldas, por su parte, presenta una relación directa, aunque el incremento de su volatilidad a partir de los 90 fue mucho mayor que el crecimiento de la producción promedio experimentado a partir de ese mismo año (0,1% en 18 años) (Tabla 4 y gráfico 10)31. Para Risaralda, a mayor volatilidad de la serie, menor crecimiento económico. En efecto, dado que los agentes económicos son usualmente adversos al riesgo, el aumento de la incertidumbre asociado con la volatilidad sin lugar a dudas impacta negativamente la actividad económica. En cuanto al departamento del Quindío, aunque muestra un crecimiento importante a medida que su volatilidad disminuye, es necesario tener en cuenta que dicha volatilidad es la más alta de todos los departamentos del Eje Cafetero y que el crecimiento, experimentado durante el periodo 1990-2008, no superó el de Caldas y Risaralda (tabla 4). El departamento de Caldas aumentó su tasa promedio de crecimiento en un 3,15% al pasar de un promedio de crecimiento de 3,17%(1980-1989) a un crecimiento promedio del 3,27% (1990-2008). Sin embargo este crecimiento porcentual (0,1%) fue menor que el crecimiento experimentado en su volatilidad del PIB: su volatilidad se incrementó en un 26,58%al pasar de una desviación estándar de 4,37 (1980-1989) a una desviación estándar de 5,54 (1990-2008). El escaso crecimiento del PIB de Caldas, logrado de un periodo a otro, fue alcanzado en medio de un aumento considerable en su volatilidad. Parecería ser que el crecimiento de la volatilidad de este departamento impidió un crecimiento mayor de su producción. En conclusión, el muy leve incremento del crecimiento promedio del PIB de las economías del Eje Cafetero, de un periodo a otro (1980-1989: 2,43% y 1990-2008: 2,93%), se ha logrado en medio de una situación de volatilidad que es preocupante. La exposición del país a frecuentes choques externos desde la crisis latinoamericana de deuda en los 80, pero sobre todo a partir de los 90 con la Apertura económica, se tradujo, sin lugar a dudas, en una inercia del crecimiento y en una mayor volatilidad. Así, se puede establecer que durante las últimas dos décadas, la economía de los departamentos del Eje Cafetero han experimentado un menor crecimiento y una mayor volatilidad que en el pasado debido a la más frecuente ocurrencia de crisis económicas.

31

Tras las estimaciones de los ciclos, se infiere la posible existencia de una relación entre el crecimiento económico y su volatilidad, donde la literatura plantea dos tipos de relaciones, poco concluyentes, a saber: Ramey y Ramey (1995), Aizeman y Marion (1999), Aghion et al. (2005) suponen una relación estadística negativa basados en que “si las empresas deben comprometerse a avanzar en su tecnología, entonces la volatilidad puede dar lugar a una disminución media del producto, ya que las empresas productoras se encuentran en los niveles óptimos ex post” (Ramey y Ramey, 1995). En sentido contrario, Kormendi y Meguire (1985) y Griery Tollock (1989) parten de la idea de Blackburn (1979) según la cual debe existir una relación positiva entre la volatilidad y la tasa de crecimiento pues “los agentes en conjunto elegirán tecnologías más riesgosas esperando un crecimiento superior mayor en el futuro” (Posada et al., 2007). Lo anterior es reafirmado gracias al estudio de Chatterjee y Shukayev (2006), del cual se desprende que “una mayor variabilidad del producto involucra un mayor ahorro y, supuestamente, mayores tasas de crecimiento” (Posada et al., Ibíd.). De lo anterior se deduce que el impacto de la volatilidad macroeconómica sobre la tasa de crecimiento del producto no se nos presenta aún como resultado de una relación clara y contundente.

54

En los años ochenta se creía que el efecto de la volatilidad en el crecimiento y el bienestar económico eran apenas escasos, y por eso no revestía mayores problemas. Los estudios realizados en los años noventa llegan a una conclusión muy diferente: la volatilidad del producto puede, en realidad, reducir el crecimiento a largo plazo y podría suponer un fuerte deterioro del bienestar (Kose, Prasad y Terrones, 2005; Aizenman y Pinto, 2005)32. Los motivos de la volatilidad son determinantes para evaluar la forma que debe adoptarla política económica departamental y regional. Cuando las causas son internas, la política se centrará en cuestiones fiscales, monetarias y cambiarias. Si la volatilidad se debe a shocks exógenos la situación es distinta dado que la política económica sería inoperante y la economía estaría sometida a variables de tipo estocástico incontrolables lo que agrava aún más la situación.

La estabilidad económica implica evitar oscilaciones pronunciadas en la actividad económica. Cualquiera de estas formas de inestabilidad puede agudizar la incertidumbre, desalentar la inversión, impedir el crecimiento económico y deteriorar el nivel de vida. Sin embargo, toda economía de mercado muestra necesariamente cierto grado de inestabilidad y de cambios estructurales paulatinos. El desafío que se plantea a los responsables de la formulación de políticas es reducir esa inestabilidad al mínimo sin reducir la capacidad del sistema económico de elevar los niveles de vida mediante una mayor productividad y eficiencia y la consiguiente generación de fuentes de trabajo.

La pérdida de dinámica y la inestabilidad del crecimiento económico del Eje Cafetero se presentan, en la actualidad, como un problema difícil de manejar dado que, al parecer, no depende de variables internas controlables sino de factores externos de difícil control.

Tabla 4. Desviación estándar serie completa PIB a precios constantes de 1994

Departamentos Desv. Est. 1980-1989

Desv. Est. 1990-2008

Crecimiento PIB promedio(1980-

1989)

Crecimiento PIB promedio(1990-

2008)

Caldas 4,3732768 5,53593545 3,17% 3,27%

Quindío 10,4212091 8,2231692 -0,78% 2,53%

Risaralda 3,73662764 4,16457049 4,91% 2,98%

Promedio Eje Cafetero

7,03525756

6,10353795

2.43%

2.93%

Colombia 1,61299497 2,59551604 3,32 3,45 Fuente: Elaboración propia.

32

La teoría económica no explica claramente el efecto de la volatilidad en el crecimiento económico. De hecho, algunos estudiosos del tema sostienen que la volatilidad puede estimular el crecimiento económico: relación positiva entre volatilidad y crecimiento (Blackburn (1999); Imbs (2004); y Tornell, Westermann y Martínez (2004); Sandmo (1971)). Blackburn (1999), en particular, expresa que la relación entre la volatilidad y la tasa de crecimiento debe ser positiva pues los agentes en conjunto elegirán tecnologías más riesgosas esperando un crecimiento superior en el futuro. Otra explicación de la existencia de una relación positiva entre la tasa de crecimiento del producto y su volatilidad se conoce como la hipótesis de Sandmo (1971), la cual indica que una mayor variabilidad del producto involucra un mayor ahorro y, supuestamente, mayores tasas de crecimiento.

55

Gráfico 10. Volatilidad y crecimiento departamentos Eje Cafetero 1980-2008


2.2.1. Volatilidad del ciclo económico y de la serie tendencial del PIB de las economías del Eje Cafetero

A continuación se estudia el nivel de volatilidad que tienen las series del PIB de los departamentos del Eje Cafetero desde el punto de vista de la serie completa y desde el punto de vista del ciclo y la tendencia.

La tendencia estocástica de las series completa del PIB de los departamentos del Eje Cafetero

La economía de mercado, es decir el capitalismo, se caracteriza por desarrollarse en forma cíclica, mediante sucesivas fases de ascenso, auge, recesión, crisis y reactivación. Esta sucesión de fases demuestra cómo la actividad económica es inherentemente inestable, resultando de suma utilidad no sólo explicar el por qué de estas oscilaciones, sino el modo en que éstas se producen, a qué variables afectan, el cómo se propagan y en última instancia cómo pueden anticiparse y cómo mitigarse33. El ciclo económico está basado en leyes económicas generales que gobiernan el sistema capitalistas, más que en factores políticos o institucionales específicos de países aislados o períodos particulares; sin embargo, como explicó Joseph Schumpeter (1935), "cada fluctuación económica constituye una unidad histórica que no puede explicarse sino mediante un análisis detallado de los numerosos factores que concurren en cada caso". En términos técnicos, Lucas (1977) define a los ciclos económicos como los movimientos del Producto Interno Bruto real (PIB) alrededor de su tendencia de largo plazo. A partir de esta definición se han construido dos tendencias que son las que actualmente se mantienen. En primer lugar, “en una perspectiva tradicional, se ha considerado que los

33

La importancia de conocer las razones por las que el producto real experimenta fluctuaciones recurrentes con relación a una tendencia ha sido destacada por Lucas (1977), al referirse a éste como uno de los desafíos principales en investigación económica.

Caldas

Quindío

RisaraldaColombia

0

0.5

1

1.5

2

2.5

3

3.5

4

0 1 2 3 4 5 6 7 8 9 10Tasa

de

cre

cim

ien

to p

rom

ed

io P

IB

Volatilidad (Desviación estándar)

Volatilidad y crecimiento1980-2008

http://es.wikipedia.org/wiki/Capitalista

http://es.wikipedia.org/wiki/Joseph_Alois_Schumpeter

http://www.monografias.com/trabajos12/elproduc/elproduc.shtml

56

cambios en el producto y el empleo que ocurren durante el ciclo económico son eventos temporales. Bajo este punto de vista, las fluctuaciones (o componente cíclico de una serie temporal) corresponden a oscilaciones estocásticas, alrededor de una tendencia determinística, que no afectan, de manera permanente, la tendencia en sí misma. En tal caso, y desde el punto de vista estadístico, el ciclo se define como las desviaciones con respecto al sendero tendencial. A su vez, la visión tradicional del ciclo considera que esa tendencia de crecimiento es constante a través del tiempo y los movimientos de largo plazo en el producto y el ingreso son predecibles” (Gaviria y Sierra, 2005). En aras de la precisión es necesario decir que la visión tradicional no niega absolutamente los cambios en la tendencia, por el contrario, ella acepta que puede cambiar; sin embargo, considera que las fuerzas que pueden provocar esos cambios son poco frecuentes y ocurren en intervalos muy largos de tiempo(Gaviria y Sierra, 2005). En segundo lugar, en la década de los 80 surgió una tendencia opuesta a la tradicional. En efecto, “Charles Nelson y Charles Plosser34 mostraron que algunos cambios permanentes en el producto y el empleo podrían ser el resultado de shocks (cambios no esperados en una variable) observados en la economía. De acuerdo con esta perspectiva, un cambio en el producto puede dividirse en dos partes, el componente tendencial y el componente cíclico, ninguno de los cuales es constante a través del tiempo. Es decir, bajo este enfoque el componente tendencial es estocástico, dado que carece de una dinámica autónoma (una tasa de crecimiento constante e independiente de los fenómenos accidentales) y, por el contrario, es el resultado de la sumatoria de todos los movimientos aleatorios. En tal caso no hay una separación formal entre tendencia y ciclo, pues todos y cada uno de los factores aleatorios podrían hacer variar la tendencia, convirtiéndola en un proceso estocástico” (Gaviria y Sierra, 2005). Por lo expuesto anteriormente, y para el caso concreto de las posibilidades de separación entre el ciclo económico y la tendencia en la serie de los PIB de los departamentos del Eje Cafetero, es necesario establecer primero si las series del PIB de los departamentos tienen tendencia estocástica o determinística. Para tal fin, se hace necesario determinar la existencia de raíz unitaria en el proceso autorregresivo del PIB de cada uno de los departamentos, para lo cual se recurrirá a la prueba de Dickey – Fuller aumentada (ADF), la cual será calculada a través del software Eviews 5.0. Si al estimar la regresión se encuentra que dicho proceso autorregresivo posee raíz

unitaria ( = 1), se puede concluir que la serie de tiempo PIB presenta tendencia estocástica; de lo contrario, la serie presenta una tendencia determinística.

Según Damodar Gujarati (1997), una serie de tiempo que tiene una raíz unitaria se conoce como caminata aleatoria. Una caminata aleatoria es un ejemplo de una serie de tiempo no estacionaria. Las tablas numeradas del 5 al 7 reportan los resultados de la prueba Dickey-Fuller ampliada (DFA) para el nivel y la primera diferencia de cada una de las variables del logaritmo del PIB utilizadas para los departamentos del Eje Cafetero. Es necesario tener en cuenta lo siguiente:

34

Citado por Gaviria y Sierra, 2005. Los autores se refieren al siguiente artículo de Charles Nelson y Charles Plosser: Nelson, Charles R. and Plosser, Charles I. (1982). "Trends and Random Walks in Macroeconmic Time Series: Some Evidence and Implications," Journal of Monetary Economics, 10(2), , pp. 139–162.

57

| t-calculado (valor de DFA o de contraste)|>| t-críticos (valores críticos a 1%, 5% y 10%)|, entonces la serie no tiene raíz unitaria. Significa que si el valor absoluto de t calculado (valor DFA o de contraste) es mayor que el valor absoluto de los valores críticos a 1%, 5% y 10%, diremos que la serie es estacionaria y no tiene raíz unitaria.

| t calculado (valor de DFA o de contraste)| < | t críticos (valores críticos a 1%, 5% y 10%)|, entonces la serie tiene raíz unitaria. Significa que si el valor absoluto de t calculado (valor DFA o de contraste) es menor que el valor absoluto de los valores críticos a 1%, 5% y 10%, diremos que la serie es no estacionaria y tiene raíz unitaria.

La prueba de raíces unitarias Dickey-Fuller ampliada (DFA) para el logaritmo del PIB de Caldas muestra, para el análisis de valores en niveles, que el valor absoluto de DFA (valor de contraste -0.956656) es menor que el valor absoluto de los valores críticos de MacKinnonal 1%, 5% y 10% (-3.689194, -2.971853 y -2.625121 respectivamente), lo que significa que la serie tiene raíz unitaria; es decir, la serie presenta tendencia estocástica; dicho de otra forma, las variables en niveles son no estacionarias35. De igual forma, la prueba de raíces unitarias Dickey-Fuller ampliada (DFA) para el logaritmo de los PIB de Quindío y Risaralda muestran, para el análisis de valores en niveles, que el valor absoluto de DFA para cada serie (valor de contraste -0.948924 y -0.963087 respectivamente) son menores que el valor absoluto de los valores críticos de MacKinnon al 1%, 5% y 10% (-3.711457, -2.981038, -2.629906 y -3.689194, -2.971853 y -2.62512 respectivamente), lo que significa que las serie del PIB de Quindío y Risaralda también tienen raíz unitaria; es decir las series presentan tendencia estocástica, son no estacionarias. Ahora, hay que diferenciar las series (el número de veces que haya que diferenciarlas) y realizar las pruebas de raíces unitarias Dickey-Fuller aumentada hasta que las series se vuelvan estacionarias, esto determinará su orden de integración. En las tablas numeradas del 5 al 7, se encuentran los resultados, los cuales muestran que el logaritmo del PIB de los tres departamentos del Eje Cafetero son integradas de orden uno I(1), debido a que las series en sus primeras diferencias se convirtieron en estacionarias, por lo que se concluye que las series definitivamente tienen una raíz unitaria. En efecto, la prueba de raíces unitarias Dickey-Fuller ampliada (DFA) para el logaritmo del PIB de Caldas, Quindío y Risaralda muestra, para el análisis de valores en primera diferencia, que el valor absoluto de DFA de cada departamento (valor de contraste de las series) es mayor que los valores absolutos críticos de MacKinnon al 1%, 5% y 10%, lo que significa que la serie en primera diferencia no tiene raíz unitaria; dicho de otra forma, las variables en diferencia no mantienen una tendencia en el tiempo, es decir, son

35

Por una variable no estacionaria se entiende aquella cuya media, varianza y/o covarianzas dependen del tiempo.

58

estacionarias. Se concluye, pues, que las series definitivamente tienen una raíz unitaria y son integradas de orden uno I(1).

Se constata que las series del PIB de los departamentos del Eje Cafetero tienen tendencia estocástica, lo que significa que su línea de tendencia la controla el azar, por lo que no manifiesta ninguna tendencia a tomar alguna trayectoria fija36. Por lo tanto, se tiene que considerar que la tendencia es inherentemente probabilística y que una perturbación o shock (internos y externo) que reciba tiene efectos permanentes (permanece indefinidamente, en lugar de agotarse con el paso del tiempo) en la tendencia a largo plazo y manda la variable a una nueva trayectoria, es decir, modifica enteramente su curso futuro (Nelson, Charles y Plosser, Charles (1982)), de tal forma que su predicción se vuelve casi imposible.

Por muchos años, los economistas interpretaron las fluctuaciones económicas en el corto plazo como el resultado de perturbaciones transitorias asociadas con cambios en la política monetaria y/o fiscal. Se pensaba que los shocks eran propagados por el sistema económico, generando patrones de persistencia y co-movimientos entre las distintas variables macroeconómicas. Las fluctuaciones de largo plazo, por su parte, eran atribuidas al comportamiento experimentado por variables tales como: la acumulación de capital, el crecimiento poblacional y los cambios tecnológicos. Esta interpretación tradicional de las fluctuaciones económicas ha sido seriamente cuestionada por muchos investigadores desde la publicación de la obra de Nelson y Plosser (1982). Estos autores presentaron evidencias empíricas que soportan la hipótesis de que un número importante de variables macroeconómicas se caracterizan por tener una raíz unitaria en sus series temporales. Ello significa que las variables macroeconómicas poseen una tendencia estocástica y no determinística, como tradicionalmente se ha interpretado, cuyas fluctuaciones pueden dominar el comportamiento de las mismas en el corto plazo. Para el modelo neoclásico, las fluctuaciones económicas son la reacción a shocks tecnológicos que generan perturbaciones permanentes alterando el equilibrio de largo plazo de las variables macroeconómicas. De manera que estas perturbaciones contribuyen significativamente en la explicación a la dinámica mostrada por las variables económicas cuando estas realizan su ajuste para alcanzar un nuevo equilibrio de largo plazo (Crespo, 2003). Dado que los desarrollos tecnológicos sistemáticos en la Región del Eje Cafetero, como prioridad inmediata, no están aún en la agenda de los empresarios de la Región (Montoya, 2007), parece ser que éstas no son propiamente las razones que explican la enorme volatilidad y la tendencia estocástica de la producción de las economías del Eje Cafetero. Las razones se pueden encontrar mejor en los cambios ocurridos en la economía nacional y regional a partir de los años 80. Las presiones por parte de las potencias económicas y diferentes organismos internacionales, a partir del triunfo del monetarismo neoliberal sobre el Keynesianismo, arrasó con las posibilidades de mantener un proceso de desarrollo hacia adentro obligando a las autoridades gubernamentales a redefinirlo; esto llevó a instrumentar cambios radicales en la economía a partir de entonces: de un modelo de economía cerrada y con importante participación gubernamental en la economía, se transitó a otro diferente con apertura económica

36

En concreto, cuando una serie presenta una tendencia determinista, los choques que experimenta la economía se diluyen en el tiempo, por lo que la serie fluctúa en torno a tal tendencia. Por el contrario, cuando la serie es esencialmente estocástica, los choques tienen efectos permanentes que hacen que la serie deambule (Ramírez, 2005).

59

reflejado en el libre comercio, privatización y desregulación de la actividad económica. Con ello, se sentaron las bases para un modelo de desarrollo basado en una economía abierta donde el mercado actuaría como mecanismo regulador de las decisiones económicas. Sobra decirlo, las economías nuestras no estaban preparadas aún para esta situación.

Tabla 5. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB Real del departamento de Caldas

Análisis de valores en niveles (Caldas)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.956656 0.7544

Test critical values: 1% level -3.689194

5% level -2.971853

10% level -2.625121

*MacKinnon (1996) one-sided p-values.

Análisis de valores en primera diferencia (Caldas) t-Statistic Prob.*



5% level -2.976263

1 10%level -2.627420


Fuente: Cálculos Propios. Software Eviews 5.0.

Tabla 6. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB Real del departamento de Quindío

Análisis de valores en niveles (Quindío)

t-Statistic Prob.*



5% level -2.981038

10% level -2.629906


Análisis de valores en primera diferencia (Quindío)

60

t-Statistic Prob.*



5% level -2.981038

10%level -2.629906


Fuente: Cálculos propios. Software Eviews 5.0.

Tabla 7. Pruebas de raíces unitarias Dickey-Fuller aumentada para el logaritmo del PIB Real del departamento de

Risaralda

Análisis de valores en niveles (Risaralda)

t-Statistic Prob.*



5% level -2.971853

10% level -2.625121

*MacKinnon (1996) one-sided p-values. Análisis de valores en primera diferencia (Risaralda)

t-Statistic Prob.*



5% level -2.976263

10% level -2.627420


Fuente: Cálculos propios. Software Eviews 5.0

61

Ciclo y tendencia estocástica En los estudios sobre las fluctuaciones cíclicas es importante separar de la serie observada el efecto de los componentes estacional, irregular y tendencial y trabajar únicamente con los ciclos37. Por consiguiente, se requieren métodos de descomposición de series de tiempo, de manera que puedan establecerse los ciclos, en tanto "fluctuaciones recurrentes en la actividad real respecto a una tendencia (Lucas, 1976)". Dado que las serie del PIB en estudio tienen raíz unitaria y son integradas de orden 1, I(1) es claro que se hace necesario el uso de filtros especializados para obtener la tendencia estocástica de la series en estudio. Uno de los más utilizados es el propuesto por Hodrick y Prescot (HP) (Mendoza y Rendón, 1998). El filtro de Hodrick-Pescott, propuesto en 1980 por Robert J. Hodrick y Edward C.Prescott (Hodrick y Prescott, 1980), es un método para extraer el componente estocástico de la tendencia de una serie de datos. Descompone la serie observada en dos componentes, uno tendencial y otro cíclico. El ajuste de sensibilidad de la tendencia a las fluctuaciones a corto plazo es obtenido modificando un multiplicador λ38. Es actualmente una de las técnicas más ampliamente utilizada en las investigaciones sobre ciclos económicos para calcular la tendencia de las series de tiempo, pues brinda resultados más consistentes con los datos observados que otros métodos. La serie yt para t = 1,2,…T, denota los logaritmos de una serie variable. yt está conformada por un componente tendencial, representado por t y un componente cíclico,

representado por t tales que ttt cy.

Dado un valor positivo λ, adecuadamente

escogido, se calcula el componente tendencial resolviendo el siguiente problema: Minimizar

(14)

Según Hodrick y Prescott el componente tendencia de una serie es el que minimiza tal ecuación, siempre que:

(15)

es decir, que la tendencia calculada pasa por el "centro" de la serie básica.

El primer término de la ecuación representa la suma de las desviaciones de la serie respecto a la tendencia al cuadrado y es una medida del grado de ajuste las cuales penalizan el componente cíclico. El segundo término es una múltiple λ de la suma de los cuadrados de las segundas diferencias de los componentes de tendencia, y es una medida del grado de suavidad. Este segundo término penaliza las variaciones en

37

Dado que en este estudio se trabaja con series anuales los componentes estacional e irregular se han eliminado. Por lo tanto, las series anuales son series “ciclo – tendencia”. 38

El λ es el parámetro de suavización. Valores altos de este parámetro implican una mayor ponderación a la suavización de la tendencia, mientras que valores bajos harían que la tendencia se asemeje más a la serie observada. Para datos anuales, como los utilizados en este trabajo, se recomienda la utilización de un λ = 100.

62

la tasa de crecimiento del componente tendencial. Cuanto más grande sea el valor de λ, más alta es la penalidad. La elección de λ es aleatoria, pues depende de la longitud de los ciclos que se quieran extraer y la periodicidad temporal de los datos, pero Hodrick y Prescott estiman que, para datos trimestrales, un valor de λ = 1600 es razonable, bajo el supuesto de que cualquier perturbación que tiene efectos durante 8 o más años tiene carácter permanente. Para series mensuales se suele utilizar 14400 y para series anuales, como las que se utilizan en este trabajo, se recomienda un valor igual a 100.

La medida de las fluctuaciones cíclicas está dada por ct:

. (16) Las componentes seculares (tendenciales) fluctuantes del PIB real de los diferentes departamentos del Eje Cafetero (ver anexo1) se obtuvieron con el procedimiento de filtrado (Hodrick-Prescott, 1997), en el programa Eviews 5.0. Una vez obtenida la serie del componente tendencial t, se procedió a calcular el componente cíclico ct de las series a través de la ecuación (16) (ver anexo2). Con este componente cíclico podemos obtener una medida de la volatilidad del PIB de los departamentos del Eje Cafetero. La volatilidad de las diferentes variables macroeconómicas ha sido, cada vez con más frecuencia, una fuente de preocupación para el diseño de políticas. Por tanto, la identificación de mecanismos alternativos que permitan reducir la volatilidad de estas variables es crucial, particularmente en un contexto de turbulencia económica y financiera como el actual. Los gráficos del componente cíclico de las series nacional y de los departamentos del Eje Cafetero (gráficos 11, 12,13) revelan una mayor volatilidad (fluctuación) del ciclo de la economía del Quindío, seguido en su orden por el departamento de Caldas y por último aparece el departamento de Risaralda con menor volatilidad; sin embargo, los tres departamentos presentan alta volatilidad del PIB pues como se observa en la tabla 8, Caldas y Risaralda casi duplican la desviación estándar de la serie del PIB de Colombia mientras que el Quindío triplica dicha desviación estándar. En conclusión, el componente cíclico de las series del PIB de los departamentos de Caldas, Quindío y Risaralda están sometidas a factores de tipo estocástico; esto lo refleja no solamente su gran inestabilidad mostrada en las gráficas del ciclo económico (tablas 11,12 y 13) sino también las pruebas de raíces unitarias Dickey-Fuller, en primera y segunda diferencia, de las series completas analizadas anteriormente. Esta inestabilidad es buen indicador de su gran sensibilidad a las políticas externas. Como se observa en la tabla 8, algunos departamentos son más sensibles que otros.

63

Gráfico 11 Componente cíclico del PIB real de Caldas y Colombia

Gráfico 12. Componente cíclico del PIB real de Quindío y de Colombia

Gráfico 13.Componente cíclico del PIB real de Risaralda y de Colombia

-0.15000

-0.10000

-0.05000

0.00000

0.05000

0.10000

0.15000

1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008

%Componente cíclico del PIB Real de Caldas y de Colombia

Caldas

Colombia

-0.15000

-0.10000

-0.05000

0.00000

0.05000

0.10000

0.15000

0.20000

1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008

%

Componente cíclico del PIB Real de Quindío y Colombia

Quindío

Colombia

-0.10000

-0.08000

-0.06000

-0.04000

-0.02000

0.00000

0.02000

0.04000

0.06000

0.08000

1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008

%

Componente cíclico del PIB Real de Risaralda y de Colombia

Risaralda

Colombia

64

Tabla 8. Volatilidad del componente cíclico del PIB real departamentos del Eje cafetero

Departamentos Desviación Estándar

Caldas 0,04582721

Quindío 0,06791088

Risaralda 0,04398197

Colombia 0,02873536

Fuente: Cálculos propios.

En cuanto a las causas de la volatilidad del ciclo económico, hay una percepción generalizada, como lo dijimos anteriormente, de que a partir de los años 70, y con mayor fuerza desde finales de los años 80, ha aumentado la volatilidad de las economías de manera coincidente con el auge del proceso de globalización (López y Herrera 2004). En la tabla 9 se confirma, para los departamentos del Eje Cafetero, este planteamiento de López y Herrera: Caldas duplicó su volatilidad en el periodo 1990-2008 en comparación al periodo 1980-1989; Risaralda incrementó su volatilidad en un 59,5% durante el mismo periodo. Por su parte, el Quindío disminuyó en un 39,5% su volatilidad económica en la década del 90 en comparación con la década del 80, sin embargo su desviación estándar supera la desviación estándar de los demás departamentos. En el periodo 1990-2008 la volatilidad del componente cíclico de las series del PIB de los departamentos del eje cafetero se situó muy por encima de la volatilidad de Colombia.

Tabla 9. Desviación estándar (Ciclo económico) PIB departamentos

Desviación Estándar Ciclo económica

Departamentos. 1980-1989 1990-2008

Caldas 0,026225 0,05368582

Quindío 0,08976134 0,05431302

Risaralda 0,03120174 0,04977076

Colombia 0,01880121 0,03307595 Fuente: Cálculos propios

La hipótesis de este trabajo es que la volatilidad del ciclo económico del PIB (así como la volatilidad de la serie completa) de los departamentos del Eje Cafetero proviene, en buena parte, del fenómeno de la globalización. La mayor exposición de estas economías a los acontecimientos internacionales ha generado volatilidad, una volatilidad que es cada vez más crítica y que hace inoperante la política económica. Es importante precisar que, en términos estrictos, la volatilidad no solamente proviene de fuerzas o perturbaciones externas. También hay inestabilidades que pueden estar originadas en una inadecuada conducción de las políticas internas, así como verse favorecida por condiciones estructurales poco congruentes con la liberalización y la

65

apertura comercial y financiera. En el caso concreto de los departamentos del Eje Cafetero, dado que la volatilidad es estocástica, se puede afirmar que ésta depende de factores externos. La condescendencia de los gobiernos nacionales, municipales y departamentales con la globalización los ha llevado a adoptar políticas contraproducentes para el dinamismo de dichas economías. Los resultados de la tabla 9 indican que los procesos de globalización no solamente están afectando a los departamentos del Eje Cafetero sino también a la economía de Colombia, pues ésta también ha venido incrementando los índices de volatilidad tanto en el ciclo económico como en la serie completa del PIB. Colombia y el Eje Cafetero han venido experimentando una mayor debilidad en sus políticas internas para hacerle frente a los shocks externos. Cada vez, con mayor fuerza, estas economías están sujetas a los vaivenes del comportamiento de la economía mundial. La volatilidad del PIB de las economías del Eje Cafetero, y también del PIB de Colombia, implica una menor efectividad de las políticas económicas y, como consecuencia, una mayor vulnerabilidad de éstas. Según Ricardo J. Caballero (Caballero. et. al., 2006), los shocks externos, de carácter tanto real como financiero, han afectado en numerosas oportunidades a las economías latinoamericanas, tornándolas vulnerables y extremadamente volátiles. La volatilidad tiene costos no solo en términos de un menor crecimiento por su efecto negativo sobre la productividad y la inversión en capital físico y humano, sino también porque conduce a sistemas financieros pequeños y poco desarrollados, lo cual, a su vez, dificulta la posibilidad de suavizar el consumo personal ante caídas del ingreso. Más grave aún, la volatilidad tiende a agravar la desigualdad y la pobreza, y tiene también consecuencias adversas sobre la protección social. Por ejemplo, en economías donde la volatilidad no solo genera una elevada rotación del trabajo sino también períodos prolongados sin empleo, disminuye el incentivo para cotizar a la seguridad social luego del regreso al trabajo. De esa manera, las variaciones cíclicas se transforman en un problema estructural en el que sucesivas generaciones van quedando sin protección social. Un costo adicional, no menos relevante, es que las crisis generan rupturas institucionales que luego son difíciles de reparar, aun cuando la economía se recupere. Se concluye que el crecimiento económico de los departamentos depende más de factores externos que internos. La tendencia de largo plazo del crecimiento de estas economías carece de una dinámica autónoma (una tasa de crecimiento constante e independiente de los fenómenos accidentales) y, por el contrario, es el resultado de la sumatoria de todos los movimientos aleatorios que se dan en el corto plazo, movimientos aleatorios que son originarios del exterior más que de Colombia. ¿No obstante, se debe explorar escenarios de política económica anticíclica que considere la actual volatilidad regional y nacional y, desde luego, también la mundial? Desde luego que sí. Serviría muchísimo rescatar, críticamente, algunos «modelos» de crecimiento, en particular aquellos que aceptan que, no obstante la enorme volatilidad estocástica (y por lo tanto la enorme determinación de la tasa de crecimiento por variables y acontecimientos exógenos), es posible insistir en estímulos internos, entre los cuales se

66

encuentra las potencialidades de las dotaciones internas, el cambio técnico y en particular la política económica, para lograr niveles de crecimiento y desarrollo económico39. Se trata de los llamados modelos de “desarrollo endógeno”, en el que las comunidades del propio país, atendiendo a sus capacidades internas, desarrollan sus propias propuestas. Es decir, el liderazgo nace en la comunidad, y las decisiones parten desde adentro de la comunidad misma. Una de las propuestas existente en este sentido, aunque muy criticada por su inoperancia en países subdesarrollados, es el modelo de desarrollo endógeno de Lucas (Lucas, 1988), quien se interesa por los determinantes de la tasa de crecimiento a largo plazo, introduciendo explícitamente el rol de la acumulación en capital humano en la determinación de la tasa de progreso técnico. El elemento clave de la acumulación de capital humano es la educación y, concretamente, los conocimientos y habilidades de la fuerza laboral que se acumulan como resultado de la escolarización. Sin embargo, este capital humano, como activo acumulable, posee un costo de inversión, casi siempre alto, y su financiamiento genera restricciones tanto en los gobiernos en términos del porcentaje del PIB que dedican a educación40, así como para los individuos, cuando ellos deciden asumir los costos de una mejor y mayor cualificación. Esta situación, en conjunto con otra serie de factores tales como existencia de garantías mínimas requeridas para retener el capital humano formado en la región (desacumulando dicho capital cuando se presentan flujos migratorios), falta de infraestructura educacional, nutrición y salud críticas, altos índices de pobreza que lanzan al mercado laboral a niños y jóvenes anulando las preferencias por el estudio, poca prioridad en el gasto de la educación, etc., hace que esta propuesta de Lucas sea poco eficiente para las economías subdesarrolladas como las nuestras. Sin embargo, no hay que descartar que, bajo otras circunstancias, la educación podría ser una fuerza de crecimiento, desarrollo y transformación social muy potente. Algunos estudios para Colombia muestran que la relación acumulación de capital humano y crecimiento no es satisfactoria (Gaviria, 2005). Existen otras metodologías como la propuesta en el Informe sobre Desarrollo Humano (PNUD, 2005). En efecto, a partir de la teoría del Desarrollo Humano, se define un conjunto de variables que intervienen en la construcción de la competitividad y el desarrollo humano. Esta teoría rescata aspectos básicos que se deben considerar en el diseño de una política económica: el concepto de diversidad y el de espacialidad territorial en el ámbito local, regional y nacional. Ello permitiría aproximarse al diseño de esquemas de políticas flexibles, territorialmente referenciadas y complementarias. Políticas que, por añadidura, deben ser lo suficientemente flexibles como para adaptarse a condiciones de incertidumbre y volatilidad regional, nacional e internacional.

39

No se trata de adoptar posturas autárquicas, pues estas serían contraproducentes.De lo que se trata es de asumir un modelo de desarrollo que busque potenciar las capacidades internas de una región o comunidad local, de modo que puedan ser utilizadas para fortalecer la sociedad y su economía de adentro hacia afuera, para que sea sustentable y sostenible en el tiempo. 40

Actualmente los gobiernos nacional, departamental y municipal, no tienen como prioridad fundamental, en el gasto, la educación.

67

2.2.2. Cambios en la estructura sectorial de las economías del Eje Cafetero41 Se evidencia un claro quiebre estructural en las economías del Eje Cafetero a partir de finales de la década del 8042. En primer lugar, se advierte un crecimiento del sector servicios-comercio43 el cual se ha impuesto como el sector de mayor dinamismo e importancia (gráficos 14, 15, 16) en estas economías, por encima de los demás sectores económicos; además, se deduce igualmente de los gráficos, que este sector se presenta como el sector que más contribuye en el valor agregado de los departamentos. En segundo lugar, y contrario al comportamiento del sector servicios, los sectores Agropecuario e Industrial vienen mostrando una notable reducción en su participación en el valor agregado de los diferentes departamentos del Eje Cafetero durante el periodo analizado.

