LA CONCENTRACIÓN ESPACIAL: UN ESTUDIO …aaep.org.ar/espa/anales/works06/Figueras_Arrufat.pdf ·...

1

1

LA CONCENTRACIÓN ESPACIAL:

UN ESTUDIO HASTA LOS AÑOS NOVENTA

Alberto José FIGUERAS y José Luis ARRUFAT con la asistencia calificada de Daniela Cristina (IEF de UNC) y Soledad Puechagut (M.de Economía, Pcia de Córdoba); y la participación en el equipo de investigación de Marcelo Capello JEL Classification: R12, N96 RESUMEN:

Nuestra línea de investigación se dirige a aspectos espaciales; y dentro de ese esfuerzo, la idea consiste en reducir a un único valor la perspectiva económica de un área, así como tener una aproximación sobre la evolución de la concentración. Esa posibilidad se remite al cálculo de los indicadores de concentración (en dos variantes, relativos y absolutos, o “ipsativos”). Entre éstos se destaca por su sencillez el Baricentro Económico Además, atentos a esa perspectiva de la evolución del nivel de concentración se trabaja a partir de algún estadístico aceptado (Índice de Herfindahl-Hirschman y coeficiente de Theil). Por otro lado, se trató de obtener el llamado Potencial de Mercado (en distintas variantes de cálculo), y las posibilidades futuras de su evolución. ABSTRACT:

We address the measurement of the evolution of concentration for the Argentine

economy during the 1980-1998 period. More specifically, we use four lines of approach: the displacement of economic gravity centres, absolute concentration indexes (Herfindahl-Hirschman and Theil), relative concentration indexes based on the use of product vs population and also product vs surface area data, and, finally, we develop alternative measures of market potential taking into account the contiguity matrix approach and using different proxies for spatial friction or impedance. We undertake a simulation exercise to gauge the likely effects of distance (transport time) reductions on market potential.

2

2

LA CONCENTRACIÓN ESPACIAL: UN ESTUDIO HASTA LOS AÑOS NOVENTA

Alberto José FIGUERAS y José Luis ARRUFAT, con asistencia calificada de Daniela Cristina (IEF de UNC) y Soledad Puechagut (M. de Economía, Córdoba)(1).

I. Introducción

Nuestra línea habitual de investigación se dirige a aplicaciones en aspectos espaciales de la actividad económica; y dentro de ése, nuestro modesto esfuerzo, la idea de este trabajo es reducir a un único valor la perspectiva económica de un área (o de un conjunto de áreas). Hoy, y desde los noventa, esa posibilidad se suele remitir al cálculo de los índices de competitividad, de rigurosa “moda”. De estos indicadores agregados los más famosos son el del Foro Económico Mundial (World Economic Forum) y el del Instituto para el Desarrollo de la Gerencia (International Institute for Management Development) de Suiza. El primero, el más difundido, presenta a su vez dos enfoque: (a) el Indice de Competitividad para el crecimiento (Growth Competitiveness Index) que intenta medir la capacidad para lograr un crecimiento sostenido (siendo su mentor J. Sachs); (b) el Indice de Competitividad para los negocios (Business Competitiveness Index), introducido por M. Porter, que evalúa la eficacia con que una economía utiliza su stock de recursos.

Como todos los indicadores agregados, éstos tienen sus deficiencias, no siendo la menor que estos índices, en gran medida, sólo reflejan percepciones de informantes clave (que capturan las opiniones sobre temas tecnológicos e institucionales).Nosotros, por nuestra parte, nos alejamos de estas visiones que combinan elementos subjetivos y objetivos para centrarnos exclusivamente sobre estos últimos. En tal sentido, venimos trabajando en indicadores de concentración (en dos variantes, relativos y absolutos o “ipsativos”) e indicadores de especialización (Cfr. Figueras y Rubio, 2006).

Entre los primeros, los indicadores de concentración, se destaca por su sencillez el Baricentro Económico (o Centro de Gravedad), que presentáramos conceptualmente en 1995 en un simposio en Granados, y que luego lleváramos numéricamente a Arnoldshain (2000) (Cfr. Díaz, Figueras y Arrufat, 2002). Ya volveremos sobre este concepto. Además, es interesante una perspectiva de la evolución (según los datos) del nivel de concentración, de acuerdo a algún estadístico aceptado, como el coeficiente de Theil, que trataremos más adelante; aunque nuestro objetivo principal aquí es avanzar en el cálculo del llamado Potencial de Mercado. II. Marco General de Análisis

La dinámica espacial, por lo común olvidada por el análisis económico, resulta finalmente un juego entre los costos de transporte versus las economías de escala (en sus diferentes manifestaciones, siendo la más relevante del caso las economías de aglomeración). Si inspeccionamos, en una lectura atenta, el conjunto del pensamiento y el análisis económico presente en la literatura podríamos distinguir tres principios generales de organización económica: • El principio marshalliano, que enfoca el problema de la asignación de recursos, en una

visión de “eficiencia estática”. • El principio schumpeteriano, que apunta a la cuestión de la ventaja competitiva y los

procesos de innovación, en una perspectiva que podemos denominar de “eficiencia dinámica”.

• El principio marxista del dominio, que dirige su examen al control económico de los recursos, en una mirada sobre el “poder económico”.

Estos tres “principios”, que podemos encontrar a lo largo y ancho de todo el pensamiento

económico, existen antes incluso de los autores con que se los ha mencionado. Sus 1 Forma parte del equipo de investigación Marcelo Capello (Departamento de Economía, FCE, UNC).

3

3

enfoques se manifiestan de manera compleja, no directa, en principios de organización territorial. Dichos principios, o perspectivas, apuntan a desentrañar cuestiones que hacen a preguntas fundamentales del problema espacial (Camagni, R, 2000, Principi di economia urbana e territoriale, Roma, Carocci).

a) Principio de aglomeración (o de sinergia), que se dirige a la cuestión de la existencia

misma de áreas o puntos destacados en el espacio (v.gr. las ciudades). Los autores que más estudiaron este principio han sido Marshall, A. Weber, Vernon, Alonso, Hägerstrand.

b) Principio de Accesibilidad o de la competencia por el espacio (si se quiere de la distancia económica como elemento “ordenador”) que enfoca el problema de dónde se localizarán las actividades. Los autores que se destacan en esta línea han sido Von Thünen y la New Urban Economics (Fujita, Alonso, E. Mills, Mirrlees).

c) Principio de interacción espacial, que se pregunta por las vinculaciones entre territorios, por el flujo interespacial de bienes y recursos. Las plumas que se destacan en esta faceta son W. Isard y W. Reilly.

d) Principio de Jerarquía o del ordenamiento territorial, que se preocupa por la presencia de un “rango” en la heterogeneidad espacial. Se destacan Christaller, Lösch, Zipf, Hoover y los analistas del enfoque Centro-Periferia.

e) Principio de Competitividad, que se pregunta por las causas y modalidades del crecimiento, en especial el papel que cabe al comercio “exterior” en la evolución de las regiones. Sobresalen en el estudio de este principio Hoyt, C.D. North y Tiebout.

III. Marco Particular de Análisis La macroeconomía regional (v.gr. el enfoque del balance de pagos, o el de base de exportación) puede brindar hipótesis sobre el crecimiento pero, en cierto modo, adolece en explicar las diferencias en el crecimiento entre áreas centrales y áreas periféricas. Una vía de explicación de estas desigualdades se puede encontrar en las localizaciones particulares (las distancias “económicas” entre las regiones o nodos) y la ausencia de una homogeneidad de partida (aspectos estos que los modelos de crecimiento endógeno intentan capturar por vía de la inclusión en las ecuaciones de regresión [Yt = f (yt-1, xt-1)] de variables “proxies” (Xt-1) que capturan posibles condicionantes del crecimiento (nivel de educación, de infraestructura, etc.) (Cfr. para casos internacionales Barro et alter, 1992; Cuadrado Roura y Parellada, 2002; y para regiones nacionales, Marina y Sotelsek; Figueras, Arrufat y Regis, 2003; Figueras, Arrufat, de la Mata y Alvarez, 2004).

Un sendero para explorar estas circunstancias (potencialmente explicativas de la heterogeneidad en el crecimiento), con una perspectiva que acentúe el efecto de la distancia como factor condicionante, es avanzar en las líneas del principio de accesibilidad y, principalmente, en el principio de interacción. Precisamente, los costos implícitos en la distancia son la esencia de la “new economic geography” (mediante la aplicación del poco familiar truco del “iceberg” de Samuelson)

Podríamos decir que la organización del espacio puede sintetizarse con el modelo gravitatorio (que define áreas) y el modelo jerárquico (que establece una escala entre esas áreas). En esta línea debe mencionarse el modelo gravitatorio de W. Reilly (con sus distintas variantes) y el Potencial de Mercado de Stewart-Isard. Una primera aproximación del problema espacial, sencilla y “expresionista”, desde el enfoque gravitatorio, es el cálculo del Centro de Gravedad Económico. IV. El Centro de Gravedad Económico o Baricentro Económico

El Centro de Gravedad (CG) de un sistema económico es el punto geográfico de aplicación de la resultante de las fuerzas económicas que operan en ese campo de fuerzas, medidas éstas por alguna variable disponible (v. gr. PBG, población, consumo eléctrico, etc.). Aunque es un índice estático, el CG es útil como un indicador geográfico que apunta un potencial sentido (o dirección) espacial del movimiento futuro de los factores productivos móviles (en especial, en lo que atañe a nuevas inversiones). A falta

4

4

de la posibilidad real de estudiar la localización conveniente para cada empresa o cada sector, se lo puede utilizar como un indicador imperfecto (como todos lo indicadores “agregados”) de la localización óptima del “agregado”. En cierto modo, refleja el área donde la potencialidad de las economías de aglomeración es mayor.

Formalmente el Centro de Gravedad (que en definitiva simplemente consiste en una presentación más rigurosa del antiguo “método de los pesos”, Cfr. Grupe, 1971, pág. 19) responde a la expresión siguiente, para el caso de la longitud (siendo Pi la variable considerada):

∑ ∑

=

i iiiLong iPP de Longφ

Otro tanto acontece con la latitud. No es sino una determinación de un punto

“hipotético” que surge de la ponderación, por la variable considerada (población, o PBG, o consumo eléctrico, etc.) de la ubicación geográfica de cada urbe real. Para nuestro caso, el Baricentro Económico o centro de gravedad económico se calcula como una media de las coordenadas de las capitales de cada provincia ponderadas por la participación de la provincia en una variable en particular. Esta formulación parte del supuesto de que la capital de la provincia es, a su vez, el centro de gravedad de la misma, lo cual es usual en la literatura cuando se trabaja con este indicador.

En anteriores ocasiones (p.ej. en Figueras, 1996)(2) argumentamos que tanto Argentina como Brasil cuentan históricamente con su propio baricentro.En Brasil, podemos ubicarlo a priori de todo análisis empírico, en el triángulo Belo Horizonte-Río-Porto Alegre. En Argentina, este Centro Gravitacional se ubica en el área del Frente Industrial del Litoral, FIL(o corredor industrial desde Santa Fé hasta La Plata, con una profundidad de unos 150 km). Seguramente la integración en el Mercosur, al “diluir” fronteras, altera estos centros independientes; y es de suponer que el centro de gravedad, ahora hablando del espacio económico Mercosur, se ubicará en el amplio espacio del SO del Brasil. Hasta allí trabajamos con presunciones conceptuales, sin bajar a los datos empíricos.

Más tarde, pasando a los datos, y operando cifras de población(no de producto), con las que contamos desde hace más de un siglo, calculamos en una primera aproximación las posiciones de los CG nacionales (para Argentina y Brasil) en autarquía (Díaz C., Figueras & Arrufat, 2002), que presentamos en el Cuadro 8. Ubicaciones más precisas, en un seguimiento censo a censo, se hará en el acápite IV.3.

Cuadro 1

Años ARGENTINA Todos los Centros Urbanos

ARGENTINA Centros Urbanos Interior

Censo 1895 CGE cerca de Sastre CGE en Sumampa/Ojo de Agua

Con datos “estimados” de población a mediados de los

noventa

CGE cerca de San Lorenzo/Rosario

CGE en Cañada de Luque

Desplazamiento “histórico” De unos 165 km De unos 120 km. BRASIL

Todos los Centros Urbanos BRASIL

Centros Urbanos Interior Datos estimativos de población a

mediados de los noventa CGE cerca de Bambui/Arcos

(SO de Minas Gerais)

No calculado

Fuente: Elaboración propia.

Como se observa en el Cuadro, aún cuando se excluya el peso de la provincia de Bs.As y Capital Federal, el Centro de Gravedad actual en autarquía cambia en dirección NO en solamente 300 km (desde S.Lorenzo/Rosario a un lugar que se puede ubicar en Cañada de Luque, al oeste de Mar Chiquita). De esto se desprende que la concentración es alta aún si la megalópolis de Bs.As. no existiera. A su vez, históricamente, los “desplazamientos” han

2 Figueras, 1996, “Los economistas, el Mercosur y las Economías Regionales”, reproducido en Capítulo VIII, Figueras 2004.

5

5

sido reducidos, si se considera sólo el “Interior”, se corre desde Sumampa/Ojo de Agua al sur de Santiago (en 1895) a Cañada de Luque (norte de Córdoba)(alrededor de unos 120km).Es decir, que la variabilidad en el tiempo, en el largo plazo, en base a la misma variable población, es extremadamente reducida. Retornaremos con un seguimiento de más corto plazo en el acápite IV.4. IV.1. Centro de Gravedad del Producto Bruto por GD (3) En una primera variante del indicador consideramos el peso de cada provincia en la producción de un sector en particular. Así se obtiene el centro de gravedad de cada uno de los sectores de actividad económica. Tomando los CG de comienzos de la década del ochenta, del noventa y de fines de la década del noventa; calculamos los desplazamientos de los CG en kilómetros, así como su dirección.

La GD1 tiene su centro de gravedad en la provincia de Santa Fe, con un desplazamiento en la década del ochenta que presenta una dirección opuesta al de la década siguiente. La GD2 tiene su CG en el centro de la provincia de Río Negro a comienzos de la década del ochenta, desplazándose al norte de la provincia de Chubut a fines de los noventas, en lo que constituye el desplazamiento más importante de todos los sectores. El resto de los sectores de actividad económica tienen su CG en el norte de la provincia de BA, y solo registran desplazamientos hacia la Capital Federal la GD5 y la GD8.