Gráfico 14. Tasa de participación sectores en el valor agregado de Caldas

Gráfico 15. Tasa de participación sectores en el valor agregado del Quindío

41

Para el análisis de los cambios en la estructura sectorial de las economías del Eje Cafetero se trabajó con datos hasta el 2006 dada la escasa disponibilidad de información actualizada. Sin embargo, dado que el propósito era develar tendencias, esta información fue suficiente. 42

Este proceso empezó, de hecho, mucho antes; concretamente a finales de los 60 y principios de los 70. 43

En adelante lo seguiremos llamando sector servicios.

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

% d

e p

arti

cip

ació

n

Tasa de participión sectores en el valor agregado de Caldas

Agropecuario

Industria

Comercio y Servicios

Otros

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

% d

e p

arti

cip

ació

n

Tasa de participación sectores en el valor agregado del Quindío

Agropecuario

Industria


Otros

68

Gráfico 16. Tasa de participación sectores en el valor agregado de Risaralda

Es, pues, claro que se ha venido operando, desde finales de los 60 y comienzos de los 70 (pero con más fuerza para el Eje Cafetero desde finales de los 80), un proceso de terciarización de la economía de los departamentos del Eje Cafetero con especial expansión del transporte (fundamentalmente de pasajeros), Intermediación financiera, la administración pública y otros servicios a la comunidad, así como el comercio. El sector servicios ha adquirido una importancia cada vez mayor en estas economías del Eje Cafetero, relevando al sector industrial y al sector agropecuario, como conjunto de actividades que aportaban una mayor cuota de producción y empleo. Como en el resto de Colombia, en el Eje Cafetero el sector servicios pasó a figurar a la cabeza de la clasificación del ordenamiento sectorial. Sin embargo, la expansión del sector servicios, en esta región, no respondió a las necesidades de crecimiento industrial y del sector agropecuario, más bien, ha aumentado la ausencia de posibilidades en estos últimos sectores, convirtiéndose (el sector servicios) en refugio de capitales y mano de obra desempleada, de tal modo que, mientras en los países desarrollados se produjo, históricamente, un incremento acompasado del sector terciario como sector vital para la ampliación del proceso productivo, en la Región del Eje Cafetero los servicios comprendieron una serie de actividades que surgieron ante una falta estructural de ocupaciones más productivas, pudiéndose afirmar que el crecimiento de este sector se debe a un proceso de "terciarización por subdesarrollo" como consecuencia de una "desindustrialización", y “desagropecuarización”, es decir, que la economía del eje Cafetero se "terciarizó" sin haber pasado por una etapa previa de "industrialización" como suele ser lo normal en los países desarrollados44. En las tablas 10, 11 y 12, se muestra que la correlación entre el sector servicios y el sector industrial, para Caldas y Risaralda, es relativamente baja (-0,67 y -0,57 respectivamente) y poco significativa estadísticamente (al 1%). Para el departamento del Quindío es mucho menos significativa (para este último la correlación es del -0,270). Se presenta además, como hecho destacable, que entre el sector servicio y el sector

44

En el informe del Programa de las Naciones Unidas para el Desarrollo (PNUD), Eje Cafetero, Un pacto por la Región, 2004”, se plantea que la crisis de la terciarización en el Eje Cafetero tiene como causas el fenómeno de la urbanización y la crisis cafetera. Sin lugar a dudas estas causas son importantes, pero la desindustrialización, debida al fenómeno de la apertura económica y la política neoliberal, es una causa igualmente fundamental.

0.00

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

% d

e p

arti

cip

ació

n

Tasa de participación sectores en el valor agregado de Risaralda

Agropecuario

Industria


Otros

69

industrial, de todos los departamentos, se establece una relación inversa, lo que indica que a mayor desindustrialización mayor crecimiento del sector servicios y mayor participación de este último sector en el PIB departamental. Igualmente, se presenta una relación inversa entre el sector servicio y el sector agropecuario aunque aquí la correlación entre ambos sectores es bastante alta y muy significativa (al 1%) para todos los departamentos, lo que indica que la desagropecuarización de las economías está contribuyendo, al crecimiento del sector servicio, en mayor proporción que el sector industrial. Dicho en términos generales, la correlación inversa entre el sector servicio y los sectores industrial y agropecuario, en los departamentos del Eje Cafetero, indica que el mejoramiento del sector servicios presupone un empeoramiento tanto del sector industrial (desindustrialización) como del sector agropecuario (desagropecuarización), aunque este último proceso contribuya en mayor grado a la terciarización de estas economías. El sector servicio, en la región del Eje Cafetero, no genera productividad ni competitividad en los sectores reales de la economía; es incapaz de jalonar el crecimiento económico y, mucho menos, el desarrollo social y humano. El proceso de terciarización de las economías del Eje Cafetero ha venido siendo acompañado por otro proceso igualmente preocupante. En efecto, un aspecto que se evidencia en los coeficientes de correlación de los sectores económicos de los departamentos del Eje Cafetero (tablas 10, 11 y 12), es que el tejido intersectorial del Eje Cafetero está desarticulado (se muestra poca correlación entre los sectores), lo que, desde luego, constituye uno de los factores que inciden en la actual crisis económica regional. La desarticulación sectorial está dada por la ausencia o fragilidad de concadenamientos hacia adelante y hacia atrás entre los diferentes sectores económicos (Gacitúa y Bello, 1992). Stokes and Anderson (1990) demostraron que el crecimiento desarticulado tiene efectos negativos en la calidad de vida de la población por que genera estructuras económico-sociales muy desiguales que, a su vez, pueden inhibir el efecto positivo del crecimiento económico. Múltiples razones explican el impacto negativo que un patrón de crecimiento desarticulado tiene sobre la calidad de vida, en especial de los sectores más pobres. Primero, un crecimiento desarticulado promueve una distribución del ingreso regresiva. La retribución a la fuerza de trabajo es baja. No hay que olvidar que el estado de la estructura sectorial es un indicador del grado de relación entre las actividades agrícola, industrial y de servicios, así como su grado de organización económica, fortaleza y potencialidades para contribuir al desarrollo de la región. Aunque el entramado sectorial sea por lo general un resultado de desarrollo regional, puede considerarse igualmente un condicionante o incluso un determinante de ese desarrollo. En el caso del Eje Cafetero, la desarticulación sectorial es el resultado de la crisis del desarrollo regional por la que estamos pasando en los actuales momentos, pero a su vez, esta desarticulación acelera dicha crisis.

70

Tabla 10. Correlaciones sectores departamento de Caldas

AGROPECUARIO INDUSTRIA SERVICIOS

AGROPECUARIO Correlación de Pearson 1 0,40467568 -0,85708138(**)

Sig. (bilateral) . 0,10712821 1,1071E-05

N 17 17 17

INDUSTRIA Correlación de Pearson 0,40467568 1 -0,67272948(*)

Sig. (bilateral) 0,10712821 . 0,00308482

N 17 17 17

SERVICIO Correlación de Pearson -0,85708138(**) -0,67272948(*) 1

Sig. (bilateral) 1,1071E-05 0,00308482 .

N 17 17 17 ** La correlación es significativa al nivel 0,01 (bilateral). * La correlación es significante al nivel 0,05 (bilateral). Cálculos SPSS 11.5

Tabla 11. Correlaciones sectores departamento del Quindío

SERVICIOS AGROPECU INDUSTR

SERVICIOS Correlación de Pearson 1 -,786(**) -,270

Sig. (bilateral) . ,000 ,295

N 17 17 17

AGROPECUARIO Correlación de Pearson -,786(**) 1 ,415

Sig. (bilateral) ,000 . ,097

N 17 17 17

INDUSTRIA Correlación de Pearson -,270 ,415 1

Sig. (bilateral) ,295 ,097 .

N 17 17 17

** La correlación es significativa al nivel 0,01 (bilateral). Cálculos SPSS 11.5

Tabla 12. Correlaciones sectores departamento de Risaralda

SERVICIOS AGROPECU INDUSTRI

SERVICIOS Correlación de Pearson 1 -,806(**) -,578(*)

Sig. (bilateral) . ,000 ,015

N 17 17 17

AGROPECUARIO Correlación de Pearson -,806(**) 1 ,341

Sig. (bilateral) ,000 . ,180

N 17 17 17

INDUSTRIA Correlación de Pearson -,578(*) ,341 1

Sig. (bilateral) ,015 ,180 .

N 17 17 17

** La correlación es significativa al nivel 0,01 (bilateral). * La correlación es significante al nivel 0,05 (bilateral). Cálculos SPSS 11.5

La economía del Eje Cafetero tiene una tendencia cada vez menos primaria o agropecuaria, cada vez menos secundaria o industrial y cada vez más terciaria o de servicios. En otras palabras, y sabiendo que el sector servicios está ligado a las

71

ciudades, podemos afirmar que se sigue con el viejo modelo que desde hace muchos años nos acompaña: el de una urbanización sin industrialización, producto de la ofensiva comercial externa, fundamentalmente. Quizás, la nota más característica, no exclusiva del Eje Cafetero, es la modificación en la estructura empresarial del sector servicio que se manifestó en la sustitución del comercio tradicional por el autoservicio como tipo de establecimiento dominante. En los países subdesarrollados se ha argumentado que la terciarización puede tener como causas la presencia de altas tasas de desempleo en estos países que lleva a que una gran proporción de su fuerza laboral no encuentre empleo en actividades formales. Debido a que poseen bajos o nulos requisitos de capital, tierra, tecnología y capital humano, ciertos servicios tienen las barreras de entradas más bajas entre todas las ramas de actividad. Como resultado de lo anterior, esos sectores se convierten en refugio de aquella fuerza laboral que no puede ingresar a las actividades más productivas y mejor remuneradas. En palabras de Weller (2004), el aumento de la participación de las ramas terciarias estaría caracterizado, por lo tanto, por la generación de empleo de poca productividad, baja remuneración y poco impacto en la competitividad de la economía. En estos casos, se habla de la existencia de un proceso de terciarización espuria. Según la literatura existente sobre este tema (Weller, 2004), se pueden identificar dos tipos de terciarización de la economía: una terciarización genuina, en la cual los servicios mejoran la competitividad sistémica de la economía; es decir, generan incrementos en el producto de todos los sectores, a través de las sinergias que resultan del desarrollo del

sector terciario; y una terciarización espuria, en donde los servicios tiene poco impacto en

la competitividad y en el incremento del producto del resto de la economía45. Como se evidencia en los gráficos 14, 15, 16, este último caso es el que se vive en la economía del Eje Cafetero. En efecto, la terciarización de la economía del Eje Cafetero, en las últimas dos décadas, no ha incidido en la dinámica del crecimiento económico de los departamentos del Eje Cafetero46. Esta situación de terciarización, pero sin revolución agropecuaria ni industrial, nos arrastra a un modelo de terciarización dependiente, sin ninguna viabilidad económica, toda vez que el ingreso y el consumo no dependen de la producción interna ni mucho menos de las divisas por exportación de bienes o de servicios, sino del endeudamiento externo e interno del gobierno local y de las remesas familiares recibidas por la gente pobre. 2.2.3. Participación de los sectores “genuinos” y “espurios” en el valor agregado

de las actividades terciarias Dentro de la denominación genérica del sector servicios se integra un conjunto de muy diversas actividades. Si bien, el comportamiento conjunto de este sector en el Eje Cafetero es claramente expansivo, dentro del mismo existen actividades concretas que lideran este movimiento (los servicios de "Administración pública y otros servicios de la

45

La terciarización genuina se caracteriza por lograr avances de la estructura productiva y de la sociedad en general por estar compuesta de actividades estratégicas que mejoran la competitividad de otros sectores y por generar empleo formal, etc. La terciarización espuria, por el contrario, genera poca productividad, tiene poco impacto en la competitividad de la economía, genera empleo informal mal remunerado, etc. 46

Respecto de la terciarización debe señalarse que en el Eje Cafetero (y en Colombia, en general) ese proceso no es equivalente al que se presenta en las naciones desarrolladas: mientras que en estas últimas la terciarización resulta de las crecientes demandas que generan los sectores primario y secundario, en el caso local responde más al proceso de descentralización (con el consecuente crecimiento del sector público) y a la búsqueda de alternativas de empleo por parte de la población (Marulanda, et. al., 2004).

72

comunidad”, "Intermediación financiera y servicios conexos", “Transporte" y “comercio", obtuvieron la mayor tasa de crecimiento), mientras que otras se mantienen dentro de la tónica general de la economía (“enseñanza de mercado”, por ejemplo) o incluso llegan a perder peso (“servicios domésticos”, ”esparcimiento y otros servicios del mercado, “esparcimiento y otros servicios de no mercado”). Con el fin de desagregar el efecto de los subsectores que componen el sector servicio en la economía de la región del Eje Cafetero, se han agregado los sectores terciarios en cinco grandes grupos siguiendo la caracterización de Weller (2004), a saber: 1. Servicios básicos: electricidad, gas y agua, y comunicaciones; 2. Servicios de distribución: comercio al por mayor y al por menor, transporte y almacenamiento; 3. Servicios de producción: servicios financieros, seguros, bienes inmuebles y servicios a empresas; 4. Servicios sociales: administración pública, educación, salud, asistencia social; 5. Servicios personales: restaurantes y hoteles, diversión, servicio doméstico, otros servicios personales. Aun cuando existe un grado de heterogeneidad al interior de cada grupo, en general los “servicios personales” y los “servicios de distribución” tienden a estar ligados a altos niveles de empleo informal, bajo nivel educativo de la mano de obra, baja productividad y remuneraciones. Estos sectores se caracterizarían por tener unas barreras de acceso relativamente menores. La expansión de estos rubros, por ende, se asociaría con una informalización de los servicios y estarían ligados con una terciarización espuria (Estos sectores los podemos denominar sectores espurios). Por el contrario, los “servicios básicos”, “servicios de producción” y “servicios sociales” son sectores con mayores requisitos de educación de la mano de obra y mayores barreras de acceso en capital y tecnología. Estas ramas estarían más relacionadas con procesos de modernización y por lo tanto, sus expansiones pueden ser vistas como una expresión de una sociedad postindustrial. Estos sectores estarían asociados con una terciarización genuina (Bonet, 2006) y los podemos denominar sectores genuinos. El problema de la terciarización de la economía del Eje Cafetero se evidencia más claramente en los gráficos 17,18 y 19. En estos gráficos se muestra cómo los sectores de servicios genuinos de cada departamento generan una mayor participación en el valor agregado de estos, en comparación con los sectores servicios espurios cuyo nivel de participación es mucho más bajo aunque con una tendencia de comportamiento casi constante en Quindío y Risaralda y con un leve comportamiento ascendente en Caldas47. No obstante, y contrario a lo estipulado por la teoría económica48, estos sectores de

47

Es de notar que a pesar del señalado comportamiento del sector servicios espurios, este sector se muestra más

importante que los sectores industrial y agrícola en todos los departamentos. 48

Para la teoría económica tradicional, fundamentada en la experiencia de los países y Regiones desarrolladas, las causas

de este proceso pueden atribuirse a un conjunto de factores que tendrían un valor explicativo complementario: a) El crecimiento del ingreso per cápita que se traduce en un aumento más que proporcional de la demanda final de servicios, a causa de su mayor elasticidad-renta. Es decir, el aumento del nivel de renta y cambios paralelos de tipo sociológico (urbanización, incorporación de la mujer al mercado de trabajo, hábitos de compra y consumo, etc.) posibilitan e inducen un aumento en el consumo de servicios por parte de la población (servicios personales, de ocio, comerciales, de transporte, etc.); b) El menor crecimiento relativo de la productividad terciaria que implica un transvase de recursos hacia el sector para atender a una demanda creciente; c) La introducción de innovaciones técnicas y organizativas en los procesos productivos y los cambios en los mercados (crecimiento de la competencia, internacionalización, etc.) que generan también un aumento de la demanda de servicios intermedios (asesoramiento, informáticos, técnicos, etc.) por parte de las empresas. En ocasiones, cabe relacionar este factor con la propia reorganización de las unidades productivas y la externalización de

73

servicios genuinos no tienen capacidad de jalonar, hacia el crecimiento, a los sectores reales de la economía (sector agropecuario e industrial) del Eje Cafetero, es decir, son actividades que no están vinculadas positivamente (o integradas positivamente) a la producción industrial y agropecuaria , por el contrario, presentan una correlación inversa significativa con éstos (ver tabla 13) a excepción del departamento del Quindío en el que los sectores de servicios genuinos no tienen correlación con el sector industrial. La correlación de los sectores servicios espurios con los sectores reales de las diferentes economías del Eje Cafetero es no significativa. Dentro del sector servicio genuino los subsectores de mayor dinamismo son “Administración pública y otros servicios a la comunidad” y el subsector de “intermediación financiera y servicios conexos”. Sin embargo, ambos subsectores, según sus estructuras y sus modelos de funcionamiento actuales, revisten de enormes limitaciones para el impulso al crecimiento económico regional. En efecto, en cuanto al subsector “Administración pública y otros servicios a la comunidad”, el excesivo crecimiento de este sector con orientación burocrática e improductiva se convierte en una de las causales de las crisis del sector industrial en mayor grado y del sector agrícola en un grado menor. El mecanismo de transmisión, según Kaldor (1966), es el siguiente: la financiación de este sector requiere de un incremento en los impuestos. Esto supone un empobrecimiento de los trabajadores y personas si no reciben, a cambio de los impuestos pagados, una contraprestación equivalente. Como, de hecho, no existe contraprestación, el empobrecimiento evidente de los trabajadores y personas, provoca una reducción de la demanda por bienes y servicios lo cual acelera la crisis de los sectores reales de la economía. En cuanto al sector “intermediación financiera y servicios conexos”, este sector, en el Eje Cafetero, no ha cumplido el papel señalado por algunos economistas Bagehot (1873), Schumpeter (1912), Gurly and Shaw (1955), Goldsmith (1969), McKinnon (1973) y Miller (1998), de ser un motor del crecimiento económico49. Parece ser que este sector no impulsa el crecimiento económico, sino que, como lo dijera Joan Robinson (1952) no hace sino responder automáticamente a los cambios en demanda del sector real. No sobra decir que el premio Nobel Robert Lucas (1988) desestimó el rol del sistema financiero como un determinante principal del crecimiento económico.

actividades antes realizadas internamente. Así mismo, y como paralelo a los procesos antes descritos, cabe señalar como causa de la terciarización el desarrollo de la Administración pública y el despliegue de una oferta de servicios públicos y sociales (sanidad, educación, asistencia social, etc.) anteriormente inexistentes, pero absolutamente necesarios y reclamados por la ciudadanía, en una línea de equiparación con las dotaciones de otros países de nuestro entorno (http://www.gipuzkoa.net/estructura-economica/Cap17/1_inicio_cap17.html).

49

Merton Miller (1998), argumentó que “la proposición de que los mercados financieros contribuyen al crecimiento económico es demasiado obvia como para una discusión seria”.

74

Gráfico 17. Tipo de terciarización en Caldas (% valor agregado del departamento)

Gráfico 18. Tipo de terciarización en Quindío (% valor agregado del departamento)

Gráfico 19. Risaralda. Subsectores terciarios genuinos y espurios (% valor agregado del departamento)

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5%

par

tici

pac

ión

Tipo de terciarización en Caldas (% valor agregado del departamento)

Espurio

Genuino

Agropcuario

Industrial

0

0.1

0.2

0.3

0.4

0.5

0.6

% p

arti

cip

ació

n

Tipo de terciarización en Quindío (% valor agregado del departamento)

Espurio

Genuino

Agropecuario

Industrial

0.00000

0.10000

0.20000

0.30000

0.40000

0.50000

0.60000

% p

arti

cip

ació

n

Risaralda. Subsectores terciarios genuinos y espurios (% valor agregado del departamento)

Espurio

Genuino

Agropecuario

Industrial

75

Tabla 13. Correlaciones sectores de servicios-comercio y sectores reales

Sectores de

servicios

Caldas - Correlación de Pearson. Sig.(bilateral)

Quindío - Correlación de Pearson. Sig.(bilateral)

Risaralda - Correlación de Pearson. Sig.(bilateral)

AGROPECUARIO INDUSTRIAL AGROPECUARIO INDUSTRIAL AGROPECUARIO INDUSTRIAL

ESPURIO -,214 ,051 -,264 -,422 ,534(*) ,339

GENUINO -,779(**) -,652(**) -,605(*) ,003 -,815(**) -,642(**) ** La correlación es significativa al nivel 0,01 (bilateral). * La correlación es significante al nivel 0,05 (bilateral).

2.2.4. Comportamiento de los componentes del sector agropecuario El sector Agropecuario de los departamentos del Eje Cafetero presenta un decrecimiento acelerado a partir de finales de la década del 80 (gráficos 20, 21, 22). Esta actividad económica fue una de las que más perdió participación en el valor agregado de Risaralda debido a la fuerte dependencia de la producción de café la cual cayó a partir de finales de la década del 80 como consecuencia, entre otras causas, de la decisión de EE.UU y de algunos países de Centro América, de terminar con el Acuerdo Mundial del Café en 1989 y, además, por la caída del precio real externo del café en el año 2001 el cual registró el precio más bajo en 180 años de historia (Pizano 2001) Hasta 1989 cuando se desmontó el Pacto mundial, el café apareció como el único producto básico que había mejorado la cotización real. La actividad era altamente lucrativa y les daba sustento a dos millones de familias. El éxito del café obedecía a un principio económico elemental que nunca se apreció en toda su dimensión. El producto enfrenta una demanda altamente inelástica. La reducción de la oferta mundial significa un alza en el precio más que proporcional. Así, el Pacto mundial, al comprometer a los países a limitar las cuotas de exportación de acuerdo con la demanda mundial, permitía sostener los precios internacionales y redundaba en mayores ingresos para el conjunto. El café constituyó, realmente, la primera víctima de la apertura del mercado y del comercio internacional. Los economistas neoliberales convencieron a la sociedad colombiana de que el desmonte del Pacto induciría a una competencia que elevaría la productividad y el nivel de bienestar de las familias cafeteras. Nunca entendieron que los principios de competencia e intercambio comercial no son válidos para productos muy inelásticos, pues los estímulos de mercado llevan a la sobreproducción, la que resulta ruinosa para la mayoría de los productores e incluso para el conjunto. En efecto, a los pocos meses de suspendido el Pacto, la decisión dio lugar a un exceso de producción sobre la demanda que se manifestó en elevados inventarios que presionaron persistentemente las cotizaciones hacia la baja, ocasionando una crisis cafetera de la cual el departamento de Risaralda (ni Colombia) aún se recupera (Marulanda, et. al., 2004). En los gráficos20, 21 y 22 se muestra que el comportamiento descendente del sector agropecuario de los departamentos del Eje Cafetero es similar al comportamiento descendente que experimenta el café en los mismos departamentos. Dado que los demás sectores agropecuarios han tenido un crecimiento leve, casi imperceptible o han permanecido constantes durante el periodo en estudio, se puede afirmar que la crisis del sector cafetero es la causa fundamental, aunque no la única, de la crisis actual del sector agropecuario del departamento de Risaralda.

76

Sin embargo, existe un problema adicional: la fuerte dependencia del café que tiene la región del Eje Cafetero. Este hecho ha ocasionado que se desestime la producción de los sectores agropecuarios diferentes al café llevándolos a una situación en la que su participación en el valor agregado del sector agropecuario es muy baja, su dinamismo igualmente bajo y con una tendencia al estancamiento (gráficos 20, 21, 22). Teniendo en cuenta este hecho, si bien los factores mencionados anteriormente explican en buena parte la crisis agropecuaria, es el modelo de agricultura y de caficultura, implementado en la región del Eje Cafetero, el que, en últimas, es el responsable de la crisis. En efecto, a partir de los años 70 se dio un viraje de fondo en el eje de la política agropecuaria en Colombia. Se pasó de la preocupación por la tenencia y el ingreso rural de la década de los sesenta, a la problemática de la productividad y el estímulo a la agricultura comercial. Estos lineamientos fueron plasmados en las Leyes 4ª y 5ª de 1973, así como en la Ley 6ª de1975” (Kalmanovitz y López, 2006). Después de muchas discusiones sobre la conveniencia o no de una orientación de la agricultura (y de toda la economía) hacia el comercio exterior, a finales de los 80 y principios de los 90 la idea de la apertura económica empieza a tomar fuerza y se consolida, definitivamente, como política oficial, con la ley 07 del 16 de enero de 1991. Este modelo, impuesto a la agricultura, alteró los énfasis puestos a la producción por los campesinos, impulsando aún más la importancia del café como producto exportador en la región cafetero y desestimando los productos de poco potencial exportador. Las consecuencias desastrosas de este modelo en el sector agrícola, y en general en toda la economía colombiana, son ya bastante conocidas. Con respecto a la producción y comercialización de café, la evidencia muestra que está sometido a un modelo internacional caracterizado por una gran “volatilidad de los precios que, en épocas de sobreoferta, lleva a la depresión de los precios al productor, a límites que no compensan los costos de producción. Y, en los momentos de buenos precios, sólo un mínima parte de los ingresos adicionales va a los productores, mientras la mayor parte se queda en manos de los tostadores, los minoristas y los restaurantes, pues no hay que olvidar que el comercio del café está manipulado por unas pocas firmas tostadoras y comercializadoras en los países consumidores: General Foods, Starbucks, Nestlé, Procter & Gamble, Folgers, Sara Lee, Tchibo, entre otras” (Tobasura, 2005). Es necesaria una reflexión profunda sobre los efectos de estos modelos en la agricultura de la región del Eje cafetero, con el objetivo de trabajar en el diseño de nuevos modelos que garanticen el desarrollo del sector agrícola, su sustentabilidad y un repunte e importancia de los sectores agrícolas distintos al café con miras al logro de la seguridad alimentaria regional y nacional.

77

Gráfico 20. Caldas. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994)

Gráfico 21. Quindío. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994)

Gráfico 22. Risaralda. Comportamiento de los componentes del sector agropecuario (valor agregado precios de 1994)

0

50,000

100,000

150,000

200,000

250,000

300,000

350,000

400,000

450,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

Val

or

agre

gad

oCaldas. Comportamiento de los componentes del sector agropecuario

(Valor agregado precios de 1994)

Café

Otros productos agrícolas

Animales vivos y productos animales

Agropecuario

0

50,000

100,000

150,000

200,000

250,000

300,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

Val

or

agre

gad

o

Quindío. Comportamiento de los componentes del sector agropecuario(Valor agrgado precios de 1994)

Café



Agropecuario

0

50,000

100,000

150,000

200,000

250,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

Val

or

agre

gad

o

Risaralda. Comportamiento de los componentes del sector agropecuario (Valor agregado precios de 1994)

Café



Agropecuario

78

2.2.5. Balanza comercial Departamentos del Eje Cafetero

Para el análisis de la balanza comercial se hizo un cálculo de las exportaciones de café (exportaciones tradicionales) y de las exportaciones no tradicionales (diferentes al café) realizadas por los departamentos del Eje Cafetero. De esta manera se generó una balanza comercial con café y sin café.

Gráfico 23. Balanza comercial Departamentos del Eje Cafetero con café

Gráfico 24. Balanza comercial Departamentos del Eje Cafetero sin café

Con estimación de café, la balanza comercial de los departamentos del Eje Cafetero presenta superávit durante el periodo considerado en el estudio, a excepción del departamento de Risaralda que experimentó un déficit durante los años 1994, 1995 y 1996. Este déficit en la balanza comercial de Risaralda tiene como causa el importante crecimiento de las importaciones durante los años 1994 y 1995 (gráfico 27) frente al descenso de las exportaciones, hasta tal punto que las primeras se ubicaron por encima de las segundas en dicho periodo. Las causas del descenso de las exportaciones fueron, fundamentalmente, la caída de las exportaciones tradicionales (café) (gráfico 26). En 1996 las importaciones de Risaralda descienden pero, a pesar de este descenso, siguieron estando por encima de las exportaciones totales, de ahí que en este año también se presente un déficit en balanza comercial.

-200,000,000

0

200,000,000

400,000,000

600,000,000

800,000,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

Balanza comercial departamentos Eje Cafetero con café 1990-2007Dólares

Caldas Quindío Risaralda

-200,000,000

-150,000,000

-100,000,000

-50,000,000

0

50,000,000

100,000,000

150,000,000

200,000,000

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

2004

2005

2006

2007

Balanza comercial departamentos Eje Cafetero sin café 1990-2007Dólares

Caldas Quindío Risaralda

79

Los demás departamentos, aunque con superávit en balanza comercial, muestran cierta inestabilidad en la misma (balanza comercial muy fluctuante). Esta inestabilidad se da por las enormes fluctuaciones que presenta las exportaciones de café (exportaciones tradicionales) (gráfico 26), pues las exportaciones no tradicionales no son tan fluctuantes. Ahora bien, si no se tienen en cuenta las exportaciones de café, la situación de la balanza comercial de los departamentos del eje cafetero es mucho más diferente a la balanza con café y mucho más crítica. En efecto, desde 1990 hasta 1999 (es decir, durante la década del 90) los tres departamentos presentan déficit en balanza comercial en diferente grado. A partir del año 2000 comienza una época de gran incertidumbre en el comportamiento de dicha balanza: en efecto, el departamento del Quindío continúa con el déficit hasta el 2007, con una leve recuperación sólo en los años 2005 y 2006. Sus exportaciones no tradicionales permanecen casi constantes, lo que hace depender su balanza del comportamiento de las exportaciones tradicionales (café). Caldas presenta un superávit muy modesto en el 2000, pero vuelve a experimentar el déficit durante los años 2001 al 2003, para recuperarse, en forma importante, a partir del 2004, lapso de tiempo en el que viene teniendo superávit. Este superávit se debe tanto al crecimiento de las exportaciones no tradicionales como al crecimiento de las tradicionales que, en conjunto, crecieron más rápido que el crecimiento experimentado por las importaciones totales (gráficos 25, 26,27). El hecho importante que es necesario registrar, es el crecimiento de las exportaciones no tradicionales de Caldas a partir del año 2003. Por su parte, Risaralda muestra superávit solo desde el 2001 al 2004 en todos los años considerados en el estudio. Sus exportaciones no tradicionales permanecen estables, lo que hace depender su balanza comercial de la dinámica de las exportaciones tradicionales (café). La situación arriba descrita muestra la enorme importancia del café en el comportamiento de las exportaciones totales de los departamentos así como en la dinámica de sus balanzas comerciales.

Gráfico 25. Exportaciones no tradicionales por Departamento Eje Cafetero

050,000,000

100,000,000150,000,000200,000,000250,000,000300,000,000350,000,000400,000,000450,000,000500,000,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

Exportaciones no tradicionales por Departamento Eje Cafetero 1990-2007Dólares

CALDAS QUINDIO RISARALDA

80

Gráfico 26. Exportaciones tradicionales por Departamento Eje Cafetero

Gráfico 27. Importaciones totales departamentos Eje Cafetero

La concentración de las exportaciones del Departamento en un bien como el café y su dependencia con respecto a los precios internacionales sugieren la importancia de un sector exportador diversificado, pues la menor diversificación de las exportaciones torna a estas economías extremadamente vulnerables a las perturbaciones (shocks) de origen externo. El fomento a las exportaciones no tradicionales es, sin lugar a dudas, una buena política a la que se debería dar continuidad. Esta diversificación de las exportaciones no tradicionales fortalece al sector externo y le genera cierta estabilidad, porque cada vez se depende de un mayor número de bienes y servicios que se exportan. Contrario a lo que sucede cuando se depende fundamentalmente de un producto como el café. El regular desempeño del sector externo de los departamentos del Eje Cafetero, demuestra que no ha sido fácil, hasta el momento, la adaptación del sector empresarial de la región a los retos y oportunidades que se derivan de los nuevos esquemas de organización industrial y del mayor grado de competitividad que deben alcanzarse en el contexto internacional, acorde con las orientaciones y programas actuales de los gobiernos de los diferentes países del mundo de incrementar la oferta productiva exportable y de una mayor diversificación de los bienes y servicios.

0

100,000,000

200,000,000

300,000,000

400,000,000

500,000,000

600,000,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

Exportaciones tradicionales por departamento Eje Cafetero 1990-2007Dólares

CALDAS QUINDÍO RISARALDA

0

100,000,000

200,000,000

300,000,000

400,000,000

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

Importaciones totales departamentos Eje Cafetero 1990-2006Dólares

Caldas (a) Quindío (b) Risaralda ( c )

81

2.2.6. Conclusiones Sin lugar a dudas, es en el sector agropecuario en donde los problemas de la sociedad colombiana en general y de los departamentos del Eje Cafetero en particular, tienen mayor impacto y cobertura. El actual modelo estatal, fundamentado en la competitividad para lograr una mayor apertura al comercio mundial y como consecuencia un mayor crecimiento económico que aporte mayores beneficios sociales: empleo y mejores niveles de vida para la población rural en particular, no ha dado los resultados esperados ya que todos los indicadores del sector rural de los departamentos muestran bajos niveles de calidad de vida, desempleo, carencia de servicios básicos y mayores índices de pobreza. La reducción del Estado argumentando mayor eficiencia y mayor inversión privada para estimular el crecimiento económico empeoró el panorama del sector agropecuario y con él el “bienestar rural” ya que la liquidación del Inderena50, el Idema51, el Incora52 y la reducción de las Secretarías de Agricultura y la fusión de otras resultaron bastante ineficaces para tal propósito. El Tratado de Libre Comercio (TLC) amenaza los sistemas de producción agropecuarios de pequeña escala como son las agriculturas de minifundio o alternativas, desconociendo que un gran porcentaje de los alimentos son producidos por pequeños y medianos productores que incorporan como factores de producción básicamente su pequeña propiedad y la mano de obra familiar. Un desarrollo a escala humana tiene más validez en una comunidad fragmentada, desarraigada y pauperizada como la que habita el espacio rural de los departamentos del Eje Cafetero que una apertura económica indiscriminada. En el marco de una economía global, las avasalladoras fuerzas del mercado y de los convenios multilaterales o bilaterales hacen imprescindible el análisis juicioso de un modelo de producción agrícola que nos conduzca a una inserción internacional sin mayores traumatismos. De allí que sea conveniente interrogarnos: - Qué debemos producir y cómo debemos hacerlo, conciliando productividad, rentabilidad, competitividad y equidad. - Cómo aprovechar nuestra abundante biodiversidad para la satisfacción de las necesidades alimentarias de los colombianos y, - Cómo dar valor agregado a los productos de exportación y aún a los de consumo interno. Ningún sector productivo puede sobrevivir a una crisis de rentabilidad permanente como la agricultura, cuando se hizo caso omiso de los preceptos de selectividad, integralidad, gradualidad y concertación. No se tiene noticia de ningún país pobre, que habiéndose insertado en el sistema económico internacional, haya dejado de serlo, haya conseguido para su nación bienestar y desarrollo verdadero, o haya construido una sociedad justa y equilibrada.

50

Era el Instituto Nacional de Recursos Naturales (INDERENA), que manejaba los recursos naturales y el medio ambiente a nivel nacional, su liquidación fue ordenada por la ley 99 de 1993 que es llamada la Ley del Medio Ambiente que creó el Ministerio del Medio Ambiente, las funciones del INDERENA fueron asumidas por las corporaciones creadas en todo el país en virtud de la ley 99 de 1993. 51

Instituto de Mercadeo Agropecuario (IDEMA), fue cerrado en 1997. 52

Instituto Colombiano de Reforma Agraria (INCORA), cerrado en 2007.

82

CAPÍTULO TERCERO

EFICIENCIA TÉCNICA DE LOS DEPARTAMENTOS DEL EJE CAFETERO Y DE LOS DEPARTAMENTOS DE ANTIOQUIA, TOLIMA Y VALLE DEL CAUCA:

EXPLICACIÓN Y FORMULACIÓN DE LOS MODELOS TEÓRICO Y EMPÍRICO

83

CAPÍTULO TERCERO

EFICIENCIA TÉCNICA DE LOS DEPARTAMENTOS DEL EJE CAFETERO Y DE LOS DEPARTAMENTOS DE ANTIOQUIA, TOLIMA Y VALLE DEL CAUCA:

EXPLICACIÓN Y FORMULACIÓN DE LOS MODELOS TEÓRICOS Y EMPÍRICOS

La medida de la eficiencia mediante el uso de funciones de frontera es un método muy utilizado tanto para predecir las eficiencias técnicas de las diferentes unidades económicas pertenecientes a un determinado sector, como para identificar los factores que contribuyen a que unas sean más o menos eficientes que otras. En forma general son dos las metodologías desarrolladas para medir la eficiencia: la Econométrica y la de Programación Matemática (no estocástica). En ambos casos la eficiencia de una determinada unidad económica es el resultado de una medida relativa de distancia respecto a una frontera que representa el límite práctico máximo de eficiencia. La metodología utilizada para alcanzar los objetivos propuestos en este trabajo es la estimación de una frontera paramétrica de naturaleza estocástica con datos de panel que considera que las desviaciones de la muestra respecto de la frontera pueden ser debidas tanto a la ineficiencia técnica como a un factor aleatorio que queda fuera del control de la unidad económica. 3.1. La función de producción: Modelo teórico

El método paramétrico consiste en estimar econométricamente una forma funcional elegida previamente. En consecuencia esta forma funcional es una hipótesis impuesta a los datos que no puede ser contrastada, pero tiene la ventaja de que se puede realizar inferencia estadística sobre los resultados obtenidos. En esta parte se muestra el modelo paramétrico estocástico empleado en la investigación así como también el modelo de efectos de ineficiencia técnica corrido simultáneamente con la función de producción estocástica en el programa econométrico FRONTIER 4.153. Se hace referencia, además, a las pruebas de hipótesis realizadas.

3.1.1. Frontera paramétrica estocástica con datos de panel Para efectos del presente trabajo se sigue la literatura de análisis de fronteras estocásticas de producción (paramétricas) usando datos de panel, cuyo tipo de variables

53

El programa FRONTIER 4.1. es de libre circulación y se puede descargar de la siguiente dirección electrónica: http://www.uq.edu.au/economics/cepa/frontier.htm

84

es el de sólo cantidades. Además, la eficiencia técnica será asumida variante en el tiempo54. Aigner, Lovell y Schmidt (1977) y Meeusen y van den Broeck (1977) introdujeron simultáneamente, y por primera vez, los modelos de fronteras estocásticas de producción. Luego Cornwell, Schmidt and Sickles (1990) y Kumbhakar (1990) fueron quizás los primeros en proponer un modelo de fronteras estocásticas de producción con datos de panel permitiendo estimar eficiencia técnica variante en el tiempo55. Estos modelos están motivados por la idea de que las desviaciones de la frontera de producción podrían no estar completamente bajo el control de la unidad productiva en estudio. Las fronteras estocásticas niegan la naturaleza estrictamente determinística56 del proceso productivo. La existencia de un conjunto de factores que escapan al control de la unidad económica justifica el rechazo de una postura estrictamente determinística. Dado que las fronteras estocásticas matizan las restricciones teóricas de la frontera determinística a través del reconocimiento de causas aleatorias que no constituyen ineficiencia, algunas observaciones pueden superar la frontera de producción. Dicho de otra forma, el modelo estocástico posibilita que determinadas observaciones puedan permanecer por encima o por debajo de la función de producción (frontera de producción). En el presente trabajo se elige la función Cobb Douglas translogarítmica con fronteras estocásticas y datos de panel, que permite minimizar el error de especificación asociado a la elección a priori de la forma funcional. Dicha función se define como flexible ya que es una buena aproximación de segundo orden tomada en logaritmos de una forma funcional cualquiera (en nuestro caso la Cobb Douglas) a la cual se llega por el teorema de la descomposición de Taylor57; además, no impone supuestos de elasticidad de sustitución constante (CES), pues exhibe elasticidad de sustitución variable a lo largo de los diferentes niveles de producción y sus rendimientos no son necesariamente constantes. Es muy flexible en la aproximación de cualquier tecnología en términos de posibilidades de sustitución. Por último, permite, además, analizar la posible interacción que pueda presentarse en las variables explicativas. Normalmente, en la literatura económica los investigadores han impuesto condiciones tales como la existencia de rendimientos constantes a escala o elasticidades constantes o unitarias de sustitución entre factores. Sin embargo, el propósito de este trabajo consiste

54

Cuando se asume que la eficiencia técnica varía entre Departamentos pero es constante a través del tiempo para cada Departamento, se denomina “Eficiencia Técnica Invariante en el Tiempo”. En este trabajo se relaja este supuesto y se la considera “Variante en el Tiempo” es decir, variará entre Departamentos y a través del tiempo. Este tipo de modelo se basa principalmente en la extensión de modelos de fronteras de sección cruzada con máxima verosimilitud hacia el contexto de datos de panel. 55

Antes Schmidt y Sickles (1984) realizaron las primeras estimaciones de estos modelos con Datos de Panel. Después lo hicieron Kumbhakar, Ghosh y McGuckin (1991). 56

Son modelos determinísticos en el sentido de que todas las empresas de la muestra observada comparten una familia común de fronteras de producción, coste y beneficio, y, en consecuencia, todas las variaciones observadas en el resultado de un Departamento se atribuyen a ineficiencia con respecto a la familia común de fronteras. Las fronteras determinísticas representan fielmente el contenido teórico de una función microeconómica de producción. La imposibilidad de que las observaciones superen el máximo representado por la frontera de producción queda reflejado en estos modelos en la forma de la distribución del término de error. Este se especifica como una perturbación aleatoria de una sola cola. 57

La linealización generalmente consiste en una expansión en series de Taylor de la ecuación de estado (no-lineal) alrededor de un punto de operación definido naturalmente por el sistema o seleccionado arbitrariamente para satisfacer alguna necesidad de control. En su forma más general, la función translog consiste en una aproximación de segundo orden para cualquier función doblemente diferenciable. Así, es posible modelar con gran flexibilidad cualquier tipo de tecnología de producción que emplee una empresa multiproductos (como las aseguradoras) dando reconocimiento explícito a cada uno de sus productos y sin necesidad de imponer a priori condiciones tecnológicas.

85

precisamente en descubrir las condiciones tecnológicas imperantes a partir de lo que “digan” los datos, de manera que imponer cualquier condición de antemano iría en contra de tal propósito. Es por ello que se desea estimar una función translogarítmica, la cual consiste esencialmente en una expansión de Taylor en cantidades producidas. Dicho de otra forma, la elección ha estado basada en la flexibilidad de la función para adecuarse a cualquier tipo de tecnología productiva sin la necesidad de imponer restricciones a priori sobre los rendimientos a escala. A diferencia de la función Cobb Douglas básica, que es la forma habitualmente elegida, la función translogarítmica permite la existencia de relaciones tanto de complementariedad como de sustituibilidad entre los factores considerados en el modelo. Estas fronteras presentan un indudable atractivo econométrico por su buen comportamiento estadístico, atractivo que se ve empañado, en cierta manera, por el problema de la descomposición de los residuos individuales en sus dos componentes: ineficiencia y ruido estadístico, lo que lleva a la estimación de una cierta «eficiencia media» de la muestra, en lugar de eficiencias individuales58. Determinada la forma funcional que adopta la función de producción59, los autores anteriormente referenciados plantean el siguiente modelo estocástico con datos de panel (Modelo 19), el cual se seguirá en este trabajo:

yi = f (xi, β) ; i = 1,2,…N,(17) Función de producción Cobb Douglas Básica. No hace

referencia al número de entidades en la muestra (Datos de corte transversal o de sección cruzada).

yi = f (xi , i i = 1,2,…N (18) Modelo de regresión básico estocástico para datos de

corte transversal. εi = vi - ui. Perturbaciones aditivas (Los errores se suman a la función).

yit = f (xit , it i = 1,2,…N; t = 1,2,…T (19) Modelo de regresión básico estocástico para

datos de panel. Se incluye el tiempo t entre las variables exógenas explicativas de la ineficiencia para poder estudiar la evolución temporal de ésta (ineficiencia variante en el tiempo). εit = vit - uit; i= 1,2,..,N, hace referencia al número de entidades (departamentos) en la muestra y t=1,2,..,T al número de periodos de tiempo considerados. Modelo con perturbaciones aditivas.

La frontera estocástica de producción generalizada con datos de panel (19) propuesta por Battese y Coelli (1992, 1995)60, y que es la que se aplicará en este trabajo, se puede escribir de la siguiente manera, si se asume que los errores siguen un comportamiento exponencial (Battese y Coelli, 1992, 1995), es decir, con perturbaciones multiplicativas:

58

La separación de ruido e ineficiencia se basa en fuertes supuestos sobre la distribución del término de error. Este punto se tratará a fondo más adelante.

59 La función Cobb-Douglas ha sido una de las más populares y es la que se asume en este trabajo como básica. En economía, la función Cobb-Douglas es una forma de función de producción, ampliamente usada para representar las relaciones entre un producto y las variaciones de los insumos: tecnología, trabajo y capital. Fue propuesta por Knut Wicksell (1851-1926) e investigada con respecto a la evidencia estadística concreta, por Charles Cobb y Paul Douglas en 1928. (http://es.wikipedia.org/wiki/Funci%C3%B3n_de_Cobb-Douglas). 60

Battese y Coelli (1992) sugieren trabajar con un modelo donde los efectos de eficiencia e ineficiencia técnica son una función exponencial en el tiempo.

http://es.wikipedia.org/wiki/Knut_Wicksell

86

Yit = f(xit,β) eVit e -Uit

(20)

Que es igual a: Yit = f(xit, exp(Vit – Uit ) (21) Donde: Yit representa el producto (output) del i-ésimo departamento en el período (año) t. Xit representa un vector (1xK) con los valores correspondientes a los insumos de producción y otras variables relevantes explicativas para el departamento i-ésimo en el momento t.

es un vector (Kx1) de parámetros a estimar, que corresponden a las elasticidades del producto-frontera con respecto a los insumos (productividad total de los factores); dicho de otra forma, corresponde a la Productividad Total de los Factores.

εit es una perturbación compuesta por dos elementos εit vit - uit, denominada término de error compuesto (Aigner, Lovell y Schmidt, 1977; Meeüsen y Van Den Broeck, 1977). Captura los desvíos respecto a la frontera de producción. Los vit son errores aleatorios (componente simétrico), independientes e idénticamente distribuidos (iid), que captura los shocks aleatorios. Dicho de otra forma, el término vit es un ruido aleatorio que puede tomar tanto valores positivos como negativos y se interpreta como las condiciones externas, favorables o adversas, que influencian la producción y que no controla la unidad económica (el departamento). Los uit son variables aleatorias no negativas (componente positivo) e inobservables asociadas con la ineficiencia técnica de la producción. Es decir que para el nivel tecnológico vigente y dados los usos de insumos, el producto observado (ante la presencia de los uit) puede estar por debajo del potencial. f(xi, β) es la función de producción a emplear, que en nuestro caso será la función de producción Cobb Douglas translogarítmica estocástica. Para estimar los parámetros resultantes de la ecuación (21) es necesario usar algún método de regresión no lineal tales como el algoritmo de Newton-Gauss61, Hooke-Jeeves62, Nelder-Meade63, Box, etc. Sin embargo es mucho más fácil estimar estos parámetros con una transformación logarítmica de dicha función64 y aplicar luego a la función una expansión de Taylor65.

61

En matemáticas, el algoritmo de Gauss-Newton se utiliza para resolver problemas no lineales de mínimos cuadrados. Es una modificación del método de optimización de Newton que no usa segundas derivadas y se debe a Carl Friedrich Gauss. En análisis numérico, el método de Newton (conocido también como el método de Newton-Raphson o el método de Newton-Fourier) es un algoritmo eficiente para encontrar aproximaciones de los ceros o raíces de una función real. También puede ser usado para encontrar el máximo o mínimo de una función, encontrando los ceros de su primera derivada. 62

El método de patrones de búsqueda de Hooke-Jeeves crea un conjunto de direcciones de búsqueda de manera iterativa. Este método se propuso en 1966 y fue uno de los primeros algoritmos en incorporar la historia previa de una secuencia de iteraciones en la generación de una nueva dirección de búsqueda. 63

El método Nelder-Mead es un algoritmo de optimización ampliamente utilizado. Es debido a Nelder y Mead (1965) y es un método numérico para minimizar una función objetiva en un espacio multidimensional. 64

La estimación de los parámetros con las variables transformadas mediante la primera diferencia de los logaritmos garantiza la estacioanariedad de las series y evita las regresiones de tipo espurio. El concepto de regresión espuria hace referencia a la posibilidad de encontrar relaciones de casualidad y no de causalidad entre las variables del modelo (Chaves

87

Aplicando logaritmo a la expresión (21) para linealizar el modelo y facilitar su regresión, el modelo con eficiencia técnica variante en el tiempo se puede plantear como:

Lnyit = Ln f(xit + Ln exp(vit – uit ) (22)

O también: Lnyit = β0 + ∑ βn ln xn,it + vit - uit i=1,2,…. N; t = 1,2,….T (23) Donde, β0 es el intercepto de la frontera de producción común a todos los productores en el periodo t y representa el progreso tecnológico exógeno. Además, uit varía entre departamentos y con el tiempo. A partir de la ecuación (23), si uit = 0, es decir, si no existe ineficiencia técnica, dicha ecuación se transforma en: Ln yit = β0 + ∑ βn ln xn,it + vit (24) que constituye la frontera de producción eficiente. Por tanto, la unidad económica i está siendo eficiente técnicamente. Por el contrario, si uit>0, la unidad económica i está siendo ineficiente técnicamente en cierto grado. Ahora bien, si uit se supone invariante en el tiempo, entonces uit=ui. En este caso, uit puede modelizarse como un parámetro haciendo βi= β0-ui. Entonces, la función de producción con eficiencia técnica invariante en el tiempo se transforma en:

Ln yit = βi + ∑ βn ln xn,it + vit i=1,2,…. N; t = 1,2,….T (25) Donde βi es el efecto individual, específico para cada unidad de sección cruzada y que se considera constante en el tiempo. Aplicando la expansión de Taylor a la función (23), la función translogarítmica estocástica variante en el tiempo con datos de panel ejemplificado para el caso de un producto (yit) y tres (3) insumos {X1, X2, X3}

66, cada uno con una serie de tiempo de 19 años (de 1990 al 2008), es la siguiente:

(26)

Donde:

Castro, Álvaro Hernando, Evolución de la productividad multifactorial, ciclos y comportamiento de la actividad económica en Cunidnamarca.http://portal.uexternado.edu.co/irj/go/km/docs/documents/UExternado/pdf/1_facultadEconomia/Publicaciones/DocumentosDeTrabajo/EvolucionProductividadMultifactorial.pdf 65

El procedimiento para efectuar tal aproximación se conoce como desarrollo, aproximación, expansión o serie de Taylor. El desarrollo de Taylor para una función f(x) sucesivamente diferenciable consiste en construir el siguiente polinomio en el punto x0:

n

n

n

Rxxn

xfxx

xfxxxfxfxf )(

!

)(...)(

!2

)´´())(´()()( 0

0

)(

2

00

000

66

Un tratamiento detallado de los insumos a utilizar en este trabajo se realizará más adelante.

LnYit = β0 + β1lnx1 + β2lnx2 + β3lnx3+ ½ β11 (lnx1)

2 + ½ β22 (lnx2)2 + ½ β33

(lnx3)2 + β12 lnx1 lnx2 + β13 lnx1 lnx3+ β23 lnx2 lnx3+ vit– uit

88

β0: Parámetro de posición que es mayor que cero, es decir, hay un nivel de producción que es independiente de los factores de producción considerados en el estudio. Este parámetro también es considerado el progreso técnico autónomo. βit : Coeficientes de las variables explicativas (factores o insumos de producción). lnX1, lnX2, lnX3: Factores de producción (insumos). lnX1 lnX2: Interacción entre los factores productivos X1 y X2

lnX1lnX3: Interacción entre los factores productivos X1 y X3

lnX2 lnX3: Interacción entre los factores productivos X2 y X3

Nota: la interacción de factores permiten estudiar la sustituibilidad o complementariedad de factores de producción. (lnx1)

2, (lnx2)2, (lnx3)

2: factores productivos al cuadrado. Estos términos al cuadrado permiten verificar si la función tiene pendiente cambiante, es decir, si no corresponde a una recta.

La naturaleza cuadrática de la función translogarítmica garantiza un buen comportamiento en términos de monotonicidad y convexidad. εit = vit-uit: Error de estimación (frontera estocástica). En este modelo, el valor de la producción (Yit) está en función de los insumos productivos (lnX1, lnX2, lnX3), el cuadrado de los insumos ((lnx1)

2, (lnx2)2, (lnx3)

2) y sus términos cruzados. La gran ventaja de estimar una función Translog es que captura las interacciones entre insumos productivos y, al mismo tiempo, las elasticidades quedan en función de las propias variables, de modo que éstas pueden variar dependiendo del nivel de uso de insumos productivos. Por su parte, el mayor problema de esta función es que, dada la gran cantidad de variables explicativas, se puede producir multicolinealidad67. Esto podría generar estimaciones con alta variabilidad, de forma que los coeficientes pierdan precisión y significancia68.

3.1.2. Modelo teórico de los Efectos de Ineficiencia uit

La estimación de la eficiencia técnica se realiza con base en los residuos εit obtenidos por el método de Máxima Verosimilitud aplicados a la frontera estocástica. Se trata de la realización de un proceso de regresión, simultáneo al de la función de producción, de dichos errores con respecto a una serie de variables independientes que los explican. Sin embargo, el método de máxima verosimilitud genera residuos que contienen, en forma conjunta, ineficiencia técnica (uit) y ruido estocástico (vit). Por ello, el problema consiste en

67

El proceso o término de multicolinealidad en Econometría es una situación en la que se presenta una fuerte correlación entre variables explicativas del modelo. La correlación ha de ser fuerte, ya que siempre existirá correlación entre dos variables explicativas en un modelo, es decir, la no correlación de dos variables es un proceso idílico, que sólo se podría encontrar en condiciones de laboratorio (http://es.wikipedia.org/wiki/Multicolinealidad). 68

Morales, César y Parada, Soledad (Editores) (2005). Pobreza, desertificación y degradación de los recursos naturales. CEPAL, Santiago de Chile, diciembre, p.92.

89

cómo individualizar cada componente, si se sabe que para estimar la eficiencia técnica es necesario conocer los términos uit, que no son observables. Solamente es observable el error εit, que es la diferencia entre vit-uit.

Primero que todo es necesario explicar en qué consisten estos errores. El error εit está compuesto por dos perturbaciones aleatorias que son distinguibles entre sí y poseen diferentes características, que desvían al productor de la obtención del máximo posible de producción dado un nivel tecnológico. Por un lado, una perturbación aleatoria (vit) que captura los efectos fuera de control de los productores como eventos favorables o desfavorables, como la suerte, el clima, la topografía, huelgas y el desempeño de las maquinarias, así como errores en la observación y medición de la producción y otros eventos que no están al alcance del control de la unidad económica; y, por otro lado, una perturbación no negativa (uit) que recoge los efectos controlables por el productor, como el manejo de la producción, el esfuerzo de los empleados o la utilización de materias primas, insumos, etc., que están directamente asociados a la ineficiencia técnica. Es decir que para el nivel tecnológico vigente y dados los usos de insumos, el producto observado (ante la presencia de los uit) puede estar por debajo del potencial.

La perturbación εit vit - uit, separa los desvíos de la frontera en dos componentes, uno de ineficiencia y el otro aleatorio (Jondrow et al., 1982). Se asume que estos dos componentes son independientes entre sí69. Este último supuesto implica que los valores de Yit que efectivamente se realizan no son anticipables por los administradores responsables de elegir los insumos (Zellner et al., 1966). Ahora bien, para separar el término εit en sus componentes de ruido (vit) y de ineficiencia (uit) , se necesita asumir alguna distribución para ambos componentes: en lo que respecta al componente vit se supone que es una perturbación (error) simétrica (de dos colas) porque puede encontrarse por encima o por debajo de la frontera de producción dado que son errores no controlables (puede aumentar o disminuir el output) y se supone, además, que se distribuye idéntica e independientemente (iid) como una distribución

normal, N(0, a lo largo de todas las unidades y del tiempo. El componente uit se supone que es un término asimétrico (de una cola) dado que sólo puede disminuir el output por debajo de la frontera; es decir, la condición de que tenga una distribución de una sola cola garantiza que las observaciones se coloquen a un solo lado de la frontera estocástica. Además, se asume que se distribuye independientemente

de vit y que satisface que uit ≥ (no negativo), pues la ineficiencia sólo puede ser mayor o igual a cero. Por lo tanto, hay que seleccionar distribuciones estadísticas para uit que se distribuyan para un sólo lado70. Entre las distribuciones de este tipo de mayor uso, tenemos: a. Distribución semi-normal: Se trata de una distribución normal de media cero y

truncada en cero para tomar solamente valores positivos, es invariable con respecto al

69

Las desviaciones de la frontera tiene una interpretación natural como medida de la eficiencia; y la información acerca la estructura de la frontera y de la eficiencia relativa de las unidades económicas tienen aplicaciones de política económica. 70

Pitt y Lee (1981) abrieron camino en el análisis de la frontera estocástica al abordar en su trabajo un tema de extrema

importancia para el investigador como es el de indagar acerca de cuáles pueden ser las fuentes que dan lugar a la ineficiencia técnica uit, y si esta es variante o no en el tiempo.

90

tiempo y no incorpora variables explicativas para el componente de una cola (componente uit).

Gráfico 28. Función de densidad de la distribución seminormal

F(u)

u b. Distribución normal truncada: Con este modelo de Distribución normal truncada de

Battese y Coelli (1992) se obtienen solamente valores positivos y su media puede ser distinta de cero y expresa los efectos de ineficiencia técnica en función de un conjunto de variables explicativas zit (puede tratarse de características específicas de la unidad productiva como tipo de sistema de producción, niveles de corrupción, infraestructura, etc.) y un término de error inobservable wit. Es variable con respecto al tiempo e incorpora variables explicativas para el componente de una cola (componente uit).

Gráfico 29. Función de densidad de la distribución normal truncada

f(u) u Surgen de esta forma toda una serie de modelos para el término uit que se estima junto con el modelo de frontera estocástica adoptado. Entre éstos, los más utilizados son los siguientes: El primer modelo fue propuesto por Battese y Coelli (1992). Según este autor, uit

puede ser definido como:

uit = {exp[ -η (t-T)]}Ui (27)

O también, Uit =uie[-η(t-T)] (28)

91

donde η es un parámetro desconocido a ser estimado y que muestra el comportamiento de la eficiencia técnica en el tiempo71. La eficiencia técnica aumenta, permanece constante o disminuye con el tiempo, cuando el valor de η > 0, η = 0 ó η < 0, respectivamente. Es decir, se debe testear la hipótesis nula de que los efectos de la ineficiencia técnica son invariables en el tiempo (H

0: η = 0). No rechazar la hipótesis de

que η = 0, permite aceptar que los efectos de ineficiencia técnica son invariantes en el tiempo. El Segundo modelo de ineficiencia técnica, propuesto igualmente por Battese y Coelli (1995) tiene la forma:

uit = zitδ+ wit (29) donde zit es un vector (1xM) de variables explicativas asociadas con los efectos de ineficiencia técnica, δ es un vector (Mx1) de parámetros a estimar, y Las Wit son un conjunto de variables aleatorias no observables que se suponen iid., que provienen de una distribución normal truncada con media cero y varianza ζ2, de forma tal que los uit son no negativos (es decir Wit ≥ - zitδ). Un tercer modelo es el de Huang y Liu (1994) en el que se supone que los efectos de ineficiencia son función de:

Un conjunto de variables explicativas zit,

De las interacciones entre los recursos empleados (inputs) en la función de frontera estocástica yit y las variables explicativas z*

it (por esta razón se dice, en este modelo de Huang y Liu, que la función frontera es no-neutral).

Y un término aleatorio wit.

uit = δzit + δ* z*jt + wit (30)

En el presente trabajo se supone que uit se distribuye idéntica e independientemente según una normal de media cero y truncada en cero para tomar solamente valores positivos72. De lo anterior se desprende que el efecto de ineficiencia uit de la ecuación (26), puede especificarse de la siguiente forma:

uit = zitδ + wit(31) donde: uit representa la eficiencia técnica del modelo paramétrico con fronteras estocásticas empleado (ecuación 26), Zit es el conjunto de variables independientes que, se asume, explican la eficiencia técnica. Corresponde a un vector (1 x m) de variables explicativas relacionadas con la

71

Este modelo define el efecto de ineficiencia técnica como una función exponencial en el tiempo de los errores u it; el error uit es independiente de vit. El modelo resulta sumamente útil para investigar el cambio de la ineficiencia en el tiempo. 72

Siguiendo a Battese y Coelli (1995) hemos supuesto que la ineficiencia técnica en producción sigue una distribución normal truncada en cero. Puesto que la ineficiencia solo puede reducir la producción por debajo de la frontera, es necesario suponer distribuciones asimétricas asociadas a dicho término, siendo igualmente aceptables las distribuciones semi-normal y exponencial. Sin embargo, en diversos trabajos empíricos (Gumbau y Maudos (1996)) se demuestra que los resultados obtenidos siguiendo cualquiera de las distribuciones mencionadas con anterioridad son muy similares.

92

ineficiencia técnica de las unidades económicas de las firmas a lo largo del tiempo, y que por lo mismo, pueden influir en la eficiencia de los departamentos. δ es un vector (m x 1) de parámetro desconocido a estimar y que corresponden a las elasticidades de la eficiencia técnica con respecto a las variables exógenas utilizadas para explicar dicha ineficiencia. Por su parte, la variable aleatoria, wit, sigue una distribución normal truncada en -zitδ con media cero y varianza ζ2

w. El punto de truncamiento se determina de tal forma que uit sea siempre mayor o igual a cero. Por lo tanto el punto de truncamiento de wit debe ser –zitδ. Es decir que siempre se cumple que wit ≥ −zitδ. Estos supuestos son consistentes con que los uit son distribuidos independientes N(zitδ,ζ2) truncada en cero. Además, los uit no son idénticamente distribuidos, es decir, las medias son distintas, pero se supone que son funciones de las mismas variables (que toman valores diferentes) y parámetros. Ahora bien, es necesario no perder de vista lo siguiente: la estimación de niveles de ineficiencia a partir de la regresión de la función de producción estocástica (etapa 1 de la regresión) y la posterior regresión de estas ineficiencias con respecto a otras variables explicativas73 (etapa 2 de la regresión) se configura como un modelo en dos etapas. Cabe anotar sin embargo, como lo muestran Battese y Coelli (1995), que la estimación de dicho modelo en dos etapas74, puede sufrir dos problemas econométricos graves. El primero consiste en que no se pueden asumir correlaciones entre las variables de la frontera estocástica y las variables explicativas de la ineficiencia, pues de existir dicha correlación, los estimadores de máxima verosimilitud del vector de β estarían sesgados por causa de la omisión de variables relevantes. Esto a su vez arrojaría estimadores de ineficiencia uit

sesgados con respecto a la verdadera ineficiencia, pues éstos han sido estimados con respecto a una representación sesgada de la función de producción estocástica. En este estado de cosas, la segunda etapa no contribuiría en nada a explicar el nivel de ineficiencia pues estaría considerando un nivel equivocado de ésta. El segundo problema está asociado a la contradicción en los supuestos acerca de la distribución del estimador de ineficiencia en cada una de las etapas de regresión. En efecto, en la primera regresión se supone que las ineficiencias (uit) de cada unidad económica en cada momento del tiempo están independiente e idénticamente distribuidas, mientras que en la segunda regresión cada ineficiencia se distribuye de acuerdo a la predicción que arrojan sus variables explicativas. Este hecho va en contra del supuesto de distribución idéntica, lo que puede derivar en estimadores que no son eficientes. Para resolver ese problema se desarrollaron diversas propuestas75. El modelo de Battese y Coelli del año 1995 (Coelli et. al, 1998) de la frontera estocástica supone que el componente de ineficiencia técnica uit es una variable aleatoria no negativa distribuida independientemente, pero no idénticamente, siguiendo una Normal Truncada. El modelo

73

A partir de los resultados obtenidos con las estimaciones de la función de producción es posible realizar una estimación posterior sobre los determinantes de los efectos de ineficiencia uit. Se trata de una regresión en la cual los efectos de la ineficiencia estimada se explican por una serie de variables independientes. Estas variables reflejan los factores internos a las unidades económicas que determinan su eficiencia técnica y explican las diferencias de eficiencia entre las mismas. Entonces, en esta segunda regresión se supone que los uit no están idénticamente distribuidos sino que dependen de características internas a la unidad económica. 74

Cuando se habla de dos etapas se hace referencia a una estimación inicial de la frontera de producción estocástica con el respectivo componente de ineficiencia, y una estimación posterior de la ineficiencia en función de sus variables explicativas. 75

Una breve reseña de estas propuestas se encuentra en Coelli, et. al. (1998).

93

seguido en este trabajo y explicado anteriormente se sobrepone a estas complicaciones de las dos etapas, puesto que realiza la estimación de las ineficiencias (ecuación 26) y de los efectos de cada una de sus variables explicativas (ecuación 31), siguiendo un procedimiento de una sola etapa. De acuerdo con la ecuación (31), la especificación elegida en el modelo de efectos sobre ineficiencia toma la siguiente forma, para 3 variables:

(32)

El modelo que se va a estimar en este trabajo está definido por las ecuaciones (26) y (32). La estimación conjunta de las ecuaciones (26) y (32) se realiza siguiendo el método de máxima verosimilitud propuesto por Battese y Coelli (1995) y Coelli (1996). Este método establece que los efectos entre unidades productivas (ineficiencias) en el panel de datos son aleatorios, varían a través del tiempo, y siguen una distribución normal truncada. Al mismo tiempo, estima de manera simultánea el efecto de variables exógenas (zit) a la frontera de producción estocástica en el nivel de ineficiencia. La estimación simultánea de (26) y (32), siguiendo el método de máxima verosimilitud para la estimación de los parámetros, arroja la eficiencia técnica (ETit) para cada departamento la cual está representada por la siguiente ecuación:

)exp()exp( itititit WzuET

(33)

Donde uit está especificado en las ecuaciones (26) y (32). La eficiencia técnica para cada

departamento se calcula utilizando la esperanza condicionada de )( itu

e dado el término de

error compuesto para el modelo de frontera estocástica (Jondrow et al, 1982; Battese y Coelli, 1988). La ecuación (33) surge de la siguiente relación:

)exp()exp(),(

)exp(),(

)exp(),(it

itit

ititit

itit

itit u

vxf

uvxf

vxf

yET

(34)

Donde la ETit es la razón del producto actual de la unidad económica i en el período t al producto de la unidad económica i en el período t si fuera eficiente técnicamente. Dicho de otra forma: desde el punto de vista del producto, el nivel de eficiencia técnica de una unidad económica está dado por el cociente entre el nivel de producto observado y el máximo nivel de producto que es técnicamente posible, el que es determinado por la frontera de producción eficiente. De donde se deduce la siguiente ecuación de la Eficiencia Técnica:

ETit = exp (-uit) (35)

uit = δ0 + δ1(z1)it + δ2(z2)it + δ3(z3)it +wit

94

La eficiencia técnica (ET) de la unidad productiva i toma un valor entre 0 y 1, y dependerá del valor que tome uit. Si la unidad productiva obtiene una ineficiencia estimada igual a cero, el valor de ET será 1. En el resto de los casos, ET será menor que 1.

O < ETit≤ 1 (36) Luego, si ETit = 1, la unidad económica i en el período t es eficiente técnicamente y si ETit<1 no lo es76. Los objetivos, entonces, son dos:

1. Obtener los estimadores de los parámetros β y δ de la función de producción Cobb

Douglas Translogarítmica y de la función de efectos sobre ineficiencia técnica, respectivamente.

2. Obtener las estimaciones de la eficiencia técnica de cada departamento productor en cada periodo. Lograr el segundo objetivo requiere separar vit y uit del error εit lo cual exige supuestos distribucionales en ambos componentes del error.

La función Máxima Verosimilitud se expresa en función de los parámetros de la varianza los cuales están expresados en los siguientes términos de acuerdo con Battese y Corra (1977)77:

222

uv (37)

Estos autores sustituyeron V2 y U

2 por 2, dando lugar a la siguiente expresión:

22

2

uv

u (38)

El parámetro puede interpretarse como un índice de la importancia relativa de las dos

fuentes de error en el modelo, causas exógenas (vit) e ineficiencia (uit). Cuando tiende a cero, el error simétrico vit (elementos que escapan del control empresarial) domina el

comportamiento de εit; cuando se hace muy grande, el error de una sola cola uit

(ineficiencia) es el elementa decisivo en el error total.

El primer test se focaliza, entonces, en la significancia estadística del parámetro (H0: =

0), y compara el modelo de frontera estocástica con la frontera de producción media.

Cuanto más cercano a 1 sea , más significativa será la presencia de la ineficiencia técnica (Battese y Coelli, 1992; Coelli, 1996; y Coelli et. al., 1998). En consecuencia, un

valor de 1,000 para revela que el 100% de la variación de la producción observada (output) con respecto a la frontera es debida a la ineficiencia. El segundo test tiene que ver con la hipótesis nula de que los efectos de la ineficiencia técnica son invariables en el tiempo (H

0: η = 0).No rechazar la hipótesis de que η = 0,

permite aceptar que los efectos de ineficiencia técnica son invariantes en el tiempo.

76

Esta es una medida de eficiencia tipo Farrel (1982) para cada una de las observaciones. 77

Ver en: Coelli (1996).

95

El tercer test se centra en la hipótesis nula de que los efectos de ineficiencia no están afectados por las variables explicativas zit, y se expresa como H0: δ = 0, donde δ representa el vector de parámetros excluido el intercepto. Todos estos cálculos se realizan usando el software FRONTIER 4.1, que brinda estimaciones de máxima verosimilitud para los parámetros del modelo de frontera estocástica (Coelli, 1996). Una vez realizada la estimación, se impone realizar una serie de contrastes de hipótesis con el fin de concretar la especificación que mejor se adapta a la estructura productiva, así como la significación de los parámetros que definen la estructura del error compuesto del modelo. Para ello, empleamos el contraste de la razón de verosimilitudes generalizado (LR), lo que implica el cálculo del estadístico:

0 1( 2) Ln LH Ln LH (39)

donde )( 0LHLn y )( 1LHLn son los valores que toma la función de verosimilitud bajo la

hipótesis nula y alternativa, respectivamente. El estadístico se distribuye

asintóticamente como una 2

p con p grados de libertad igual al número de restricciones

impuestas por la hipótesis nula.

3.2. La función de producción empírica, datos y definición de variables

La función de producción a utilizar depende del tipo de información con que se cuente, el tipo de variables a usar y el número de ecuaciones que se pretenda obtener en el modelo.