Cuadro 2. Centros de Gravedad de cada GD y desplazamientos Latitud Longitud Desplazamientos Grado Minutos Grado Minutos

Localidad más próxima Periodos Km. Dirección

1980 32 36 61 34 Entre Las Rosas (SF) y Las 1980-90 21.8 SE 1990 32 45 61 23 Cañada de Gómez (SF) 1990-98 51.6 NO GD1 1998 32 30 61 28 Las Rosas (SF) 1980-98 14.3 NE 1980 40 18 66 35 Nahuel Niyue (RN) 1980-90 101.5 S 1990 41 13 66 41 Arroyo de la Ventana (RN) 1990-98 156 SO GD2 1998 42 35 67 5 Telsen (Chubut) 1980-98 258 SSO 1980 33 39 59 43 San Pedro (BA) 1980-90 51.2 SOO 1990 33 43 60 15 Entre Pergamino y San Pedro 1990-98 3.25 SO GD3 1998 33 44 60 16 Entre Arrecifes y San Pedro (BA) 1980-98 53 SOO 1980 33 53 60 21 Entre Pergamino y Arrecifes 1980-90 30.6 NO 1990 33 38 60 27 Pergamino 1990-98 28 O GD4 1998 33 38 60 46 Peyrano (SF) 1980-98 49 NO 1980 33 25 60 26 San Nicolás (BA) 1980-90 45 SO 1990 33 43 60 47 Pergamino 1990-98 87.8 NEE GD5 1998 33 38 59 51 San Pedro (BA) 1980-98 60 SE 1980 33 49 59 50 Entre San Pedro y Arrecifes (BA) 1980-90 43.4 NO 1990 33 29 60 3 Entre San Nicolás y San Pedro 1990-98 38 S GD6 1998 33 50 60 4 Arrecifes 1980-98 22 O 1980 33 41 59 57 Entre San Pedro y Pergamino 1980-90 11.7 SO 1990 33 45 60 3 " 1990-98 95.1 SSO GD7 1998 34 34 60 22 Chacabuco 1980-98 105 SSO 1980 33 50 59 57 1980-90 11.2 NEE 1990 33 49 59 50 1990-98 8.5 SE GD8 1998 33 53 59 47

Entre San Pedro y Arrecifes 1980-98 16 SE

1980 33 38 60 5 1980-90 12.5 NO 1990 33 34 60 11 1990-98 24.9 SO GD9 1998 33 44 60 22

Triángulo San Nicolás - Pergamino y Arrecifes

1980-98 28.9 SO Fuente: Elaboración propia. IV.2. Centro de Gravedad del Producto Bruto

3 Se trabajó en base a datos de producto del período 1980-1998.

6

6

Ponderando las coordenadas de las provincias por su participación en el producto bruto nacional, conseguimos un valor del CG para el total de actividad económica nacional que se ubica en un punto en la provincia de Buenos Aires dentro de un rectángulo cuyos vértices son San Nicolás-San Pedro–Pergamino y Arrecifes, superficie dentro de la cual se ubican los CG de 7 de los 9 sectores económicos considerados. El desplazamiento entre las dos décadas tiende a ubicar el CG en la ciudad de Pergamino.

Cuadro 3. Centro de Gravedad del Producto Bruto Nacional Latitud Longitud Desplazamientos Año

Grados Minutos Grado Minutos Localidad más próxima

Periodos Km. Dirección 1980 33 47 60 11 Pérez Milán (BA) 1980-90 17.5 NOO 1990 33 45 60 21 Entre Pérez Milán y Pergamino 1990-98 26.4 SO 1998 33 58 60 25 Pergamino 1980-98 28.8 SO

Fuente: Elaboración propia. IV.3. Centro de Gravedad Poblacional

Pasamos ahora a afinar la aproximación realizada en Díaz, Figueras & Arrufat,2002 (4), presentado en el acápite IV, trabajaremos cifras más precisas de población.Utilizando como ponderación el peso de cada provincia en la población nacional calculamos el CG poblacional. El cual se ubica en el centro de la provincia de Santa Fe, a comienzos de siglo, luego se traslada hacia el sureste (hacia el “taco” de la botita santafecina), ubicándose en los años 1960 y 1970 en la provincia de Entre Ríos en la margen este del Río Paraná, y en el año 1980 sobre el curso del mismo río. Amén de la ubicación exacta, cabe destacar que en los años 1970, 1980 y 1991 la ciudad de Rosario es la urbe de mayor importancia dentro del entorno próximo del punto del CG. Con los datos del último censo de población realizado en el año 2001, ante la disminución en la participación en la población de la Ciudad de Buenos Aires, el CG se trasladó hacia el norte ubicándose en Coronda, en el centro de la provincia de Santa Fe, bajo el entorno de la ciudad homónima.

Cuadro 4. Centro de Gravedad de Poblacional Latitud Longitud Desplazamientos Año

Grados Minutos Grados Minutos Localidad más próxima

Periodos Km. Dirección 1895 31 52 61 21 Sastre (SF) 1895-1914 81.6 SE 1914 32 28 60 53 Maciel (SF) 1914-47 7.4 SEE 1947 32 29 60 48 Maciel (SF) 1947-60 18.8 SE 1960 32 37 60 42 A 15 Km de San Lorenzo en (ER) 1960-70 16.9 SSE 1970 32 46 60 38 A 10 Km de San Lorenzo en (ER) 1970-80 4.9 SOO

1980 32 47 60 42 A 2Km de Cap. Bermúdez sobre el Río Paraná 1980-1991 6.3 O

1991 32 47 60 47 Entre Cap. Bermúdez y San Lorenzo (SF) 1991-2001 92.8 NNO

1998 31 59 60 55 Coronda (SF) 1895-2001 42.3 SEE 2001 31 60 60 57 Coronda (SF) 1980-1998 91 NNO

Fuente: Elaboración propia. IV.4. Centro de Gravedad argentino-brasileño

En el contexto MERCOSUR el concepto de centro de gravedad poblacional aparece como un factor importante en el momento de considerar la ubicación de los mercados y la localización óptima de las empresas. Argentina y Brasil aparecen como los dos países relevantes del bloque en lo que a población y producción se refiere, por lo cual trabajamos solamente (y por razones de facilidad en la obtención de datos) con las poblaciones de estos dos países para determinar el centro de gravedad poblacional argentino-brasilero. Se procede tomando como ponderador para las coordenadas de cada estado o provincia el peso de cada uno de ellos en la población conjunta de ambos países.

4 Publicación que corresponde a un Seminario realizado en el año 2000 en la ciudad de Buenos Aires.

7

7

Su ubicación en el año 1980 se registra en el nordeste del estado de Sao Paulo en las cercanías de la ciudad de Franca. A lo largo de la década del ochenta y del noventa se tiene un desplazamiento hacia el norte, y en el año 2000 el CG se ubica al SO del estado de Minas Gerais en las cercanías de la ciudad de Uberaba. Este desplazamiento puede explicarse por la disminución en la participación de la población brasileña del estado de Rio de Janeiro, el aumento del Distrito Federal y como ya señalamos en nuestro país la disminución en el peso poblacional de Capital Federal. Cabe mencionar que en anteriores publicaciones, hemos señalado como CGMercosur los alrededores de Barretos en el NE del Estado de Sao Paulo, a unos 100 Km del CGM aquí calculado, la razón estriba en que aquellos cálculos incluían las poblaciones de Uruguay y Paraguay, que con su peso “jalaban” hacia el sur el centro gravitacional(Cfr. Figueras, 2000; y Díaz C.,Figueras & Arrufat,2002).

Cuadro 5.Centro de Gravedad Poblacional Argentino-Brasileño

Latitud Longitud Desplazamientos Año Grados Minutos Grados Minutos

Localidad más próxima Periodos Km. Dirección

1980 20 30 47 38 Franca (SP) 1980-91 37.4 NNO 1991 20 10 47 41 Entre Franca (SP) y Uberaba (MG) 1991-2000 38 NNO 2000 19 50 47 43 Uberaba (MG) 1980-2000 75 NNO


El desplazamiento del CGE de Brasil y de Argentina, al incorporarse al Mercorsur, es claramente diferente (CGEA versus CGEM). En el caso de Argentina, el desplazamiento es de unos 1700 km.; mientras que en el caso de Brasil es solamente de unos 250 km.

Ahora bien, ¿cuál es la importancia de la presencia de un nuevo baricentro para las economías regionales? Es difícil dar una respuesta categórica, pero está claro que, por ejemplo, una economía como La Rioja, con una distancia al CGE argentino en autarquía de unos 1100 km, pasa a ubicarse a una distancia mucho mayor del centro gravitacional (unos 3000 km), al encontrarse el CGEM en el Sur de Minas Gerais. Si los efectos del Mercosur le limitaran a este desplazamiento del CGE podría adelantarse que esta área sería “perdedora” en el proceso de integración..., pero éste no es el único impacto, y por ende los efectos definitivos (ganancia o pérdida), en nuestra opinión, no son claros.Desde ya que el impacto (potencialmente negativo) sería menor en las regiones brasileñas “periféricas” (el nordeste, la amazonia) pues el aumento en su distancia al centro de gravedad del espacio económico de pertenencia es mucho menor. IV.5. Nivel de importancia del desplazamiento del GGE Ante la duda acerca de la importancia en el nivel de desplazamiento (y su significado, concentración o desconcentración), hemos recurrido a una comparación con el mismo fenómeno en el caso del CGE de EUA (medido por nivel poblacional).Aparentemente en EUA viene operando una desconcentración del peso de la actividad económica. Su CGE se encuentra hoy en el Centro del. Estado de Missouri (en 1910 estaba al SO de Indiana). Se da un desplazamiento NE-SO.(5) Si consideramos la distancia de desplazamiento respecto de Nueva York (en el borde NE) y Los Angeles (en el SO) obsrvamos que el CGE se va alejando de la gran metrópoli de N.York (la distancia crece en un 42% respecto de la

5 Nuestro cálculo resulta una aproximación grosera, si se quiere, al cálculo del punto de mínimo costo de transporte para abastecer al mercado global de EUA, que según el calculo de Harris en 1948 se encontraba en Fort Wayne (Indiana). En ese momento el punto máximo PM era New York. Con propósitos ilustrativos, dada la antigüedad de los datos (de 1962), podemos dar un vistazo a la economía regional norteamericana (según división de la oficina de censo, citado por Nourse, pag.86 y 192, Cuadros 4.1 y 6.8).En primer lugar la concentración es muy fuerte, en el “paralelogramo” noreste que va desde el Estado de Maine a los Grandes Lagos con límite SO en el Estado de Indiana y de allí, cerrando el cuadrilátero definido hasta el Atlántico, se concentraba el 50% de la población y el 60% del valor agregado industrial. A su vez,las viejas trece colonias iniciales (en la costa este) sumaban aún en 1962, el 41% de la población y el 42% del valor agregada industrial.

8

8

originaria de 1910; de 1108 km pasa a 1578km), acercándose a Los Angeles (su distancia disminuyó en un 16%, de 2840 km se redujo a 2379 km) (Cuadro 6). En el caso de Argentina, la concentración por este indicador parece haber aumentado. Precisamente el CGE se aproxima a la gran metrópoli de Buenos Aires, reduciéndose, desde 1895 en un 26% (si bien la mínima distancia ha sido en el año 1980), mientras que se ha alejado de Córdoba en un 29% de la distancia originaria (de todos modos, los valores porcentuales son muy relativos pues dependen, obvio, de la distancia inicial de referencia; por ejemplo, en el caso de Ushuaia el porcentaje de cambio es mínimo a causa de la gran distancia inicial) (Cuadro 7).

Cuadro 6. Desplazamiento del baricentro en EEUU

St Louis Detroit Nueva York

Los Angeles

Estado Missouri

Michigan

Nueva

York California

Latitud 38.58333 42.333 40.71667 34.05 Longitud -90.2 -83.05 -74.01667 -118.233 Latitud Longitud ////// ////// ////// ////// EEUU Capitales 1910 39.093 -86.9 294.6 482.1 1108.4 2840.6 EEUU Capitales 1920 39.05 -87.3 258.6 509.5 1144.3 2804.7 EEUU Capitales 1930 39.044 -87.3 253.8 513.2 1149.0 2800.0 EEUU Capitales 1940 38.973 -87.6 227.8 536.2 1175.2 2774.8 EEUU Capitales 1950 38.933 -88.4 157.3 590.8 1245.3 2703.5 EEUU Capitales 1960 38.83 -89.3 85.3 653.0 1317.5 2631.5 EEUU Capitales 1970 38.749 -89.8 38.8 695.4 1364.9 2584.6 EEUU Capitales 1980 38.467 -90.7 49.3 779.8 1452.0 2501.3 EEUU Capitales 1990 38.283 -91.6 126.300 852.2 1528.9 2426.2 EEUU Capitales 2000 38.126 -92.1 175.392 900.0 1578.0 2379.4 Variación en Sentido NE-SO ////// ////// ////// ////// ////// 470 km (461) Porcentaje respecto de la distancia al CG en 1910 ////// ////// ////// ////// ////// 42% (16%)

Fuente: Elaboración propia a partir de datos de Bureau of Economic Análisis y también Regional Economics Account (EEUU). Nota de lectura: El cálculo está realizado respecto a capitales de Estados, y no respecto a ciudad principal. Las coordenadas están presentadas en decimales (y no en grados sexagesimales)

Cuadro 7. Desplazamiento del baricentro económico en Argentina

C. Bs. As. Córdoba Mendoza Salta T. del Fuego

Ciudad de Buenos

Aires (CABA) Córdoba Mendoza Salta Ushuaia

-34.6167 -31.4167 -32.8833 -24.7833 -54.8000 Latitud Longitud 58.3833 64.1833 68.8167 65.4000 68.3167

1895 -31.52 61.21 407.68 275.22 710.95 884.86 2603.82 1914 -32.28 60.53 328.04 335.81 745.02 965.29 2545.42 1947 -32.29 60.48 321.67 343.53 752.51 970.30 2545.40 1960 -32.37 60.42 305.05 357.19 760.58 987.12 2533.38 1970 -32.46 60.38 288.03 369.88 765.95 1005.54 2517.55 1980 -32.47 60.42 292.70 363.98 759.61 1002.32 2516.47 1991 -32.47 60.47 299.35 355.67 750.56 997.92 2514.81

Variación en Km

desde 1895 ////////////// /////////////// (108.33) 80.45 39.61 113.06 (89.01)

Variación % respecto

a 1895 ////////////// /////////////// (26.6 %) 29 % 5.6 % 12.8 % (3.4 %)

Fuente: Elaboración propia. Nota de lectura. Distancias entre los centros de gravedad calculados para los años indicados utilizando datos censales de población y suponiendo que la totalidad de los habitantes de cada jurisdicción se concentran en la capital de cada unidad territorial. Se puede apreciar que mientras la Ciudad Autónoma de Buenos Aires se ubicó, en 1991, casi a 100 km menos del centro de gravedad que en 1895, Córdoba se distanció casi 80 km. Por su parte, idéntica comparación para Mendoza revela que aumentó su distancia en 40 km mientras que Salta lo hizo en aproximadamente 113 km. Por lo que respecta a Ushuaia, su distancia disminuyó en casi 90 km.

9

9

V. ¿Ha operado la concentración económica en Argentina?

Las últimas décadas fueron testigo de al menos tres acontecimientos que sin duda afectaron las variables de localización de las empresas y de sus actividades; nos referimos al proceso de globalización, al nacimiento del MERCOSUR, y a las profundas transformaciones económicas y sociales acaecidas en nuestro país. A estos hechos del “siglo pasado” debemos agregar la salida de la “conversión”, con devaluación y pesificación, que nuevamente conmocionó las estructuras e incentivos vigentes, pero que aquí no trabajaremos empíricamente por carencia de datos. Teniendo en mente que los cambios en factores, claves a la hora de evaluar la rentabilidad privada de las empresas, puede haber desatado un proceso de reubicación de sus actividades, nos proponemos en este acápite dar una perspectiva fugaz sobre tal problemática. Habitualmente, en nuestros trabajos mencionados en bibliografía, hemos utilizado para nuestros análisis cuatro formas de “particionar” el territorio nacional, que hemos dado en llamar “modelos”. Estos “modelos” de aglomeración y el territorio respectivo que abarcan son: • Modelo A: Frente Industrial del Litoral (FIL) y Economías Regionales del Interior (ERI) • Modelo B: Capital Federal, Provincia de Buenos Aires y el resto del país agrupado

como el Interior. • Modelo C (Regiones): Metropolitana (Gran Buenos Aires), Pampeana (Córdoba, resto

de la provincia de Buenos Aires, Santa Fe, La Pampa, Entre Ríos), Noroeste (Catamarca, La Rioja, Santiago del Estero, Jujuy, Salta y Tucumán), Noreste (Misiones, Corrientes, Chaco y Formosa), Cuyo (San Luis, San Juan y Mendoza) y Patagonia (Neuquén, Río Negro, Chubut, Santa Cruz y Tierra del Fuego).