3.2.1. Selección de variables Para el cálculo de la frontera estocástica de producción empírica (modelo 40) y del modelo de efectos de ineficiencia empírico (modelo 41) se construyó una base de datos con información anual, comprendida entre los años 1990 y 2008. Esta base utiliza información de los departamentos de Risaralda, Quindío y Caldas (Región del Eje Cafetero). No obstante el foco de interés del estudio ser los departamentos del eje cafetero, pareció oportuno comparar la eficiencia técnica de estos departamentos con la eficiencia técnica de los demás departamentos productores de café en Colombia. Estos departamentos son: Nariño, Norte de Santander, Antioquia, Valle del Cauca y Tolima78. Estos últimos departamentos, junto con los departamentos del Eje cafetero, constituyen el llamado “Cinturón cafetero” de Colombia79. De la totalidad de los departamentos del “Cinturón cafetero”, Nariño y Norte de Santander son departamentos denominados de “producción intermedia” de café. Los demás departamentos son departamentos de mayores cosechas80. Por lo tanto, incluiremos en el análisis, como complemento a los departamentos del Eje cafetero, sólo a los departamentos de mayores cosechas, tales como: Antioquia, Valle del Cauca y Tolima.

78 http://es.wikipedia.org/wiki/Caf%C3%A9_de_Colombia. Consultada Mayo 03 del 2009. 79 http://pwp.supercabletv.net.co/garcru/colombia/Colombia/economia.html. Consultada Mayo 03 del 2009. 80 Entre estos últimos el departamento del Quindío es el primer departamento productor de café en Colombia. Consultada Mayo 03 del 2009.

96

Las variables seleccionadas para los modelos propuestos (función translogarítmica estocástica y modelo de los Efectos de Ineficiencia uit), son resultado tanto de la revisión bibliográfica (en función del grado de influencia que tiene en el rendimiento y en la eficiencia productiva) así como de la disponibilidad de la información sobre el tema tratado. La información fue recopilada a partir de una gran diversidad de fuentes, así: DANE (Encuesta continua de hogares, Gran encuesta integrada de hogares, Informes de coyuntura, Anuarios de la industria manufacturera), DIAN, MINCOMEX, DNP, Cámaras de Comercio. En lo que concierne a la construcción de las variables presentes en el modelo (40) se siguieron las definiciones presentadas en la tabla 14.

Tabla 14. Variables fronteras de producción estocástica

Variable Indicador Sigla

1.PIB de los departamentos Logaritmo del PIB LPIB

2.Población ocupada Logaritmo de la población ocupada LPO

3.Total activos

Logaritmo del total de activos LTA

4.Consumo de energía Logaritmo del consumo de energía LCE

5.Consumo intermedio Logaritmo del consumo intermedio LCI

6.Industrialización (sector Industr./PIB) Logaritmo de la Participación de la industria en el PIB LIND

7. Terciarización (sector serv./PIB) Logaritmo de la Participación del sector servicio en el PIB LTER

8.Exportaciones no tradicionales Logaritmo de las exportaciones no tradicionales LEXNT

9.Exportaciones tradicionales Logaritmo de las exportaciones tradicionales LEXT

10. Grado de apertura (Export. No trad.+ Import.)/PIB

Logaritmo del Grado de apertura LGA


En cuanto a los potenciales determinantes de la ineficiencia (modelo 41), se plantearon las siguientes variables81:

Tabla 15. Variables para la función de efectos de ineficiencia

Variable Indicador SIGLA

1. Coeficiente de apertura exportadora. X no trad.(sin café)/PIB CAE

2. Participación por tipo de contratación (empleo permanente) dentro del personal ocupado total en la industria manufacturera

Empleo permanente/personal ocupado total en la industria

PEP

3. Indicador de industrias tardías como participación del PIB departamental

PIB indust. desarrollo tardío/PIB departamental

IDTA

Elaboración propia

Para la selección de las variables con las cuales se construyó el modelo empírico estocástico se calculó la correlación de Pearson entre las nueve (9) variables (inputs) originales y los outputs (variable dependiente) de cada departamento del Eje cafetero y los demás departamentos considerados82, arrojando el siguiente resultado.

81 Debe señalarse que las tres variables consideradas no son las únicas que posiblemente afecten el nivel de eficiencia técnica de la economía de los departamentos, dado que es de esperar que características referidas al gerenciamiento, u origen de los insumos, etc. también pueden afectar esa performance. 82

Para los departamentos de Antioquia, Tolima y Valle del Cauca se tomaron, en total, únicamente seis variables, pues se presentaron algunas dificultades en la consecución de los datos de las variables industrialización, terciarización y grado de apertura.

97

Tabla 16.Correlaciones con el PIB variables del modelo Departamentos Eje Cafetero y departamentos de Antioquia, Tolima

y Valle del Cauca (Correlación de Pearson)

Deptos. PIB POCUPADA TACTIVOS CENERGIA CINTERME INDUSTRI TERCIARI EXNOTRAD EXTRADIC

GAPERTUR

Caldas 1 ,236 ,898(**) ,917(**) ,930(**) -,454 ,386 ,829(**) ,097 ,706(**)

Quindío 1 -,716(**) ,651(**) -,322 ,584(**) -,079 ,279 ,336 ,372 -,174

Risaralda 1 ,074 ,726(**) ,779(**) ,894(**) -,821(**) ,495(*) ,826(**) ,654(**) ,645(**)

Antioquia 1 ,439 ,960(**) ,844(**) ,982(**) ND ND ,976(**) -,336 ND

Tolima 1 ,209 ,682(**) ,791(**) ,647(**) ND ND -,047 ,419 ND

Valle del Cauca

1 -,189 ,933(**) ,964(**) ,922(**) ND ND ,883(**) -,467(*) ND

** La correlación es significativa al nivel 0,01 (bilateral). * La correlación es significante al nivel 0,05 (bilateral). Fuente: Elaboración propia, SPSS 11.5.1

Las variables de mayor correlación (mayor significancia) con el PIB de Caldas son: Total activos, consumo de energía, consumo intermedio, exportaciones no tradicionales y grado de apertura. Todas las variables anteriormente relacionadas muestran una correlación positiva con el PIB, lo que indica que cuando las variables explicativas crecen, la variable explicada también crece. La variable de más fuerza en la correlación con el PIB de Caldas es Consumo intermedio y le sigue en su orden consumo de energía como la segunda variable de mayor correlación. Las demás variables no muestran una correlación importante con el PIB de Caldas, por lo que las descartamos del análisis. En cuanto al Quindío, la mayoría de las variables seleccionadas en el estudio muestran muy baja correlación con su PIB. No obstante, las variables población ocupada, Total activos y Consumo intermedio son, en su orden, las de mayor fuerza en su correlación con el PIB. La primer muestra una relación inversa mientras que las otras dos muestran una relación directa. Estas variables son las potenciales para ser seleccionadas para el análisis de eficiencia, las demás no se tomarían en cuenta. En lo que tiene que ver con Risaralda, todas las variables seleccionadas, a excepción de población ocupada, tienen buena correlación con el PIB de este departamento. Las de mayor grado de correlación son, en su orden, las siguientes: Consumo intermedio (relación directa), exportaciones no tradicionales (relación directa), industrialización (relación inversa). En cuanto a los departamentos de Antioquia, Tolima y Valle del Cauca las variables de mayor correlación con el PIB de éstos, son: Total activos, consumo de energía y consumo intermedio. Para Antioquia y Valle del Cauca sus PIB tienen también correlación con exportaciones no tradicionales. Sorprende demasiado que la variable población ocupada no guarde relación significativa con los departamentos en estudio a excepción del departamento del Quindío. Esto significa que el volumen de mano de obra no incide demasiado en el crecimiento económico. Se requiere, paralelo al crecimiento cuantitativo de la mano de obra, una mayor cualificación de la misma, como requisito fundamental para el logro de mayores niveles de crecimiento económico. Para efecto de este estudio se toman las siguientes variables para la respectiva estimación de los modelos: total activos, consumo de energía y consumo intermedio. Estas variables son, en general, las de mayor correlación con los PIB de los departamentos en estudio.

98

3.2.2. Correlación de las variables que no entraron en el modelo con las variables seleccionadas

Las variables que no entraron en el estudio, para los departamentos del eje cafetero, fueron población ocupada, industrialización, terciarización, exportaciones no tradicionales, exportaciones tradicionales y grado de apertura. Para los departamentos de Antioquia, Tolima y Valle del Cauca, la que no entraron fueron población ocupada, exportaciones no tradicionales y exportaciones tradicionales. En cuanto a las variables industrialización y terciarización éstas no fueron consideradas por falta de información para su construcción. Para Caldas, es necesario destacar que de las variables que no entraron en el modelo las únicas que no tiene correlación significativa con las que entraron son población ocupada, terciarización y exportaciones tradicionales (ver anexo 3). Esto significa que las variables que entraron en el modelo recogen los efectos de las restantes tres variables que sí están correlacionadas (industrialización, exportaciones no tradicionales y grado de apertura), lo que le da mayor fuerza a la variables elegidas. En lo que respecta a Quindío las variables población ocupada e industrialización se correlacionan con consumo de energía; terciarización con total activos y consumo intermedio; y la variable exportaciones no tradicionales con consumo intermedio (ver anexo 3).Población ocupada y exportaciones tradicionales no se relacionan con ninguna variable elegida. Para el departamento de Antioquia sólo las variables población ocupada, exportaciones no tradicionales y exportaciones tradicionales tienen relación con alguna o algunas de las variables seleccionadas: Población ocupada con consumo de energía, exportaciones no tradicionales con las tres variables seleccionadas y exportaciones tradicionales con total activos y consumo intermedio (aunque una correlación débil). Tolima presenta un caso importante: ninguna de las variables no seleccionadas se correlacionan con las variables seleccionadas. Y, por último, para el Valle del Cauca, sólo exportaciones no tradicionales y exportaciones tradicionales se correlacionan con las tres variables elegidas para el estudio. En conclusión, podemos afirmar que las tres variables seleccionadas son representativas dado que tienen buena correlación con el PIB de los departamentos y, además, un buen número de variables no seleccionadas se correlacionan con éstas.

3.2.3. Resumen estadístico de las variables seleccionadas En las tablas del17 al 22 se presenta un resumen de las variables xi, por departamento, utilizadas en las estimaciones del modelo estocástico. El periodo de tiempo de cada variable es de 19 años (del año 1990 al año 2008). Todas las variables expresadas en términos monetarios están medidas en precios constantes de 1994. El resumen estadístico de las variables es el siguiente:

99

Tabla 17. Resumen estadístico de las variables (inputs) departamento de Caldas

Variables Media Mediana Desviación estándar Mínimo Máximo

PIB 1665851,1053 1597591,0000 249300,20855 1274565,00 2144922,00 Total activos 655658350,0526 662774675,0000 426281791,83543 28154876,00 1341619420,00 Consumo energía 175417870,4737 172291797,0000 36560493,41256 117570902,00 250311276,00

Consumo intermedio 692311528,2105 477248822,0000 525693934,09297 109049496,00 1738991196,00 Elaboración propia, Software SPSS 11,5

Tabla 18. Resumen estadístico de las variables (inputs) departamento de Quindío


PIB 744079,8479 748978,0000 59622,41751 562330,00 815337,00

Total activos 51355658,5379 57020639,0000 30870881,12435 2038819,00 113405927,00

Consumo energía 14875447,5658 13981620,0000 4635466,24144 9744894,00 30167847,00

Consumos intermedios 185852834,6137 166610804,0000 42126306,00 413435516,55 119766994,23904

Elaboración propia, Software SPSS 11,5

Tabla 19. Resumen estadístico de las variables (inputs) departamento de Risaralda


PIB 1327532,4974 1296759,0000 152881,99187 1073578,00 1658672,00

Total activos 758237827,1005 928665636,0000 465004112,90520 30877013,00 1452268230,06

Consumo energía 209277297,7968 224898386,0000 49710497,72937 122232396,00 284963261,32



Tabla 20. Resumen estadístico de las variables (inputs) departamento de Antioquia


PIB 11465864,0884 11211167,00 1624287,13773 9153746,00 14462148,59

Total activos 7058354319,42 7216707982,00 4758570980,18962 363629126,00 14564087263,0

Consumo energía 1802596098,7895 1783384426,0000 237105254,93844 1093274691,00 2195728595,00

Consumos intermedios 6422199528,21 4711996416, 00 4430568380,05897 1115030723,00 14869739213,0


Tabla 21. Resumen estadístico de las variables (inputs) departamento de Tolima


PIB 1957846,0206 2025399,0000 167192,42200 1553536,00 2205095,00

Total activos 867170342,0526 1039343083,0000 619687810,65468 19500200,00 1793955122,00

Consumo energía 235507241,0526 262664893,0000 68213866,65371 126925601,00 321230706,00



Tabla 22. Resumen estadístico de las variables (inputs) departamento del Valle del Cauca


PIB 8703167,2316 8843151,0000 1042854,67689 6763999,00 10357053,90

Total activos 6660143328,2105 7378316513,0000 4377033743,10299 62472383,00 12877503269,00

Consumo energía 1951571061,7895 1908670727,0000 342933555,29066 1422066538,00 2579495285,00



Tabla 23. Resumen estadístico de las variables (inputs) todos los departamentos


PIB 3623354,8856 1654582,5000 4104734,43982 562330,00 14462149,00

Total activos 1830414536,6613 760733350,5000 3293256423,45832 2038819,00 14564087263,00

Consumo energía 539849768,7589 215025059,0000 696458046,60352 9744894,00 2195728595,00



100

La función empírica translogarítmica estocástica variante en el tiempo con datos de panel ejemplificada para el caso de un producto (yit) y los tres (3) insumos seleccionados, es la siguiente:

(40)

Su estimación (regresión), a través del programa FRONTIER 4.1, arroja los valores de βit (elasticidades insumos-producto), la eficiencia técnica de cada departamento por año y los errores de estimación vit y uit.

Las características estocásticas de este modelo, permiten que algunas observaciones se encuentren por encima de la función de producción, lo cual los hace menos vulnerables a la influencia de observaciones outliers, versus el caso de modelos determinísticos para fronteras de producción eficiente. La función empírica de los Efectos de ineficiencia técnica está dada por la siguiente expresión:

(41)

3.3. El método de estimación: MCOM y MV: un análisis comparado

Los métodos más empleados para la estimación de los parámetros en los trabajos de fronteras de producción estocástica con datos de panel son el Método de Mínimos Cuadrados Ordinarios Modificados (MCOM) y el Método de Máxima Verosimilitud (MV).En este trabajo emplearemos el método de MV. Las razones son las siguientes: a. Un primer aspecto a considerar es la influencia que tienen en estos dos métodos los distintos supuestos sobre la distribución de los uit. Es decir, se debe analizar los posibles problemas que podrían verificarse si no se eligiera la distribución adecuada para estos uit. En el caso de MCOM se debe suponer una distribución en la segunda parte, es decir, en el momento en el cual se ajusta la estimación MCO. Por ello, las estimaciones de los parámetros tecnológicos no son sensibles al tipo de distribución. En el método de MV, sin embargo, es necesario este supuesto desde el principio y entonces, elegir una distribución errónea puede afectar también la estimación de los parámetros de la función de producción83. b. Otra diferencia entre los estimadores de los dos métodos se refiere al tipo de frontera eficiente estimada. El método de MCOM no es eficiente en el sentido que ajusta solamente la estimación de la intersección obtenida con la aplicación de MCO dejando

83

Schmidt, Gabriela y Campión, Paulina. Análisis de la Eficiencia en el Sector Manufacturero Italiano. El Enfoque de la

Frontera Estocástica.http://www.aaep.org.ar/espa/anales/works05/schmidt_campion.pdf

LnYit = β0 + β1lnTA+ β2lnCE+ β3lnCI + ½ β11 (lnTA)2 + ½ β22 (lnCE)

2+ ½

β33 (lnCI)2 + β12 lnTA lnCE+ β13 lnTA lnCI + β23 lnCElnCI+vit– uit

uit = δ0 + δ1(CAE)it + δ3(PEP)it + δ6(IDTA)it +wit

101

todas las otras estimaciones de los parámetros tecnológicos sin modificaciones. Esto hace que la estructura de la frontera eficiente sea la misma que la estructura productiva de la empresa menos eficiente84. Por otro lado, el método de MV admite que existan diferencias entre la tecnología eficiente y la tecnología estimada por MCO, lo cual indica una ventaja de MV ya que los productores eficientes tal vez hayan alcanzado esta posición porque posiblemente han aprovechado oportunidades de sustitución y de escala85. c. La utilización del método MCOM implica que la intersección modificada no necesariamente cubrirá todas las observaciones y que si una observación tiene residuos MCO suficientemente grandes es posible que el nivel de eficiencia técnica sea mayor a uno (ETi > 1 )86. En conclusión, la frontera eficiente MCOM es la misma frontera MCO trasladada hacia arriba, mientras que la tecnología eficiente MV es distinta y envuelve a todas las observaciones. La informática ha simplificado ampliamente la aplicación del método MV, resultando así el método más utilizado en los estudios empíricos para el cálculo de los parámetros de una función de producción. No obstante, no existe un consenso sobre la superioridad absoluta de MV respecto a MCOM. Asintóticamente los estimadores MV son superiores, pero aún no son claras las propiedades de los estimadores para las muestras finitas87. Estudios basados en la metodología Monte Carlo (Olson, Schmidt y Waldman, 1980) concluyeron que para muestras de pequeñas dimensiones, con menos de 200 observaciones, los estimadores MCOM son más eficientes, mientras que en muestras de mayores dimensiones son más eficientes los estimadores MV. Por otra parte, a partir de otro experimento de Monte Carlo, Coelli (1995) señala que los estimadores MV son superiores a los MCOM en todos los casos, si el peso de la ineficiencia técnica en la

varianza total (parámetro ) es grande. En consecuencia, este autor sugiere utilizar el método MV siempreque sea posible88.

84

Ibid. 85

Ibid. 86

Ibid. 87

Ibid. 88

Ibid.

102

CAPÍTULO CUARTO

RESULTADOS Y ANÁLISIS

103

CAPÍTULO CUARTO

RESULTADOS Y ANÁLISIS A continuación se presentan los resultados del modelo Paramétrico aplicado en este estudio y su correspondiente análisis. 4.1. Estimación del Modelo paramétrico Para ajustar el modelo paramétrico (modelo translogarítmico con fronteras estocásticas), se utilizó el software FRONTIER 4.189. Se utilizaron, los siguientes datos: 6 departamentos, 19 períodos (1990-2008), y 9 variables regresoras. Los resultados del ajuste de la frontera estocástica (Modelo 40), supuesta una distribución normal del término de error vit (causas aleatorias) y una distribución normal truncada del término de error uit (ineficiencia técnica), aparecen en las tablas 24 al 28. En estas tablas se muestran cinco (5) modelos de fronteras calculados para la producción de los departamentos en estudio: un modelo del tipo Cobb-Douglas básico y un modelo translogarítmico (con cuatro variantes). Aunque la función de producción del tipo translogarítmico es mucho más flexible que la de tipo Cobb-Douglas, se han estimado ambos modelos al considerar que los resultados del modelo translogarítmico pueden verse un tanto condicionados porque la muestra de datos utilizados no es muy grande. Se hizo una elección del mejor modelo por prueba de hipótesis.

Tabla 24. Estimación por máxima-verosimilitud frontera de producción estocástica translog. con estimación de

efectos de ineficiencia

Variable Parámetro Valor parámetro Error estándar Estadístico t

FRONTERA ESTOCÁSTICA

Constante β0 0.84510337E+01*** 0.97032929E+00 0.87094493E+01

Ln(Total activos) β1 -0.96196179E-07*** 0.92278790E-08 -0.10424517E+02

Ln(Consumo energía) β2 -0.86494645E+00*** 0.97338497E-01 -0.88859648E+01

Ln(Consumo intermedio) β3 -0.80657450E-07*** 0.80089647E-08 -0.10070896E+02

Ln(T.Activos)2

β11 0.47194545E+00*** 0.45036905E-01 0.10479083E+02

Ln(C.Energía)2

β22 0.45325925E-07*** 0.59984200E-08 0.75563108E+01

Ln(C.Intermedio)2

β33 0.41148593E+00*** 0.76074546E-01 0.54089830E+01

Ln(T.Activos)Ln(C.Energía) β12 0.43909976E-08*** 0.44406311E-09 0.98882286E+01

Ln(T.Activos)Ln(C.Intermedio) β13 0.31442171E-01*** 0.35411697E-02 0.88790354E+01

Ln(C.Energía)Ln(C.Intermedio) β23 0.12710609E-06* 0.91197928E-07 0.13937388E+01

VARIBLES QUE MIDEN LA INEFICIENCIA TÉCNICA

Constante δ0 0.96123094E+00* 0.62191734E+00 0.15455928E+01

1. Coeficiente de apertura exportadora.

δ1 0.36271227E-02 0.35971218E-02 0.10083403E+01

2. Participación por tipo de contratación (empleo

δ2 0.14176193E-06 0.18127176E-06 0.78204088E+00

89

El programa FRONTIER 4.1 es de distribución gratuita y se puede descargar de la siguiente dirección electrónica: http://www.uq.edu.au/economics/cepa/frontier.htm. El programa Frontier 4.1 estima un modelo lineal, por dicha razón la función de producción se coloca en logaritmo.

104

permanente) dentro del personal ocupado total en la industria manufacturera


δ3 -0.67968058E-02 0.63104303E-02 -0.10770749E+01

PARÁMETROS DE VARIANZA

Sigma-squared σ2 0.12742631E+00*** 0.24359394E-01 0.52310954E+01

Gamma γ 0.96867262E+00 *** 0.81752106E-01 0.11848901E+02

Log. Verosimilitud -0.53233041E+01

LR test of the one-sided error = 0.66627118E+01

Fuente: Elaboración propia. Software FRONTIER 4.1 ***significativo al 1%, **significativo al 5%; *significativo al 10%

Tabla 25. Estimación por máxima-verosimilitud frontera de producción estocástica translog. sin estimación de

efectos de ineficiencia, μ y η estimados



Constante β0 0.92711352E+01**** 0.87462456E+00 0.10600131E+02

Ln(Total activos) β1 -0.11702768E-06**** 0.60668896E-08 -0.19289568E+02

Ln(Consumo energía) β2 -0.75683554E+00**** 0.93138048E-01 -0.81259544E+01

Ln(Consumo intermedio) β3 -0.75597524E-07**** 0.15033832E-07 -0.50284934E+01

Ln(T.Activos)2

β11 0.48477063E+00**** 0.17460520E+00 0.27763814E+01

Ln(C.Energía)2

β22 0.40869336E-07** 0.29706935E-07 0.13757507E+01

Ln(C.Intermedio)2

β33 0.31073682E+00** 0.19364142E+00 0.16047022E+01

Ln(T.Activos)Ln(C.Energía) β12 0.25358213E-08 0.61229941E-08 0.41414727E+00

Ln(T.Activos)Ln(C.Intermedio) β13 0.26926670E-01*** 0.30737407E-02 0.87602283E+01

Ln(C.Energía)Ln(C.Intermedio) β23 0.11518181E-06* 0.13358032E-06 0.86226632E+00

Sigma-squared σ2 0.10200370E+00 0.33648065E-01 0.30314877E+01

Gamma γ 0.99999999E+00 0.36413365E-06 0.27462444E+07

mu μ 0.55413888E+00 0.17879493E+00 0.30992986E+01

eta η -0.15848308E-01 -0.30329650E-02 0.52253513E+01



Fuente: Elaboración propia. Software FRONTIER 4.1 ****significativo al 1%, ***significativo al 5%; **significativo al 10%; *significativo al 20%

Tabla 26. Estimación por máxima-verosimilitud frontera de producción estocástica translog η = 0



Constante β0 0.11061575E+02 0.10998231E+01 0.10057595E+02

Ln(Total activos) β1 -0.90249473E-07 0.44416770E-08 -0.20318783E+02

Ln(Consumo energía) β2 0.10295454E+00 0.85306276E-01 0.12068811E+01

Ln(Consumo intermedio) β3 0.10988300E-07 0.85702550E-08 0.12821438E+01

Ln(T.Activos)2

β11 0.34540107E-01 0.41291865E-01 0.83648696E+00

Ln(C.Energía)2

β22 0.30576057E-08 0.64520858E-08 0.47389416E+00

Ln(C.Intermedio)2

β33 0.16609929E+00 0.35989763E-01 0.46151815E+01

Ln(T.Activos)Ln(C.Energía) β12 0.14812156E-08 0.49266729E-09 0.30065230E+01

Ln(T.Activos)Ln(C.Intermedio) β13 -0.58451228E-02 0.40359724E-02 -0.14482564E+01

Ln(C.Energía)Ln(C.Intermedio) β23 -0.33538029E-07 0.51423330E-07 -0.65219480E+00



Gamma γ 0.97317934E+00 0.53556928E-02 0.18170933E+03

mu μ 0.74636577E+00 0.54902203E-01 0.13594459E+02

eta is restricted to be zero η




105

Tabla 27. Estimación por máxima-verosimilitud frontera de producción estocástica translog μ = 0



Constante β0 0.61473794E+01 0.10337966E+01 0.59464111E+01

Ln(Total activos) β1 -0.90596589E-07 0.67427377E-08 -0.13436173E+02

Ln(Consumo de energía) β2 -0.13932975E+00 0.90889530E-01 -0.15329571E+01

Ln(Consumo intermedio) β3 -0.62055280E-08 0.11811864E-07 -0.52536400E+00

Ln(T.Activos)2

β11 0.49015609E+00 0.31757092E-01 0.15434539E+02

Ln(C.Energía)2

β22 0.55033373E-07 0.16153588E-07 0.34068823E+01

Ln(C.Intermedio)2

β33 0.23563254E-01 0.37980977E-01 0.62039622E+00

Ln(T.Activos)Ln(C.Energía) β12 -0.36668672E-09 0.35097182E-09 -0.10447754E+01

Ln(T.Activos)Ln(C.Intermedio) β13 0.88179045E-02 0.54999593E-02 0.16032672E+01

Ln(C.Energía)Ln(C.Intermedio) β23 -0.17013727E-07 0.64345635E-07 -0.26441151E+00



Gamma γ 0.90941227E+00 0.25954067E-01 0.35039298E+02

mu is restricted to be zero μ

eta η -0.12289800E-01 0.13931303E-01 -0.88217159E+00




Tabla 28. Estimación por máxima-verosimilitud frontera de producción Cobb Douglas con estimación de efectos de

ineficiencia



Constante β0 0.22865196E+02*** 0.10491091E+01 0.21794870E+02

Ln(Total activos) β1 -0.90293684E-07*** 0.11037862E-07 -0.81803601E+01

Ln(Consumo de energía) β2 -0.15531378E+00*** 0.38137435E-01 -0.40724758E+01

Ln(Consumo intermedio) β3 -0.22696365E-07** 0.10377904E-07 -0.21869893E+01

VARIBLES QUE MIDEN LA INEFICIENCIA TÉCNICA

Constante δ0 0.20664108E+02*** 0.13227662E+01 0.15621889E+02

1.Coeficiente de apertura exportadora. δ1 -0.46249960E+00*** 0.33379197E-01 -0.13855923E+02

2. Participación por tipo de contratación (empleo permanente) dentro del personal ocupado total en la industria manufacturera

δ2 -0.41926674E-07*** 0.11126648E-07 -0.37681316E+01


δ3 -0.33608926E+00*** 0.53835299E-01 -0.62429163E+01


Sigma-squared σ2 0.91707106E-01*** 0.11937892E-01 0.76820185E+01

Gamma γ 0.99967128E+00*** 0.10116969E+00 0.98811344E+01




La tabla 24 presenta los estimadores de máxima verosimilitud para los parámetros de la función de producción de frontera estocástica con estimación de efectos de ineficiencia de los departamentos seleccionados (ecuación 40), dadas las especificaciones para los efectos de ineficiencia técnica (ecuación 41). Los estadísticos t, es decir, el cociente entre el coeficiente estimado y su desviación típica correspondiente, estudian la significación individual de los coeficientes. Se catalogan como regresores no significativos aquellos cuyo coeficiente t no supera el valor asociado

106

con un nivel de significación del 95%. Así, si nos fijamos, en primer lugar en la especificación Translog con estimación de efectos de ineficiencia (Tabla 24), observamos que los estadísticos t correspondientes a los parámetros β son significativos al 1% a excepción del último producto cruzado que es significativo al 10% dado que presenta problemas de precisión debido a la multicolinealidad característica de la función translog. Los parámetros de primer orden son todos negativos y significativos al 1%. La significancia de los parámetros de primer orden al 1%, implica que, muy posiblemente, la forma funcional translog sea un modelo adecuado para representar la tecnología de producción de la economía de los departamentos en estudio. Se hace necesario realizar algunas pruebas de hipótesis para la comprobación de esta situación. 4.1.1. Pruebas de hipótesis En la tabla 29 se observan los contrastes de la razón de verosimilitudes para la especificación seminormal-normal truncada. Además, se han hecho los contrastes de máxima verosimilitud de los modelos. Para realizar contrastes de hipótesis, es conveniente utilizar contrastes de significación de grupos de coeficientes, mejor que contrastes individuales basados en la distribución t-Student. Hay ocasiones en las que los problemas de multicolinealidad nos llevan a conclusiones erróneas al utilizar el estadístico t de contraste individual de parámetros90. Por lo tanto, el contraste de hipótesis sobre un conjunto de parámetros en la función de producción frontera o en el modelo de ineficiencia, se realiza a través del contraste estadístico de la razón de verosimilitudes, definido como:

λ = −2(L(H0) − L(H1)) Escrito con más detalle, tenemos:

= -2[log.f. verosimilitud (H0) – log.f. verosimilitud(H1)] donde L(H0) es el estimador de máxima verosimilitud del modelo restringido (tomado como hipótesis nula) y L(H1) es el estimador de máxima verosimilitud del modelo sin restringir (tomado como hipótesis alternativa). El valor crítico de este contraste se

compara con una distribución 2 con tantos grados de libertad como la diferencia de parámetros existente entre el modelo general y el modelo restringido91.

Tabla 29. Pruebas de Hipótesis

Test Hipótesis nula Log. F. Máx. Verosimilitud

H0

Log. F. Máx. Verosimilitud

H1

Valor (*) Valor Crítico α=0.05

(2)

Decisión LR Test (95% confianza)

1 H0: β11=β22=β33=β12=β13=β23=0 2 H0: δ0=δ1=δ2=δ3 =0 3 H0: η=0 4 H0: μ=0

-25,322702 -8,3298102

-114,01872 -85,218846

-5,3233041

-5,3233041

-8,3298102 -8,3298102

39,99987958 6,0130122

211,3778196 153,7780716

12,6 9,489 3,841 3,841

Se rechaza H0

Se acepta H0

Se rechaza H0

Se rechaza H0

(*) El estadístico se calcula como = -2[log.f. verosimilitud (H0) – log.f. verosimilitud(H1)], que se distribuye aproximadamente como una chi-cuadrado con un número de grados de libertad igual al de parámetros que se igualan a cero en la hipótesis nula H0.

90

Ante el problema de la multicolinealidad, son mayores las desviaciones típicas de cada parámetro y serán menores los valores del contraste individual, tendiendo a aceptar la hipótesis nula de no significación individual del parámetro. 91

Calderón Milán, María José. Eficiencia técnica y productiva en la explicación del crecimiento económico de castilla y león: el enfoque de la función frontera estocástica.http://www.jcyl.es/jcyl/cee/dgeae/congresos_ecoreg/CERCL/82.PDF

107

El test 1 (tabla 29) contrasta la hipótesis nula de que la forma funcional Cobb-Douglas básica con estimación de efectos de ineficiencia (tabla 28)92 es preferida a la forma funcional translogarítmica con estimación de efectos de ineficiencia (tabla 24), de forma que si se acepta la hipótesis nula es el supuesto de tecnología Cobb-Douglas básica el que define la estructura de producción de los departamentos en estudio. Si se rechaza dicha hipótesis aceptaríamos la forma funcional Translog. Las hipótesis para el test 1 son las siguientes: H0= La forma funcional Cobb-Douglas es preferida a la forma funcional Translogarítmica. H1=La forma funcional Translogarítmicaes preferida a la forma funcional Cobb-Douglas.

El valor del estadístico es mayor que el valor crítico, por lo que se rechaza la hipótesis

nula, lo que quiere decir que rechazamos la especificación Cobb Douglas básica (tabla 28) en favor de la Translog con estimación de efectos de ineficiencia (tabla 24). Como conclusión, diremos, pues, que la forma funcional Translog describe bien la función de producción del Producto Interno Bruto de los departamentos en estudio. Ahora bien, la interpretación de los coeficientes δ obtenidos para el modelo de ineficiencia (modelo tabla 24) es de interés, igualmente, en este estudio. Los dos primeros coeficientes (δ1, δ2) son no significativos a excepción del tercero δ3 el cual presenta signo positivo93. Los coeficientes de las variables “apertura exportadora” y Participación por tipo de contratación (empleo permanente) dentro del personal ocupado total en la industria manufacturera”, son positivos lo que indica que la ineficiencia de la producción de los departamentos en estudio crece a medida que estos dos indicadores crecen y viceversa. A mayor apertura exportadora y a mayor participación del empleo permanente en la contratación de personal, mayor será la ineficiencia de las diferentes economías. Esto es importante observarlo con cuidado, pues parece ser que la apertura económica en vez de generar una mayor eficiencia económica contribuye, por el contrario, a reducirla. La política de flexibilidad laboral actual (altamente perjudicial para la clase trabajadora) busca, precisamente, incrementar los niveles de eficiencia productiva en la economía vía desmejoramiento de la calidad y estabilidad del empleo. El impacto de estas variables en la ineficiencia de la producción de los departamentos es muy pequeña, en especial la participación por tipo de contratación (empleo permanente). El Indicador de “industrias tardías como participación del PIB departamental” es negativo lo que indica que la ineficiencia de la producción de los departamentos en estudio disminuye a medida que este indicador crece, sin embargo su impacto en la ineficiencia productiva es pequeño. Era de esperarse esta situación puesto que este indicador se refiere a las industrias dedicadas a la producción de maquinaria y equipo. Dado que las variables de ineficiencia zi de la función Translog con estimación de efectos de ineficiencia (tabla 24) a simple vista tienen muy poco impacto en la ineficiencia productiva de los departamentos (los parámetros δ son muy bajos y no significativos), se hace necesario plantear algunas hipótesis que corroboren la hipótesis de que dichas variables no ejercen ningún efecto sobre la ineficiencia.

92

Obsérvese en el test 1 (tabla 29) que se restringen a cero los coeficientes asociados a los términos de segundo orden de

la translog, lo que la convierte en una función Cobb Douglas básica, con términos de primer orden solamente. 93

Los valores de t no superan los valores asociados con un nivel de confianza del 95%, ni siquiera supera los valores asociados con un nivel de confianza del 10%.