• Modelo D: división política provincial.

Ya hemos tratado, en otras oportunidades, la concentración por vía de índices, aunque haciéndolo “desagregadamente”(Figueras et alter, 2006). Esto es por Grandes Divisiones. Pero resulta tanto o más significativo el conocimiento de la concentración considerando el producto “como un todo”. Es decir, conocer la evolución del grado de concentración “del agregado”. Para el caso, igual que a nivel de GD, se puede afrontar el análisis con Índices Absolutos o con Índices Relativos; y, a su vez, con una u otra de las visiones geográficas ya mencionadas (Modelo A, Modelo B, etc). Aquí optaremos por la variante de “jurisdicciones provinciales” (Modelo D), que nos parece la relevante desde el punto de vista de la “inmediata” política económica (por ser divisiones jurisdiccionales de índole administrativa), y además atendiendo a restricciones de espacio (que nos impide extendernos). V.1. Aspectos Teóricos Indicadores absolutos:

Se proponen como indicadores de concentración absolutos al Índice de Concentración a la Herfindhal-Hirshman (ICHH) y el Coeficiente de Theil. A continuación se presentan sus definiciones, los motivos por los cuales varían y lo que implican estas variaciones en la distribución del producto a nivel nacional. • Índice de Concentración a la Herfindhal-Hirshman (ICHH)

Utilizado en estudios de organización industrial para medir la concentración en lo que

hace a firmas, aquí haremos uso de su concepto a nivel espacial. El Índice de Concentración a la H-H es un indicador que nos permite abordar el fenómeno de la concentración a través de la distribución del producto entre los distintos aglomerados6, siendo su expresión algebraica para el caso:

6 En el transcurso del trabajo se utilizan las expresiones región, aglomerado, provincia o estado indistintamente.

10

10

10000PrICHHN

1i

2ij ×= ∑

=

Donde: “Pri” es la participación del aglomerado “i” en el total nacional producido por el sector “j”; en otras palabras es el porcentaje de la producción de “j” que se realiza en el aglomerado “i”; y “N” representa el número de aglomerados. Tenemos un indicador por sector de actividad productiva y a nivel nacional, estando los límites de variación entre un valor máximo de 10000, (cuando la producción nacional está concentrada en un único aglomerado), y un valor mínimo, dado por la expresión 10000/n, que indica una distribución geográfica de la producción igualitaria entre los distintos aglomerados. • Coeficiente de Theil

El otro indicador absoluto a analizar es el Coeficiente de Theil, el cual se define en términos analíticos como:

i

N

1iij Pr

1log*PrNlogT ∑=

−=

Donde “N” es el total de aglomerados definidos; “Pri” es la participación de la región “i” en la producción nacional del sector “j”, dicho en otras palabras es la proporción de la producción del sector “j” que se realiza en una región.

Es decir, que se obtiene un valor del indicador por sector de actividad económica y por año. El coeficiente tiene un rango de variación definido entre el valor cero (para una distribución perfectamente equilibrada) y log N (para una situación de máxima concentración). A mayores valores, mayor concentración de la producción sectorial.

Indicadores de Concentración Relativos

En esta sección se presentan indicadores de concentración, que llamaremos relativos. Los llamamos de esta manera porque en su definición cotejan la distribución de una variable (con respecto a la cual se quiere analizar su nivel de concentración) en contraposición con la distribución de otra variable que oficia como pauta de comparación.

En esencia, la mecánica de cálculo en cada uno de los indicadores propuestos en la sección, se basa en obtener una medida de concentración que contraste el porcentaje acumulado en determinada región de una variable con el acumulado por otra variable que actúa como la pauta, para determinar si el porcentaje acumulado se corresponde o no con lo marcado por ella. Así, esta familia de indicadores nos brindan un valor, que resume un aspecto de concentración relativa a la pauta que se utiliza en cada uno de ellos. Podemos mencionar los siguientes indicadores relativos: Índice de Concentración Producto-Población (ICPP) e Índice de Concentración Producto-Superficie (ICPS). Por razones de espacio, aquí solamente trabajaremos el ICPP

• Índice de Concentración Producto-Población (ICPP)

La distribución con respecto a la cual este indicador analiza la concentración es la distribución nacional del producto y la variable que oficia como pauta es la distribución de la población nacional. Se define algebraicamente como:

50.0*PpPrICPPN

1iiij ∑

=−=

Donde: “Pri” es la participación de la región “i” en la producción nacional del sector j; “Ppi” es la participación de la región “i” en la población nacional, y “N” es el número de regiones en la nación.

Al igual que el ICPS esta acotado entre 0 y 1; un valor cercano a cero indica una distribución del producto de manera homogénea a la distribución de la superficie, mientras

11

11

que un valor cercano a uno indica una concentración geográfica relativa del producto. Tenemos un valor del indicador por aglomerado y por año. • Índice de Concentración Producto-Superficie (ICPS)

El otro indicador relativo que analizamos, contrasta las distribuciones de producto y superficie en la nación. Para la distribución de la superficie se toman los kilómetros cuadrados que pertenecen a cada aglomerado como porcentaje del total del territorio nacional. La definición algebraica conserva la misma estructura que la del ICPP, su formulación es:

50.0*SpPrICPSN

1jjj∑

=−=

Donde: “Prj” es la participación del aglomerado “j” en el producto bruto nacional; “Spj” es la participación del aglomerado “j” en la superficie nacional; “N” es el número de aglomerados definidos.

VI.3. Análisis empírico de indicadores absolutos

En el cuadro 8 se presentan los valores originales tanto del Índice de Concentración a la H-H y del Coeficiente de Theil. Adicionalmente elaboramos un índice de tendencia con año base en 1980 para facilitar el análisis de la evolución temporal.

En el gráfico 1 se presentan los Índices de tendencia de ambos indicadores7; allí se aprecia que durante la década del ochenta se asiste a un proceso de disminución en el valor de los indicadores absolutos, cerrando los 80´s con valores de un once por ciento menores en ambos indicadores. Este hecho muestra que el peso de la jerarquización entre las provincias se ha suavizado o ha disminuido. Es decir, la actividad económica ha evolucionado de manera tal, en la década del ochenta, que la generación geográfica del producto ha tendido a distribuirse de manera más equilibrada entre las distintas provincias.

La década del noventa no presenta un comportamiento tan claro: en la primera parte de la ella tenemos una tendencia ascendente que encuentra un pico en el año 1994 para luego revertirse y comenzar con una tendencia descendente. La apertura de la economía argentina implicó en los primeros años de la década un proceso de aumento de la concentración en términos absolutos, situación que puede explicarse por el gran avance tecnológico acaecido, que históricamente en el mundo ha tendido a concentrarse en las grandes urbes y a potenciar los beneficios de las economías de la aglomeración, generando un desequilibrio en las localizaciones óptimas de las inversiones.

Sin embargo a partir del año 1994 la tendencia se revierte y se finaliza la década con una línea tendencial descendente. Esta situación puede explicarse como una situación en la que los beneficios iniciales del avance tecnológico luego de asentarse en las grandes urbes se expandió a todo el territorio equilibrando las ventajas que las economías de aglomeración ofrecían en un primer momento.

Cuadro 8. Valores y tendencias para los Indicadores de Concentración Absolutos ICHH Coef. De Theil

Valor Tendencia (Año base

1980) Valor

Tendencia (Año base 1980)

1980 2235 100 0.361 100 1981 2185 98 0.356 99 1982 2077 93 0.339 94 1983 2088 93 0.339 94 1984 2058 92 0.332 92 1985 2005 90 0.323 90 1986 2086 93 0.336 93

7 El hecho de graficar los índices de tendencia nos permite presentar en un mismo gráfico a dos índices cuyas escalas son totalmente distintas; además asi podemos realizar el estudio que en esta sección importa, que es el de la evolución temporal de los indicadores.

12

12

1987 2064 92 0.331 92 1988 2017 90 0.322 89 1989 1998 89 0.320 89 1990 1960 88 0.315 87 1991 2008 90 0.322 89 1992 2056 92 0.327 91 1993 2062 92 0.327 91 1994 2129 95 0.338 94 1995 2072 93 0.331 92 1996 2071 93 0.329 91 1997 2026 91 0.322 89 1998 2002 90 0.318 88


Gráfico 1. Índice de tendencia para los indicadores absolutos.

85

90

95

100

105

1980 1982 1984 1986 1988 1990 1992 1994 1996 1998

ICHH

Coef.Theil


VI.4. Análisis empírico de indicadores relativos

En el cuadro 9 se presentan los valores originales, y un índice de tendencia, del indicador estudiado en la presente sección, con año base en 1980.

Cuadro 9. Valores y tendencia Índices de Concentración Relativo

ICPP ICPS ICP

Valor

Tendencia (Año base

1980) Valor


1980) Valor


1980) 1980 0.161 100 0.577 100 0.491 100 1981 0.171 106 0.579 100 0.490 100 1982 0.172 106 0.565 98 0.489 100 1983 0.166 103 0.562 97 0.488 99 1984 0.175 109 0.557 96 0.487 99 1985 0.178 110 0.549 95 0.486 99 1986 0.181 112 0.569 99 0.485 99 1987 0.181 112 0.562 97 0.482 98 1988 0.179 111 0.555 96 0.480 98 1989 0.185 115 0.553 96 0.477 97 1990 0.179 111 0.550 95 0.475 97 1991 0.178 110 0.555 96 0.473 96 1992 0.179 111 0.558 97 0.471 96 1993 0.185 114 0.558 97 0.470 96 1994 0.187 116 0.562 97 0.468 95 1995 0.198 123 0.557 97 0.466 95 1996 0.198 123 0.556 96 0.464 95 1997 0.199 124 0.549 95 0.463 94 1998 0.204 126 0.544 94 0.461 94

Fuente: Elaboración propia en base a datos INDEC y CFI.

Como se aprecia, en la década del ochenta, el ICPP tiene una clara tendencia ascendente; lo cual implica un aumento en la divergencia de la distribución del producto respecto de la distribución poblacional. Decimos entonces que en la citada década asistimos

13

13

a un proceso de divergencia producto-población. Por su parte, en la década del noventa la tendencia ascendente en el ICPP continua.

Por otro lado, el ICPS presenta una leve tendencia descendente y el ICP una muy leve tendencia descendente. Así estamos en una situación en la cual tanto las distribuciones de producto y superficie como las de población y superficie han tendido levemente a aproximarse, presentándose procesos poco acentuados de convergencia producto-superficie y convergencia población-superficie. En la década del noventa la tendencia ascendente en el ICPP continua; el ICPS permanece relativamente estable y el ICP continua con su leve tendencia descendente.

El proceso de apertura económica y el gran avance tecnológico que este conllevó, sostuvo el proceso iniciado en la década del ochenta de concentración producto-población; sin embargo no generó movimientos bruscos en la concentración producto-superficie lo que se refleja en el índice, ya que no se alteraron de manera significativa los valores del ICPS.

En general, observamos que la evolución de los indicadores no presentan un comportamiento diferenciado entre ambas décadas, cuestión que sí remarcamos en el caso de los indicadores absolutos. En definitiva, los indicadores relativos presentan un comportamiento uniforme a lo largo del período globalmente considerado: ascendente el ICPP (señalando concentración) y descendente en el ICPS (“desconcentración”). VI.5. Reflexiones sobre la concentración según los indicadores absolutos y relativos

Cabe aclarar antes de avanzar que los resultados son muy sensibles al modelo de agrupamiento geográfico seleccionado (Modelo A, Modelo B, etc.) y al indicador trabajado (Cfr. Figueras, Arrufat y Rubio, 2004). Teniendo esta limitación presente, y en orden al Modelo D (el más operativo con miras a posibles medidas de política económica), se observa: Una tendencia a la desconcentración de la producción según se mida por el ICHH y

el Coef. de Theil. • Se registra una concentración de la productividad (medida por ICPP), lo cual es

“racionalizable” en consideración del proceso económica vivido en los noventa (con fuerte incorporación de capital, físico y humano).

Otro indicio, o si se quiere semiplena prueba, de aumento de concentración es la localización de la PEA. Los porcentajes de peso en la PEA de los grandes aglomerados, desde 1980, se mantienen aproximadamente constantes (Capital 17%, Conurbano 43%, La Plata 3%, Rosario 5%, Santa Fé 2%: lo que suma para el FIL un 70 % aproximadamente). Como sabemos que la productividad crece más en el “centro” económico del país, su participación en el PBI debe haber aumentado con el decurso de los años. Es decir, si se mantiene la concentración poblacional, es de presumir que aumenta la concentración de la actividad.

Desde luego que, desde el punto de vista de la “equidad” regional, es conveniente la presencia de un proceso de desconcentración de la producción (tal como parece haberse registrado, según el análisis a nivel de jurisdicciones provinciales, en nuestro vocabulario, Modelo D). Incluso sería presumiblemente conveniente que dicho proceso se acelerara y profundizara.

VI. Otra visión del fenómeno: el Modelo Gravitatorio

Una de las manifestaciones de la interacción es el llamado modelo gravitatorio. Existen antecedentes conceptuales en el siglo XIX, en Henry Carey. Efectivamente, en sus “Principios de Ciencias Sociales” (1859) sostiene que el área de influencia de una ciudad es proporcional al tamaño de su población. Carey fue conocido por su rechazo a la teoría de la renta de Ricardo y también a la teoría malthusiana de la población, ya que consideraba que la capacidad técnica de producción aumentaría, no más lentamente sino más velozmente que el número de habitantes. También sobresalió por su ideario “ecologista”, dada su defensa de la conservación de los recursos naturales (especialmente los suelos), escribiendo: “Es singular que la economía política haya omitido el hecho de que el hombre

14

14

es mero prestatario de la tierra, y que cuando no paga sus deudas, ésta (...) lo expulsa de sus dominios”.

También existen antecedentes de enfoque gravitatorio en los planteamientos migratorios de E. Ravenstein (hacia 1885). Luego, llega el planteo matemático de W. Reilly, conocido como la “ley de Reilly”, elaborada como resultado de estudios de compras al por menor.

Es conveniente detenerse aquí para revisar el origen de estos planteos. En realidad, como muchos de nuestros conceptos, proviene de las ciencias “duras”, en concreto, de la física newtoniana clásica. Efectivamente, en física existen dos clases de fuerzas: a) las fuerzas que actúan por contacto directo b) las fuerzas que actúan a distancia. En estas últimas, en que la ación de las fuerzas tiene lugar sin contacto físico, el efecto causado depende de la distancia al agente activo. Estas ideas las han reunido los físicos en la llamada “teoría de campos”: “Se entiende por campo el lugar del espacio en que aparece el efecto de una fuerza, con una intensidad que depende de la posición respecto de la causa o agente activo”.

En el caso de las fuerzas gravitatorias la causa es la masa (cualquier masa, en el caso de la gravitación universal), y el efecto es una fuerza que actúa sobre las otras masas, atrayéndolas con una intensidad inversamente proporcional al cuadrado de la distancia. De tal modo se llega a la famosa proposición, o hipótesis, de la atracción universal:

“Dos cuerpos se atraen en el espacio en razón directa del producto de sus masas y en razón inversa del cuadrado de la distancia que los separa”, cuya expresión es:

2'*

*d

mmK

AF =

Siendo k una constante cuyo valor depende de las unidades de medida que se adopten. En el sistema CGS (sistema absoluto o cegesimal) es el valor en dinas con que se atraen dos masas de 1 gramo distanciadas por 1 cm8.

La física newtoriana nunca explicó la causa “eficiente” de esta fuerza de atracción. Solamente relata su presencia y calcula su intensidad. Hoy se hipotetiza sobre la existencia de unos agentes generadores, unas partículas hipotéticas, los gravitones. Pero, en definitiva, aún hoy, a 300 años de Newton, no conocemos la causa de esta regularidad empírica9. Si en física, no se ha dado hasta hoy una explicación satisfactoria de la fuerza gravitatoria ¿qué se le puede demandar a nuestra disciplina en tal sentido?.

Se suele considerar al modelo de gravedad una técnica poco sofisticada; sin embargo, si estamos interesados en estudiar cómo las fuerzas de dispersión y aglomeración afectan, en su intensidad relativa, la distribución espacial de los fenómenos económicos (población, producto, etc.), el modelo gravitatorio parece resultar un útil compendio de estos efectos, siempre que se apliquen los exponentes de ponderación apropiados a las variables implicadas (masa y distancia).

Por eso, y pese a las críticas, se ha observado como una buena aproximación a los hechos, la aplicación analógica de la ley física que venimos tratando. El principio general se formuló de la siguiente manera: la interacción (o flujo) entre dos puntos del espacio geográfico (representado por sus masas) es una función directa de ambas “masas” e inversa de la distancia entre ellas.

aij

ijiij d

PPhF

)(*

*=

8 El sistema CGS recibe su nombre de las primeras letras de sus unidades fundamentales: centímetro (longitud), gramo (masa) y segundo (tiempo) 9 En su momento, Einstein (en la teoría “general” de la relatividad) teorizó que los cuerpos con masa curvan el espacio y el tiempo. El movimiento de esos cuerpos en el espacio curvo generaría lo que experimentamos como “gravedad”.

15

15

El exponente de la distancia “a” representa el grado con el que la distancia (d) afecta negativamente la interacción; y dependerá del tipo de flujo que se considere. Por ejemplo, para bienes particulares (y no estudios sobre “comercio agregado”), se ha encontrado empíricamente un valor alto para ese exponente en el caso de viajes hogar–escuela (es decir, que la distancia es muy importante, con valores de α entre 3 y 3,5); pero, en cambio, la estimación brinda valores bajos al estudiar el patrón de desplazamientos turísticos (con su alfa en un rango próximo a cero; esto es la distancia poco influye). Es decir que los exponentes de distancia representan las dimensiones no económicas de la distancia (p.ej. la llamada por Isard, “distancia social”). Esto es una visión más amplia de las fricciones implícitas en la distancia que los meros costos de transporte.

Por otro lado, en caso de utilizarse exponentes en las variables de masa, estos reflejan economías de aglomeración (de ser su valor mayor a la unidad) o deseconomías (de ser menor a la unidad).

Finalmente, cabe señalar que si bien aquí hemos realizado una transposición directa (e intuitiva) desde el clásico modelo newtoniano, es posible una “deducción” a partir de conceptos económicos (y supuestos bastante habituales en modelaciones), y adoptando un sencillo esquema probabilitario, tal como lo hiciese S. C. Dodd en “The interaction hypothesis: a gravity model fitting physical masses and human groups, “American Sociologial Review, abril 1950, Vol. 15 (en 1950) (y luego difundiera Isard) VI.1. El Principio de Interacción Como ya hemos señalado, la interacción puede ser tratada analítica y operativamente por el modelo gravitatorio. (con todas las limitaciones del caso), que puede presentarse en dos variantes:

• Modelo de Flujo entre pares de localizaciones (o gravitatorio propiamente dicho) • Modelo de Potencial de Mercado: orientado a medir una “accesibilidad

generalizada” de cada punto respecto a todo el espacio que lo rodea (algo así como la influencia económica del “espacio” sobre cada punto locacional posible). De tal modo que el PM resulta un “factor indicativo” de las ventajas y desventajas relativas de cada punto potencial de localización parar una empresa o industria “standard”.

Tal como ya se señaló, el modelo gravitatorio tiene sus primeras expresiones

formales con la ley de Reilly. Posteriormente, se llega al estudio clásico de C. Harris de 1954, conceptualmente una variante del multiplicador de la base económica exportadora (aplicable al comercio al por menor). Se parte del concepto físico que:

La interpretación “física” de la expresión anterior es que todo cuerpo de masa “b”, en el campo de una masa “a”, posee una energía potencial igual al trabajo que haría “a” al caer sobre “b”. Esta idea se generaliza para “n” masas, llegándose al Potencial de Mercado (PM).

Una manera más formal de llegar al PM desde el modelo gravitatorio propiamente dicho es partir de la interacción (o flujo) entre los puntos “i y “j”, generalizada para obtenerse la interacción de “todos” los puntos j sobre el nodo i; de modo que:

Pero siendo h y la masa de i, constantes para el sumatorio, tenemos

ab

bab D

MkE *=

∑ ∑==j j a

ij

jiiji d

PPhFF

)(*

*

16

16

aij

j

ji d

PPihF

)(* ∑=

Y dividiendo miembro a miembro por Pi, resultará:

∑=j

aij

j

i

i

dP

hPF

)(

Significando esta expresión, la interacción potencial entre todos los puntos considerados del espacio y el punto focal “i” (focal, por ser el foco o centro del análisis). Dada la forma de la expresión, queda claro que estamos hablando de interacción (Fi) por unidad de masa de i (Pi) (si estamos hablando de poblaciones, interacción potencial por habitante). Desde ya que si nuestro interés es el flujo no per cápita sino de masa total, deberemos multiplicar por Pi, y ya estamos ante la formulación más habitual de PM, Es obvio que el PM no es sino una variante de presentación del modelo de gravedad.

Por otro lado, dado que el propósito es comparar el potencial (o accesibilidad) de los distintos nodos, no es necesario contemplar la constante “h”, ya que siendo la misma para todos no influencia en la comparación.

Sin embargo, en el PM, tal como es de nuestro interés considerar, es preciso adicionar la propia masa del foco, de manera que tendríamos:

∑+=+=j

aij

jiiii d

PPFPPM

)(

El PM es entonces una medida de la “accesibilidad” del punto focal al conjunto de puntos (masas) dispersos en el territorio (incluyéndose a sí mismo); y al mismo tiempo es una mensura de la influencia que ejercen sobre el foco “i” el conjunto de masas distribuidas en el espacio geográfico económico.

El exponente de la distancia nos señala el nivel de fricción, de resistencia, la “impedancia” que el espacio ejerce en la interacción. Desde ya que su valor será diferente según el tipo de vínculo de que se trate: si hablamos de bienes de lujo, actividades de ocio o el conjunto de bienes agregados. Cuando más bajo sea menor la influencia de la distancia. Si la distancia se presenta en magnitudes económicas (v.gr. el costo de transporte, o la “distancia virtual”) el exponente α , como ya dijimos, representa las dimensiones “no económicas” del fenómeno de interacción.

Rastreando los antecedentes, pareciera ser que el concepto de potencial es presentado por John Q. Stewart, en un par de artículos de 1947 y 1948; en especial “Demographic gravitation: evidence and applications”, (publicado en “Sociometry” en 1948). Allí a partir del concepto de fuerza gravitacional, desarrolla la idea de energía gravital demográfica, de donde ”deduce” el potencial demográfico producido en un punto “i” por un conjunto de masas “j”, distribuidos en el espacio.

Más tarde, hacia 1954, Chauncy D. Harris y Walter Isard reformulan la idea en el Potencial de Mercado. R. Artle lo aplica, en 1959, para Estocolmo (“Studies in the Structure of the Stockholm Economy”). Luego, Isard desarrolla el tema de forma más pormenorizada en su clásico “Methods of Regional Analysis”, de 1960.

A veces el PM es mencionado como Indice de Harris (lo cual parece más atinado); y otras veces, se lo nombra como Indice de Centralidad de Keeble (lo que, en nuestra sencilla opinión, sería bastante injusto, ya que los trabajos de Keeble datan de los años ’80)

En una interpretación económica, el PM sería una “aproximación a las previsiones de ingresos futuros de una radicación” (para una unidad económica “promedio”). Es importante señalar que en esta aproximación de economía espacial, el potencial de crecimiento de un área focal no depende su estructura productiva (oferta) sino de su localización, que define su demanda. Esta perspectiva, desde ya, tiene sus limitaciones, ya que ignora la arista de la oferta (existente en el propio foco). En anteriores ocasiones, p. ej. en Figueras 1992, hemos remarcado la situación opuesta: esto es la relevancia que tiene la capacidad de oferta para una economía abierta y pequeña. Veamos el punto de conexión entre ambas perspectivas.

17

17

La oferta está constituida por los “flujos” de recursos a un área dada (incluyendo los propios recursos naturales, puestos en explotación); y estos flujos están condicionados por el PM existente en cada punto. Cada sujeto económico tomará decisiones de aplicación de recursos en el espacio en base a sus perspectivas futuras (de venta de los “servicios”, como diría Walras, de esos activos). Una buena aproximación empírica, sin sofisticaciones, ni complicados estudios para sectores particulares, puede ser el PM, o mejor un PM comparado con otros PM alternativos.

El potencial de mercado (en especial el PM comparado) es visto como un determinante de la inversión (o en general de la movilidad interregional de factores), tal como en el sencillo e ingenioso modelo de Peaker, de 1971. Efectivamente, la intuición nos dice que la proximidad a áreas de rápido crecimiento genera efectos más potentes favorables o desfavorables (según que predominen los efectos “spread” o “backward”). Esto es, la distancia importa. Y el método más simple es considerar las distancias físicas (y dentro de ella la más sencilla, la ortodrómica). Aunque lo más adecuado sería considerar la distancia geográfica real por algún medio de transporte, o mejor aún el costo de transporte (con limitaciones, ya que hasta debería considerarse la tasa de interés para evaluar el costo de financiar el stock en viaje).

En Terra & Vaillant, se presenta un cálculo del PM de las distintas regiones del Mercosur, con base 100 en el PM regional más elevado (Sudeste del Brasil: estados de Río, Minas, Sao Pablo, Espíritu Santo). Según esos cálculos, el área argentina de mayor potencial es la Central (Bs. As., Santa Fe, Córdoba), categorizada 6º y con un 82% del PM del Sudeste brasileño. Desde ya que estas medidas de accesibilidad en el espacio resultan de gran utilidad para responder a cuestiones de planificación y a la definición de incentivos (Cuadro 10).

Cuadro 10. Potencial de mercado (según cálculos de Terra & Vaillant) País Región Potencial de Mercado

Comparado Promedio PBI 90-92

Orden de PM

ARGENTINA NO 69.2 9 NE 73.2 7 Cuyo 62.6 10 Central 82.3 6 Patagonia 58.9 11

BRASIL Norte 55.0 12 Nordeste 72.5 8 Sudeste 100 1 Sur 93.8 2 Centro oeste 87.3 3

PARAGUAY 86.4 4 URUGUAY 83.3 5

Fuente: Cálculos de Terra & Vaillart Nota de lectura: Este P.M comparado arroja un valor superior para la Región Sudeste de Brasil (Estados de Espiritu Santo, Minas Gerais, Rio de Janeiro y Sao Paolo).

Existen otras variantes del modelo gravitatorio, como el modelo de Huff de 1963, que trabajando a partir de la “masa” comercial (vgr. equipamiento) de una localidad, define la probabilidad de atracción de las poblaciones distribuidas geográficamente. En otros términos, señala la probabilidad de que un consumidor localizado en “i” se desplace a adquirir bienes en el centro “j”, siendo “k” los distintos destinos alternativos.

∑=

= n

kikk

ijjij

TS

TSP

1

βα

βα

Siendo T el tiempo empleado en el desplazamiento y S el equipamiento comercial de los destinos “k” o del destino j.

18

18

Reafirmando lo anterior, el PM en cierto modo refleja el nivel de “ventaja” de la aglomeración en cada punto que los sujetos económicos reconocen, a partir de una situación de localización secuencial (tal como puede desprenderse de un modelo como el de Alfred Weber, según se analiza en Friedrich, 1929); o más aún, el efecto neto (histórico) de economías de aglomeración, preferencias locacionales, y constantes de localización, adicionado a las fricciones del espacio; determinando, por tanto, cómo en los hechos el crecimiento esperado y la actividad económica se distribuyen.

En definitiva, y resumiendo todo lo dicho, el PM (como derivado del modelo de gravedad) puede resultar un resumen útil de todos estos efectos (en la masa: aglomeración, preferencias y constantes locacionales; en la distancia: la fricción espacial en diferentes manifestaciones)..., si se aplican los exponentes de ponderación adecuados a las variables masas y distancia. VI.2. Nuevos Fundamentos a los Conceptos Gravitatorios

Como ya dijimos, ni siquiera en física existe una base causal firme y aceptable para la ley de gravitación, ¡qué esperar de la economía! Sin embargo, la analogía refleja razonablemente los hechos según sus manifestaciones accesibles.

No obstante, los economistas han buscado afanosamente fundamentos para el modelo gravitatorio. Así podemos hablar del “modelo de las oportunidades interpuestas”, de Schneider (1959), y Stouffer (1960); del principio de la “utilidad individual de los desplazamientos”, de Niedercorn y Bechdolt (1969); o el de Alan Wilson, conocido como el “enfoque de interacción por el principio de entropía” (tomado de la termodinámica).

El trabajo de Wilson de 1970 parte del principio de entropía. Es decir, que aquí el sustento analógico está en el capítulo de la termodinámica (la parte de la física que trata de las relaciones entre los fenómenos mecánicos y los calóricos). Este principio de entropía describe el recorrido de un sistema, sometido a un efecto exógeno. Recorrido que va de una situación de orden a una de desorden (en física, estaremos hablando de un desorden molecular). Por tanto, estamos estudiando el recorrido desde una condición de baja probabilidad a una de alta probabilidad. El esquema económico de Wilson trabaja con restricciones (por ejemplo, de planificación gubernamental, que minimice distancias y maximice economía de escala). En esas condiciones la concentración sería total: máximo orden y mínima probabilidad de ocurrencia. Pudiéndose estudiar el paso de esta situación a una con total ausencia de restricción, en la cual al operar la entropía, se llegaría a un mínimo orden (máximo desorden) y máxima probabilidad (que en el esquema de Wilson, llevaría a una homogeneidad espacial en la dispersión económica de actividades).

También pueden mencionarse otras formulaciones del modelo gravitatorio (de masa y distancia) al incorporar mayor número de variables (pero que según la literatura son más adecuados para trabajos sectoriales y no agregados), tales como el modelo logit multinominal de McFadden (de 1974),o el modelo logit de destinos competitivos de Fotheringham (de 1989) que se distinguen ambos de las variantes más comunes del modelo clásico.