108

El test 2 contrasta la hipótesis nula de que los efectos de ineficiencia no están afectados por las variables explicativas zi. Las hipótesis se expresan así: Ho: Los efectos de ineficiencia no están afectados por las variables explicativas zi (modelo tabla 25). H1: Los efectos de ineficiencia están afectados por las variables explicativas zi (modelo tabla 24) Como el valor crítico es mayor que λ se acepta la hipótesis nula, por lo tanto, los efectos de ineficiencia no están afectados por las variables explicativas zi. Dicho de otra forma, la ineficiencia no es función de las variables explicativas zi incluidas. De acuerdo a los resultados presentados en el test 1 y test 2, el modelo preferido es una frontera de tipo estocástica Translogarítmica sin estimación de efectos de ineficiencia. Los coeficientes y resultados de la estimación de este modelo se presentan en la tabla 25. No obstante, los parámetros de primer orden de la función estocástica translogarítmica sin estimación de efectos de ineficiencia (modelo escogido, tabla 25), son casi todos significativos al 1%, sólo el parámetro cruzado consumo de energía por consumo intermedio es significativo al 20%. Además, el parámetro cruzado Total activos por consumo intermedio es no significativo. En dicho modelo, β0 representa una constante que permite describir la eficiencia técnica autónoma de producción, dicho de otra forma, es una constante que representa a un parámetro de eficiencia, ya que explica la parte de producto que no depende del nivel de uso de los insumos considerados. Podemos considerar que β0 representa la contribución porcentual de crecimiento de la producción debido al incremento del 1% de los factores distintos a los tres insumos considerados en este trabajo. En nuestro caso se tiene que los factores distintos a los factores total activos, consumo de energía y consumo intermedio están contribuyendo con un 9,27% al crecimiento del PIB de los departamentos, a medida que los mismos se incrementan en un 1%. β1, β2, β3, representan elasticidades (contribuciones positivas o negativas) individuales94 del rendimiento en relación a total activos, consumo de energía y consumo intermedio, respectivamente. Así, el valor de β para el inputs “total activos” (β1), es negativo lo que implica la existencia de una relación inversa entre este insumo y los outputs. Quiere decir que a medida que el insumo (input) total activos se incrementa en uno por ciento, la producción se reduce porcentualmente en el correspondiente valor del parámetro β calculado, valor del parámetro que es demasiado pequeño (-0.11702768E-06); esto significa que su impacto en el PIB es, igualmente, muy pequeño. De otro lado, los valores de β para los insumos “consumo de energía” y “consumo intermedio” son igualmente negativos lo que implica una relación inversa entre éstos y el PIB. De ambos insumos, el de mayor impacto a la producción es “consumo de energía” con una reducción en la producción del -0.75683554por ciento por cada 1% que se incrementa este insumo. Este

94

Los efectos totales de cada insumo se distribuyen a través de los efectos individuales de cada insumo (insumos

individualmente considerados) y a través del cruzamiento de insumos. El análisis que se hace de los β en este apartado

considera sólo una parte de los efectos totales de los insumos (insumos individualmente considerados), sin tener en cuenta los restantes efectos que se presentan a partir del cruzamiento de los mismos. Es decir, en este análisis no se aísla el efecto de las demás variables explicativas.

109

es el input que más está contribuyendo en la variación del PIB. El impacto en el PIB del insumo “consumo intermedio” es demasiado insignificante (-0.75597524E-07). Se deduce que los factores de producción tradicionales, tomados individualmente, no están contribuyendo, en los actuales momentos, con el crecimiento económico en los departamentos del eje cafetero y en los 3 departamentos adicionales (Quindío, Tolima, Valle del Cauca) productores de café. Por el contrario, se observa una tendencia inversa entre los insumos y el PIB de cada departamento: a medida que se presenta un incremento en los insumos “total activos”, “consumo de energía” y “consumo intermedio”, se produce una reducción en el PIB. Esto significa que estos recursos, tomados individualmente (aislados uno de otro), no contribuyen al crecimiento económico. Sin embargo, un aspecto importante a resaltar es que cuando los insumos se cruzan pasan a tener pendiente positiva, es decir, a tener una relación directa con el PIB, aunque, ciertamente, su impacto sobre el crecimiento del PIB es demasiado pequeño. Se percibe claramente que el resultado de la actividad económica o Producto Interno Bruto (PIB) de los departamentos bajo estudio dependen, cada vez menos, de los procesos de transformación de la base física de la producción, es decir de recursos tradicionales (materia y energía transformadas en productos manufacturados)95; dicho de otra forma, los factores tradicionales de producción no son, en los departamentos bajo estudio, las principales fuentes de creación de valor y riqueza. En este orden de ideas, es prioritario que estas economías basen su proceso productivo no en los recursos tradicionales de producción sino en la productividad de los factores productivos asociada al progreso tecnológico, basado en el conocimiento creativo (Dollar, D. y E. N. Wolf, 1997, a, b). En este entorno, la innovación constituye la llave maestra para el éxito de estas economías96. Pero no el progreso tecnológico al estilo de la propuesta Neoclásica, sino más bien, al estilo de propuesta Shumpeteriana97, o mejor, al estilo de la propuesta de Amartya Sen (Teoría de las capacidades) y Manfred Max Neff (teoría del desarrollo a escala humana). La política económica debe, pues, orientarse hacia otros horizontes que no sea el del incremento de los factores tradicionales de producción exclusivamente. El test 3 contrasta la hipótesis nula de que las ineficiencias son invariantes con respecto al tiempo. Las hipótesis son: Ho: Las ineficiencias técnicas son invariantes con respecto al tiempo η=0 (modelo tabla 26). H1: Las ineficiencias técnicas varían con respecto al tiempo η≠0 (modelo tabla 25).


nula, por lo tanto se acepta que las ineficiencias técnicas varían con respecto al tiempo. El test 4 contrasta la hipótesis nula de que las ineficiencias tienen una distribución semi normal y no normal truncada. Las hipótesis son: Ho: Las ineficiencias tienen una distribución semi normal μ=0 (modelo tabla 27).

95

Moliner, Luis. Economía del conocimiento y factores de la producción. España, noviembre del 2007. http://www.lainsignia.org/2007/noviembre/econ_008.htm 96

Monge González, Ricardo. Innovación en las empresas costarricenses. TEC empresarial, vol. 1, Ed. 3, 2007.http://www.tec.cr/sitios/Docencia/Esc_Adm_Empresas/TEC_Empresarial1/Articulos-vol1-3/Innovacion_Empresas.pdf 97

Ver: Montoya S., Omar. Schumpeter, Innovación y determinismo tecnológico, Scientia Et Technica, Vol. X, Núm. 25, agosto-sin mes, 2004, pp. 209-213, Universidad Tecnológica de Pereira, Colombia.

110

H1: Las ineficiencias tienen una distribución normal truncada μ≠0 (modelo tabla 25).


nula, por lo tanto se acepta que los efectos de ineficiencia tienen una distribución normal truncada de media diferente de cero (μ≠0), lo cual indica que la distribución normal truncada es más compatible que la seminormal para los datos utilizados para el análisis. Ahora bien, el parámetro γ (tabla 25) representa la proporción de la varianza de la ineficiencia en términos de la varianza total tomando valores entre (0,1). Un valor igual a 1 para esta variable sugiere la existencia de una frontera determinística, es decir, indica que los efectos asociados a la ineficiencia son más importantes que el ruido estadístico en el análisis de los niveles de producción de los diferentes departamentos en estudio; un valor cercano a cero, por el contrario, significa que las variables aleatorias estocásticas tienen mucha importancia en la explicación de las ineficiencias. El valor del parámetro γ = 0.99999999 (función estocástica translog sin estimación de

efectos de ineficiencia tabla 25), con una desviación típica estimada de 0.36413365E-06, implica que la ineficiencia técnica uit (ineficiencia debida a factores controlables por los productores) es muy representativa en el análisis de la producción de los departamentos del eje cafetero y los demás departamentos de mayor producción de cosecha de café. Este valor próximo a 198, tiene como consecuencia que la componente debida a factores aleatorios vit no controlables es poco significante en el caso que nos ocupa (0,000000001), lo que significa que la ineficiencia, en los departamentos, es debida, fundamentalmente, a factores de ineficiencia técnica (99,99%), es decir, factores controlables por los productores. O mejor, la variación de la producción observada (output) con respecto a la frontera es debida a la ineficiencia. Dicho de otra forma, el término de error compuesto prácticamente todo es ineficiencia técnica. Por otra parte, también es importante recordar las transformaciones en los parámetros introducidas por Battese y Corra (ecuaciones 37 y 38). Estos autores plantearon que:

222

uv y 22

2

uv

u

Por lo tanto, se pueden obtener los parámetros faltantes, así:

22

u , entonces: 2

u = (0,99999999)(0.10200370)=0,102003699

y 091102003699.010200370.0222 Euv

Ello implica que la mayor parte del ruido aleatorio viene explicado por la varianza en la ineficiencia técnica del proceso productivo de los departamentos. En otras palabras, es de destacar que el hecho que el parámetro estimado γ sea cercano a uno implica que el error

estadístico compuesto es básicamente explicado por la ineficiencia técnica. Finalmente, se puede concluir que en el modelo seleccionado (función estocástica translogarítmica sin estimación de efectos de ineficiencia y cuyos parámetros fueron estimados por Máxima verosimilitud, modelo tabla 25), el término de ineficiencia tiene una

98

Podemos ver que el parámetro γ es menor que 1, lo que nos permite concluir que, si bien existe ineficiencia técnica, las

desviaciones de la frontera no se deben solamente a ella, sino que también existen efectos aleatorios, aunque en mínima proporción y, por lo tanto, poco determinantes.

111

distribución normal truncada, y la presencia de ineficiencia técnica es altamente significativa y variable en el tiempo. La frontera de mejor práctica obtenida para la producción de los departamentos fue la siguiente (tabla 25): (42)

4.1.2. Elasticidades (productividades marginales) Las variables de interés son aquellas que dan forma a la frontera de eficiencia, tales como “Total activos” (TA), “Consumo energía” (CE) y “Consumo intermedio” (CI). Dado que en este caso los parámetros de dichas variables se estimaron mediante una frontera de producción translogarítmica, la elasticidad de los distintos insumos con respecto a los outputs no son tan directos en su interpretación como en la Cobb-Douglas (las elasticidades no son los βi resultantes de la regresión)99, esto es debido a que la influencia de los insumos sobre la variable dependiente (output) se halla diluida entre las diferentes variables que se incluyen en la estimación, es decir, existen elasticidades conjuntas entre los insumos (insumos al cuadrado e interacciones entre insumos). Por dicha razón, para conocer exactamente la influencia de una variable de input sobre el output, aislando el efecto de las demás variables explicativas (lo que en teoría económica conocemos como aplicar la cláusula “ceteris paribus”), es preciso derivar parcialmente al output con respecto a cada uno de los inputs considerados. Con ello se obtiene no sólo la elasticidad del output sobre el input, sino que también, a través del cálculo de las derivadas de la función translog respecto a cada uno de los inputs, podemos conocer el signo de las relaciones entre inputs y outputs y extraer algunas conclusiones interesantes desde el punto de vista económico. Además, el valor de dichas derivadas nos indicará si se trata de tramos de producción elástica o inelástica. Cuando la elasticidad respecto a los tres outputs del modelo sea superior a la unidad significará que ante un aumento del 1% de los recursos productivos el aumento de la producción será superior al 1%. Al contrario se debe interpretar cuando sea inferior a la unidad. Los coeficientes de la elasticidad del output con respecto a los insumos nos dicen, pues, en cuánto aumentaría el output con un incremento del 1% en el stock del input considerado. Por otra parte, mediante el cociente de las elasticidades de los outputs respecto a los inputs podemos aproximarnos al cálculo de la relación marginal de sustitución técnica (RMS) entre inputs. Su interpretación económica es interesante porque nos permite aproximarnos al costo de oportunidad de cada uno de los recursos o cantidad de un recurso a la que debemos renunciar para obtener el mismo nivel de producción. Cuanto más cercana a cero sea esa relación, el coste de oportunidad será menor, puesto que el denominador o productividad del input será mayor que el numerador. En consecuencia, la sustituibilidad entre inputs será menor, porque uno de ellos será claramente más productivo que el otro. Cuando esta relación sea cercana a uno, en valor absoluto,

99

En la función Cobb Douglas las elasticidades sí son inmediatas y corresponden a los βi calculados.

LnYit = 0.92711352E+01-0.11702768E-06ln(TAit)-0.75683554E+00ln(CEit) -0.75597524E-07ln(CIit) +0.48477063E+00(lnTAit)

2 + 0.40869336E-07(lnCEit)

2 +

0.31073682E+00(lnCIit)2 + 0.25358213E-08ln(TAit) ln(CEit)+ 0.26926670E-01ln(TAit)

ln(CIit)+0.11518181E-06ln(CEit) ln(CIit)

112

significa que tienen productividades similares respecto a los dos recursos, y si superan la unidad supone que el recurso más productivo es el primero. A continuación se presentan las ecuaciones de las derivadas parciales del output con respecto a cada uno de los inputs, lo que nos permite hallar las elasticidades:

)()()()(

)(1312111 iii

i

i CILnCELnTALnTA

yLn

)()()()(

)(2312222 iii

i

i CILnTALnCELnCE

yLn

(43)

Nótese que las elasticidades quedan en función de los logaritmos de los factores, de modo tal que si estas expresiones se ponderan en los promedios de cada variable, se encuentra un valor medio de las elasticidades. En este caso, la elasticidad depende de la cantidad de factores usados. Obsérvese, igualmente, que con la función de producción translog las elasticidades output de los factores productivos no son constantes (como en la Cobb-Douglas)100 sino que dependen de los ratios factoriales y por lo tanto pueden variar entre regiones y en el tiempo. Para poder obtener las elasticidades se utiliza el promedio general de cada variable (tabla 23). Se obtienen los siguientes resultados:

Tabla 30. Estimación elasticidades promedio output departamentos con respecto a cada factor de producción

Factores Elasticidades

Total activos 10,91200843

Consumo de energía -0,756832213

Consumo intermedio 7,185774932

SUMA TOTAL DE LAS ELASTICIDADES 17,34095115 Fuente: Elaboración propia. Es importante destacar que los insumos total activos y consumo intermedio tienen una elasticidad positiva frente a la producción de los departamentos y que el insumo consumo de energía muestra una relación inversa101. Es decir, existe una relación directa entre el incremento de los insumos total activos y consumo intermedio y su impacto en la producción y una relación inversa entre consumo de energía y la producción. A excepción de Consumo de energía, los demás insumos tienen una contribución superior a uno sobre la producción. Esto significa que la producción es elástica frente a estos insumos (total activos y consumo intermedio) e inelástica frente al insumo consumo de energía. La interpretación es la siguiente: Cuando los insumos (total activos, consumo de energía y consumo intermedio) se incrementan en un uno por ciento, la contribución marginal de éstos a la producción es del 10,91%, -0,76% y 7,18% respectivamente. Se observa que la

100

En la función Cobb Douglas la derivada parcial del output con respecto a cada uno de los insumo da como resultado una constante que corresponde al valor de la elasticidad del output con respecto al insumo considerado (corresponde al parámetro βi. 101

Aquí se está teniendo en cuenta el efecto total de un insumo en particular. El efecto total tiene en cuenta tanto el efecto

individual (insumo individualmente considerado) como el efecto cruzado de este insumo con los demás.

)()()()(

)(2313333 iii

i

i CELnTALnCILnCI

yLn

113

producción de los departamentos es más sensible, en primer lugar, al incremento del total de los activos y, en segundo lugar, al incremento de los consumos intermedios. La sensibilidad frente al incremento del insumo consumo de energía es muy baja y negativa. Esta elasticidad negativa del insumo consumo de energía con la producción está mostrando que la producción crece a pesar de que el consumo de energía disminuye. Esto indica el esfuerzo de las empresas de los departamentos, y de los gobiernos departamentales, por reducir los costos a través de la reducción del consumo de energía. La presión hacia la reducción de la energía a nivel mundial es ocasionada por las diferentes instituciones ecologistas en el mundo que propenden por un ambiente sano para las futuras generaciones y, también para la nuestra. Dos de los objetivos más importantes en los que el “Greenwashing” (la práctica de exagerar las características ecológicas) pone especial énfasis, son la gestión de las instalaciones y la administración de los sistemas informáticos, porque estos dos departamentos son los que más consumen energía y porque a menudo necesitan trabajar juntos para cumplir con los lineamientos de ahorro de energía102. Utilizando las ecuaciones de las elasticidades (43) los coeficientes estimados en la tabla (23) y las correspondientes series de dotación de factores (datos utilizados de los insumos), se han construido las elasticidades promedio por departamento y por factor de producción.

Tabla 31. Elasticidades promedio por departamento y por factor de producción

Departamentos Total Activos Consumo energía Consumo intermedio

Caldas 10,18176698 -0,756832407 6,76082928

Quindío 8,911402974 -0,756832655 6,31368848

Risaralda 10,24558438 -0,756832383 6,81115868

Antioquia 11,38826365 -0,756832043 7,53336238

Tolima 10,25524891 -0,756832393 6,77347265

Valle del Cauca 11,31064172 -0,756832051 7,49881042 Fuente: Elaboración propia.

Gráfico 30. Elasticidad promedio por departamento y por factor de producción

102

http://www.faronics.com/doc/wp/PS_WP_ITandFacilities_SP.pdf

-2

0

2

4

6

8

10

12

Promedio Total Activos Consumo energía Consumo intermedio

Elasticidad promedio por departamento y por factor de producción

Caldas

Quindío

Risaralda

Antioquia

Tolima

Valle del Cauca

114

El insumo total activos es el insumo de mayor sensibilidad con respecto a la producción para todos los departamentos, le sigue en importancia el insumo consumo intermedio. De los departamentos en estudio, en su orden, Antioquia y Valle del Cauca son los departamentos en donde el total de activos y el consumo intermedio muestran una mayor sensibilidad con respecto a la producción. El consumo de energía es un insumo que tiene muy poca sensibilidad frente a la producción de todos los departamentos. Además, su relación es inversa con respecto a dicha producción. 4.1.3. Relaciones marginales de sustitución Por otra parte podemos analizar la relación marginal de sustitución técnica (RMS) entre insumos, cuyo cálculo se realiza a partir del cociente entre las elasticidades de los mismos: Tabla 32. Relación marginal de sustitución técnica (RMS) entre los insumos para el total de departamentos

Relación Marginal de sustitución Valor

RMS(tactivos/cenergía) -13,7179021

RMS(tactivos/cintermedio) 1,49262287

RMS(cenergía/cintermedio) -0,10934296 Fuente: Elaboración propia

Si RMS> 0 existen relaciones de sustitución entre los factores de producción y si RMS< 0la relación entre los factores será de complementariedad con respecto al rendimiento (Varian, 1998). Se puede observar que las relaciones marginales de sustitución total activos/ consumo de energía y consumo de energía /consumo intermedio son menores que cero (RMS< 0) indicando que existe entre ellos una relación de complementariedad y no de sustitución. Por el contrario, la relación marginal de sustitución total activos/consumo intermedio es positiva lo que indica que existe una relación de sustitución entre ambos insumos. La diferencia más notable se da entre total activos/consumo de energía donde la RMS es igual a -13,7179021, significativamente distinta de cero, lo que indica un alto grado de complementariedad entre estos factores de producción (por ser menor a uno). La interpretación para la relación de complementariedad total activos/consumo de energía es la siguiente: por cada 1% que los departamentos (en promedio) incrementan el uso de los activos en sus procesos productivos, se incrementa en un 1/(-13,7179021)= (0,073%)103 el consumo de energía. Este hecho estaría explicando que los productores de los diferentes departamentos están utilizando año tras año, en sus procesos productivos, un mayor volumen de activos y paralelamente utilizan menor cantidad de energía lo que les permite contrarrestar, en parte, los mayores costos de inversión104. No obstante este hecho no ha sido suficiente como para lograr niveles de eficiencia técnica cada vez más altos.

103

Para la interpretación se calcula la inversa de la pendiente dado que se quiere analizar la sustitución de la energía por el consumo de 1% adicional de capital. 104

Sin duda, en este descenso relativo del consumo de energía ha jugado, igualmente, un papel primordial los Centros Regionales de producción más limpia creados y patrocinados por la ONUDI: En efecto, la Organización de las Naciones Unidas para el Desarrollo Industrial (ONUDI),con el Programa de Naciones Unidas para el Medio Ambiente (PNUMA) han creado los Centros Nacionales de Producción más Limpia (CNPL) a partir de la conferencia de las Naciones Unidas para el medio Ambiente y Desarrollo, mejor conocida como la "Cumbre de la Tierra", realizada en Río de Janeiro en junio de 1992, donde se propone un cambio alterno para el desarrollo mundial en el presente siglo. El Centro Regional de Producción Más Limpia - Eje Cafetero es un ente conformado para apoyar el desarrollo de una cultura de promoción de la Producción Más Limpia, a través de procesos académicos innovadores vanguardistas. Además busca satisfacer las expectativas y necesidades de los sectores productivos y de servicios, con el fin de que sean ecoeficientes mediante la realización de

115

La tasa marginal de sustitución consumo de energía-consumo intermedio es negativa, lo que significa una relación de complementariedad entre ambos factores y, por lo demás, baja (TMS=-0,10934296). Esta situación muy posiblemente se esté presentando por las políticas empresariales y gubernamentales (en todos sus órdenes) de reducción del consumo de energía y optimización (minimización) del consumo de las materias primas que provienen, casi en su mayoría, de la naturaleza. En cuanto a la relación total activos y consumo intermedio, es posible afirmar que existe una relación de sustitución un poco importante (RMS= 1,49262287) entre ambos factores. Por cada 1% que los departamentos (en promedio) incrementan el uso de los activos totales en sus procesos productivos, se reduce en un 1/1,49262287= (0,66996%) el consumo de insumos. Es conocido que las diferentes empresas de los departamentos en estudio, dados los ingentes esfuerzos por incrementar su capacidad competitiva, buscan optimizar sus procesos productivos y sus recursos, entre ellos los consumos intermedios (materias primas e insumos), lo que implica que, paralelo a una política de inversión en activos, reduce la utilización de los insumos y materias primas en busca de mayor nivel productividad, disminución de costos e incremento de la competitividad, de ahí el importante grado de sustitución. A continuación se presenta la Tasa Marginal de Sustitución de los insumos para cada departamento tomado individualmente.

Tabla 33. Tasa Marginal de Sustitución de los insumos para cada departamento

Tasas Marginales Caldas Quindío Risaralda Antioquia Tolima Valle del Cauca

RMS(tactivos/cenergía) -13,4531329 -11,77460157 -13,53745508 -15,04728 -13,55022461 -14,94471819

RMS(tactivos/cintermedio) 1,5059938 1,411441664 1,504235162 1,51171058 1,514031198 1,508324799

RMS(cenergía/cintermedio) -0,11194372 -0,119871713 -0,111116539 -0,10046404 -0,111734768 -0,100926948


Se observa que las tasas marginales de sustitución total activos/consumo de energía y consumo de energía/ consumo intermedio de todos los departamentos, son menores que cero, lo que significa relaciones marginales de complementariedad y no de sustitución entre estos insumos en cada uno de los departamentos en estudio. Por el contrario, la tasa marginal de sustitución total activos/consumo intermedio es positiva para todos los departamentos, lo que indica relaciones marginales de sustitución de insumos. Como se puede observar, los departamentos, tomados individualmente, siguen la misma tendencia, en cuanto a tasa marginal de sustitución, que los departamentos tomados en conjunto.

4.1.4. Rendimientos a escala Los rendimientos a escala se miden por la denominada elasticidad de escala que es la suma de las elasticidades output con respecto a los inputs (tabla 30). La elasticidad-escala mide el aumento porcentual que experimenta el nivel de producción cuando se incrementan todos los factores en uno por ciento, es decir, cuando se incrementa la

asesorías y consultorías, apoyo financiero y capacitación, además de proveer información de servicios de gestión de proyectos a los gremios regionales, personas naturales y jurídicas, de toda el área del eje cafetero que incluye los departamentos de Risaralda, Caldas, Quindío, Norte del Valle y Tolima para liderar los procesos de gestión ambiental empresarial haciendo a sus empresas miembros de la red nacional e internacional de Producción más limpia (http://www.produccionmaslimpia.org/).

116

escala de operaciones105. En el caso de la función de producción translog se observa que la suma de las elasticidades está por encima de la unidad (17,34095115), lo que supone la presencia de rendimientos crecientes de escala. Ello significa que ante un incremento simultáneo de todos los recursos productivos, la producción experimenta un aumento más que proporcional a dicho incremento combinado de los insumos. Esto es importante dado que, como lo plantean algunos teóricos, el crecimiento sostenido proviene de los rendimientos crecientes106 y estos últimos juegan un papel crucial en los ciclos económicos107. 4.2. Evolución de la eficiencia técnica Con base en los resultados arrojados por el programa FRONTIER 4.1 para el modelo frontera estocástica translog sin efectos de ineficiencia, a continuación se presenta la evolución de la eficiencia técnica de los departamentos para el periodo comprendido entre 1990 y 2008108.

Tabla 34. Resumen eficiencia técnica por departamento

Años Caldas Quindío Risaralda Antioquia Tolima Valle del Cauca Efic. Promedio

simple

1990 0,41536227 0,20448623 0,36483781 0,99951212 0,44469936 0,64543120 0,512388165

1991 0,72547605 0,4249023 0,35421562 0,7145293 0,54460409 0,39132602 0,52584223

1992 0,52918599 0,44096471 0,44932944 0,77778854 0,57066847 0,67402124 0,573659732

1993 0,55405129 0,69594246 0,48314644 0,81247662 0,6353743 0,71622643 0,649536257

1994 0,60739531 0,7989383 0,45180265 0,88747166 0,72007158 0,42705658 0,648789347

1995 0,67629663 0,49989811 0,44746003 0,97584596 0,70702439 0,35936047 0,610980932

1996 0,57042149 0,77962158 0,39285921 0,49048047 0,79300403 0,36706557 0,565575392

1997 0,54956934 0,72508442 0,40598419 0,99946239 0,62414038 0,54339320 0,64127232

1998 0,64788675 0,74902286 0,41600102 0,96979509 0,63506307 0,44857657 0,644390893

1999 0,66456287 0,82759426 0,39355109 0,96286486 0,67267419 0,39402850 0,652545962

2000 0,59199663 0,79991847 0,35827514 0,93772963 0,63529326 0,49010684 0,635553328

2001 0,57215641 0,82462259 0,36378429 0,92839597 0,59110961 0,57111020 0,641863178

2002 0,61976971 0,88518657 0,3762569 0,98609395 0,57760901 0,41134823 0,642710728

2003 0,61502411 0,75569305 0,36998534 0,94865405 0,54694294 0,66963404 0,650988922

2004 0,58077954 0,61254212 0,37066611 0,98419336 0,6320501 0,64453588 0,637461185

2005 0,57010289 0,76185778 0,40777499 0,97351435 0,60896097 0,70071723 0,670488035

2006 0,56783323 0,61408968 0,42429679 0,93344229 0,55422063 0,61806241 0,618657505

2007 0,50378309 0,66935906 0,39569057 0,95676935 0,53685911 0,71200435 0,629077588

2008 0,48651802 0,64404412 0,56951722 0,92445863 0,53429289 0,60684119 0,627612012 Prom. Efic. Por departamento 0,581482717 0,669145719 0,410286045 0,903340978 0,608666441 0,54688664 0,61996809 Fuente: Elaboración propia. Software Frontier 4.1

105

Varian, Hal R., Análisis Microeconómico. Tercera Edición, Antoni Bosch Editor, 1992, p.21 106

Helpman, Elhanan, and Paul R. Krugman (1985), Market Structure and Foreign Trade. Increasing Returns, Imperfect Competition, and the International Economy, Cambridge, MA: MIT Press. Citado por: Krugman, Paul R. Geografía y comercio. Primera edición en español, Antony Bosh Editor, España, octubre de 1992. 107

Ibid. 108

La eficiencia productiva se calcula como el ratio entre la producción media y la máxima posible alcanzable utilizando los inputs eficientemente.

117

4.2.1. Tendencia global de la eficiencia técnica en la economía de los departamentos durante el período de estudio

El gráfico 31 muestra la evolución de la eficiencia técnica promedio (simple)109 para la producción de los departamentos en estudio entre 1990 y 2008. Se observa una tendencia ascendente de la eficiencia técnica promedio, la cual aumentó en 0,11%110 entre 1990 y 2008 (aumento leve para un periodo de 19 años). Las causas de este leve incremento tienen que ver con factores controlables 100% por los productores). Los factores controlables tienen que ver con aquellos que impactan la competitividad y la innovación, así: infraestructura física, debilidad de los mercados financieros domésticos, sucesos políticos y de orden público, poca capacidad de reconversión industrial y bajo nivel de innovación tecnológica en todos los sectores productivos y en la infraestructura de los departamentos y de Colombia. Los factores aleatorios no controlables no tienen incidencia en la ineficiencia y eficiencias de los departamentos. Además, se observa una disminución en la volatilidad de la serie de la eficiencia técnica de la década del 90 a la década del 2000: desde 1990 a 1999 la volatilidad fue del 0,054141298 (5,4%), mientras que del año 2000 al 2008 dicha volatilidad fue del 0,01505037 (1,5%). Una de las causas de este fenómeno es que el incremento de la eficiencia ha sido casi constante durante el periodo en estudio.

Gráfico 31. Eficiencia técnica promedio simple (Modelo translogarítmico)

Ahora bien. El promedio simple de eficiencia técnica para los departamentos en estudio es de 62%111. El resultado significa que, en promedio, la economía de los departamentos estudiados genera sólo aproximadamente un poco más del 60% de su producción potencial, es decir, de aquella que pudiera generar si emplea al máximo sus recursos, lo que indica que se podrían incrementar los niveles de producción en un 38% mediante la mejora de eficiencia en el uso de los inputs productivos. No obstante, el anterior indicador sesga los resultados porque le otorga el mismo peso a todos los departamentos sin importar su volumen de producción, de tal forma que si un departamento, que sólo produce una ínfima parte de la producción total de los

109

El programa FRONTIER 4.1 calcula promedios simples de eficiencia.

110El promedio de crecimiento del periodo se calculó empleando la siguiente fórmula:

1

1

n

i

f

v

vr

- 1; donde Vf es el

valor final de la serie, Vi valor inicial y n el número de periodos. 111

El programa FRONTIER 4.1 calcula promedios simples de eficiencia.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

1990199119921993199419951996199719981999200020012002200320042005200620072008

Eficiencia técnica promedio simple (Modelo translogarítmico)

118

departamentos estudiados, es muy ineficiente, se afecta considerablemente el nivel de eficiencia promedio de la economía de los mismos. Para corregir este problema, se calculó el promedio de eficiencia para los departamentos ponderando por la participación de cada uno en la producción total. Utilizando este indicador, se obtuvo que la economía de los departamentos posee una eficiencia técnica promedio del 70,82% (Gráfico 32) lo cual indica que se podrían incrementar los niveles de producción en un 29,18% mediante la mejora de eficiencia en el uso de los inputs productivos.

Gráfico 32. Promedio simple y promedio ponderado de eficiencia técnica en los departamentos en estudio


El comportamiento de la eficiencia técnica ponderada para el total de departamentos se muestra en la gráfica 33. Este comportamiento es similar, en cuanto a tendencia, al comportamiento del promedio simple total anual (gráfico 31). El promedio ponderado de incremento de la eficiencia técnica es del 0,073%, un porcentaje muy bajo para un periodo de 19 años. Por lo tanto, se trata de un incremento que es necesario tener en cuenta para el diseño de las respectivas políticas económicas.

Gráfico 33. Eficiencia técnica promedio ponderado general. Translog.

62,00%

70,82%

Promedio simple Promedio ponderado

100% ----------------------------------------------------------------------------------------------------------

Frontera eficiente

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1990199119921993199419951996199719981999200020012002200320042005200620072008

Eficiencia técnica promedio ponderada general (Translog)

119

4.2.2. Tendencia de la eficiencia técnica por grupos de departamentos Vista por grupos de departamentos el panorama es el siguiente: el Eje Cafetero (grupo 1) muestra una eficiencia promedio (ponderado) de 53,82%, un poco inferior a la eficiencia promedio del grupo 2 (Antioquia, Tolima y Valle del Cauca), la cual es de 73,68% (tabla 35). En promedio, la economía de los departamentos del Eje Cafetero genera el 53,82% de su producción potencial, es decir, de aquella que pudiera generar si emplea al máximo sus recursos; mientras que las economías del grupo 2 generan el 73,68%. Esto indica que el grupo 1 podría incrementar los niveles de producción en un 46,18% mediante la mejora de la eficiencia en el uso de los inputs productivos, mientras que el grupo 2 podría mejorar dicha eficiencia en un 26,32%. Como quedó establecido anteriormente, la ineficiencia técnica se debe en un 100% a factores controlables por las empresas, lo que significa que es posible incrementar de forma relativamente fácil la eficiencia productiva a través de políticas empresariales y regionales de crecimiento y productividad. Tabla 35. Eficiencia técnica promedio estimada (ponderada) por grupos de departamentos

GRUPOS DEPARTAMENTOS EFICIENCIA TÉCNICA PROMEDIO ESTIMADA

Grupo 1: Eje Cafetero 0,538163775

Grupo 2: Antioquia, Tolima y Valle del Cauca 0,736764110

Promedio general ponderado 0,708156897


Gráfico 34. Eficiencia técnica promedio ponderado por grupos de departamentos. Translog.

El gráfico 35 muestra la evolución de la eficiencia técnica promedio ponderada para cada grupo de departamentos entre 1990 y 2008 (ponderada por la participación de cada departamento en la producción). Se observa una leve tendencia ascendente de la eficiencia técnica promedio entre 1990 y 2008 tanto en el grupo 1 (ascenso del 0,02%) como en el grupo 2 (ascenso del 0,3%). En conclusión, podemos afirmar que los departamentos en estudio muestran problemas serios en el comportamiento de su eficiencia técnica a partir de finales de los 90, pocos años después del rompimiento del pacto cafetero y de la consolidación de la política neoliberal en el mundo a partir del Consenso de Washington. Al comparar el comportamiento de la eficiencia de los dos grupos de departamentos se puede determinar que, de cierta forma, son las economías de los departamentos de

53.82%

73.68%

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

Eje cafetero Antioquia, Tolima, Valle del Cauca

Eficiencia promedio ponderada por grupos de departamentos

120

Antioquia, Tolima y Valle del Cauca las que contribuye más al leve (casi imperceptible) ascenso de la eficiencia técnica de la producción de los departamentos tomados en conjunto (gráfico 35).

Gráfico 35. Eficiencia técnica promedio ponderado por grupos de departamentos. Translog

El crítico incremento tendencial de la eficiencia técnica en ambos grupos de departamentos (aunque el crecimiento se presenta con mayor fuerza en el grupo 2) se refleja en la reducción del porcentaje de crecimiento del PIB de todos los departamentos en estudio (a excepción del departamento de Antioquia que muestra crecimiento) y en la enorme volatilidad de dicho comportamiento (gráficas 36 y 37). La eficiencia técnica guarda una relación positiva estrecha con el crecimiento económico. Los modelos paramétricos y estocásticos suponen que las ineficiencias están correlacionadas con los outputs, es decir las ineficiencias se materializan en caídas de outputs112. El caso de los departamentos cafeteros corrobora este planteamiento. El bajo crecimiento de la eficiencia técnica en estas economías durante el periodo1990 - 2008, ha sido un factor que ha contribuido, en grado importante, a la caída del PIB durante el mismo período. Esto es importante puesto que, al mismo tiempo que el crecimiento contribuye a aumentar la eficiencia en la asignación de recursos, contribuye también a elevar la eficiencia técnica de los departamentos al incrementar el número de empresas de tamaño mínimo eficiente que pueden coexistir en el mercado. Más aún, un alto ritmo de expansión del mercado no sólo crea la posibilidad de aumentar la eficiencia técnica sino que además estimula la adopción de la mejor técnica por parte de las empresas relativamente ineficientes al reducir el riesgo al fracaso económico del proceso de inversión que conduce a incorporar técnicas más eficientes. Lo anterior se debe a que en un contexto de expansión el aumento de escala, que involucra el proceso de adopción de la mejor técnica, no implica invadir, en términos absolutos, la parcela de mercado de las empresas líderes113. El claro paralelismo entre los niveles de eficiencia de los departamentos y el ciclo económico, se podría interpretar en términos de costos de capacidad. Así, parece

112

Pastor Monsalve, José Manuel. Diferentes metodologías para el análisis de la eficiencia de los bancos y cajas de ahorro españoles. Departamento de Análisis Económico, Universitat de Valencia.http://www.uv.es/~jmpastor/papers/FIES.PDF. 113

Casar, Jossé I., et. al. Organización Industrial en México. Primera edición, Editorial Siglo XXI editores, México: Instituto Latinoamericano de Estudios Transnacionales, 1990.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1990199119921993199419951996199719981999200020012002200320042005200620072008

Eficiencia técnica promedio ponderada grupos de departamentos (Translog.)