La idea de PM ha tomado nueva fuerza en especial desde su mención por Fujita, Krugman y Venable (1999) (a partir de la consideración del modelo de competencia monopolística de Dixit-Stiglitz, de 1977). Fujita et alter presentan una “ecuación salarial”, que vinculan al PM.

Efectivamente, tal ecuación salarial nos brinda el salario máximo que una empresa

standard (promedio o representativa) podría pagar en cada localización “j”; pago que depende de la producción del foco “j”; y esta producción, a su vez, depende del PM con que cuenta. También se ha hablado de “potencial de aglomeración” (como se señala en Richardson, “Regional and urban economics”, 1978, London, Mc Millan), que sería el multiplicativo de las economías de aglomeración de cada uno de los centros “j” en el lugar “i” (aún cuando, como sabemos, las economías de aglomeración son de difícil mensura)

∏ −= jjijji dAkZ βα ** .

19

19

VI.3. Trabajo Empírico sobre Potencial de Mercado

En el acápite IV, adelantamos nuestros sencillos cálculos del CGE de nuestro país y el Brasil, en “autarquía” primero, y luego el CGE del Mercosur. Posteriormente trabajamos el cálculo del nivel de Concentración (para el conjunto de todas las provincias, y a nivel agregado, no por Grandes Divisiones) (Acápite V). Aquí, trataremos el PM para años seleccionados, tratando de descubrir las alteraciones (si las hubo) que pudieran haber sido ocasionadas por la apertura e integración de los años noventa.

En cuanto al período y datos utilizados, con el objetivo de apreciar los efectos de la apertura y la integración, se ha preferido trabajar el período 1980-1998. A esta causa de elección se adiciona la disponibilidad de datos más confiables (menor probabilidad de error en los datos) con fuentes en INDEC y CFI.

En nuestro país (y también en el mundo) existe una escasa disponibilidad de datos socio-económicos geo-referenciados, de allí que muchas de las posibilidades teóricas de análisis se vean frustradas en el intento de llevarlas a la práctica. En especial, si lo que se pretende es una reflexión vinculada al “cambio estructural”; que es, por lo común, el que más interesa desde el punto de vista regional. De allí que una técnica sencilla y de datos “relativamente” disponibles, como el PM, puede resultar de utilidad.

Pese a lo señalado en el párrafo anterior, y antes de seguir adelante, creemos necesario puntualizar las dificultades encontradas. En primer lugar, los datos no parecen reflejar la verdadera realidad social espacial en PBGpc, que cualquier espectador comprometido puede apreciar (por ejemplo, el año 1998, a precios de 1993, el producto por habitante de La Rioja era mayor que el de Córdoba; sin embargo, la situación se invierte si consideramos el mismo producto per capita pero a precios relativos de 1998). El mencionado ejemplo es uno entre muchos. Por otro lado, y desde el ángulo teórico, se nos presentó el problema del gran peso del propio centro focal en la determinación del PM de cada provincia. En tercer lugar, se careció de datos medianamente fiables de distancias “virtuales” (o costo de transporte por algún modo). Finalmente, no contamos con una matriz de interacciones que nos permitiera determinar, aún con las fuertes limitaciones del caso, valores estimados para los exponentes de masa y distancia (presentes en el cálculo).

Precisamente, uno de nuestros próximos pasos, en investigación, es la estimación de los exponentes mencionados, a través de alguna variable de interacción espacial (“contactos” entre territorios: llamadas telefónicas, conexiones postales, número de viajes, etc). Matriz de contactos de la cual, por ahora como dijimos, carecemos (particularmente, para distintos momentos del tiempo)(10).

El PM puede ser muy útil para describir en perspectiva los efectos macroespaciales de un sinnúmero de factores. Además, de llegarse a contar con datos suficientes de interacción entre nodos (a los cuales, como ya señalamos, nosotros no accedimos), puede ser una vía para reflejar los cambios relativos de las fuerzas de aglomeración y de dispersión (en especial, a través de alteraciones en los exponentes respectivos, si se quiere “factores de ponderación” de estos fenómenos). Con nuestro muy modesto análisis se exploran confirmatoriamente las asimetrías espaciales existentes.

Una pregunta clave es qué dimensión de masa considerar: ¿todo el PBG? ¿solamente la producción de transables? Cierto es que los bienes pasibles de comercio a distancia son sólo los transables (e incluso éstos con limitaciones, ya que se comercia interregionalmente sólo si los precios en dos mercados regionales de bienes difieren en una cuantía superior a la de los costos unitarios de transporte), pero la capacidad de demanda de cada uno de los puntos en el espacio está dada por el conjunto del producto generado en ese área (más allá de la existencia de “factores no residentes”, cuya demanda se localizará en otro punto del espacio distinto al lugar donde se generó su ingreso). De allí que la “masa” a considerar será el total del PBG.

10 Tal vez podrían ser matrices aceptables la del sistema nacional de pagos (clearing) o bien la matriz de migraciones (en el censo 2001)

20

20

Ahora bien, ¿qué distancia? Sin duda la más adecuada es la distancia “socioeconómica” (entendiendo por tal la geográfica, evaluada económicamente, más la distancia “social”, por ejemplo aspectos culturales). Desdichadamente sólo contamos con la distancia geográfica. En un intento por capturar de algún modo la “distancia social”, incorporamos la matriz de contigüidad (una especie de matriz de “retardos” espaciales, Moreno y Vayá, 2004) (Cfr. Anexo 1)

En el Cuadro 11 se presenta el PM “a la Stewart–Harris” (para los años 1980, 1990 y 1998), señalándose también el peso del propio aglomerado o centro focal (como se aprecia, los valores del centro focal explican casi en su totalidad el PM de cada provincia(11)). En el Cuadro 12 hemos adicionado el efecto contigüidad, penalizando aún más la distancia (por una “distancia social”), así el Centro Focal aumentó su peso (vgr. en Entre Ríos el propio centro focal pasa de explicar el 78% del PM a explicar el 79,9%).

En los cuadros en que el Índice de Potencial de Mercado a la Stewart-Harris se expresa en valores según la fórmula más convencional: PMi=ΣCij (Yi/Dij), donde Cij es la matriz de contigüidad y Dij es la matriz de distancias; sea con o sin matriz de contigüidad, las primeras cinco provincias que lideran el ranking son las mismas para todo el período y mantienen su ordenamiento. Éstas son, en orden de importancia: Buenos Aires, Ciudad de Bs. As., Santa Fe, Córdoba y Mendoza.

A su vez, se observa que Tucumán y Corrientes son las que más han perdido importancia en ambas décadas, mientras que San Luis es la que presenta el comportamiento contrario más notable. Las provincias de Chaco y Río Negro mantienen relativamente su puesto entre 1980 y 1990, pero declinan sensiblemente en 1998. Por el contrario, Neuquén y Santa Cruz también se mantienen estables entre 1980 y 1990, pero ascienden relativamente en el último período considerado, el resto de las provincias no altera sustancialmente su ubicación.

Es relevante destacar que los ordenamientos no difieren significativamente, se calculen o no con matriz de contigüidad. El único cambio observado es que el PBG del centro focal tiene menor peso sobre los índices de potencial de mercado si no se tiene en cuenta la matriz de contigüidad en su cálculo. Asimismo, se advierte que la diferencia entre los índices, con y sin la matriz, es más notable en las provincias con menor valor de los mismos.

Es conveniente reflexionar que la diferencia en el PM es explicada por las distancias, ya que el otro componente de la fórmula es idéntico para todos los nodos (la sumatoria de los PBG). En definitiva, el PM de un nodo no es sino los PBG de los distintos nodos ponderados por la inversa de las distancias (y de las “contigüidades”) que lo separan del centro focal de análisis. De allí la debilidad metodológica de este índice en el sentido de que el porcentaje que representa el PBG de la propia provincia (centro focal) en el valor del PM es tan alto que la suma de los PBG (ponderados) de las otras provincias explica una proporción muy pequeña del mismo.

Para una perspectiva más clara de la dimensión en las diferencias en el PM se procedió a “normalizar sus valores” (a partir de la suma de los PM). Digamos un “análisis vertical”. Las diferencias entre las distintas provincias son evidentes, y los porcentajes se corresponden aproximadamente a las participaciones de cada provincia en el PBI (lo que puede explicarse por el gran peso del centro focal) (Cuadros 13 y 14).

En virtud de que el factor de ponderación, dado por las distancias, juega un papel importante, y careciendo de una matriz de interacción para nuestro país (y para cada uno de los años mencionados, ya que su valor puede alterarse sustancialmente con el tiempo) que nos permita una estimación del exponente alfa hemos procedido a tomar en préstamo, para un ejercicio de simulación los resultados de otras latitudes. Por otro lado, y dado que la presencia de la contigüidad no altera sustancialmente(hasta aquí) los ordenamientos, continuaremos trabajando sin tal concepto.

11 Considerándose en el cálculo que la totalidad del PBG de cada provincia se encuentra en la ubicación de su capital.

21

21

Es decir, que para subsanar la cuestión metodológica de la importancia del centro focal en el valor del índice de potencial de mercado, hemos recurrido a otra expresión de cálculo (ésta sugerida por Michael Roos), aplicando un valor de alfa de 0.01.

A diferencia del caso del Índice de Stewart-Harris, esta forma de cálculo genera un

Fuente: Elaboración propia en base a datos de CFI. Nota: los PM se presentarán en miles de pesos por unidad de distancia.

Fuente: Elaboración propia en base a datos de CFI.

% CF % CF % CF1 Bs.As. 3.650,22 98,2% 1 Bs.As. 3.327,11 98,1% 1 Bs.As. 4.721,60 98,1%2 C. Bs.As. 2.521,82 96,2% 2 C. Bs.As. 2.307,65 96,1% 2 C. Bs.As. 3.447,58 96,4%3 Santa Fe 744,84 97,1% 3 Santa Fe 921,33 97,6% 3 Santa Fe 1.028,10 96,9%4 Córdoba 704,93 98,1% 4 Córdoba 703,06 98,1% 4 Córdoba 1.020,47 98,2%5 Mendoza 401,30 97,7% 5 Mendoza 263,40 96,3% 5 Mendoza 369,66 96,3%6 Tucumán 193,76 95,1% 7 Entre Ríos 234,04 80,3% 7 Entre Ríos 330,63 83,1%7 Entre Ríos 185,37 78,0% 8 Río Negro 177,31 95,0% 20 San Luis 282,92 93,7%8 Río Negro 150,55 94,0% 20 San Luis 172,52 92,6% 16 Neuquén 249,47 95,7%9 Corrientes 150,04 89,7% 6 Tucumán 166,41 94,1% 10 Salta 229,69 95,3%10 Salta 136,11 94,2% 10 Salta 157,17 95,0% 13 Misiones 227,18 94,6%11 Chaco 124,77 86,5% 13 Misiones 145,16 93,8% 12 Chubut 218,76 95,9%12 Chubut 117,62 94,5% 11 Chaco 139,33 88,3% 8 Río Negro 212,51 94,0%13 Misiones 113,50 92,1% 9 Corrientes 137,80 88,2% 6 Tucumán 200,57 93,2%14 San Juan 97,10 88,7% 12 Chubut 129,03 95,1% 17 Santa Cruz 164,70 96,8%15 La Pampa 89,90 84,8% 16 Neuquén 128,88 94,1% 9 Corrientes 158,47 87,0%16 Neuquén 83,95 90,6% 15 La Pampa 108,56 87,7% 15 La Pampa 153,42 87,6%17 Santa Cruz 81,04 95,4% 14 San Juan 105,50 90,1% 11 Chaco 151,98 86,1%18 Jujuy 77,60 89,4% 18 Jujuy 83,41 90,0% 14 San Juan 140,71 89,4%19 Sgo del Estero 69,81 83,4% 17 Santa Cruz 79,28 95,3% 18 Jujuy 98,54 88,2%20 San Luis 60,73 78,1% 19 Sgo del Estero 72,41 84,1% 21 La Rioja 97,80 85,1%21 La Rioja 40,16 74,2% 21 La Rioja 65,36 84,1% 19 Sgo del Estero 93,29 83,0%22 Catamarca 37,44 72,6% 24 T. del Fuego 57,27 94,5% 24 T. del Fuego 92,86 95,0%23 Formosa 36,54 73,8% 22 Catamarca 56,10 81,8% 22 Catamarca 75,21 81,0%24 T. del Fuego 29,24 89,0% 23 Formosa 44,06 78,1% 23 Formosa 63,15 79,4%

Media IPM 412,43 407,59 576,22Varianza IPM 740994,426 614586,542 1265208,12Coef. Variacion 3,17985474 3,091765 3,1226274

1980 1990 1998

Cuadro 11. Índice de Potencial de Mercado a la Stewart-Harris. Sin Matriz de Contigüidad

∑ −= ijdii eYPM α

% CF % CF % CF1 Bs.As. 3.649,42 98,2% 1 Bs.As. 3.326,24 98,2% 1 Bs.As. 4.720,35 98,1%2 C. Bs.As. 2.519,26 96,3% 2 C. Bs.As. 2.304,73 96,3% 2 C. Bs.As. 3.443,71 96,5%3 Santa Fe 741,30 97,6% 3 Santa Fe 917,92 98,0% 3 Santa Fe 1.023,03 97,4%4 Córdoba 701,97 98,5% 4 Córdoba 700,23 98,5% 4 Córdoba 1.016,35 98,6%5 Mendoza 396,42 98,9% 5 Mendoza 258,57 98,1% 5 Mendoza 362,93 98,0%6 Tucumán 188,18 97,9% 7 Entre Ríos 229,59 81,9% 7 Entre Ríos 324,11 84,7%7 Entre Ríos 180,85 79,9% 8 Río Negro 174,92 96,3% 20 San Luis 275,26 96,3%8 Río Negro 148,23 95,5% 20 San Luis 167,07 95,6% 16 Neuquén 243,80 97,9%9 Corrientes 145,38 92,6% 6 Tucumán 160,89 97,4% 10 Salta 223,91 97,8%10 Salta 131,97 97,2% 10 Salta 153,11 97,5% 13 Misiones 219,12 98,0%11 Chaco 120,01 89,9% 13 Misiones 139,44 97,7% 12 Chubut 213,69 98,1%12 Chubut 114,02 97,5% 11 Chaco 134,74 91,3% 8 Río Negro 209,13 95,5%13 Misiones 107,69 97,0% 9 Corrientes 133,35 91,1% 6 Tucumán 192,79 97,0%14 San Juan 91,50 94,1% 12 Chubut 125,46 97,8% 17 Santa Cruz 161,20 98,9%15 La Pampa 86,77 87,8% 16 Neuquén 124,88 97,1% 9 Corrientes 152,03 90,7%16 Neuquén 79,91 95,2% 15 La Pampa 105,40 90,3% 15 La Pampa 148,98 90,2%17 Santa Cruz 78,53 98,5% 14 San Juan 99,97 95,0% 11 Chaco 145,29 90,0%18 Jujuy 72,53 95,7% 18 Jujuy 78,41 95,8% 14 San Juan 132,95 94,7%19 Sgo del Estero 65,71 88,6% 17 Santa Cruz 76,80 98,4% 18 Jujuy 91,55 94,9%20 San Luis 55,19 85,9% 19 Sgo del Estero 68,48 88,9% 21 La Rioja 91,49 91,0%21 La Rioja 35,46 84,0% 21 La Rioja 60,82 90,3% 24 T. del Fuego 89,58 98,5%22 Catamarca 33,16 82,0% 24 T. del Fuego 54,95 98,4% 19 Sgo del Estero 87,57 88,4%23 Formosa 30,78 87,6% 22 Catamarca 51,90 88,4% 22 Catamarca 69,31 88,0%24 T. del Fuego 26,89 96,8% 23 Formosa 38,39 89,7% 23 Formosa 55,21 90,8%


Cuadro 12. Índice de Potencial de Mercado a la Stewart-Harris. Con Matriz de Contigüidad

19981980 1990

22

22

Fuente: Elaboración propia en base a datos de CFI.

% CF % CF % CF1 Bs.As. 36,88 98,2% 1 Bs.As. 34,01 98,1% 1 Bs.As. 34,14 98,1%2 C. Bs.As. 25,48 96,2% 2 C. Bs.As. 23,59 96,1% 2 C. Bs.As. 24,93 96,4%3 Santa Fe 7,52 97,1% 3 Santa Fe 9,42 97,6% 3 Santa Fe 7,43 96,9%4 Córdoba 7,12 98,1% 4 Córdoba 7,19 98,1% 4 Córdoba 7,38 98,2%5 Mendoza 4,05 97,7% 5 Mendoza 2,69 96,3% 5 Mendoza 2,67 96,3%6 Tucumán 1,96 95,1% 7 Entre Ríos 2,39 80,3% 7 Entre Ríos 2,39 83,1%7 Entre Ríos 1,87 78,0% 8 Río Negro 1,81 95,0% 20 San Luis 2,05 93,7%8 Río Negro 1,52 94,0% 20 San Luis 1,76 92,6% 16 Neuquén 1,80 95,7%9 Corrientes 1,52 89,7% 6 Tucumán 1,70 94,1% 10 Salta 1,66 95,3%10 Salta 1,38 94,2% 10 Salta 1,61 95,0% 13 Misiones 1,64 94,6%11 Chaco 1,26 86,5% 13 Misiones 1,48 93,8% 12 Chubut 1,58 95,9%12 Chubut 1,19 94,5% 11 Chaco 1,42 88,3% 8 Río Negro 1,54 94,0%13 Misiones 1,15 92,1% 9 Corrientes 1,41 88,2% 6 Tucumán 1,45 93,2%14 San Juan 0,98 88,7% 12 Chubut 1,32 95,1% 17 Santa Cruz 1,19 96,8%15 La Pampa 0,91 84,8% 16 Neuquén 1,32 94,1% 9 Corrientes 1,15 87,0%16 Neuquén 0,85 90,6% 15 La Pampa 1,11 87,7% 15 La Pampa 1,11 87,6%17 Santa Cruz 0,82 95,4% 14 San Juan 1,08 90,1% 11 Chaco 1,10 86,1%18 Jujuy 0,78 89,4% 18 Jujuy 0,85 90,0% 14 San Juan 1,02 89,4%19 Sgo del Estero 0,71 83,4% 17 Santa Cruz 0,81 95,3% 18 Jujuy 0,71 88,2%20 San Luis 0,61 78,1% 19 Sgo del Estero 0,74 84,1% 21 La Rioja 0,71 85,1%21 La Rioja 0,41 74,2% 21 La Rioja 0,67 84,1% 19 Sgo del Estero 0,67 83,0%22 Catamarca 0,38 72,6% 24 T. del Fuego 0,59 94,5% 24 T. del Fuego 0,67 95,0%23 Formosa 0,37 73,8% 22 Catamarca 0,57 81,8% 22 Catamarca 0,54 81,0%24 T. del Fuego 0,30 89,0% 23 Formosa 0,45 78,1% 23 Formosa 0,46 79,4%


Cuadro 13. IPM de Harris Normalizado - Sin Matriz de Contigüidad

1980 1990 1998

% CF % CF % CF1 Bs.As. 37,23 98,2% 1 Bs.As. 34,34 98,2% 1 Bs.As. 34,47 98,1%2 C. Bs.As. 25,70 96,3% 2 C. Bs.As. 23,79 96,3% 2 C. Bs.As. 25,15 96,5%3 Santa Fe 7,56 97,6% 3 Santa Fe 9,48 98,0% 3 Santa Fe 7,47 97,4%4 Córdoba 7,16 98,5% 4 Córdoba 7,23 98,5% 4 Córdoba 7,42 98,6%5 Mendoza 4,04 98,9% 5 Mendoza 2,67 98,1% 5 Mendoza 2,65 98,0%6 Tucumán 1,92 97,9% 7 Entre Ríos 2,37 81,9% 7 Entre Ríos 2,37 84,7%7 Entre Ríos 1,85 79,9% 8 Río Negro 1,81 96,3% 20 San Luis 2,01 96,3%8 Río Negro 1,51 95,5% 20 San Luis 1,72 95,6% 16 Neuquén 1,78 97,9%9 Corrientes 1,48 92,6% 6 Tucumán 1,66 97,4% 10 Salta 1,64 97,8%10 Salta 1,35 97,2% 10 Salta 1,58 97,5% 13 Misiones 1,60 98,0%11 Chaco 1,22 89,9% 13 Misiones 1,44 97,7% 12 Chubut 1,56 98,1%12 Chubut 1,16 97,5% 11 Chaco 1,39 91,3% 8 Río Negro 1,53 95,5%13 Misiones 1,10 97,0% 9 Corrientes 1,38 91,1% 6 Tucumán 1,41 97,0%14 San Juan 0,93 94,1% 12 Chubut 1,30 97,8% 17 Santa Cruz 1,18 98,9%15 La Pampa 0,89 87,8% 16 Neuquén 1,29 97,1% 9 Corrientes 1,11 90,7%16 Neuquén 0,82 95,2% 15 La Pampa 1,09 90,3% 15 La Pampa 1,09 90,2%17 Santa Cruz 0,80 98,5% 14 San Juan 1,03 95,0% 11 Chaco 1,06 90,0%18 Jujuy 0,74 95,7% 18 Jujuy 0,81 95,8% 14 San Juan 0,97 94,7%19 Sgo del Estero 0,67 88,6% 17 Santa Cruz 0,79 98,4% 18 Jujuy 0,67 94,9%20 San Luis 0,56 85,9% 19 Sgo del Estero 0,71 88,9% 21 La Rioja 0,67 91,0%21 La Rioja 0,36 84,0% 21 La Rioja 0,63 90,3% 24 T. del Fuego 0,65 98,5%22 Catamarca 0,34 82,0% 24 T. del Fuego 0,57 98,4% 19 Sgo del Estero 0,64 88,4%23 Formosa 0,31 87,6% 22 Catamarca 0,54 88,4% 22 Catamarca 0,51 88,0%24 T. del Fuego 0,27 96,8% 23 Formosa 0,40 89,7% 23 Formosa 0,40 90,8%


Cuadro 14. IPM de Harris Normalizado - Con Matriz de Contigüidad

1990 19981980

23

23

nuevo ordenamiento de las provincias. Se mantienen, en los primeros lugares, las cinco provincias que se habían mencionado, así como su orden, agregándose entre Santa Fe y Córdoba, la provincia de Entre Ríos. Este hecho se explica porque al representar una menor proporción del PM el peso del PBG del propio centro focal, y al ser menos significativo el peso de las distancias hacia las otras provincias, Entre Ríos resulta con un potencial de mercado más alto, dado que esa provincia no cuenta con un PBG tan importante como el de Córdoba o Santa Fe, pero si tiene en su haber una ubicación geográfica muy favorable, dada su proximidad a la Gran Metrópoli de Buenos Aires) (Cuadro 15).

Los cambios de ordenamiento más notables son los de las provincias de San Luis y Neuquén, que presentan importantes ascensos en los subperíodos analizados, mientras que Santa Cruz sufre una disminución notable en el período 1980-1990, recuperándose en el de 1990-1998.

En el caso de la fórmula a la Roos, la proporción que representa el PBG del centro focal en el valor del índice observa una caída importante respecto los valores correspondientes al índice a la Stewart-Harris, excepto para las provincias patagónicas, cuyo centro focal aún supera el 96 % (Córdoba, Misiones y Mendoza, por su parte, se mantienen con participaciones del centro focal superiores al 86%) (Cuadro 15).

Fuente: Elaboración propia en base a datos de CFI. Con respecto al Índice de Potencial de Mercado de Roos Normalizado (Cuadro 16),

pueden inferirse las mismas conclusiones que para el cálculo anterior, puesto que la normalización de los valores del índice no altera el ordenamiento de las provincias.

Otra variante de cálculo consiste en explorar la formulación logarítmica (o si se quiere semilogarítmica) del PM a la Stewart-Harris, en donde el PM es igual a la sumatoria de los logaritmos de los PBG más la sumatoria de los logaritmos de las distancias, llegando a los valores, ya normalizados, presentados en Cuadro 17 (al trabajar con valores logarítmicos el peso de las distancias se reduce ostensiblemente, y el ordenamiento de PM finalmente coincide con el que surge de la media geométrica de cada nodo a los restantes según Cuadro 24.

% CF % CF % CF1 Bs.As. 4.961,03 72,2% 1 Bs.As. 4.527,06 72,1% 1 Bs.As. 6.517,03 71,0%2 C. Bs.As. 4.461,00 54,4% 2 C. Bs.As. 4.076,34 54,4% 2 C. Bs.As. 5.953,39 55,8%3 S. Fe 899,04 80,5% 3 S. Fe 1.103,67 81,5% 3 S. Fe 1.294,20 77,0%4 Entre Ríos 742,62 19,5% 4 Entre Ríos 914,31 20,6% 4 Entre Ríos 1.097,40 25,0%5 Córdoba 725,93 95,3% 5 Córdoba 731,85 94,2% 5 Córdoba 1.053,72 95,1%6 Mendoza 412,73 95,0% 6 Mendoza 285,04 89,0% 6 Mendoza 401,80 88,6%7 Corrientes 235,01 57,3% 8 Chaco 238,99 51,5% 17 San Luis 317,58 83,5%8 Chaco 231,18 46,7% 7 Corrientes 237,46 51,2% 8 Chaco 266,69 49,0%9 Tucumán 210,20 87,6% 17 San Luis 197,28 81,0% 7 Corrientes 266,51 51,7%

10 San Juan 162,99 52,8% 9 Tucumán 186,90 83,8% 11 Salta 255,68 85,6%11 Salta 158,85 80,7% 11 Salta 180,71 82,6% 20 Neuquén 240,28 99,3%12 Rio Negro 143,18 98,8% 12 Rio Negro 170,38 98,9% 9 Tucumán 227,29 82,3%13 Jujuy 116,66 59,5% 10 San Juan 151,17 62,9% 14 Misiones 225,71 95,2%14 Misiones 114,15 91,5% 14 Misiones 145,95 93,3% 15 Chubut 211,07 99,4%15 Chubut 112,12 99,2% 13 Jujuy 128,24 58,6% 10 San Juan 206,41 61,0%16 Sgo del Estero 110,42 52,7% 15 Chubut 123,77 99,1% 12 Rio Negro 202,99 98,4%17 San Luis 95,17 49,8% 20 Neuquén 122,47 99,0% 13 Jujuy 163,34 53,2%18 La Pampa 90,37 84,3% 18 La Pampa 109,39 87,0% 19 S. Cruz 160,45 99,3%19 S. Cruz 77,65 99,6% 16 Sgo del Estero 107,99 56,4% 18 La Pampa 155,33 86,5%20 Neuquén 77,18 98,6% 22 Catamarca 81,25 56,5% 16 Sgo del Estero 136,41 56,7%21 Formosa 69,29 38,9% 23 La Rioja 78,98 69,6% 23 La Rioja 115,85 71,9%22 Catamarca 59,80 45,5% 21 Formosa 78,03 44,1% 22 Catamarca 108,70 56,1%23 La Rioja 49,78 59,8% 19 S. Cruz 76,21 99,2% 21 Formosa 98,31 51,0%24 T. del Fuego 26,93 96,6% 24 T. del Fuego 54,99 98,4% 24 T. del Fuego 90,12 97,9%

Suma 14.343,30 14.108,43 19.766,28Media IPM 597,64 587,85 823,59Varianza IPM 1665857,7 1386060,71 2892235,28Coef. Variacion 3,05976847 2,96503472 3,03676359

Cuadro 15. Indice de Roos (Alfa = 0,01) - % del Centro Focal

1980 1990 1998

24

24

Fuente: Elaboración propia en base a datos de CFI. Cuadro 17. Índice de Potencial de Mercado Normalizado (formulación semilogarítmica).

1 S. Fe 4.44 1 S. Fe 4.43 1 S. Fe 4.422 Entre Ríos 4.42 2 Entre Ríos 4.41 2 Entre Ríos 4.393 Córdoba 4.41 3 Córdoba 4.40 3 Córdoba 4.394 Chaco 4.35 4 Chaco 4.34 4 Chaco 4.335 Tucumán 4.34 5 Tucumán 4.34 5 Tucumán 4.336 Sgo del Estero 4.34 6 Sgo del Estero 4.33 6 Sgo del Estero 4.327 Corrientes 4.33 7 Corrientes 4.32 7 Corrientes 4.318 San Luis 4.32 8 San Luis 4.32 8 San Luis 4.319 La Rioja 4.31 9 La Rioja 4.30 9 La Rioja 4.29

10 Catamarca 4.28 10 Catamarca 4.27 10 Catamarca 4.2711 C. Bs.As. 4.26 11 C. Bs.As. 4.26 11 C. Bs.As. 4.2612 Bs.As. 4.26 12 Bs.As. 4.25 12 Bs.As. 4.2513 La Pampa 4.24 13 La Pampa 4.24 13 La Pampa 4.2314 San Juan 4.21 14 San Juan 4.21 14 San Juan 4.2115 Mendoza 4.21 15 Mendoza 4.21 15 Mendoza 4.2116 Salta 4.17 16 Salta 4.17 16 Salta 4.1717 Jujuy 4.15 17 Jujuy 4.15 17 Jujuy 4.1518 Formosa 4.14 18 Formosa 4.15 18 Formosa 4.1519 Misiones 4.07 19 Misiones 4.07 19 Misiones 4.0820 Rio Negro 4.00 20 Rio Negro 4.01 20 Rio Negro 4.0221 Neuquén 3.98 21 Neuquén 3.98 21 Neuquén 3.9922 Chubut 3.86 22 Chubut 3.87 22 Chubut 3.8923 S. Cruz 3.51 23 S. Cruz 3.54 23 S. Cruz 3.5824 T. del Fuego 3.39 24 T. del Fuego 3.42 24 T. del Fuego 3.47

1980 1990 1998

Fuente: Elaboración propia. Hasta aquí es obvia la presencia de una gran concentración (incluso bajo el supuesto

de un menor peso en las distancias, como en el PM a la Roos). Dado que el interés regional es especialmente el cambio “estructural” (las alteraciones en las circunstancias y sus efectos de largo plazo), hemos optado como vía de aproximación dinámica el PM relativo, propuesto por Isard y Freutel (en 1954) consistente en un simple cociente entre el PM en el