Eje cafetero Antioquia, Tolima, Valle del Cauca

121

razonable pensar que en épocas de crisis se presenten costos de infrautilización de recursos e infraestructuras, que pueden estar determinando mayores niveles de ineficiencia. Por el contrario, en épocas de expansión, estos costos de capacidad desaparecerían haciendo que los departamentos fueran más eficientes.

Gráfico 36. Tasa de crecimiento PIB Eje Cafetero

Gráfico 37. Tasa de crecimiento PIB Antioquia, Tolima, Valle del Cauca

4.2.3. Eficiencia técnica promedio simple estimada para cada uno de los

departamentos seleccionados En la tabla 36 se presenta la eficiencia técnica promedio simple estimada para cada uno de los departamentos estudiados. Los departamentos de Antioquia y Quindío son los de mayor eficiencia técnica. Los departamentos de Tolima, Caldas, y Valle del Cauca presentan una eficiencia técnica muy similar. Risaralda es el departamento con menor eficiencia técnica. Esto implica que su desaprovechamiento de los recursos productivos se presenta con mayor fuerza que en los demás departamentos.

-15

-10

-5

0

5

10

15

20

25

30

Cre

cim

ien

to P

IB

Tasa de crecimiento PIB Eje Cafetero

CALDAS

QUINDÍO

RISARALDA

Lineal (CALDAS)

Lineal (QUINDÍO)

Lineal (RISARALDA)

-0.08

-0.06

-0.04

-0.02

0

0.02

0.04

0.06

0.08

0.1

0.12

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08Cre

cim

ien

to P

IB

Tasa de crecimiento PIB Antioquia, Tolima, Valle del Cauca

Antioquia

Tolima

Valle del Cauca

Lineal (Antioquia)

Lineal (Tolima )

Lineal (Valle del Cauca)

122

Tabla 36. Eficiencia técnica promedio (simple) estimada para cada uno de los departamentos seleccionados

DEPARTAMENTOS EFICIENCIA TÉCNICA PROMEDIO ESTIMADA

Antioquia 0,90334098

Quindío 0,66914572

Tolima 0,60866644

Caldas 0,58148272

Valle del Cauca 0,54688664

Risaralda 0,41028604


En el análisis de la eficiencia merece la pena detenerse, igualmente, en el ranking de acuerdo a la eficiencia técnica. En este sentido, en el gráfico 38 se recoge el orden de los departamentos en cuanto a su mayor o menor eficiencia en el uso de los factores productivos. Antioquia es el departamento más eficiente de todos los estudiados y Risaralda es el último en este ranking.

Gráfico 38. Ranking de eficiencia técnica por departamento. Translog.

Un resultado de interés que se comprueba al analizar los rankings en cada año por departamento es que éstos se alteran, es decir, los departamentos experimentan cambio en la posición obtenida a lo largo del periodo en estudio (gráfico 39).

Gráfico 39

90.33%

66.91%60.87% 58.15% 54.69%

41.03%

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

Antioquia Quindío Tolima Caldas Valle del Cauca

Risaralda

% d

e e

fici

en

cia

técn

ica

Ranking de eficiencia técnica promedio simple. Translog

0

0.2

0.4

0.6

0.8

1

1.2

Efic

ien

cia

Técn

ica

Cambio en la posición del ranking de eficiencia por año para los departamentos en estudio. Translog

Caldas

Quindío

Risaralda

Antioquia

Tolima

Valle del Cauca

123

Antioquia ha permanecido por encima de los demás departamentos en eficiencia técnica. Los departamentos del Tolima, Caldas y Valle del Cauca se disputan el tercer puesto hasta 1996, de este año en adelante el segundo puesto en eficiencia lo asume Quindío. A partir del mismo año de 1996 Tolima y Caldas se alternan el tercer puesto hasta el año 2008. El departamento de Risaralda ha conservado, prácticamente, el último lugar del ranking durante los 19 años de estudio. Otra tendencia importante que se empieza a notar a partir del año 1996 aproximadamente, es que las eficiencias técnicas de los departamentos empiezan a disminuir a excepción del Valle del Cauca cuya eficiencia técnica experimenta un proceso de crecimiento. Como puede deducirse del gráfico 39, la eficiencia técnica de los departamentos ha sido demasiado volátil en el periodo comprendido entre 1990 y el año 2008. 4.2.4. Eficiencia técnica y tamaño de los departamentos En los resultados mostrados anteriormente la hipótesis, expuesta por los teóricos del crecimiento económico, de que la eficiencia técnica se encuentra en relación directa con el tamaño de las economías (dada, entre otros factores, por las economías de escala que pueden lograr) no se confirma, en términos generales, en este estudio. El tamaño de los departamentos cafeteros estudiados, para los efectos del presente estudio, se mide a partir sus Activos Totales.

Tabla 37. Eficiencia técnica y tamaño de los departamentos

Departamentos Total Activos Eficiencia Técnica (%)

Antioquia 134.108.732.070 90,33%

Valle del Cauca 126.542.723.236 54,69%

Tolima 16.476.236.499 60,87%

Risaralda 14.406.518.715 41,03%

Caldas 12.457.508.652 58,15%

Quindío 975.757.512 41,03%


Gráfico 39. Relación tamaño departamentos- Eficiencia técnica

y = 2E-12x + 0.475R² = 0.460

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

0 50,000,000,000 100,000,000,000 150,000,000,000

Efic

ien

cia

técn

ica

%

Tamaño departamentos Total Activos (en pesos de 1994)

Relación tamaños departamentos-Eficiencia Técnica

124

La tabla 37 y el gráfico 40 muestran la relación existente entre el tamaño de los departamentos, medido por el total de activos de cada uno, y la eficiencia técnica de éstos. El coeficiente de determinación entre el tamaño y la eficiencia es bajo (0,460) lo que significa que el tamaño no se encuentra altamente relacionado con la eficiencia técnica. Algunos teóricos plantean que el tamaño es uno de los determinantes clásicos de la eficiencia empresarial y de las economías en su conjunto (municipios, departamentos, regiones, naciones), y que, a su vez, la eficiencia juega un papel significativo en el crecimiento y destrucción de empresas o crecimiento y crisis de economías. Una referencia usual de esta literatura es el trabajo de Jovanovic (1982)114, el cual a partir de un modelo de crecimiento de las empresas (modelo que se puede trasladar a las economías de los departamentos) llega a la conclusión que las grandes empresas son más eficientes que las pequeñas. Esto sería resultado de un proceso de selección, en el cual las empresas eficientes crecen y sobreviven, mientras las ineficientes acaban saliendo del mercado. Es más, Jovanovic (1982) señala la existencia de un umbral de eficiencia debajo del cual las empresas dejarían la actividad. El trabajo de Jovanovic se ha extendido en varias direcciones, por ejemplo en el trabajo de Hopenhayn (1992)115, en cuyo caso se fundamenta la relación positiva entre eficiencia y tamaño. Estos trabajos argumentan también en favor de una mayor eficiencia de las empresas de mayor antigüedad, basado en la mayor experiencia acumulada116. Dado que las economías de los departamentos es, en esencia, la sumatoria (aunque no lineal) de las empresas, se puede inferir de lo dicho por Javanovic (1982) y Hopenhayn (1992) que lo que sucede a nivel de las empresas sucede a nivel de las economías de los municipios, departamentos, regiones o naciones. No obstante, podemos afirmar que la hipótesis presentada por Jovanovic y Hopenhayn de la existencia de una relación directa entre tamaño de la empresa y eficiencia técnica no se cumple para los departamentos considerados en la presente investigación.

114

Jovanovic, B. (1982), “Selection and the evolution of industry”, Econometrica, vol. 50, pp. 649-670. 115

Hopenhayn, H. (1992), “Entry, Exit, and firm dynamics in long run equilibrium”, Econometrica, vol 60, pp. 1127-1150. 116

González, Xulia y Tansini,Ruben.Eficiencia técnica en la industria española: tamaño, I+Dy localización, Mayo del 2001. En: http://www.bcu.gub.uy/autoriza/peiees/iees03j3160701.pdf

125

CAPÍTULO QUINTO

CONVERGENCIA Y CRECIMIENTO ECONÓMICO EN LOS DEPARTAMENTOS CAFETEROS

126

CAPÍTULO QUINTO

CONVERGENCIA Y CRECIMIENTO ECONÓMICO EN LOS

DEPARTAMENTOS CAFETEROS: DISPARIDADES EN EFICIENCIA TÉCNICA

Esta parte del trabajo tiene como objetivo básico el análisis de las desigualdades interdepartamentales (los departamentos considerados en el estudio), desde la óptica de la hipótesis de la convergencia. El interrogante que guía este estudio es si ha existido o no un proceso de convergencia (sigma y beta)117 a lo largo del periodo comprendido entre 1990 y 2008 entre dichos departamentos en lo relacionado con el proceso de desarrollo y evolución de la eficiencia técnica. A la hora de abordar un análisis de esta naturaleza es preciso tener presente, cuando menos, dos restricciones importantes118: la primera es que la convergencia económica se caracteriza por ser un fenómeno a largo plazo; la segunda es que los análisis sobre convergencia económica entre espacios geográficos toman como referencia unas variables (VABpc, PIBpc, productividad aparente del trabajo, eficiencia técnica, etc.) que son el resultado de procesos económicos de muy diversa naturaleza y de algunas particularidades de las zonas geográficas estudiadas. Los análisis de convergencia muestran, pues, las líneas tendenciales básicas y aportan algunos factores explicativos, pero dejan de lado bastantes elementos y cambios que pueden ser significativos para explicar los hechos observados y para anticipar su futura evolución. Las disparidades en el crecimiento económico de los diferentes departamentos cafeteros, las grandes diferencias en cuanto a su PIB per cápita y a otros indicadores sociales, parecen ser algunos de los elementos que caracterizan el proceso de crecimiento de estas economías cafeteras en las últimas décadas. Si se tiene en cuenta que el desarrollo y bienestar de un país o región están determinados por su crecimiento económico y las posibilidades que tiene este crecimiento de distribuirse equitativamente entre la población, se encuentra que los departamentos cafeteros se hallan ante una difícil situación ya que las diferencias entre los niveles de producción per-cápita de los mismos implican consecuencias graves para el nivel de vida de sus habitantes. Esto amplía las desigualdades entre ricos y pobres, que quizás sea uno de los factores fundamentales de las causas de la creciente violencia que se vive actualmente en esta región.

La importancia del análisis de convergencia entre los departamentos cafeteros radica en su utilidad para proponer políticas idóneas que aceleren la tasa de crecimiento del producto y mejoren la distribución del ingreso.

117

En Sala-i-Martín (1994a, 1994b, 1996a, 1996b) se definen con detalle ambos conceptos. 118

Cuadrado Roura, J.R. (1998): “Disparidades regionales en el crecimiento. Convergencia, divergencia y factores de competitividad territorial”. Ponencia presentada al IV Seminario Internacional, Red Iberoamericana sobre Globalización y Territorio, CIDER, Uniandes, Bogotá.

127

En este trabajo nos centraremos en el análisis de la convergencia en eficiencia técnica de los departamentos.

5.1. Convergencia σ Con el fin de estudiar la convergencia entre los departamentos cafeteros, en primer lugar se realiza un análisis de ζ-convergencia estudiando la dispersión (medida por la desviación típica) existente en cada periodo entre los niveles de eficiencia técnica alcanzados por los departamentos estudiados. En cuanto a la evolución de la dispersión de la eficiencia técnica (gráfico 40), comprobamos que para la globalidad de los departamentos la desviación típica disminuye ligeramente en este periodo, pasando de ser 27,77 en 1990 a 15,54 en el 2008119; durante los años 1991,1992 y 1993, años de mayor recesión de la economía colombiana, la dispersión disminuye considerablemente. A partir de 1993 la dispersión crece considerablemente hasta el 2004, año a partir del cual la dispersión se reduce levemente. Por ello, a nivel agregado se puede hablar de una evidencia débil a favor de la convergencia, sobre todo si se tiene en cuenta que, en términos tendenciales, la desviación típica es casi constante en el tiempo. Sin embargo, al desglosar los resultados por grupos de departamentos esta tendencia casi constante de la desviación típica no se mantiene, por el contrario, se evidencia un crecimiento de la divergencia entre departamentos (gráficos 41,42). Esta dispersión en la eficiencia técnica entre departamentos, considerados individualmente, también se evidencia en la tabla 38. Existe algo importante e esta tabla: los departamentos que conforman el Eje Cafetero divergen considerablemente120, lo que, muy posiblemente, sea una de las causas por las cuales el concepto de Región del Eje Cafetero sea difícil de consolidar en la práctica Sin embargo se evidencia, igualmente, convergencia entre algunos departamentos: por un lado entre los departamentos de Caldas, Risaralda y Tolima, y por otro lado entre el Quindío, Antioquia y Valle del Cauca. Sin embargo, en términos generales se presenta divergencia entre los departamentos. Por último, los gráficos 41 y 42 muestran, en términos generales, una evolución muy poco favorable que indica un incremento de la volatilidad de la eficiencia técnica para ambos grupos de departamentos (Eje Cafetero y Antioquia, Tolima y Valle del Cauca) en el periodo analizado, lo que indica existencia de divergencia en lugar de convergencia entre los departamentos en estudio.

119

Ver cálculos anexo 4 120

Las desviaciones estándar de Caldas y Risaralda tratan de converger, pero no ocurre la desviación estándar del departamento del Quindío cuya dispersión es alta con respecto a los dos anteriores departamentos.

128

Gráfico 40. Evolución de la dispersión de la eficiencia técnica departamentos estudiados

Gráfico 41. Evolución de la dispersión de la eficiencia técnica Eje Cafetero

Gráfico 42. Evolución de la dispersión de la eficiencia técnica Antioquia, Tolima y Valle del Cauca

0

0.05

0.1

0.15

0.2

0.25

0.3

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

De

svia

ció

n t

ípic

a

Evolución de la dispersión de la eficiencia técnica departamentos estudiados

0

0.05

0.1

0.15

0.2

0.25

0.3

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

De

svia

ció

n t

ípic

a

Evolución de la dispersión de la eficiencia técnica Eje Cafetero

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

De

svia

ció

n t

ípic

a

Evolución de la dispersión de la eficiencia técnica Antioquia, Tolima y Valle del Cauca

Línea tendencial

Línea tendencial

Línea tendencial

129

Tabla 38. Dispersión de la Eficiencia técnica promedio por departamento

Deptos. Caldas Quindío Risaralda Antioquia Tolima Valle del Cauca

Prom.Efici. 0,071527596 0,171845959 0,053110226 0,126591944 0,079664515 0,129104792

5.2. Convergencia β El análisis de la sigma convergencia puede ser completado por la β-convergencia (convergencia absoluta). Este tipo de análisis busca dar respuesta al siguiente interrogante: ¿Las economías de menos eficiencia técnica, en este caso los departamentos, tienden a alcanzar a las de mayor eficiencia en el transcurso del tiempo? La expresión matemática general de la convergencia β puede realizarse a través de la siguiente ecuación:

i0,iy

yu)y(Ln)(Ln

T

10,i

T,i (44)

a partir de datos de corte transversal, donde tiy , es la variable dependiente del

departamento o unidad económica i, (i = 1,…,N) en el año 0; T es la longitud del periodo de estudio (número de periodos), α es un parámetro desconocido, y β es una constante positiva tal que 0<β<1121, y ui es un término de error aleatorio122. Para el caso concreto del estudio que estamos desarrollando, y basándonos en la fórmula anterior, formulamos un modelo econométrico que relaciona la tasa de crecimiento de la eficiencia de cada departamento con su nivel de eficiencia en el periodo inicial:

iiiy

yuyLnLn

i

i )()(T

11990,1990,

2008, (45)

iii uLnLni

i )()(19

11990,1990,

2008,

(46)

Donde εi, 2008 y εi, 1990, son los niveles de eficiencia final e inicial del departamento i, α el término independiente, βi el coeficiente del nivel de eficiencia inicial, y ui el término de error. Para realizar el contraste de β convergencia se han estimado tres (3) modelos, uno para los departamentos tomados en conjunto y los otros dos para cada grupo de departamentos: Eje Cafetero y Antioquia, Tolima y Valle del Cauca. La convergencia β supone una relación negativa entre la tasa de crecimiento de la variable dependiente entre las fechas 0 y T, y el nivel inicial de dicha variable, lo que exige

121

Para que haya convergencia, beta tiene que ser mayor que cero, pero no puede ser mayor que uno, ya que en ese caso

se producirían "adelantamientos sistemáticos", es decir los países pobres crecerían hasta superar a los ricos para, en el siguiente período, dejarse superar de nuevo. 122

De media cero, varianza constante, que no depende del tiempo. Se elimina la posibilidad de autocorrelación entre los u i. Se supone también la independencia entre los ui y los Ln(yi,0), de manera que la influencia de Ln(yi,0) y ui sea independiente (aditiva).

130

que el β de la regresión lineal expresada en la ecuación anterior sea de magnitud negativa y estadísticamente significativo. La estimación de β permite calcular la velocidad de convergencia aplicando el siguiente modelo:

= -Ln(1+Tβ)/T (47)

y el periodo necesario para que las economías superen la mitad de la distancia que les separa de su estado estacionario, denominado la “media-vida”, se calcularía así:

t = -Ln(2)/Ln(1+β) (48) A continuación se presentan los resultados de los modelos y sus respectivos análisis.

Tabla 39. Convergencia General departamentos

Resumen del modelo: iiy

yuyLnLn

i

i )()(T

11990,1990,

2008,

ANOVA

Modelo 1 Suma de

cuadrados Gra os de

libertad Media

cuadrática F Sig.

Regression ,000 1 ,000 10,083 ,034

Residual ,000 4 ,000

Total ,000 5

Coeficientes

Modelo

Coeficientes no estandarizados t Sig.

B Error típico

1 (Constant) ,021 ,005 3,967 ,017

V.INDEPE -,030 ,009 -3,175 ,034

= -Ln(1+T )/T = 0,0237408 = 2,37 %

= -Ln(2)/Ln(1+ ) = 23,45 años

Modelo 1 R cuadrado R cuadrado corregido

Error típico de la estimación

,716 ,645 ,00588

Fuente: elaboración propia, programa SPSS 11.5

En este modelo (tabla 39), el parámetro β estimado es negativo y significativo a un 95%, con un buen ajuste (R2 del 71,6%), lo que confirmaría la hipótesis de convergencia global en la eficiencia técnica para los departamentos cafeteros tomados en su conjunto. La velocidad de convergencia asociada es del 2,37% y los departamentos menos eficientes superarían la mitad de la distancia que las separa de los más eficientes en 23,5 años. Tomando los departamentos por grupos, la situación se plantea algo diferente. En el caso de los departamentos del eje cafetero (tabla 40), el parámetro β estimado es negativo y

131

significativo a un 95%, con un buen ajuste (R2 de 98,2% y bajo error, aunque superior al caso anterior), y una velocidad estimada de convergencia de un 5,17% anual. Es decir, las diferencias se reducirían a la mitad en 8,22 años únicamente. En el caso de los departamentos de Antioquia, Tolima y Valle del Cauca (tabla 41) los resultados son muy diferentes, por cuanto el parámetro estimado β, aunque continúa siendo negativo, no es significativo lo que significa que se está produciendo una desaceleración de la convergencia en dichos departamentos; la velocidad de convergencia durante el periodo es de apenas1,24% anual, lo que implica una reducción del 50% de las diferencias en casi 50 años.

Tabla 40. Convergencia β Departamentos Eje Cafetero


yuyLnLn

i

i )()(T

11990,1990,

2008,

Modelo R

cuadrado R cuadrado corregido


,982 ,964 ,00186

ANOVA

Modelo

Suma de cuadrados

Grados de libertad

Media cuadrática F Sig.

Regression ,000 1 ,000 54,558 ,086(a)


Total ,000 2

Coeficientes

Model


B Error típico

(Constant) ,042 ,004 10,207 ,062

V.INDEP -,088 ,012 -7,386 ,086

= -Ln(1+T )/T = 0,05172775= 5,17 %

= -Ln(2)/Ln(1+ ) = 8,22 años


Tabla 41. Convergencia β Antioquia, Tolima y Valle del Cauca


yuyLnLn

i

i )()(T

11990,1990,

2008,

Modelo R

Cuadrado R cuadrado corregido


,795 ,591 ,00291

ANOVA(b)

132

Model

Suma de cuadrados

Grados de libertad

Media cuadrática F Sig.

Regression ,000 1 ,000 3,887 ,299


Total ,000 2

Coeficientes

Model


B Error típico

(Constant) ,010 ,005 1,794 ,324

V.INDEP -,014 ,007 -1,971 ,299

= -Ln(1+T )/T = 0,012413806 = 1,24 %

= -Ln(2)/Ln(1+ ) = 49,86 años


5.3. Convergencia y crecimiento económico Analicemos ahora las relaciones existentes entre convergencia y crecimiento económico. Existe convergencia en el nivel de eficiencia técnica si se obtiene una relación inversa entre el crecimiento medio anual de la eficiencia y el nivel de eficiencia del año inicial. Dicho en otros términos, para el período analizado, se da convergencia si las economías más atrasadas (en el período inicial) crecen (en promedio) a un ritmo mayor que las más avanzadas. Por su parte, se dice que existe convergencia si durante el período analizado se reduce la dispersión de niveles de eficiencia entre el conjunto de economías consideradas. Los numerosísimos estudios empíricos realizados en los últimos años sobre esta materia arrojan un resultado calificable, quizás, como de "regularidad empírica", "ley empírica" o "hecho estilizado del crecimiento", y que consiste en lo siguiente: entre grupos de economías consideradas como homogéneas o similares -en virtud de algún tipo de criterio económico/institucional- se da el fenómeno de convergencia real a largo plazo, independientemente de la definición de ésta utilizada (la definición de convergencia que se utiliza en este trabajo es la sigma y la beta). Tal resultado constituye una manifestación del llamado fenómeno de "convergencia relativa o condicional" (existe convergencia sólo entre conjuntos de economías que comparten una serie de variables; o dicho de una forma más coloquial, entre economías que pertenecen a un "club de la convergencia"). Según los modelos estudiados anteriormente, la convergencia para el Eje Cafetero se muestra un poco más evidente que la convergencia en los departamentos de Antioquia, Tolima y Valle del Cauca. Se plantea que el Eje Cafetero comparte una serie de características similares que hace posible que se hable de Región del Eje Cafetero. Sin embargo, ambos grupos de departamentos (Eje Cafetero y Antioquia, Tolima y Valle del Cauca) experimentan reducción tendencial de su crecimiento económico durante el

133

periodo 1990-2008 (gráficos 43,44)123, acompañado de un crecimiento, muy leve, casi imperceptible, de su eficiencia técnica promedio en el mismo periodo (ascenso del 0,02% para el Eje Cafetero y ascenso del 0,3% en el grupo Antioquia, Tolima y Valle del Cauca- gráfico 35). Además, durante el mismo periodo la dispersión de la eficiencia crece en ambos grupos de departamentos aunque más rápido en Antioquia, Tolima y Valle del Cauca (gráficos 41 y 42). Esta situación se refleja en la convergencia β en donde estos últimos departamentos muestran divergencia mientras que el eje cafetero muestra convergencia β en la eficiencia técnica. Sin embargo, para el Eje Cafetero en particular, se trata de una convergencia en la eficiencia técnica que tiene como telón de fondo una caída del PIB, es decir, es una convergencia en la crisis y esto no es lo esperado, ni lo previsto por la teoría económica.

Gráfico 43. PIB Eje Cafetero

Gráfico 44. PIB departamento de Antioquia, Tolima y Valle del Cauca

La evolución de las disparidades territoriales y los elementos explicativos de las mismas han sido tratados, en el plano teórico, en numerosos trabajos encuadrados en las posturas económicas más tradicionales (neoclásicas o keynesianas), que asocian las

123

El PIB del grupo Antioquia, Tolima y Valle del cauca cae más rápidamente que el PIB del Eje Cafetero.

-3.00

-2.00

-1.00

0.00

1.00

2.00

3.00

4.00

5.00

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

Cre

cim

ien

to P

IB (

19

90

-20

08

)

PIB eje Cafetero (Precios de 1994)

-1.50%

-1.00%

-0.50%

0.00%

0.50%

1.00%

1.50%

2.00%

2.50%

1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

Tasa

de

cre

cim

ieto

PIB

19

90

-20

08

PIB Departamentos de Antioquia, Tolima y Valle del cauca (Precios de 1994)

134

disparidades a las diferencias entre regiones que a primera vista deberían ser homogéneas: entre ellas aparece la estructura productiva (normalmente valorada a través del peso de la agricultura en cada región), la localización geográfica y los procesos migratorios (movilidad de los factores de producción, sobre todo la mano de obra) producidos por las diferencias salariales y aplicados, en la mayoría de los casos, a un contexto regional (Coronado Guerrero, 1997). Estas teorías fueron capaces de aportar conclusiones importantes acerca de las causas de los desequilibrios territoriales en la década de los cincuenta, sesenta y setenta, pero a principios de los ochenta, la estabilización de los movimientos de la mano de obra y capital (elemento fundamental sobre el que se apoyaban estos enfoques) y la incapacidad de estas teorías de explicar patrones autónomos de desarrollo ocasionaron el surgimiento de una nueva orientación en torno a recientes aportaciones en las que las potencialidades locales juegan un papel básico. Estas nuevas teorías, que surgieron como alternativa a los antiguos enfoques neoclásicos y keynesianos, son las teorías del Desarrollo Endógeno. En éstas, las dotaciones internas y factores culturales, organizacionales e institucionales, juegan un papel preponderante en el crecimiento económico y en los procesos de convergencia.

135

CAPÍTULO SEXTO

CONCLUSIONES Y RECOMENDACIONES

136

CAPÍTULO SEXTO

CONCLUSIONES Y RECOMENDACIONES El trabajo integra tres partes gruesas: una descripción de la economía de los departamentos del Eje Cafetero, un análisis de eficiencia técnica de los departamentos cafeteros de Colombia (Eje Cafetero, Antioquia, Tolima y Valle del Cauca) y un análisis de convergencia de los departamentos cafeteros. Los resultados más destacados del trabajo se relacionan a continuación. A partir de los años 80, pero fundamentalmente a partir de los 90, la economía del Eje Cafetero experimentó un cambio importante en su dinámica económica. En efecto, se generó un incremento de la volatilidad de la producción, acompañado del hecho de que, tanto la tendencia como el ciclo de las series del PIB de los departamentos, pasaron a depender de factores estocásticos, no controlables, lo que aumentó la sensibilidad de estas economías a choques externos, haciendo que cualquier impacto de estos choques desvíe la tendencia hacia situaciones no previstas. Este fenómeno hace difícil la operacionalidad de la política económica tradicional, de donde se deduce que, ante tan enorme volatilidad de estas economías, se hace necesaria una reorientación de las políticas de crecimiento y desarrollo económico y social para la Región del Eje Cafetero124. Paralelo a la situación anterior, surge un hecho igualmente preocupante: las economías del Eje Cafetero están siendo lideradas por el sector servicios que, en la actualidad, muestra poca capacidad de ejercer efectos multiplicadores sobre los demás sectores económicos; es decir, es incapaz de servir como sector clave que dinamice los demás sectores económicos, sobre todo, el sector agrícola y el sector industrial. Podríamos decir que la preponderancia y dinámica del sector servicios no se debe, como pronostican algunos teóricos basándose en las experiencias de las economías desarrolladas, al desarrollo industrial y agrícola, sino a dos procesos preocupantes: la desindustrialización125 y la desagricolización de las economías del Eje Cafetero. No es pues una buena señal el hecho de que se evidencie una tendencia al crecimiento del sector servicios, más bien, en las circunstancias actuales, debe ser un hecho preocupante. En cuanto a la eficiencia técnica, en este estudio se cuantificó la eficiencia técnica de 6 departamentos126 y se comparó los niveles con que los departamentos del Eje Cafetero,

124

En lo que respecta a la economía del departamento de Risaralda, hasta el momento los seis Planes de Desarrollo que ha tenido este departamento desde el año 1992, en que se da el establecimiento de la elección popular de alcaldes y gobernadores, no han sido capaces de reorientar la economía del departamento por la senda del crecimiento y el desarrollo económico y social. 125

Un análisis histórico de la desindustrialización de Risaralda puede estudiarse en: Cardona López, Gilberto. Raíces de la desindustrialización en Risaralda. Primera Edición, Editorial Papiro, 2003. 126

Para un análisis de regresión (como el que se realizó con la función translog) no existe una regla que determine un número adecuado de variables a utilizar; sin embargo algunos autores sugieren incluir entre 4 y 15 observaciones por cada

137

frente a los departamentos de Antioquia, Tolima y Valle del Cauca, departamentos igualmente cafeteros, desarrollan el proceso productivo. La eficiencia técnica es considerada uno de los principales factores que determina la competitividad de los departamentos en estudio, debido a que las mejoras en eficiencia se traducen en incrementos de la productividad de los insumos utilizados en el proceso productivo, lo que, a su vez, se refleja en una disminución en los costos de producción. El supuesto de función Cobb-Douglas translogarítmica estocástica sin efectos de ineficiencia variante en el tiempo, estimados sus parámetros por Máxima verosimilitud, se muestra válido como función de producción para los departamentos cafeteros incluidos en el estudio (departamentos del eje cafetero y los departamentos de Antioquia, Tolima y Valle del Cauca). Las elasticidades de producción respecto a los factores considerados siguen la siguiente jerarquía: el factor total activos es quien determina, en mayor grado, los aumentos de la producción, seguido por el factor consumo intermedio y, por último, el factor consumo de energía, este último con un impacto negativo. Existen economías de escala en la producción respecto a los factores considerados, al constatar la existencia de rendimientos crecientes de escala (sumatoria de las elasticidades mayor que 1). Este hecho es importante puesto que algunas contribuciones en el área del crecimiento económico han resaltado la importancia de la presencia de rendimientos crecientes para explicar el aumento sostenido del producto y del capital per cápita (Rómer, 1986), lo que, sin lugar a dudas, es una condición necesaria, aunque no suficiente, para el incremento de los niveles de crecimiento y desarrollo en los departamentos. Los resultados obtenidos, en cuanto a la eficiencia técnica, indican que los departamentos que hicieron parte del estudio operan, en promedio (promedio simple), con un nivel de eficiencia 62,00% (70,82% promedio ponderado), lo que significa que generan un porcentaje muy inferior en comparación con la producción máxima que alcanzarían si hacen el mejor uso posible de los insumos de que disponen. Por tanto, se puede concluir que existen razones para plantear actuaciones que ayuden a generar el 38,00% (29,18% con promedio ponderado) en que se podría mejorar la producción usando los mismos factores de producción. Este hecho, combinado con la existencia de economías con rendimientos crecientes de escala, abre unas enormes posibilidades de crecimiento regional. Faltaría, únicamente, una buena orientación por parte de la política económica Regional. No obstante, cabe destacar que los departamentos de Antioquia, Tolima y Valle del Cauca son más eficientes que los departamentos del Eje Cafetero, pues los primeros tienen una eficiencia promedio simple del 73,68% mientras que el Eje Cafetero apenas alcanza una eficiencia técnica promedio de 53,82%. Esto significa que el esfuerzo de estos últimos departamentos debe ser mayor si desean alcanzar mayores niveles de eficiencia productiva. Es necesario tener en cuenta que el comportamiento de la eficiencia técnica de los departamentos tiene como causa fundamental a factores controlables por los empresarios y por el gobierno departamental; los factores estocásticos, no controlables, no tienen casi ningún efecto en la eficiencia técnica.

variable independiente incluida en un análisis de regresión (Montgomery, Douglas C. Y Runger, George C., 1996). En nuestro caso cada variable estudiada utilizó una serie de datos de 19 años.

138

Se presenta una situación interesante que es necesario tener muy en cuenta para el diseño de las políticas económicas: por un lado se tiene unas series del PIB cuyo comportamiento cíclico y tendencial son estocásticos, es decir, obedece a factores no controlables, mientras que los factores que inciden en la eficiencia técnica si son controlables. Dicho de otra forma, el manejo óptimo de los recursos de producción es controlable, pero la enorme volatilidad de la demanda en la sociedad actual, su creciente incertidumbre, hace improcedente un crecimiento sostenido en los niveles de producción. Parece ser que la volatilidad de la demanda es un factor decisivo en la existencia de niveles preocupantes de ineficiencia técnica en las economías de los departamentos cafeteros involucrados en este estudio. De los distintos determinantes de la ineficiencia técnica de los departamentos propuestos en este estudio, ninguno resultó tener un efecto significativo sobre ella. Esto significa que variables como “coeficiente de apertura exportadora”, “Participación por tipo de contratación (empleo permanente) dentro del personal ocupado total en la industria manufacturera” e “indicador de industrias tardías como participación del PIB departamental”, no son decisivas en la explicación de la ineficiencia productiva de los departamentos. Es, pues, necesario indagar sobre otras causas que expliquen dicha ineficiencia, como por ejemplo, la casi inexistencia de procesos de innovación, el poco desarrollo del llamado “capital humano” o, inclusive, el estado del marco cultural, organizacional e institucional. Otro factor que merece la pena observar detenidamente es la correlación existente entre volatilidad del PIB, por la existencia de demandas volátiles, y el comportamiento de la eficiencia técnica. En el caso del tamaño de los departamentos y su relación con la eficiencia técnica, en este estudio se concluye que los departamentos más grandes no son por lo general los más eficientes, aunque pueden producir a mayor escala y aprovechar las economías de escala. El estudio de las disparidades intradepartamentales no ha sido objeto prioritario de las diferentes instituciones encargadas de la Política Regional, ni tampoco de los propios departamentos, debido, quizás, a la ausencia de información a un nivel de desagregación departamental y municipal127. Sin embargo, dichos estudios son importantes, ya que las desigualdades interdepartamentales tienen mucho que ver con las desigualdades existentes dentro de cada departamento (disparidades intradepartamentales), de tal manera que estas últimas diferencias podrían explicar, al menos en parte, las distancias entre unos y otros departamentos y entre unas y otras regiones en el caso de un país dado (García, et. al., 1990). Además, las disparidades internas de las regiones (disparidades económicas, sociales y culturales) dificultan el crecimiento sostenido y equilibrado de las mismas, obstaculizando la posible convergencia entre departamentos prósperos y departamentos débiles. Una de las hipótesis de este trabajo es que estamos convencidos que las disparidades económicas interdepartamenles están impidiendo un crecimiento sostenido y continuado, están impidiendo, además, la viabilidad de los procesos de convergencia y, lo que es peor, están impidiendo la consolidación del concepto de Región, que para el caso concreto de la Región del Eje Cafetero, ha sido un sueño de todos.

127

La existencia de información a nivel departamental y municipal permitiría la posibilidad de realizar análisis más profundos sobre los desequilibrios socioeconómicos existentes.

139

Los desequilibrios departamentales (y, por supuesto, también regionales) necesitan ser estudiados y comprendidos y también medidos por medio de instrumentos cada vez más precisos, ya que los resultados obtenidos servirán de base a la planificación departamental y regional. Un eventual progreso en el estado del conocimiento sobre las causas de las divergencias departamentales y regionales tiene como recompensa la posibilidad de mejorar la efectividad de las políticas económicas, con el consiguiente efecto positivo en los niveles de vida de la sociedad (Rosende, 2000). Para tratar de explicar las disparidades intradepartamentales es necesario partir del hecho de que los departamentos cuentan con un conjunto de recursos económicos, tecnológicos, humanos, institucionales y culturales) y de economías de escala128 que constituyen su potencial de desarrollo y sobre los que se articulan los procesos de crecimiento económico territorial. El estudio minucioso de estos factores permitiría sacar a la luz cuáles son los que, con mayor intensidad, influyen en el nivel de desarrollo económico de los departamentos estudiados, y además analizar y planificar cuál o cuáles serían las políticas económicas más efectivas para conseguir reducir dichas disparidades económicas y lograr que los departamentos, a partir de una mejor y más equitativa distribución del ingreso y la riqueza, pueda abordar un crecimiento sostenido y efectivo que le permita una mayor convergencia no sólo a nivel regional sino también a nivel nacional. Llegado a este punto, es necesario reflexionar sobre la siguiente pregunta. ¿Cuál debe ser la orientación que debe tener la política económica que permita el crecimiento sostenido con equidad en las economías cafeteras de Colombia involucradas en este estudio? No se pretende hacer un desarrollo exhaustivo sobre este punto129, simplemente se darán algunas orientaciones generales atendiendo a los desarrollos teóricos existentes y a algunas experiencias conocidas en algunas otras partes del mundo. Primero que todo es necesario partir del reconocimiento de la necesidad de la política económica local como instrumento capaz de provocar cambios en las estructuras económicas que hagan viable el crecimiento sostenido y equitativo, aún reconociendo las posibles relaciones, inevitables, entre política económica y estructuras de poder. Esta es quizá una de las razones por las cuales “debe reconocerse que, en lo que tiene que ver con la política de desarrollo económico regional, no existe pleno consenso teórico respecto a la forma y las bondades de tal intervención” (Gaviria, 2009). En la literatura sobre crecimiento y desarrollo económico existen, en términos generales, dos grandes tendencias: las teorías del desarrollo exógeno y las del desarrollo endógeno. Las teorías más representativas del desarrollo exógeno (las oficiales) son las propuestas por la escuela neoclásica. Estas teorías se originan en los trabajos publicados por Swan en 1956130 y por Solow en 1956131.

128

En microeconomía, se llama economía de escala al proceso mediante el cual los costos unitarios de producción disminuyen al aumentar la cantidad de unidades producidas o, dicho de otra forma, aumentos de la productividad o disminuciones del costo medio de producción, derivados del aumento del tamaño o escala de la planta. 129

Este es objeto de otro trabajo que se encuentra en preparación. 130

Swan, “Economic Growth and Capital Accumulation”, Economic Record, núm. 32, 1956, pp. 334-361. 131

Solow, Robert M. “A Contribution to the Theory of Economic Growth”, The Quarterly Journal of Economics, núm.70, 1956, pp. 65-96; Trevor W.

140

Siguiendo el modelo neoclásico de Solow, el estudio se centra en indagar la posibilidad de que los países menos desarrollados alcancen, en el largo plazo, a los más avanzados: es el terreno de los análisis de convergencia del crecimiento (Solow, 1956). Este modelo de crecimiento tiene como característica esencial dejar que la tasa de crecimiento sea determinada por causas exógenas, por ejemplo por la tasa de crecimiento de la población, la tasa de variación dada de la tecnología o cualquier otra causa que determine lo que Harrod (1946) llamó la tasa natural de crecimiento. Harrod distinguía tres tasas de crecimiento: la natural de crecimiento, la máxima alcanzable por una economía y que está dada por parámetros exógenos; la planeada decrecimiento, aquella que los agentes económicos provocan que ocurra al hacer sus planes de producción y consumo, y la efectiva de crecimiento, aquella que realmente se alcanza. Solow (1956), reduce el problema para evaluar la compatibilidad entre la tasa planeada y la natural, haciendo abstracción de la tasa efectiva. Solow muestra que los planes de producción e inversión de las empresas serán compatibles con la tasa de crecimiento de la fuerza de trabajo, la cual es la tasa natural dada exógenamente. El modelo neoclásico de crecimiento fue desarrollado en su aplicación regional en los años 60132, proponiendo, para el logro de niveles sostenidos de crecimiento, la interrelación de cuatro factores: a) El ahorro, la movilidad del capital y su acumulación, b) la movilidad del factor trabajo133, c) Mercado integrado y especialización del comercio134, d) La transferencia de tecnología. En términos generales, las orientaciones neoclásicas hacen descansar el crecimiento económico en los factores tradicionales de producción (capital, tierra y trabajo) y en el desarrollo tecnológico, aunque este último es considerado exógeno (es decir, son desarrollos que se hacen por fuera del proceso de producción y de gestión, dicho de otra forma, son desarrollos que no son resultado de la dinámica interna de los actores económicos y sociales sino que son producto de fuerzas externas a estas dinámicas: inversión extranjera, transferencia de tecnología, etc.). Además, otros supuestos en los que descansa el modelo neoclásico es el de la no intervención del estado en la economía y la idea de que las economías convergen en el largo plazo (no existe posibilidad de la divergencia entre las economías). Lo que es claro es que las orientaciones neoclásicas parece ser que no son muy eficientes en el impulso del crecimiento y desarrollo económico regional. La inversión en los factores tradicionales de producción capital y trabajo, y los intentos por introducir los desarrollos tecnológicos en la región del Eje Cafetero y en las demás regiones de Colombia, no han sido suficientes para generar crecimiento y, mucho menos desarrollo (para la economía neoclásica el desarrollo es considerado un residuo -“efecto chorreo”-

132

Borts, G.H., “The equalization of returns and regional economic growth” American Economic Review, 50, 1960, pp. 319-47. Borts, G.H.y J.L Stein, Economic Growth in a Free Market (New York: Columbia University Press) 1964. Romans, J.T., Capital Exports and Growth among U.S. Regions (Middletown: Wesleyan University Press), 1965. Siebert, H., Regional Economic Growth: Theory and Policy, Scranton: International Textbook Company, 1969. 133

La mano de obra cualificada tenderá a desplazarse de las áreas en que resulta más abundante (las áreas ricas), y por lo tanto menos productiva, a aquéllas en que escasea (áreas más desfavorecidas en su dotación inicial de factores) para obtener mayores rendimientos. La mano de obra menos cualificada tenderá, a su vez, a desplazarse desde las áreas pobres en que abunda y se encuentra mal pagada hacia las zonas ricas en busca de salarios superiores. En consecuencia, el movimiento cruzado de factores, capital y trabajo explica la tendencia a la igualación de la relación K/L, la productividad y el salario. 134

Las zonas con mayor dotación en capital y mano de obra cualificada tenderán a especializar su producción en bienes intensivos en el uso de tales factores productivos, que exportarán; y serán zonas importadoras de bienes para cuya fabricación se hayan destinado fuertes proporciones de mano de obra poco cualificada. El comercio refuerza así la dinámica generada por la movilidad de los factores productivos.

141

del crecimiento económico). Además, nuestras economías cafeteras no están convergiendo, como lo postula el modelo neoclásico, sino que se encuentran inmersas en un proceso de divergencia que se agrava cada día más135. Ante la incapacidad de los enfoques neoclásicos de direccionar las políticas económicas públicas y empresariales hacia el logro de mayores niveles de crecimiento y desarrollo económico en nuestras regiones, surge la teoría del crecimiento endógeno136 como el resultado de la crítica a algunos planteamientos fundamentales del modelo neoclásico de crecimiento básico realizado por Solow y Swan. Esta teoría postula, en términos generales, que el progreso tecnológico es resultado del incremento del capital humano que, conjugado con un stock de capital relativamente grande y un ambiente favorable para la acumulación de capital físico y humano (o inversión productiva), se provocan rendimientos crecientes que generan un estímulo a la actividad productiva y al mismo tiempo un incremento del ingreso y, por lo tanto, de la demanda, con lo que se tiene un mayor crecimiento económico. En este enfoque está implícita la idea de un crecimiento divergente. Para Schumpeter, representante de la escuela austriaca137, el factor fundamental del crecimiento económico es la innovación (proceso de “creación destructiva”), combinado con un ambiente socio-cultural favorable (Schumpeter, 1978). Esta visión reviste de una gran importancia, pues indica que los factores del crecimiento económico no son sólo las “fuerzas materiales” (capital, tierra y trabajo) sino también las “fuerzas inmateriales”, compuestas por los “hechos técnicos” y los “hechos de organización socio-cultural”. Es, pues, una visión endógena del proceso de crecimiento económico. Para la visión endógena hay cuatro factores que explican el crecimiento económico. Además, esos factores generan externalidades positivas y son percibidas como fundamento para justificar la intervención del Estado. Esos factores son (Gerald, 2007): (1) Capital físico. Romer (1986) atribuye el crecimiento a la acumulación de capital físico. Plantea que los rendimientos crecientes, relacionados con las externalidades positivas de las inversiones, son el fundamento del crecimiento económico. Esta fue una de los primeros aportes de la visión endógena del crecimiento económico. El caso concreto de los departamentos cafeteros estudiados en esta investigación, muestra que en estas economías existe una buena acumulación de capital (total activos), con rendimientos de escala crecientes y, sin embargo, esto no ha sido suficiente para generar crecimiento económico sostenido.

135

Algunos desarrollos del modelo neoclásico introducen supuestos de divergencia en éste. Están, por ejemplo: a)Las teorías de crecimiento regional de base-exportadora (La base económica de una región está constituida por el grupo de industrias que se dedican predominantemente a la exportación a otras regiones), b) la teoría de la causalidad acumulativa de Gunnar Myrdal (1957) (el crecimiento regional es un proceso desequilibrado, y un mayor desarrollo surgido en una de las regiones no impulsa el desarrollo de las colindantes, sino su mayor empobrecimiento relativo), c)El modelo de polos de crecimiento(Perroux, 1955)( Predice la divergencia interregional, haciendo hincapié en el papel de las industrias clave, que lideran el dinamismo local atrayendo empresas de industrias conexas hacia ellas). 136

Entre los principales representantes se destacan los trabajos de Paul Romer, “Increasing Returns and Long-Run Growth”,

Journal of Political Economy, vol. 94, University of Chicago, 1986, octubre, pp. 1002-37; y Robert Lucas, “On the Mechanics of Economic Development”, Journal of Monetary Economics, vol. 22, Elsevier BV, 1988, julio, pp. 3-42. 137

Para los teóricos austríacos la Ciencia Económica se concibe como una teoría de la acción más que de la decisión, y ésta es una de las características que más les diferencian de sus colegas neoclásicos.

142

(2) Capital público de infraestructura. El Estado, al invertir en las infraestructuras, puede conducir al mejoramiento de la productividad de las empresas privadas. En 1990, Barro, en su primer modelo, recalcó que las infraestructuras facilitan la circulación de las informaciones, de los bienes y de las personas. El impuesto (que es destinado para financiar esas inversiones) juega un papel positivo sobre el crecimiento. (3) Investigación y Desarrollo (I-D). La investigación y el desarrollo es considerada como una actividad con rendimiento creciente. Esto es debido a que el saber tecnológico es un bien no-rival y además es difícil asegurar su uso exclusivo; es decir, su costo de apropiación es mínimo. La actividad de innovación, llevada a cabo por algunos agentes con el fin de obtener algún beneficio, genera el crecimiento económico. (4) Capital Humano. El capital humano es definido como el conjunto de conocimientos y de competencias que poseen los individuos y que, bien orientados, ejercen un impacto importante en el crecimiento económico. De acuerdo con la teoría del capital humano, la educación es fuente de crecimiento y de bienestar. Algunos autores han profundizado en el capital humano desde varias miradas. Romer (1986), por ejemplo, generaliza el modelo de Arrow (1962) de aprendizaje por la práctica, en el que la eficiencia en la producción es una función creciente de la experiencia acumulada. El modelo de Lucas (1988) plantea la acumulación de capital humano en lugar de la de capital físico, como detonante del aprendizaje y difusión de mejoras productivas, fuente originaria de los rendimientos crecientes de escala. Subyace la idea de que cuanto más formada esté la población en general (mayor nivel de estudios en los trabajadores de una economía determinada), mayor será la interacción entre trabajadores cualificados y mayor será la generación y transmisión de innovaciones que permitan la mejora de las técnicas y procedimientos de producción de cada empresa. Para Grossman y Helpman (1991), el capital humano es la fuente última de crecimiento económico. Éste último viene inducido por el progreso tecnológico, que a su vez depende de la acumulación de capital humano (educación). A los factores de crecimiento propuestos por la teoría del desarrollo endógeno se suma el factor de la “localización espacial”, desarrollado, en sus orígenes, por Weber (1909) y Von Thünen (1826). Supone al espacio como factor determinante del crecimiento económico. El planteamiento básico es la búsqueda de la localización óptima de una empresa (Weber, 1909) o de un determinado cultivo (Von Thünen, 1826). Proponen, además, explicaciones a los fenómenos de concentración de la producción en el espacio o de crecimiento de las ciudades. Se plantean, bajo diferentes perspectivas, el estudio de los factores que inducen a la aglomeración y de aquéllos que, por su parte, fomentan la dispersión de la actividad económica en el espacio. Otro aporte importante en el sentido de la localización espacial es el de “región económica ideal” (Lösch, 1954). El espacio de la región económica (área de mercado) está delimitado por los siguientes postulados: a) existencia de competencia imperfecta, b) un espacio continuo y homogéneo, c) costos uniformes, d) población distribuida también uniformemente, compuesta por individuos idénticos en renta y gustos, e) los productores y los consumidores maximizan respectivamente beneficios y utilidad. La dinámica interna de las empresas y consumidores en este espacio geográfico, conlleva a una concentración espacial de las actividades, según la cual todas las redes tengan un centro de producción común (Richardson, 1986).

143

En términos generales, la teoría del desarrollo endógeno o autóctono hace hincapié en la necesidad de potencializar e interrelacionar todos los factores propios de cada región y que contribuyan al crecimiento económico: el capital físico, el capital público de infraestructura, la Investigación y Desarrollo (I+D), el capital humano (la experiencia organizativa y empresarial y la capacidad innovadora), y la localización espacial. A finales de los años 70, a raíz de la crisis mundial, cobra fuerza un nuevo concepto, que tiene como base el concepto de localización y el concepto de redes: los distritos industriales. Los Distritos Industriales están definidos como entramados o redes de empresas de tamaño reducido (PYMES), especializadas en fases distintas del proceso de producción, formando un sistema productivo conjunto, descentralizado, flexible y eficiente (Costa, 1988, 1992; Ybarra, 1991). “Esa fuerte interrelación presente entre las distintas empresas del distrito genera una serie de externalidades positivas derivadas de la transmisión de información, de la competencia y de la complementariedad interempresarial. A ello contribuye también una serie de elementos derivados de la propia concentración espacial mencionada: la densidad demográfica (mercados amplios), el desarrollo de infraestructuras (transportes, comunicaciones y energéticas) así como de mercados de trabajo diversificados y de redes proveedoras de servicios a empresas. Se desarrolla así una serie de sinergias (menores costes, mayores rendimientos) comúnmente atribuidas a la atmósfera industrial, que cristalizan en una mayor capacidad de innovación tecnológica, y de adaptación a los cambios en la demanda y en la situación de competencia exterior, y en un mayor dinamismo y flexibilidad en la asignación de los recursos” (Toral, 2001). A finales de los años 80 Douglas North (1989), plantea que el marco institucional existente en un país o región, incide enormemente en el crecimiento económico. El marco institucional está compuesto por el conjunto de normas consuetudinarias (valores, costumbres, reglas de conducta, formas de ver el mundo, etc.) y jurídicas. Este conjunto de normas regula la conducta y actuación de los individuos. Además, planea Douglas North, que es necesario tener en cuenta las organizaciones que actúan en determinado territorio y que están estrechamente relacionadas con este conjunto de normas. Estas organizaciones son: universidades, ministerios, fuerzas armadas, iglesia, cámaras de comercio, etc.). Las teorías del desarrollo endógeno interrelacionan, así, dos aspectos claves para el crecimiento y desarrollo económico: el conjunto de factores físicos, tecnológicos, humanos e institucionales y el entramado de relaciones interempresariales e interinstitucionales. Estos dos aspectos se levantan como los dos pilares sobre los cuales debe montarse el crecimiento y desarrollo económico regional. Los Planes de Desarrollo del departamento de Risaralda, por ejemplo, a partir de los años 90 (seis Planes de Desarrollo desde 1992 en que se establece la elección popular de alcaldes y gobernadores), han adoptado una serie de políticas, casi todas desde la orilla del desarrollo endógeno, con énfasis distintos, que van desde estímulos a los desarrollos tecnológicos (1992-1994), construcción de infraestructura (1995-1997), educación (1998-

144

2000)138, equidad de género y desarrollo humano (2001-2003), fomento a la pequeña y mediana empresa y a la creación de empresa de base tecnológica, bajo el supuesto de desarrollo endógeno (2004-2007), productividad y competitividad (2008-2011). Sin embargo, como se desprende del análisis detallado de los diferentes Planes de Desarrollo existentes desde 1992 en el departamento de Risaralda, la política de desarrollo regional y local, en términos generales, ha enfatizado en el uso de instrumentos orientados a mejorar la productividad, competitividad y la eficiencia económica general, a partir de una serie de instrumentos ofrecidos por las diferentes teorías del crecimiento económico, sobre todo las del desarrollo endógeno.

La contrastación de estas políticas con la dinámica de la economía de Risaralda, en particular, muestran que estas no han sido lo suficientemente eficientes como para encaminar dicha economía por la senda del crecimiento económico sostenido, a partir de incrementos en los niveles de la eficiencia técnica. Y más aún, muestra que la política económica regional, montada sobre el paradigma de la innovación tecnológica, no es lo suficientemente contundente, como se ha postulado, para el logro de mayores niveles de eficiencia técnica, de convergencia económica y de bienestar social. Propuestas de política regional para el crecimiento hay muchas y muy variadas. Toro (2005), por ejemplo, dice que se podrían adoptar políticas encaminadas a fomentar la localización en una misma ciudad de empresas que pertenezcan a sectores afines, para aprovechar los beneficios generados por las economías de aglomeración, que a su vez se manifiestan en una reducción de los costos. Dice, además, que se debe insistir en un mayor esfuerzo de inversión para el incremento de la investigación y desarrollo para la innovación y para el fomento del capital humano (combinado con políticas que involucren los factores culturales e institucionales) pues son en estos factores en donde reside las posibilidades de incremento de la eficiencia productiva de los departamentos y, por lo tanto, sus posibilidades de desarrollo. Mario Gaviria (2009) plantea que resulta prioritario un enfoque sistémico que, en primer lugar, favorezca en forma creciente las articulaciones hacia atrás y hacia delante de la industria y los servicios con los sectores de recursos naturales; y, en segundo lugar, que considere el estímulo a la convergencia de agentes relevantes tales como grandes empresas, universidades, centros de investigación, e instituciones de apoyo gubernamentales y semi-gubernamentales, en torno al objetivo de fomentar la competitividad e integración de las organizaciones al desarrollo nacional; y favorezca la movilización de factores endógenos, más que el movimiento interregional de recursos productivos. En relación con ello, continúa diciendo el autor, se ve la necesidad de avanzar en la recuperación y fortalecimiento del Sistema Regional de Innovación, asumiéndolo de manera progresiva como un proceso interactivo de producción y difusión de tecnología y de aprendizaje colectivo; lo cual exige a su vez apoyarlo en una estrategia de conformación de redes y sinergias entre el sector productivo, las universidades, los centros de investigación y la administración pública139.

138

Esta idea inicial del enfoque hacia la educación fue cambiada después por el énfasis en el estímulo a las cadenas productivas. 139

No está claro, en este planteamiento, qué hacer con las microempresas, pequeñas y medianas empresas. Parece ser que se deben excluir de la política económica.

145

A mi modo de ver, las dos recomendaciones anteriores, como en general los planes de desarrollo del departamento de Risaralda desde 1992 hasta hoy, giran sobre un mismo eje: política-tecnología-inversiones para el incremento de la productividad y competitividad que genere crecimiento económico. Sin embargo, en la actualidad esa triada debe ser sustituida por otra a la cual debe agregársele un cuarto elemento: política-tecnología-inversión-social, es decir se incorpora el aspecto social (Ruíz, 2006) que tiene un mayor peso dentro del espacio regional o local. Cualquier cambio que ocurra dentro de los parámetros antes mencionado, incluyendo lo social, afectará al proceso de desarrollo de las regiones (Izquierdo, et. al., 2008).

Lo social no debe entenderse en el sentido del logro de algunos indicadores sociales existentes (ingreso-percápita, empleo, salud, etc.), sino en el sentido de la inclusión de las diferentes comunidades, teniendo en cuenta su pluralidad, en el logro de mayores y mejores niveles de crecimiento y desarrollo económico. Se requiere el impulso y la participación de la comunidad en su pluralidad. Este hecho debe partir de la toma de conciencia de que el crecimiento económico no genera automáticamente desarrollo, por lo que el énfasis de la política económico no debe estar centrado únicamente en la productividad y competitividad. El bienestar integral del ser humano debe constituirse en el elemento clave de la política económica.

146

BIBLIOGRAFIA Afriat, S.N. (1972): ”Efficiency estimation of production functions”, International Economic. Review, 13, 3, 568-98. Aghion, P., G. Angeletos, A. Banerjee, y K. Manova (2005). “Volatility and Growth: Credit Constraints and Productivity-Enhancing Investment”. National Bureau of Economic Research. NBER Working Paper, No. 11349. Aigner, D.J. and SF. Chu (1968). On estimating the industry production function, American Economic Review 58,826839. Aigner, D. J., C.A.K. Lovell, and P. Schmidt (1977) “Formulation and Estimation of Stochastic Frontier Production Function Models,” En: Journal of Econometrics 6:1 (Julio), 21-37. Aizenman, J., y N. Marion (1999). “Volatility and investment: Interpreting the Evidence from Developing Countries”. Economica, Vol. 66, No. 262, pp. 157-179. Aizenman, J., y Pinto, Brian. (2005). “Managing Economic Volatility and Crises: APractitioner's Guide” forthcoming 2005 (Cambridge: Cambridge University Press). Arrow K. J., (1962). “The Economic Implications of Learning by Doing”. Review of Economic Studies 29, 1962, pp. 155-173. Bagehot, W. (1873), Lombard Street, Homewood, II: Richard D. Irwin, edición 1962. Banco Mundial (1997). The Road to Financial Integration: Private Capital Flows to Developing Countries, Washington, D.C., Banco Mundial. Bankers, R; Charnes, A.; Cooper, W.W. (1984). "Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis", Management Science, 30, 9, (September 1984), pp. 1078-1092.

Barro, R. J. (1991), “Economic growth in a cross section of countries”, Quarterly Journal of Economics, 106: 407-443. Barro, R. J. y Sala-I-Martin (1991). Convergence across states and regions. Brookings papers on economic activity, vol. 1.

147

Barro, R. J. y X. Sala-I-Martin (1995), Economic Growth, McGraw-Hill. Battese G.E. y Coelli T.J. (1992) “Frontier production function, technical efficiency and paneldata: with application to paddy farmers in India”. En: The Journal of Productivity Analysis, 3,153-169. Battese, G.E., and T.J. Coelli (1995) “A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Panel Data,” En: Empirical Economics 20, 325- 332. Battese, G.E. and Corra, G.S. (1977), “Estimation of a Production Frontier Model: With Application to the Pastoral Zone of Eastern Australia”, Australian Journal of Agricultural Economics, 21, 169-179. Baumol, W. (1986), “Productivity growth, convergence and welfare: what the long-run data show”, American Economic Review, vol. 76. Bernard, A. B. y S. N. Durlauf (1990), “A test for convergence across national economies”, Working Paper in progress, Stanford University. Bernard y Jones (1996), “Comparing apples to oranges: Productivity convergence and measurement across industries and countries”, The American Economic Review, vol. 86, Nº 5. Bhaduri, A. y J. Steindl.(1985) “The rise of monetarism as a social doctrine”. Post Keynesian Economic Theory. Editores Phillip Arestis y Taros Skouras. Blackburn, Keith (1979). “Can Stabilization Policy Reduce Long-run Growth?” TheEconomicJournal, Vol. 109, pp. 67-77. Bonet, Jaime (2006). La terciarización de las estructuras económicas regionales en Colombia. Serie Documentos de Trabajo Sobre Economía Regional, Banco de la República, No. 67 Enero. Borts, G.H. (1960). “The equalization of returns and regional economic growth” American Economic Review, 50, 1960, pp. 319-47. Borts, G.H.y J.L Stein (1964). Economic Growth in a Free Market (New York: Columbia University Press) 1964. Buchelli L., Gerardo y López B., Juan Carlos (1998). Determinantes de la productividad del sector industrial regional. Proyecto de grado, facultad de economía industrial, Universidad Católica Popular del Risaralda. Pereira. Bustamante G., F.J. (2001). Determinantes de la productividad del café en el departamento de Caldas. Pereira (Colombia), Universidad Tecnológica de Pereira. Facultad de Ingeniería Industrial, Tesis: Magister en Administración Económica y Financiera. Caballero, Ricardo J., Calderón, César y Céspedes, Luis Felipe (2006). External Vulnerability and Preventive Policies. Banco Central de Chile.

148

Calderón Milán, María José. Eficiencia técnica y productiva en la explicación del crecimiento económico de castilla y león: el enfoque de la función frontera estocástica.http://www.jcyl.es/jcyl/cee/dgeae/congresos_ecoreg/CERCL/82.PDF Cardona López, Gilberto (2003). Raíces de la desindustrialización en Risaralda. Primera Edición, Editorial Papiro. Charnes, A., Cooper, W. y Rhodes, E. (1978): Measuring the Efficiency of Decision Making Units. European Journal of Operational Research, 2 (6), 429-444. Chatterjee, P., y M. Shukayev (2006). “Are Average Growth Rates and Volatility Related? Bank of Canada (Working Paper 2006-24). Chaves Castro, Álvaro Hernando, Evolución de la productividad multifactorial, ciclos y comportamiento de la actividad económica en Cundinamarca. http://portal.uexternado.edu.co/irj/go/km/docs/documents/UExternado/pdf/1_facultadEconomia/Publicaciones/DocumentosDeTrabajo/EvolucionProductividadMultifactorial.pdf Casar, Jossé I., et. al. (1990). Organización Industrial en México. Primera edición, Editorial Siglo XXI editores, México: Instituto Latinoamericano de Estudios Transnacionales, 1990. Coelli, T (1996), “A guide to FRONTIER Versión 4.1: A Computer Program for Stochastic Frontier Production and Cost Function Estimation”, Centre for Efficiency and Productivity Analysis, CEPA Working Paper 96/07. Coelli, T.; Prasada Rao, D. y Battese, G. (1998): “An Introduction to Efficiency andProductivity Analysis”, Kluwer Academic Publishers. Cornwell, C., P. Schmidt, and R.C. Sickles (1990) “Production Frontiers with Cross-Sectional and Time-Series Variation in Efficiency Levels,” En: Journal of Econometrics 46:1/2 (October/November), 185-200. Coronado Guerrero, D.; Acosta Seró, M. (1997): “Spatial distribution of patents in Spain: determining factors and consequences on regional development”. Regional Studies, vol. 31, nº 4, pp. 381-390. Correa, V. et al. (2002), Empalme PIB: Series anuales y Trimestrales 1986-1995, Base 1996. Documento Metodológico. Documento de Trabajo Nº 179, Banco Central de Chile, septiembre. Costa, M.T. (1988). “Descentramiento productivo y difusión industrial. El modelo de especialización flexible”, Papeles de Economía Española, 35. Costa, M.T. (1992). “Cambios en la organización industrial: cooperación local y competitividad internacional. Panorama general”, Economía Industrial, 286.

Crespo, Raúl (2003). Evaluación empírica de las implicaciones de largo plazo del modelo neoclásico de crecimiento económico en la economía venezolana. Revista Banco Central de Venezuela, vol. XVII, No. 2, Dic.

149

Cuadrado Roura, J.R. (1998): “Disparidades regionales en el crecimiento. Convergencia, divergencia y factores de competitividad territorial”. Ponencia presentada al IV Seminario Internacional, Red Iberoamericana sobre Globalización y Territorio, CIDER, Uniandes, Bogotá. Debreu, Gerard (1951): “The Coefficient of Resource Utilization,” Econometrica, 19,3, 273-292. De Long, J. B. (1988), “Productivity growth, convergence and welfare: Comment”, American Economic Review. Delgado, María de J. y Álvarez Inmaculada. Evaluación de la eficiencia técnica en los países miembros de la Unión Europea, Revista Gestión y Política Pública, VOLUMEN XIV,NÚMERO 1,I SEMESTRE DE 2005,PP. 107-128 Dollar, D. y E. N. Wolf, (1997). Convergence of industry laborproductivity among advancedeconomies, 1963-1982”, The Economicsof Productivity, Vol.2, pp.39-48. Edward.N. Wolf et. al. editors, New York: Oxford University Press. USA. Farrel, M. J. (1957) “The Measurement of Productive Efficiency”, En: Journal of the Royal Statistical Society, Series A, General, 120, Part 3, 253-281. Farrel, M. (1982): “The Measurement of Productive Efficiency," Journal of the RoyalStatistical Society, 120, 253281. Färe, R.; Grosskopf, S. & Lovell, C. (1985).The Measurement of Efficiency of Production. Kluwer-Nejhoff, USA. Førsund, F & Hjalmarsson (1987).Analysis of Industrial Structure. a Puttyclay Approach. The Industrial Institute for Economic and Social Research. Gacitúa Marió, Estanislao y Bello Rosario (1992). Crecimiento económico desarticulado y sus consecuencias en el consumo de alimentos en países del Tercer Mundo. Revista: International Journal of sociology of Agriculture and Food, vol. 2.http://www.ijsaf.org/archive/2/gacitua_bello.pdf Garay, Luis Jorge, et al.,(2002). Integración asimétrica y convergencia económica en las Américas. Philippe de Lombaerde (Editor), Ediciones Antropos Ltda, Facultad de Ciencias Económicas, Universidad Nacional, Bogotá, Colombia. García Lizana, A.; Martín Reyes, G.; Fernández Morales, A. (1990): “Las desigualdades regionales externas e internas y sus relaciones mutuas”. Revista de Estudios Regionales, nº 27, pp. 57-71. Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (1998). Medición de la productividad en la industria manufacturera de Risaralda. Revista Páginas, No 53. Pereira.

Gaviria Ríos, Mario Alberto y Sierra Sierra, Hedmann Alberto (2005).Lecturas sobre Crecimiento Económico Regional. Edición a texto completo en www.eumed.net/libros/2005/mgr/

150

Gaviria Ríos, Mario Alberto (2005). Capital humano, complementariedades factoriales y crecimiento económico en Colombia. Edición electrónica a texto completo en www.eumed.net/libros/2005/magr/

Gaviria Ríos, Mario Alberto (2009). Risaralda, evolución y perspectivas de desarrollo. Disponible en: http://www.eumed.net/libros/2009a/515/indice.htm Gerald Destinobles, A. (2007) Introducción a los modelos de crecimiento económico exógeno y endógeno. Edición electrónica gratuita. Texto completo en www.eumed.net/libros/2007a/243/ Goldsmith, R.W. (1969), Financial Structure and Development, New Haven, CT: Yale University Press. Gómez Ramírez, et. al. Alberto (2004). Turismo en el Eje Cafetero. Centro Regional de Estudios Económicos de Manizales, Junio del 2004. http://www.banrep.gov.co/documentos/publicaciones/pdf/cald_1.pdf González, Xulia y Tansini, Ruben (2001). Eficiencia técnica en la industria española: tamaño, I+Dy localización, Mayo del 2001. En: http://www.bcu.gub.uy/autoriza/peiees/iees03j3160701.pdf Greene, W.H. (1980) “Maximum Likelihood Estimation of Econometric Frontier Functions,” En: Journal of Econometrics 13:1 (May), 27-56. Greene W. (2001). “New developments in the estimation of stochastic frontier models with panel data”. En: Efficiency Series Paper. Universidad de Oviedo. Grier, K., y G. Tullock (1989). “An Empirical Analysis of Cross-National Economic Grossman, G.M. y E. Helpman (1991). Innovation and Growth in the Global Economy(Cambridge, MA: MIT Press). Gujarati, Damodar (1997). Econometría Básica; 3ª edic. McGraw Hill, México. Gumbau Albert, M. y J. Maudos (1996): “Eficiencia Productiva Sectorial en las Regiones Españolas: Una Aproximación Frontera”, Revista Española de Economía, 13 (2), págs. 239-260. Gurley, J. G. y E. S. Shaw (1955), “Financial Aspects of Economic Development”, American Economic Review, 45: 515-538. Harrod, Roy F. (1946). “An Essay in Dynamic Theory”, The Economic Journal, núm. 49, 1939, pp. 14-33; Evsey D. Domar, “Capital Expansion, Rate of Growth and Employment”, Econometrica, núm. 14, 1946, pp. 137-147. Helpman, Elhanan, and Paul R. Krugman (1985), Market Structure and Foreign Trade. Increasing Returns, Imperfect Competition, and the International Economy, Cambridge, MA: MIT Press. Citado por: Krugman, Paul R. Geografía y comercio. Primera edición en español, AntonyBosh Editor, España, octubre de 1992.

151

Hodrick, Robert J. and E.C. Prescott (1980) "Postwar U.S. Business Cycles: An Empirical Investigation"; mss. Pittsburgh: Carnegie-Mellon University; Discussion Papers 451, Northwestern University. Hodrick, R., and E.C. Prescott (1997), “Postwar Business Cycles: An Empirical Investigation,” Journal of Money, Credit, and Banking, 29, 1–16 Hopenhayn, H. (1992), “Entry, Exit, and firm dynamics in long run equilibrium”, Econometrica, vol 60, pp. 1127-1150. Huang CJ, Liu J-T (1994) Estimation of a non-neutral stochastic frontier production function. Journal of Productivity Analysis 5:171-180. Izquierdo, Henry, Rodriguez Monroy, Carlos y Gascon, Yamila. (2008). Diseño de un modelo de gestión para evaluar la mejora de programas de desarrollo endógeno como una aproximación al ámbito regional o local: Aplicación al Municipio Caroní, Ciudad Guayana, Venezuela. Análisis de Coyuntura, dic. 2008, vol.14, no.2, p.131-160. ISSN 1315-3617.http://redalyc.uaemex.mx/pdf/364/36414208.pdf Imbs, Jean (2004). “Why the Link Between Volatility and Growth Is both Positive and Negative?” London Business School and CEPR. Jondrow, J., C. A. K. Lovell, I. S. Materov, and P. Schmidt (1982). "On the estimation of technical inefficiency in the stochastic frontier production function model." Journal of Econometrics (19): 233-238. Jovanovic, B. (1982), “Selection and the evolution of industry”, Econometrica, vol. 50, pp. 649-670. Kaldor, Nicholas.(1966). “Causes of the slow rate of economic growth in the United Kingdom”, Targetti y Thirlwall (compiladores), The Essential Kaldor, Duckworth, 1989. Kalmanovitz, Salomón y López Enciso, Enrique (2006). La agricultura colombiana en el siglo XX.Primera edición, Fondo de Cultura Económica Ltda., México, D.F. Koopmans, T. C. (1951). Analysis of Production as an Efficient Combination of Activities en Activity Analysis of Production and Allocation, T.C. Koopmans, New York, Wiley. Kormendi, R., y P. Meguire (1985). “Macroeconomic determinants of growth: Cross Country evidence.” Journal of Monetary Economics, Vol. 16, No. 2, pp. 141-163. Kose, M. Ayhan, Prasad, Eswar S. and Terrones, Marco E. (2005). How Do Trade and Financial Integration Affect the Relationship Between Growth and Volatility? International Monetary Fund, IMFWorking Paper. http://ideas.repec.org/ Kumbhakar, S.C. (1990) “Production Frontiers, Panel Data, and Time-Varying Technical Inefficiency,” En: Journal of Econometrics 46:1/2 (October/November), 201-212.