% CF % CF % CF1 Bs.As. 34,59 72,2% 1 Bs.As. 32,09 72,1% 1 Bs.As. 32,97 71,0%2 C. Bs.As. 31,10 54,4% 2 C. Bs.As. 28,89 54,4% 2 C. Bs.As. 30,12 55,8%3 S. Fe 6,27 80,5% 3 S. Fe 7,82 81,5% 3 S. Fe 6,55 77,0%4 Entre Ríos 5,18 19,5% 4 Entre Ríos 6,48 20,6% 4 Entre Ríos 5,55 25,0%5 Córdoba 5,06 95,3% 5 Córdoba 5,19 94,2% 5 Córdoba 5,33 95,1%6 Mendoza 2,88 95,0% 6 Mendoza 2,02 89,0% 6 Mendoza 2,03 88,6%7 Corrientes 1,64 57,3% 8 Chaco 1,69 51,5% 17 San Luis 1,61 83,5%8 Chaco 1,61 46,7% 7 Corrientes 1,68 51,2% 8 Chaco 1,35 49,0%9 Tucumán 1,47 87,6% 17 San Luis 1,40 81,0% 7 Corrientes 1,35 51,7%

10 San Juan 1,14 52,8% 9 Tucumán 1,32 83,8% 11 Salta 1,29 85,6%11 Salta 1,11 80,7% 11 Salta 1,28 82,6% 20 Neuquén 1,22 99,3%12 Rio Negro 1,00 98,8% 12 Rio Negro 1,21 98,9% 9 Tucumán 1,15 82,3%13 Jujuy 0,81 59,5% 10 San Juan 1,07 62,9% 14 Misiones 1,14 95,2%14 Misiones 0,80 91,5% 14 Misiones 1,03 93,3% 15 Chubut 1,07 99,4%15 Chubut 0,78 99,2% 13 Jujuy 0,91 58,6% 10 San Juan 1,04 61,0%16 Sgo del Estero 0,77 52,7% 15 Chubut 0,88 99,1% 12 Rio Negro 1,03 98,4%17 San Luis 0,66 49,8% 20 Neuquén 0,87 99,0% 13 Jujuy 0,83 53,2%18 La Pampa 0,63 84,3% 18 La Pampa 0,78 87,0% 19 S. Cruz 0,81 99,3%19 S. Cruz 0,54 99,6% 16 Sgo del Estero 0,77 56,4% 18 La Pampa 0,79 86,5%20 Neuquén 0,54 98,6% 22 Catamarca 0,58 56,5% 16 Sgo del Estero 0,69 56,7%21 Formosa 0,48 38,9% 23 La Rioja 0,56 69,6% 23 La Rioja 0,59 71,9%22 Catamarca 0,42 45,5% 21 Formosa 0,55 44,1% 22 Catamarca 0,55 56,1%23 La Rioja 0,35 59,8% 19 S. Cruz 0,54 99,2% 21 Formosa 0,50 51,0%24 T. del Fuego 0,19 96,6% 24 T. del Fuego 0,39 98,4% 24 T. del Fuego 0,46 97,9%


Cuadro 16. Índice de Roos Normalizado (Alfa = 0,01) - % del Centro Focal

1980 1990 1998

25

25

año (t+x) (un PM efectivamente real) y el PM en el año t, incrementado en idéntica proporción que el crecimiento del PBI nacional entre el año t y el año (t+x). Los resultados se consignan en los Cuadros 18 y 19.

Fuente: Elaboración propia en base a datos de CFI. Los resultados del Índice de Potencial de Mercado Relativo (bajo la formulación de

Harris) convalidan los ya observados en el Potencial de Mercado original, puesto que indican que la provincia más dinámica ha sido San Luis para los dos períodos analizados. Mientras que una de las menos dinámicas ha sido Tucumán. Otro caso particular es el de Santa Cruz, que tiene un índice relativo bajo para el período 1980-1990, pasando a destacarse con un alto índice relativo para el análisis del período completo 1980-1998 (seguramente muy influido por un buen desenvolvimiento minero en los ´90). Para el caso de la formulación de Roos, las observaciones son similares.

Las provincias más dinámicas son San Luis, Tierra del Fuego, Neuquén, La Rioja, Misiones y Catamarca, hecho que se presenta independientemente del subperíodo considerado (y también del índice implicado, sea a la Stewart-Harris, o a la Roos), excepto para 1980-1998 en que Santa Cruz se incorpora en el ranking de los cinco mejores para los dos variantes del índice. A su vez, las provincias de Tucumán y Mendoza son las que exhiben los desempeños más pobres en todos los períodos y para ambos índices.

Estos valores del PM relativo son indicio de una “aproximación” en el PM de los distintos nodos considerados. Señalando, si se quiere, ciertas señales de desconcentración (y más aún, estos indicadores pueden conducir a una desconcentración mayor..., de seguir los agentes económicos en sus decisiones las señales que estos índices de PM relativo brindan, ya que apuntan como más dinámicas en PM las áreas señaladas).

Es importante también una evaluación de la dinámica en el ordenamiento de las provincias por PM; y con tal fin se calculó el Coeficiente de Correlación por Rango(según el PM a la Roos). La correlación fue alta entre 1980 y 1990 (0.946) ; y para nuestra sorpresa hay mayor similitud entre 1980-1998 (0.878) que entre 1990 y 1998 (0.823).

También se procedió a calcular el PM a la Roos a nivel regional (con las regiones y centros nodales de los Cuadros 20 y 21, valores originales y normalizados,

1980-1990 1980-1998 1980-1990 1980-1998 1 San Luis 0,325 1 San Luis 11,48 1 San Luis 0,237 1 T. del Fuego 8,242 T. del Fuego 0,224 2 T. del Fuego 7,83 2 T. del Fuego 0,234 2 San Luis 8,203 La Rioja 0,186 3 Neuquén 7,32 3 Neuquén 0,182 3 Neuquén 7,674 Neuquén 0,176 4 La Rioja 6,00 4 La Rioja 0,182 4 La Rioja 5,735 Catamarca 0,172 5 Santa Cruz 5,01 5 Catamarca 0,156 5 S. Cruz 5,096 Misiones 0,147 6 Catamarca 4,95 6 Misiones 0,146 6 Misiones 4,877 Entre Ríos 0,145 7 Misiones 4,93 7 Entre Ríos 0,141 7 Chubut 4,648 Santa Fe 0,142 8 Chubut 4,58 8 S. Fe 0,141 8 Catamarca 4,479 La Pampa 0,138 9 Entre Ríos 4,40 9 La Pampa 0,139 9 La Pampa 4,2310 Formosa 0,138 10 Formosa 4,26 10 Rio Negro 0,136 10 Salta 3,9611 Río Negro 0,135 11 La Pampa 4,21 11 Salta 0,130 11 Entre Ríos 3,6412 Salta 0,132 12 Salta 4,16 12 Formosa 0,129 12 Córdoba 3,5813 Chaco 0,128 13 San Juan 3,57 13 Chubut 0,126 13 S. Fe 3,5514 Chubut 0,126 14 Córdoba 3,57 14 Jujuy 0,126 14 Rio Negro 3,4915 San Juan 0,124 15 Río Negro 3,48 15 Chaco 0,118 15 Formosa 3,4916 Jujuy 0,123 16 Santa Fe 3,40 16 Corrientes 0,116 16 Jujuy 3,4517 S. del Estero 0,119 17 C. Bs.As. 3,37 17 Córdoba 0,116 17 C. Bs.As. 3,2918 Córdoba 0,114 18 S. del Estero 3,29 18 S. Cruz 0,112 18 Bs.As. 3,2419 Santa Cruz 0,112 19 Bs.As. 3,19 19 S. del Estero 0,112 19 San Juan 3,1220 Corrientes 0,105 20 Jujuy 3,13 20 San Juan 0,106 20 S. del Estero 3,0421 C. Bs.As. 0,105 21 Chaco 3,00 21 C. Bs.As. 0,105 21 Chaco 2,8422 Bs.As. 0,104 22 Corrientes 2,60 22 Bs.As. 0,105 22 Corrientes 2,8023 Tucumán 0,098 23 Tucumán 2,55 23 Tucumán 0,102 23 Tucumán 2,6724 Mendoza 0,075 24 Mendoza 2,27 24 Mendoza 0,079 24 Mendoza 2,40

Cuadro 18. IPM Relativo de Harris Sin Matriz de Contigüidad

Cuadro 19. IPM Relativo de Roos (Alfa 0,01)

26

26

respectivamente). La enorme diferencia en los PM explica claramente la “inercia de inversión” dirigida hacia el nodo capitalino (59% de PM normalizado) frente a 10% del Zona Pampeana Húmeda (con nodo central en Santa Fe) (zona que podría incluso ubicársele, en cierto modo, “como parte” del gran centro capitalino) y 9% de la Zona Pampeana Seca (con nodo central en Córdoba)(12).



Fuente: Elaboración propia. Nota al gráfico: Se excluyeron del análisis (por cuestión de escala) las siguientes provincias: Bs. As. , Ciudad de Bs. As, Santa Fe, Entre Ríos y Córdoba.

Otro intento de reflexionar sobre la dinámica del conjunto de PM surge de analizar el vínculo entre la variación en el PM y el nivel de PM inicial. En otras palabras, regresar una variable contra la otra. Los datos sugieren (como se percibe en la gráfica, si bien con la 12 NEA incluye Chaco, Formosa, Misiones y Corrientes; Cuyo: Mendoza, San Juan y San Luis; Comahue:Río Negro y Neuquén; Patagonia: T.del Fuego,Sta.Cruz y Chubut; Z.pampeana seca: Córdoba y la Pampa; Z.Pampeana Húmeda: Santa Fe y Entre Ríos; NOA:Rioja, Catamarca,Jujuy,Salta,Santiago y Tucumán; Centro Nodal: CABA y Pcia.de Bs.As.

-40

-20

0

20

40

60

80

100

120

140

160

0,00 0,50 1,00 1,50 2,00 2,50 3,00

tasa

de

crec

imie

nto

1980

-98

IPM 1980 normalizado

Gráfico 2. Relación entre IPM inicial y su tasa de crecimiento

Centro Nodal 1980 1990 1998 NEA Resistencia/ Corrientes 374,01 415,66 533,71 NO A Tucumán 494,73 540,17 711,34 Cuyo Mendoza 521,48 504,60 741,03 Patagonia Sur Raw son 212,50 249,91 452,96 Zona Pampeana Seca Córdoba 795,33 818,55 1.175,45 Zona Pampeana Húmeda y Mesopotamia Santa Fe 943,28 1.156,01 1.373,19 Comahue Neuquén 215,69 287,03 434,45 Centro Nodal Cap Capital Federal 5.958,47 5.440,72 7.886,23

Cuadro 20. IPM de Roos Regional

Centro Nodal 1980 1990 1998 NEA Resistencia/ Corrientes 3,93 4,42 4,01 NO A Tucumán 5,20 5,74 5,35 Cuyo Mendoza 5,48 5,36 5,57 Patagonia Sur Raw son 2,23 2,66 3,40 Zona Pampeana Seca Córdoba 8,36 8,70 8,83 Zona Pampeana Húmeda y Mesopotamia Santa Fe 9,91 12,28 10,32 Comahue Neuquén 2,27 3,05 3,26 Centro Nodal Cap Capital Federal 62,62 57,80 59,26

Cuadro 21. IPM de Roos Regional Normalizado

27

27

exclusión de los nodos más relevantes) que operaría una cierta “aproximación” (¿Es esto indicativo de una convergencia tipo Beta?). Dejamos aquí de lado la posibilidad de la convergencia espuria según lo señalado por Friedman y Quah.

En la misma línea de analizar el proceso transicional, trabajamos una matriz de Markov para todo el período. Definiéndose los estratos como sigue (en todos los casos referenciados a la media del PM): menor que el 25%; entre el 25% y el 50%; entre el 50% y el 100%; entre la media y dos veces su valor, y finalmente, más de dos veces la media. Las conclusiones que se desprenden son que (a) no existe vector ergódico y hay dos estados absorbentes; (b) surgen tres grandes grupos, aquéllos con muy alto PM (estrato 5), aquellos con alto PM (estrato 4); y los que poseen un bajo PM (estratos 1, 2 y3); (c) la posición inicial importa, pues si una provincia se encuentra en el estrato 4 nunca saldrá de él. (d) Otro tanto si se encuentra en el estrato 5;(e)por el contrario, si se encuentra en el estrato 1, 2 o 3 tiene dos posibilidades: con un 46.4% finalizará en el estrato 1, y con un 53.6% su situación final estará en el estrato 2. (Estas probabilidades se han obtenido a partir del cálculo del equilibrio a largo plazo del sistema)(13). El Cuadro 22 muestra la Matriz de Movilidad 1980/1988, según unidades jurisdiccionales.

Comparando las matrices de movilidad para el nivel de ingreso per capita (Cfr. Arrufat et alter, 2005) y la actual matriz para el proceso transicional de PM (Cuadro 22), se perciben similitudes, aunque escasas. Por ejemplo, Prov. de Bs.As, CABA, Córdoba y Santa Fe se encuentran en la diagonal principal, dentro de los estratos más altos en ambos períodos (inicial y final), mientras Mendoza desciende de estrato.

Fuente: Elaboración propia. VI.4 Un ejercicio de simulación: el valor de la distancia Como hemos dicho antes, los PM están determinados por las distancias como elemento discriminante; que dicho sea de paso, ES el factor central de la nueva geografía económica. De allí que toda reducción de esas distancias (en términos económicos y socioculturales) contribuirá a beneficiar proporcionalmente en mayor medida a las áreas más alejadas del CGE del país por PBG (que como hemos calculado, se encuentra hacia la zona norte de la provincia de Bs.As.). Con fines de ejercicio académico, hemos procedido a una simulación de los efectos de una alteración de las distancias. Utilizando información del Atlas Electrónico del Automóvil Club Argentino, hemos obtenido lo siguiente: distancias y tiempos necesarios para unir todos los pares de ciudades capitales de las 24 jurisdicciones territoriales , en sus dos variantes: mejor camino y camino más corto. 13 El cálculo referido se obtuvo para la potencia 200 de la matriz de probabilidades de transición pertinente.

1980/1998 [0-1,08) [1,08-2,17) [2,17-4,34) [4,34-8,68) [8,68-34,6)[0-1,08) Catamarca Misiones

Chubut NeuquénFormosa San LuisJujuy La Pampa La Rioja Río Negro Santa Cruz Sgo. del Estero Tierra del Fuego

[1,08-2,17) San Juan Chaco CorrientesSalta Tucumán

[2,17-4,34) Mendoza[4,34-8,68) Córdoba

Entre RíosSanta Fe

[8,68-34,6) Buenos AiresCiud. de Bs. As.

Cuadro 22. Matriz de Markov (Período de Transición = 1980-1998)IPM de Roos Normalizado (Alf a = 0,01)

28

28

A continuación se muestran las distancias (en km) que se deben recorrer desde cada ciudad capital para acceder a todas las restantes capitales (sólo en viaje de ida), el tiempo (en horas) que ello demandaría, y las horas reales de viaje. ¿Qué jurisdicciones experimentarían mayores cambios porcentuales si se pudieran unir todos los nodos considerados a una velocidad uniforme de 100 km/h? En el siguiente cuadro se presentan las cifras obtenidas.

Cuadro 23. Tiempos y velocidades para el mejor camino

Unidades territoriales

Distancia total a todos los nodos

(km)

Media aritmética distancias (km)

Media geométrica

distancias (km)Horas reales Horas predichas (

100 km/h)Cambio porcentual

(horas)

Santa Fe 22680 1008 768 279.37 226.80 -18.82%Entre Ríos 23256 1034 793 290.25 232.56 -19.88%Córdoba 21492 947 798 273.28 214.92 -21.36%Chaco 27733 1231 868 346.55 277.33 -19.97%Tucumán 25620 1135 870 323.40 256.20 -20.78%Sgo. Del Estero 23605 1081 876 297.45 236.05 -20.64%Corrientes 27864 1258 891 348.35 278.64 -20.01%San Luis 23608 1041 891 295.70 236.08 -20.16%La Rioja 24898 1137 913 314.67 248.98 -20.88%Catamarca 24522 1178 947 308.42 245.22 -20.49%C. Bs. As. 25988 1161 962 313.08 259.88 -16.99%Buenos Aires 26891 1159 970 323.77 268.91 -16.94%La Pampa 24935 1087 991 311.60 249.35 -19.98%San Juan 27183 1235 1026 343.18 271.83 -20.79%Mendoza 27258 1215 1030 338.30 272.58 -19.43%Salta 30732 1370 1085 389.12 307.32 -21.02%Jujuy 31458 1395 1112 398.24 314.58 -21.01%Formosa 31179 1412 1121 389.83 311.79 -20.02%Misiones 32969 1471 1231 412.20 329.69 -20.02%Río Negro 32758 1450 1346 410.22 327.58 -20.14%Neuquén 32282 1505 1390 403.93 322.82 -20.08%Chubut 38323 1712 1606 481.65 383.23 -20.43%Santa Cruz 61055 2690 2496 766.72 610.55 -20.37%Tierra del Fuego 73595 3120 2907 944.12 735.95 -22.05%


Así, por ejemplo, partiendo desde La Plata, es necesario recorrer 26891 km que insumen 323.77 horas. Si la velocidad promedio en todos los tramos fuera de 100 km/h sólo serían necesarias 268.91 horas lo que redundaría en una caída del 16.94% en el tiempo total de viaje. Los viajes originados en la Ciudad de Buenos Aires tendrían un tiempo total de viaje de 259.88 horas por lo que se produciría una caída del 16.99%. Puede también apreciarse que la mayor caída porcentual beneficiaría a Tierra del Fuego con un 22.05%, seguida muy de cerca por Córdoba con el 21.36%.(14) ¿Qué impacto tendrían estas reducciones, no proporcionales, en los tiempos de viaje sobre las estimaciones del Potencial de Mercado? Para responderlo emplearemos la fórmula de Roos con un valor alfa de 0.001. Para asegurar que los resultados sean comparables con el uso de distancia (km), impondremos la equivalencia entre 705 km (distancia del mejor camino que une la ciudad de Córdoba con la Ciudad de Buenos Aires) y 8 horas, que es el tiempo que insume el viaje. Se obtuvieron los resultados que se muestran a continuación:

Los incrementos en el Potencial de Mercado son muy pequeños para la Ciudad de Buenos Aires y Pcia. de Buenos Aires, 2.20 y 2.25%, respectivamente. Algo más significativos resultan los valores para Santa Fe (3.26%), Entre Ríos (5.32%), Córdoba (9.34%) y La Pampa (14.47%). Los mayores incrementos se producen en los casos de Salta (25.49%), Jujuy (26.60%), Neuquén (27.04%), Chubut (33.29%), Santa Cruz (63.14%) y Tierra del Fuego (94.27%). Debemos recordar que éste es un análisis de estática en equilibrio parcial (se supone que los agentes no reaccionan a las condiciones de la nueva red). 14 El cuadro se presenta con jurisdicciones ordenadas según la media geométrica. Coincidiendo dicha ordenación con la de un PM semilogartímico (lo cual se explica por la definición de media geométrica como la raíz “n” del producto de las distancias) (Ver Cuadro 17).

29

29

Cuadro 24. Cambios en el Potencial de Mercado (a la Roos) por aumento uniforme de velocidad

Unidad territorial

Potencial de Mercado (1)

Normalización (1)

Potencial de Mercado (2)

Normalización (2)

Incremento porcentual

Bs.As. 7304 8.41 7465 7.48 2.20%C. Bs.As. 7315 8.42 7479 7.50 2.25%Santa Fe 5872 6.76 6064 6.08 3.26%Entre Ríos 5622 6.47 5921 5.94 5.32%Córdoba 4920 5.67 5380 5.39 9.34%La Pampa 4441 5.11 5083 5.10 14.47%Chaco 3561 4.10 4095 4.11 14.99%San Luis 4113 4.74 4739 4.75 15.23%Sgo del Estero 3683 4.24 4280 4.29 16.22%Mendoza 3424 3.94 4006 4.02 17.00%Catamarca 3405 3.92 3995 4.00 17.34%Corrientes 3594 4.14 4239 4.25 17.95%La Rioja 3290 3.79 3927 3.94 19.37%Tucumán 3214 3.70 3840 3.85 19.48%Misiones 3122 3.60 3780 3.79 21.07%San Juan 3179 3.66 3866 3.88 21.62%Rio Negro 3201 3.69 3913 3.92 22.24%Formosa 2992 3.45 3659 3.67 22.31%Salta 2433 2.80 3053 3.06 25.49%Jujuy 2342 2.70 2965 2.97 26.60%Neuquén 2704 3.11 3435 3.44 27.04%Chubut 2086 2.40 2781 2.79 33.29%Santa Cruz 674 0.78 1100 1.10 63.14%T. del Fuego 351 0.40 682 0.68 94.27%

Nota: alfa = 0.001, equivalencia de 705 km a 8 horas de viaje. Año 1980. Los guarismos de (1) se basan en los tiempo reales de viaje, mientras que los de(2) se calculan sobre la base de tiempos de viajes predichos con una velocidad.promedio uniforme de 100 km/h. Fuente: Elaboración propia. VII. Algunas reflexiones de cierre A modo de resumen y cierre, podemos señalar: • El proceso de aproximación del CGE hacia el nodo Metropolitano, estaría señalando un

aumento de la concentración, quizás acentuado por la apertura económica. • Sin embargo, según Indices de Concentración Absolutos, ésta parece disminuir; si

bien en los primeros años de mayor apertura (1990/1994) creció, la tendencia parece ir hacia la disminución.

• Teniendo en cuenta los IC Relativos, según el ICPP, la concentración crece acentuadamente, por aumento de la productividad en las zonas centrales; pero el ICPS sugiere una leve tendencia descendente.

• Ahora bien, con la perspectiva del PM, en especial el PM Relativo (y la sencilla regresión PM vs crecimiento del PM, para todo el período) se observan indicios de un crecimiento mayor del PM de las áreas postergadas (¿habría “aproximación” en este sentido? Si la hay, ésta según los valores de los PM normalizados, parece ser muy leve).

• En cambio, si trabajamos el proceso transicional por Markov, podemos decir que, bajo los supuestos habituales del caso, se darían tres grandes clubes: las provincias de bajo PM, las de PM relativamente alto y las de PM elevado. Se perpetuarían las diferencias.

• En definitiva, las señales no son homogéneas, mientras el CGE y el ICPP sugieren concentración, los IC Absolutos, el ICPS y el PM Relativo apuntan a un proceso de desconcentración. Por otro lado, el análisis markoviano señala la probabilidad de dos “niveles” absorbentes y un tercer “club” con baja probabilidad de abandono.

30

30

Referencias: • Armstrong, H. and J. Taylor, 1993. Regional Economics and Policy. Harvester, London. • Arrufat, J.L., Figueras A. J., Blanco, V. J y M. D. de la Mata, 2005; “Las economías provinciales: probable performance en

una perspectiva de largo plazo” , Reunión AAEP 2005, La Plata. • Barro R. y Sala-i-Martín, 1992; Convergencie, J.Pol.Econ. 100 • Boisier, S. (1982); Política económica, organización social y desarrollo regional, ILPES, Santiago de Chile • Boisier, S. (1980); Técnicas de análisis con información limitada, ILPES, Santiago. • Camagni, R., 2005; Economía Urbana, Ed. Bosch, Barcelona. • Castagna, A.I., A. Roffman y M:l. Woelflin (comp.), 1996; Economías Regionales y sus respuestas a los desafíos del

Mercosur, Ed. Homo Sapiens, Pcia. de Santa Fe. • Cuadrado Roura, J.R,T. Mancha N & R.Garrido Y.(1999), Convergencia Regional en España, Fund. Argentaria, Madrid • Cuadrado Roura, J.R. y M.Parellada (Ed.), 2002; “Regional Convergence in the European Union”, Springer, Heidelberg. • Díaz Cafferata & Figueras,(1999),La desocupación argentina: un enfoque regional, Ed.CECYT de la FACPCE, B. As. • Díaz Cafferata, A., A.J.Figueras y J.L. Arrufat, 2002; “Integration and regional restructuring”, en R. Eisen (ed.), Frankfurt • De Rus, J.Campos y G.Nombela,2003;Economía del Transporte, Bosch, Barcelona. • Di Tella, Inst. (1963);Relevamiento de la Estructura Regional de la Economía Argentina,Bs.As.CFI • Eisen, R.(editor), 2002; Supranational cooperation and integration, Frankfurt am Main. • Figueras, A.J., 2000; Tipo de Cambio y economías regionales, La Gaceta, 64, CPCE , Córdoba, • Figueras, A.J.,2004; Argentina vale la pena: temas de economía argentina y economía regional, Eudecor, Córdoba. • Figueras, A.J., y J.L.Arrufat, 2004; “Disparidades provinciales y convergencia”, (Proyecto de Investigación ,UNC, 2004) • Figueras, A.J., J.L. Arrufat y P.J. Regis, 2003, “El fenómeno de convergencia regional : una contribución”, XXXVIII

Reunión Anual de la AAEP, Mendoza. • Figueras, A.J., J.L.Arrufat y A.Rubio, 2004; “Análisis de Concentración a nivel agregado”, 15º Congreso Nacional de

Profesionales en Ciencias Económicas, Salta. • Figueras, A.J, J.L. Arrufat, M.D. De la Mata y S. Álvarez, 2004, “Convergencia Regional: une estudio sobre indicadores

de tendencia”, XXIX Reunión Anual de la AAEP, Bs. As, noviembre. • Figueras, A.J., y J.L.Arrufat, 2006; “Disparidades provinciales y convergencia”, (Proyecto de Investigación en proceso),

UNC. • Figueras, Alberto y Ariel Rubio, 2006;“Indices regionales: Aspectos analíticos”, Serie de Investigaciones (Departamento

de Economía, UNC) (a publicar) • Grupe, H., 1977; Teoría de la localización, análisis regional y redes de transporte, El Coloquio, Bs.As. • Hallet, M. (2000),Regional Specialization and concentration in the EU,European Commission Economic Papers 141,

March. • Isard, W., 1960; Métodos de análisis regional, Ariel, Madrid (traducción de 1971) • Isard, W y Freutel,1954;Regional and National Product Projections and their interrelations,NBER, Princeton UP, N.Jersey. • Krugman, P. (1994), Geografía y Comercio, Barcelona. • Moreno, R. y Vayá, E. (2002), Econometría espacial: nuevas técnicas, Investigaciones Regionales, Asociación Española

de Centros Regionales, U. De Alcalá; Numero de Otoño. • Nourse, E.,1968; Economía regional, Oikos • Porto, G. (1996), Las economías regionales en la Argentina, GEL, Bs Aires. • Richardson, H., 1975; Economía Regional, Ed. Vicens Vives, Barcelona. • Roos, M.,2001, Wages and market potential in Germany, Universität Dortmund. • Stumpo, G., 1998; Empresas transnacionales: procesos de reestructuración industrial y política económica en A. Latina,

Ed. Cepal-Alianza, Bs.Aires. • Volpe Martincus,C.2000, Integración económica y localización; el caso del Mercosur,DT 23, Dep.Ec., UNLP.

ANEXO 1 Determinación del orden de contigüidad entre las unidades territoriales

A los efectos de presentar la noción de contigüidad que adoptamos en el presente trabajo

vamos a considerar que el espacio geográfico bajo estudio está divido en cuatro unidades territoriales, denominadas A, B, C, y D que se encuentran espacialmente distribuidas tal como se indica en el siguiente cuadro:

A B C

D

Es posible acceder a B desde A en solo un paso, dado que existe una frontera común entre ambas unidades territoriales. Acceder a C desde A es un poco más laborioso puesto que requiere cruzar la unidad B. Por último, transitar desde A hacia D es aún más trabajoso dado que, en este caso, se requiere hacer dos escalas previas: desde A hacia B, desde aquí hacia C, y, finalmente, acceder a D desde C. Resumiendo la argumentación definimos que el orden de contigüidad que vincula a cada par de las unidades territoriales está dado por el mínimo número de pasos necesarios para desplazarse entre ambas. Nótese que el orden de contigüidad tiene la propiedad de simetría puesto que si para

31

31

unir A con B sólo se requiere realizar un paso, idéntica situación prevalece para el viaje en sentido contrario. La misma consideración es también válida para cualesquiera pares de unidades que se consideren. Resulta conveniente tabular la información, lo que se denomina matriz de contigüidad, como sigue:

Cuadro A.1. Matriz de contigüidad entre unidades territoriales

Unidad territorial de destino

Unidad territorial de

origen A B C D

A 0 1 2 3 B 1 0 1 2 C 2 1 0 1 D 3 2 1 0

Podría objetarse que el orden de contigüidad entre las unidades C y D sea igual a 1, idéntico al que prevalece entre B y C. En este último caso, ambas jurisdicciones tienen una larga frontera común mientras que en el primero sólo poseen un punto de contacto. Ciertamente que la definición de contigüidad aquí adoptada no es la única utilizada en la literatura aunque sí resulta ser la más habitual, hasta donde llega nuestro conocimiento. Para ilustrar mejor la idea central subyacente en esta forma de medir la organización espacial de un conjunto de unidades territoriales, tomaremos el ejemplo de la provincia de Córdoba. Dicha provincia es contigua de orden uno, es decir, sólo se necesita un paso para acceder desde ella a las siguientes jurisdicciones con las que tiene frontera común: Santiago del Estero, Santa Fe, provincia de Buenos Aires, La Pampa, San Luis, La Rioja y Catamarca. Debido a su particular ubicación en el centro de Argentina, se trata de la jurisdicción que cuenta con mayor cantidad de contigüidades de orden uno, aunque, obvio es decirlo, la longitud de sus fronteras con cada una de estas jurisdicciones es diferente, como también es diversa la calidad y cantidad de las vías de comunicación que las vinculan. Por lo que se refiere a las contigüidades de orden dos, se trata ahora de transitar desde Córdoba a otras jurisdicciones utilizando un mínimo de dos pasos. Resulta sencillo establecer que prevalece este orden de contigüidad entre Córdoba y las siguientes unidades territoriales: Ciudad Autónoma de Buenos Aires (CABA), Chaco, Corrientes, Entre Ríos, Mendoza, Neuquén, Río Negro, Salta, San Juan y Tucumán.Córdoba es contigua de orden tres con las siguientes unidades: Chubut, Formosa, Jujuy y Misiones, de orden cuatro con Santa Cruz y de orden cinco con Tierra del Fuego. En el cuadro siguiente presentamos información resumida para algunas provincia seleccionadas. Cuadro A.2.Cantidad de jurisdicciones y órdenes de contigüidad (provincias seleccionadas)

Orden de contigüidad Córdoba Buenos Aires Santa Fe Mendoza Salta Tierra del Fuego

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

LA CONCENTRACIÓN ESPACIAL: UN ESTUDIO …aaep.org.ar/espa/anales/works06/Figueras_Arrufat.pdf ·...

Documents

Transcript of LA CONCENTRACIÓN ESPACIAL: UN ESTUDIO …aaep.org.ar/espa/anales/works06/Figueras_Arrufat.pdf ·...