152

Kumbhakar, S.C., S. Ghosh, and J.T. McGuckin (1991) “A Generalized Production Frontier Analysis Approach for Estimating Determinants of Inefficiency in US Dairy Farms,” Journal of Business and Economic Statistics 0:3 (July), 279-286. Leitón Quiroga, Jorge G.M. (2007). Modelos de Eficiencia Económica: El transporte ferroviario. Documento de trabajo No. 02/07 Febrero del 2007, Instituto de Investigaciones socioeconómicas (IISE), Universidad Católica Boliviana “San Pablo” (http://www.iisec.ucb.edu.bo/papers/2006-2010/iisec-dt-2007-02.pdf). López C., Grettel y Herrera A. Reinaldo (editores) (2004). Volatilidad y vulnerabilidad: el caso de Costa Rica, veinte años (1984-2004) sin crisis. Academia de Centroamérica. Lösch, A., The Economics of Location, (Jena: Fischer) (1940). Traducción al inglés (New Haven, Conn: Yale University Press), 1954. Lucas, R (1977). Understanding Business Cycles. In Stabilization of the Domestic and International Economy, ed. K. Brunner y A. Meltzer, Carnegie-Rochester ConferenceSeries on Public Policy 5, Amsterdam: North-Holland. Lucas, R. (1988), “On the Mechanics of Economic Development”, Journal of Monetary Economics, 22:3- 42. McKinnon, R. I. (1973), Money and Capital in Economic Development, Washington, DC: Brooking Institutions. Marulanda, G. Eugenio, et. al. (2004). Informe Regional de Desarrollo Humano. Capítulo2. Eje Cafetero. Meeusen, W., and J. Van den Broeck (1977) “Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error,” En: International Economic Review 18:2 (Junio), 435-444. Mendoza, Miguel Ángel y Rendón Trejo, Araceli (1998). Ciclo de ventas empresariales y crecimiento económico en México. Revista Comercio Exterior, volumen 48, No 9. México.

Mercado, Ernesto; Díaz, Esther Y Flores, Diana (1998). Productividad, Base de la Competitividad. México D.F.: Editorial Limusa.

Miller, M. (1998). “Financial Markets and Economic Growth”, Journal of Applied Corporate Finance, 11:8-14. Moliner, Luis (2007). Economía del conocimiento y factores de la producción. España, noviembre del 2007. http://www.lainsignia.org/2007/noviembre/econ_008.htm Monge González, Ricardo (2007). Innovación en las empresas costarricenses. TEC empresarial, vol. 1, Ed. 3, 2007. http://www.tec.cr/sitios/Docencia/Esc_Adm_Empresas/TEC_Empresarial1/Articulos-vol1-3/Innovacion_Empresas.pdf Montgomery, Douglas C. y Runger, George C. (1996). “Probabilidad y Estadística: Aplicación a la Ingeniería”. 1 º ed. McGraw-Hill.

153

Montoya S., Omar. (2007). Estudio prospectivo sobre el estado de la relación Universidad Tecnológica de Pereira – medio: estudio desde la oferta y desde la demanda. Primera edición, Universidad Tecnológica de Pereira. Montoya S., Omar. SCHUMPETER, INNOVACIÓN Y DETERMINISMO TECNOLÓGICO, Scientia Et Technica, Vol. X, Núm. 25, agosto-sin mes, 2004, pp. 209-213, Universidad Tecnológica de Pereira, Colombia. Morales, César y Parada, Soledad (Editores) (2005). Pobreza, desertificación y degradación de los recursos naturales. CEPAL, Santiago de Chile, diciembre, p.92. Myrdal, G., Economic Theory and Underdeveloped Regions, Londres: Duckworth, 1957. Nelder, J.A. and R. Mead, Computer Journal, 1965, vol 7, pp 308-313 Nelson, Charles R. and Plosser, Charles I. (1982)."Trends and Random Walks in Macroeconmic Time Series: Some Evidence and Implications," Journal of Monetary Economics, 10(2), pp. 139–162. Olson, J.A., P. Schmidt and Donald M. Waldman (1980). A Monte Carlo study of estimators of stochastic frontier production functions, Journal of Econometrics 13, 67782. Pastor Monsálvez, José Manuel. Diferentes metodologías para el análisis de la eficiencia de los bancos y cajas de ahorro españoles. Departamento de Análisis Econòmico, Universitat de Valencia.http://www.uv.es/~jmpastor/papers/FIES.PDF. Perdomo, Jorge Andrés, et. al. (2007). Factores que afectan la eficiencia técnica en el Sector Cafetero Colombiano: una aplicación con análisis envolvente de datos. Desarrollo y Sociedad, núm. 60, julio-diciembre, pp. 1-45. Universidad de los Andes, Colombia. Perdomo, Jorge Andrés y Hueth, Darrell (2010). Funciones de producción y eficiencia técnica en el eje cafetero colombiano: una aproximación con frontera estocástica. Centro de Estudios sobre Desarrollo Económico (CEDE), Facultad de Economía, Universidad de los Andes, Agosto. Perroux, F. (1977). “Note sur la notion de pôle de croissance” Economie Appliquée 7, 1955.Cfr. Cuadrado Roura, J.R., “El contenido de la teoría de polos de crecimiento en su concepción original”, Cuadernos de Ciencias Económicas y Empresariales, 1, 1977, octubre. Pitt y Lee (1981). The measurement and sources of technical inefficiency in Indonesian weaving industry, Journal of Development Economics, 9, 43–64. Pizano, Diego (2001) “El Café en la Encrucijada”, Revista Cambio, Editorial Alfaomega, Bogotá. PNUD (2004). Eje Cafetero. Un pacto por la Región. Informe Regional de Desarrollo Humano, Colombia.

154

PUNUD (2005). «Hagamos de la competitividad una oportunidad para todos», Lima, Perú,http://www.pnud.org.pe/frmPubDetail.aspx?id=44 Posada, Carlos, Morales, Camilo y García, Andrés (2007). ¿La inestabilidad frena elcrecimiento? Banco de La República, Borradores de Economía No. 442, Bogotá D.C. Quintero Otero, Jorge (2005). Competitividad en la industria manufacturera de Cartagena: Un análisis de eficiencia técnica en el periodo 2001-2004. http://www.ocaribe.org/docs/2009030640_competitividad5.pdf Quintero Otero, Jorge David, et. al. (2007). Determinantes de la eficiencia técnica en las empresas colombianas 2001-2004. Universidad de Cartagena. Grupos de investigación Ciencia, Tecnología y Sociedad y Mercado laboral. Ramey, Garey y Ramey, Valerie (1995). Cross-country evidence on the link betweenvolatility and growth. En: The American Economic Review, Vol. 85, No. 5 (diciembre); p.1138-1151. Ramírez, Javier (2005). La economía mexicana y el sector externo: tendencias y cointegración. Estudios Económicos de Desarrollo Internacional. AEEADE. Vol. 5-2 (2005).http://www.usc.es/~economet/reviews/eedi521.pdf Richardson, H.W. (1986).Economía regional y urbana (Madrid: Alianza Universidad Textos). Richmond, J (1974).“Estimating the Efficiency of Production”, International Economic Review 15. Robinson, J. (1952), “The Generalization of the General Theory”, En: The Rate of Interest and Other Essays, London, MacMillan.

Rodríguez Vargas, J.J. (2005) La Nueva Fase de Desarrollo Económico y Social del Capitalismo Mundial Tesis doctoral accesible a texto completo en http://www.eumed.net/tesis/jjrv/

Romans, J.T. (1965), Capital Exports and Growth among U.S. Regions (Middletown: Wesleyan University Press), 1965. Romer, P. (1986). Increasing returns and long run growth" Journal of Political Economy, 90,6. Rosende, F. (2000): “Teoría del crecimiento económico: un debate inconcluso”. Estudios de Economía, vol. 27, nº 1, pp. 95-122. Ruíz, F. M. (2006), Los agentes económicos y sociales y el desarrollo endógeno, http://www.tripod.lycos.es/ (Consultado: 9-05-2007). Sala-i-Martín, X., (1994a). Apuntes de crecimiento económico, Barcelona: Ed. Antoni Bosch,. El autor cita como origen de esta terminología su tesis doctoral no publicada: On Growth and States, Harvard University, 1990.

155

Sala-i-Martín, X.(1994b): «La riqueza de las regiones. Evidencia y teorías sobre crecimientoregional y convergencia», Moneda y Crédito, 198, 13-80. Sala-i-Martín, X. (1996a): «The classical aproach to convergence analysis», Economic Journal, 106, 1019-1036. Sala-i-Martín, X. (1996b): «Regional cohesion evidence and theories of regional growth and convergence»,European Economic Review, 40, 1325-1352. Sandmo, A. (1971): “On the theory ofthe firm under price uncertainty”. The American Economic Review, vol. 61, pp. 65–73. Schmidt, Gabriela y Campión, Paulina. Análisis de la Eficiencia en el Sector Manufacturero Italiano. El Enfoque de la Frontera Estocástica.http://www.aaep.org.ar/espa/anales/works05/schmidt_campion.pdf

Schumpeter, Joseph (1935). "Análisis del Cambio Económico". "Ensayos sobre el ciclo económico". Fondo de Cultura Económica. México, 2ª edición, 1956.

Schumpeter, J. (1912), “Theorie der WirtschaftlichenEntwicklung. Leipzig: Dunker &Humblot”, The Theory of economic Development, 1912, traducida por R. Opie. Cambridge, MA: Harvard University Press, 1934. Schumpeter, Joseph. (1978). Teoría del desenvolvimiento económico. Quinta Reimpresión, Fondo de Cultura Económica, México. Schmidt, P., and R.C. Sickles (1984) “Production Frontiers and Panel Data,” En: Journal of Business and Economic Statistic 2:4 (October), 367-74. Siebert, H. (1969). Regional Economic Growth: Theory and Policy, Scranton: International Textbook Company, 1969. Solow, R. (1956). A Contribution to the Theory of Economic Growth, Quarterly Journal of Economics, 70, pp. 65-94, febrero. Solow, R. (1957). Technical change and the aggregate production function. Review of Economics and Statistics, v. 39, n. 3, p. 312-320. Swan, T.W. (1956), "Economic Growth and Capital Accumulation", Economic Record, Vol. 32, pp. 334-361. Thatcher, Margaret. (1994). Los años en Downing Street.Ediciones Aguilar-Nuevo Siglo Tobasura, Isaías. (2005). “La crisis cafetera, una oportunidad para el cambio en las regiones cafeteras de Colombia”. Revista Agronomía, 13 (2), 35-46. Manizales: Universidad de Caldas. Tornell, Aaron, Frank Westermann, and Lorenza Martinez (2004). “The Positive LinkBetween Financial Liberalization, Growth, and Crises,” NBER Working PaperNo. 10293 (Cambridge, Massachusetts: National Bureau of Economic Research).

156

Toral Arto, Mª Amparo. El factor espacial en la convergencia de las regiones de la Unión Europea: 1980-1996. Tesis Doctoral. http://www.eumed.net/tesis/ata/index.htm Toro, Daniel (2005). “Competitividad y localización de empresas: la experiencia de Cartagena frente a la evidencia colombiana en los noventa”. Serie de Estudios sobre la Competitividad de Cartagena. No. 3. Abril Observatorio del Caribe Colombiano y Cámara de Comercio de Cartagena.. Varian, Hal R. (1992). Análisis Microeconómico.Tercera Edición, Antoni Bosch Editor. Velásquez, Cesar A. y Trujillo, Oscar E. (1998). Medición de la productividad de la Industria manufacturera del Departamento de Risaralda. Proyecto de grado, Facultad de Economía, Universidad Libre de Pereira. Von Thünen, J.H.(1826). Der isolierte staat in beziehung auf landwirtschaft und nationalökonomie (Hamburg). Weber, A. (1909). “Eine Theorie der Standorts”, primera parte de Uber der Standort der Industrien Tübingen. Weller, J. (2004), “El empleo terciario en América Latina: entre la modernidad y lasobrevivencia”, Revista de la CEPAL, 84, 159 – 176. Winsten, C.B., (1957), Discussion on Mr Farrell‟s paper, Journal of the Royal Statistical Society, Series A, 120, 282-284. Ybarra, J.A. (1991). “Determinación cuantitativa de distritos industriales: la experiencia del País Valenciano”, Estudios territoriales, 37, 1991. Zellner, A., J. Kmenta, y J. Drèze (1966),”Specification and Estimation of Cobb-Douglas Production Function Models”, En: Econometrica, 34, 784-795.

157

ANEXOS

158

ANEXO 1

SERIES DE TENDENCIA DEL PIB DE LOS DEPARTAMENTOS DEL EJE CAFETERO Y COLOMBIA

Años Caldas Quindío Risaralda Colombia

1980 13,71762 13,10762 13,35612 17,49226

1981 13,75237 13,11286 13,40708 17,52478

1982 13,78729 13,11994 13,45853 17,55758

1983 13,82248 13,13021 13,51084 17,59115

1984 13,85773 13,14534 13,56414 17,62590

1985 13,89319 13,16590 13,61842 17,66205

1986 13,92904 13,19156 13,67298 17,69955

1987 13,96525 13,22146 13,72689 17,73805

1988 14,00152 13,25465 13,77905 17,77711

1989 14,03782 13,29057 13,82855 17,81631

1990 14,07375 13,32886 13,87462 17,85526

1991 14,10862 13,36802 13,91652 17,89356

1992 14,14158 13,40562 13,95365 17,93083

1993 14,17207 13,44022 13,98570 17,96653

1994 14,19954 13,47081 14,01260 18,00005

1995 14,22337 13,49609 14,03441 18,03088

1996 14,24398 13,51561 14,05152 18,05882

1997 14,26272 13,52984 14,06501 18,08413

1998 14,28093 13,53906 14,07614 18,10746

1999 14,30013 13,54440 14,08677 18,12998

2000 14,32182 13,54730 14,09932 18,15314

2001 14,34642 13,54902 14,11566 18,17807

2002 14,37359 13,55045 14,13690 18,20560

2003 14,40290 13,55225 14,16324 18,23618

2004 14,43340 13,55512 14,19432 18,26978

2005 14,46415 13,55937 14,22910 18,30596

2006 14,49441 13,56452 14,26630 18,34404

2007 14,52385 13,57017 14,30470 18,38316

2008 14,55298 13,57600 14,34342 18,42257 Fuente: Cálculos propios. Programa Eviews 5.0

159

ANEXO2

SERIES DE COMPONENTE CÍCLICO DEL PIB DE LOS DEPARTAMENTOS DEL EJE CAFETERO Y COLOMBIA

Años Caldas Quindío Risaralda Colombia

1980 0,01671 0,18324 0,04977 0,02872

1981 -0,00692 -0,04632 -0,01421 0,01871

1982 -0,03008 0,02799 -0,02114 -0,00465

1983 0,03496 -0,10565 -0,01712 -0,02260

1984 0,00348 -0,09457 -0,06618 -0,02439

1985 -0,02106 -0,04990 -0,02357 -0,02995

1986 -0,02722 -0,00855 -0,01836 -0,01084

1987 0,02751 0,03583 0,01951 0,00296

1988 -0,03760 0,02355 0,01437 0,00374

1989 -0,02916 -0,11750 0,00392 -0,00189

1990 -0,01563 -0,08902 0,01189 0,00109

1991 0,02962 0,09588 0,03103 -0,01377

1992 0,00108 0,04389 0,02271 -0,00843

1993 -0,00896 -0,02876 0,01245 0,01140

1994 0,10566 0,08568 0,03557 0,02807

1995 0,09321 0,08957 0,06580 0,04796

1996 -0,00316 -0,01546 0,02052 0,04037

1997 0,02129 0,08152 0,05867 0,04879

1998 -0,00334 0,03296 0,05654 0,03114

1999 -0,11088 -0,01794 -0,05485 -0,03433

2000 -0,07066 -0,03713 -0,07786 -0,02866

2001 -0,01368 -0,02469 -0,08699 -0,03898

2002 -0,05005 0,00601 -0,06152 -0,04736

2003 0,00257 -0,03897 -0,06276 -0,04009

2004 0,01655 -0,08093 -0,02692 -0,02617

2005 0,04330 0,01066 0,00670 -0,01642

2006 0,08420 0,00551 0,03407 0,01129

2007 -0,02131 0,01550 0,05583 0,04449

2008 -0,03040 0,01759 0,03209 0,02977

Fuente: Cálculos propios. Programa Eviews 5.0

160

ANEXO 3 CORRELACIONES Y RESUMEN ESTADÍSTICO VARIABLES DEL MODELO DE TODOS

LOS DEPARTAMENTOS ESTUDIADOS

Correlaciones variables del modelo Departamento de Caldas

PIB POCUP

ADA TACTIV

OS CENER

GIA CINTERME

INDUSTRI

TERCIARI

EXPNOTRA

EXPTRAD

GRADOAP

PIB Pearson Correlation

1 ,236 ,898(**) ,917(**) ,930(**) -,454 ,386 ,829(**) ,097 ,706(**)

Sig. (2-tailed)

. ,331 ,000 ,000 ,000 ,051 ,103 ,000 ,693 ,001

N 19 19 19 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

,236 1 ,033 ,344 ,025 -,476(*) ,110 ,062 ,345 -,067

Sig. (2-tailed)

,331 . ,893 ,149 ,920 ,039 ,654 ,802 ,148 ,784

N 19 19 19 19 19 19 19 19 19 19

TACTIVOS

Pearson Correlation

,898(**)

,033 1 ,838(**) ,958(**) -,465(*) ,646(**

) ,827(**) -,150 ,697(**)

Sig. (2-tailed)

,000 ,893 . ,000 ,000 ,045 ,003 ,000 ,540 ,001

N 19 19 19 19 19 19 19 19 19 19

CENERGIA

Pearson Correlation

,917(**)

,344 ,838(**) 1 ,883(**) -,508(*) ,411 ,873(**) ,134 ,760(**)

Sig. (2-tailed)

,000 ,149 ,000 . ,000 ,027 ,081 ,000 ,584 ,000

N 19 19 19 19 19 19 19 19 19 19

CINTERME

Pearson Correlation

,930(**)

,025 ,958(**) ,883(**) 1 -,319 ,430 ,928(**) -,055 ,837(**)

Sig. (2-tailed)

,000 ,920 ,000 ,000 . ,183 ,066 ,000 ,822 ,000

N 19 19 19 19 19 19 19 19 19 19

INDUSTRI

Pearson Correlation

-,454 -,476(*) -,465(*) -,508(*) -,319 1 -

,594(**)

-,295 -,151 -,086

Sig. (2-tailed)

,051 ,039 ,045 ,027 ,183 . ,007 ,220 ,538 ,726

N 19 19 19 19 19 19 19 19 19 19

TERCIARI

Pearson Correlation

,386 ,110 ,646(**) ,411 ,430 -

,594(**)

1 ,255 -,110 ,116

Sig. (2-tailed)

,103 ,654 ,003 ,081 ,066 ,007 . ,291 ,654 ,637

N 19 19 19 19 19 19 19 19 19 19

EXPNOTRA

Pearson

,829(**)

,062 ,827(**) ,873(**) ,928(**) -,295 ,255 1 ,080 ,944(**)

161

Correlation Sig. (2-tailed)

,000 ,802 ,000 ,000 ,000 ,220 ,291 . ,745 ,000

N 19 19 19 19 19 19 19 19 19 19

EXPTRAD

Pearson Correlation

,097 ,345 -,150 ,134 -,055 -,151 -,110 ,080 1 ,118

Sig. (2-tailed)

,693 ,148 ,540 ,584 ,822 ,538 ,654 ,745 . ,630

N 19 19 19 19 19 19 19 19 19 19

GRADOAP

Pearson Correlation

,706(**)

-,067 ,697(**) ,760(**) ,837(**) -,086 ,116 ,944(**) ,118 1

Sig. (2-tailed)

,001 ,784 ,001 ,000 ,000 ,726 ,637 ,000 ,630 .

N 19 19 19 19 19 19 19 19 19 19

** Correlation is significant at the 0.01 level (2-tailed). * Correlation is significant at the 0.05 level (2-tailed).

Software SPSS 11,0 Correlaciones Quindío

PIBQU

IND POCUP

ADA TACTIVOS

CENERGIA

CINTERME

INDUSTRI

TERCIERI

EXPNOTRA

EXPTRAD

GRADOAP

PIBQUIND

Pearson Correlation

1 -,716(**) ,651(**) -,322 ,584(**) -,079 ,279 ,336 ,372 -,174

Sig. (2-tailed)

. ,001 ,003 ,178 ,009 ,747 ,248 ,159 ,117 ,477

N 19 19 19 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

-,716(**

) 1 -,391 ,817(**) -,295 ,467(*) -,119 -,191 ,078 ,271

Sig. (2-tailed)

,001 . ,098 ,000 ,221 ,044 ,629 ,433 ,751 ,262

N 19 19 19 19 19 19 19 19 19 19

TACTIVOS

Pearson Correlation

,651(**)

-,391 1 ,129 ,737(**) ,060 ,722(**

) ,391 -,102 -,084

Sig. (2-tailed)

,003 ,098 . ,600 ,000 ,806 ,000 ,098 ,678 ,734

N 19 19 19 19 19 19 19 19 19 19

CENERGIA

Pearson Correlation

-,322 ,817(**) ,129 1 ,113 ,652(**

) ,250 ,061 ,216 ,303

Sig. (2-tailed)

,178 ,000 ,600 . ,644 ,002 ,302 ,803 ,375 ,207

N 19 19 19 19 19 19 19 19 19 19

CINTERME

Pearson Correlation

,584(**)

-,295 ,737(**) ,113 1 -,048 ,903(**

) ,841(**) ,139 ,477(*)

Sig. (2-tailed)

,009 ,221 ,000 ,644 . ,844 ,000 ,000 ,571 ,039

N 19 19 19 19 19 19 19 19 19 19

INDUSTRI

Pearson

-,079 ,467(*) ,060 ,652(**) -,048 1 -,001 ,068 ,295 ,063

162

Correlation Sig. (2-tailed)

,747 ,044 ,806 ,002 ,844 . ,997 ,783 ,220 ,797

N 19 19 19 19 19 19 19 19 19 19

TERCIERI

Pearson Correlation

,279 -,119 ,722(**) ,250 ,903(**) -,001 1 ,774(**) -,158 ,474(*)

Sig. (2-tailed)

,248 ,629 ,000 ,302 ,000 ,997 . ,000 ,517 ,040

N 19 19 19 19 19 19 19 19 19 19

EXPNOTRA

Pearson Correlation

,336 -,191 ,391 ,061 ,841(**) ,068 ,774(**

) 1 ,197 ,720(**)

Sig. (2-tailed)

,159 ,433 ,098 ,803 ,000 ,783 ,000 . ,418 ,001

N 19 19 19 19 19 19 19 19 19 19

EXPTRAD

Pearson Correlation

,372 ,078 -,102 ,216 ,139 ,295 -,158 ,197 1 ,169

Sig. (2-tailed)

,117 ,751 ,678 ,375 ,571 ,220 ,517 ,418 . ,490

N 19 19 19 19 19 19 19 19 19 19

GRADOAP

Pearson Correlation

-,174 ,271 -,084 ,303 ,477(*) ,063 ,474(*) ,720(**) ,169 1

Sig. (2-tailed)

,477 ,262 ,734 ,207 ,039 ,797 ,040 ,001 ,490 .

N 19 19 19 19 19 19 19 19 19 19

** Correlation is significant at the 0.01 level (2-tailed). * Correlation is significant at the 0.05 level (2-tailed). Correlaciones Risaralda

PIBRISAR

POCUPADA

TACTIVOS

CENERGIA

CINTERME

INDUSTRI

TERCIARI

EXPNOTRA

EXPTRAD

GAPERTUR

PIBRISAR

Pearson Correlation

1 ,074 ,726(**) ,779(**) ,894(**) -

,821(**)

,495(*) ,826(**) ,654(**

) ,645(**)

Sig. (2-tailed)

. ,764 ,000 ,000 ,000 ,000 ,031 ,000 ,002 ,003

N 19 19 19 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

,074 1 -,266 -,252 -,145 -,031 -,405 -,186 ,209 ,265

Sig. (2-tailed)

,764 . ,270 ,298 ,552 ,899 ,085 ,446 ,390 ,272

N 19 19 19 19 19 19 19 19 19 19

TACTIVOS

Pearson Correlation

,726(**)

-,266 1 ,985(**) ,910(**) -

,785(**)

,888(**)

,909(**) ,304 ,481(*)

Sig. (2-tailed)

,000 ,270 . ,000 ,000 ,000 ,000 ,000 ,206 ,037

N 19 19 19 19 19 19 19 19 19 19

CENERGIA

Pearson Correla

,779(**)

-,252 ,985(**) 1 ,940(**) -

,787(**)

,867(**)

,930(**) ,337 ,512(*)

163

tion

Sig. (2-tailed)

,000 ,298 ,000 . ,000 ,000 ,000 ,000 ,158 ,025

N 19 19 19 19 19 19 19 19 19 19

CINTERME

Pearson Correlation

,894(**)

-,145 ,910(**) ,940(**) 1 -

,867(**)

,774(**)

,972(**) ,480(*) ,513(*)

Sig. (2-tailed)

,000 ,552 ,000 ,000 . ,000 ,000 ,000 ,037 ,025

N 19 19 19 19 19 19 19 19 19 19

INDUSTRI

Pearson Correlation

-,821(**

) -,031

-,785(**)

-,787(**)

-,867(**)

1 -

,632(**)

-,877(**) -

,516(*) -,528(*)

Sig. (2-tailed)

,000 ,899 ,000 ,000 ,000 . ,004 ,000 ,024 ,020

N 19 19 19 19 19 19 19 19 19 19

TERCIARI

Pearson Correlation

,495(*) -,405 ,888(**) ,867(**) ,774(**) -

,632(**)

1 ,858(**) ,007 ,456(*)

Sig. (2-tailed)

,031 ,085 ,000 ,000 ,000 ,004 . ,000 ,978 ,050

N 19 19 19 19 19 19 19 19 19 19

EXPNOTRA

Pearson Correlation

,826(**)

-,186 ,909(**) ,930(**) ,972(**) -

,877(**)

,858(**)

1 ,371 ,557(*)

Sig. (2-tailed)

,000 ,446 ,000 ,000 ,000 ,000 ,000 . ,118 ,013

N 19 19 19 19 19 19 19 19 19 19

EXPTRAD

Pearson Correlation

,654(**)

,209 ,304 ,337 ,480(*) -

,516(*) ,007 ,371 1 ,216

Sig. (2-tailed)

,002 ,390 ,206 ,158 ,037 ,024 ,978 ,118 . ,374

N 19 19 19 19 19 19 19 19 19 19

GAPERTUR

Pearson Correlation

,645(**)

,265 ,481(*) ,512(*) ,513(*) -

,528(*) ,456(*) ,557(*) ,216 1

Sig. (2-tailed)

,003 ,272 ,037 ,025 ,025 ,020 ,050 ,013 ,374 .

N 19 19 19 19 19 19 19 19 19 19

** Correlation is significant at the 0.01 level (2-tailed). * Correlation is significant at the 0.05 level (2-tailed). Correlaciones Antioquia

PIBANTI

O POCUPAD

A EXPNOTR

A EXPTRA

D CENERGI

A TACTIVO

S CINTERM

E

PIBANTIO Pearson Correlation

1 ,439 ,976(**) -,336 ,844(**) ,960(**) ,982(**)

Sig. (2-tailed)

. ,060 ,000 ,160 ,000 ,000 ,000

N 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

,439 1 ,401 ,344 ,628(**) ,255 ,323

164

Sig. (2-tailed)

,060 . ,089 ,150 ,004 ,293 ,178

N 19 19 19 19 19 19 19

EXPNOTRA Pearson Correlation

,976(**) ,401 1 -,388 ,831(**) ,936(**) ,978(**)

Sig. (2-tailed)

,000 ,089 . ,101 ,000 ,000 ,000

N 19 19 19 19 19 19 19

EXPTRAD Pearson Correlation

-,336 ,344 -,388 1 -,201 -,476(*) -,461(*)

Sig. (2-tailed)

,160 ,150 ,101 . ,410 ,039 ,047

N 19 19 19 19 19 19 19

CENERGIA Pearson Correlation

,844(**) ,628(**) ,831(**) -,201 1 ,782(**) ,816(**)

Sig. (2-tailed)

,000 ,004 ,000 ,410 . ,000 ,000

N 19 19 19 19 19 19 19

TACTIVOS Pearson Correlation

,960(**) ,255 ,936(**) -,476(*) ,782(**) 1 ,969(**)

Sig. (2-tailed)

,000 ,293 ,000 ,039 ,000 . ,000

N 19 19 19 19 19 19 19

CINTERME Pearson Correlation

,982(**) ,323 ,978(**) -,461(*) ,816(**) ,969(**) 1

Sig. (2-tailed)

,000 ,178 ,000 ,047 ,000 ,000 .

N 19 19 19 19 19 19 19


Correlaciones Tolima

PIBTOLI

M POCUPAD

A EXPNOTR

A EXPTRA

D CENERGI

A TACTIVO

S CINTERM

E

PIBTOLIM Pearson Correlation

1 ,209 -,047 ,419 ,791(**) ,682(**) ,647(**)

Sig. (2-tailed)

. ,390 ,848 ,074 ,000 ,001 ,003

N 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

,209 1 -,241 ,564(*) -,258 -,415 -,396

Sig. (2-tailed)

,390 . ,320 ,012 ,287 ,077 ,093

N 19 19 19 19 19 19 19


-,047 -,241 1 -,561(*) ,278 ,376 ,473(*)

Sig. (2-tailed)

,848 ,320 . ,012 ,249 ,112 ,041

N 19 19 19 19 19 19 19


,419 ,564(*) -,561(*) 1 ,021 -,226 -,305

Sig. (2- ,074 ,012 ,012 . ,931 ,351 ,205

165

tailed)

N 19 19 19 19 19 19 19


,791(**) -,258 ,278 ,021 1 ,932(**) ,922(**)

Sig. (2-tailed)

,000 ,287 ,249 ,931 . ,000 ,000

N 19 19 19 19 19 19 19


,682(**) -,415 ,376 -,226 ,932(**) 1 ,981(**)

Sig. (2-tailed)

,001 ,077 ,112 ,351 ,000 . ,000

N 19 19 19 19 19 19 19


,647(**) -,396 ,473(*) -,305 ,922(**) ,981(**) 1

Sig. (2-tailed)

,003 ,093 ,041 ,205 ,000 ,000 .

N 19 19 19 19 19 19 19

** Correlation is significant at the 0.01 level (2-tailed). * Correlation is significant at the 0.05 level (2-tailed). Correlación Valle del Cauca

PIBVALL

E POCUPAD

A EXPNOTR

A EXPTRA

D CENERGI

A TACTIVO

S CINTERM

E

PIBVALLE Pearson Correlation

1 -,189 ,883(**) -,467(*) ,964(**) ,933(**) ,922(**)

Sig. (2-tailed)

. ,438 ,000 ,044 ,000 ,000 ,000

N 19 19 19 19 19 19 19

POCUPADA

Pearson Correlation

-,189 1 -,350 ,605(**) -,329 -,387 -,442

Sig. (2-tailed)

,438 . ,142 ,006 ,169 ,102 ,058

N 19 19 19 19 19 19 19


,883(**) -,350 1 -,650(**) ,946(**) ,846(**) ,947(**)

Sig. (2-tailed)

,000 ,142 . ,003 ,000 ,000 ,000

N 19 19 19 19 19 19 19


-,467(*) ,605(**) -,650(**) 1 -,550(*) -,683(**) -,744(**)

Sig. (2-tailed)

,044 ,006 ,003 . ,015 ,001 ,000

N 19 19 19 19 19 19 19


,964(**) -,329 ,946(**) -,550(*) 1 ,922(**) ,958(**)

Sig. (2-tailed)

,000 ,169 ,000 ,015 . ,000 ,000

N 19 19 19 19 19 19 19


,933(**) -,387 ,846(**) -,683(**) ,922(**) 1 ,959(**)

Sig. (2-tailed)

,000 ,102 ,000 ,001 ,000 . ,000

166

N 19 19 19 19 19 19 19


,922(**) -,442 ,947(**) -,744(**) ,958(**) ,959(**) 1

Sig. (2-tailed)

,000 ,058 ,000 ,000 ,000 ,000 .

N 19 19 19 19 19 19 19


ANEXO 4

Tabla 34 Resumen eficiencia técnica por departamento FRONTIER 4.1

Años Caldas Quindío Risaralda Antioquia Tolima Valle del Cauca Efic. Promedio

simple Desv-Tip

1990 0,41536227 0,20448623 0,36483781 0,99951212 0,44469936 0,6454312 0,512388165 0,27769073

1991 0,72547605 0,4249023 0,35421562 0,7145293 0,54460409 0,39132602 0,52584223 0,16343051

1992 0,52918599 0,44096471 0,44932944 0,77778854 0,57066847 0,67402124 0,573659732 0,13175269

1993 0,55405129 0,69594246 0,48314644 0,81247662 0,6353743 0,71622643 0,649536257 0,11845184

1994 0,60739531 0,7989383 0,45180265 0,88747166 0,72007158 0,42705658 0,648789347 0,18669641

1995 0,67629663 0,49989811 0,44746003 0,97584596 0,70702439 0,35936047 0,610980932 0,22316286

1996 0,57042149 0,77962158 0,39285921 0,49048047 0,79300403 0,36706557 0,565575392 0,18570908

1997 0,54956934 0,72508442 0,40598419 0,99946239 0,62414038 0,5433932 0,64127232 0,20443501

1998 0,64788675 0,74902286 0,41600102 0,96979509 0,63506307 0,44857657 0,644390893 0,20368611

1999 0,66456287 0,82759426 0,39355109 0,96286486 0,67267419 0,3940285 0,652545962 0,22864772

2000 0,59199663 0,79991847 0,35827514 0,93772963 0,63529326 0,49010684 0,635553328 0,20893135

2001 0,57215641 0,82462259 0,36378429 0,92839597 0,59110961 0,5711102 0,641863178 0,20261829

2002 0,61976971 0,88518657 0,3762569 0,98609395 0,57760901 0,41134823 0,642710728 0,24738526

2003 0,61502411 0,75569305 0,36998534 0,94865405 0,54694294 0,66963404 0,650988922 0,19544676

2004 0,58077954 0,61254212 0,37066611 0,98419336 0,6320501 0,64453588 0,637461185 0,19764408

2005 0,57010289 0,76185778 0,40777499 0,97351435 0,60896097 0,70071723 0,670488035 0,19181662

2006 0,56783323 0,61408968 0,42429679 0,93344229 0,55422063 0,61806241 0,618657505 0,16948273

2007 0,50378309 0,66935906 0,39569057 0,95676935 0,53685911 0,71200435 0,629077588 0,1972581

2008 0,48651802 0,64404412 0,56951722 0,92445863 0,53429289 0,60684119 0,627612012 0,15544152 Prom. Efic. Por departamento 0,581482717 0,669145719 0,410286045 0,903340978 0,608666441 0,54688664 0,61996809

Eficiencia técnica y convergencia en la región del eje cafetero (2011) - Omar Montoya Suárez

Documents

Transcript of Eficiencia técnica y convergencia en la región del eje cafetero (2011) - Omar Montoya Suárez