Archivo Clase Analisis de Datos

Machine Translated by Google
Recibido: 19 marzo 2020 Revisado: 27 julio 2020 Aceptado: 18 agosto 2020
DOI: 10.1111/rsp3.12334
ARTÍCULO ORIGINAL
Crecimiento económico regional y convergencia: el
papel de las instituciones y los efectos indirectos en
Colombia
Juan Manuel Aristizábal1 | Gustavo A. García2
1
Department of Economics, Universidad del
Abstracto
Quindío, Colombia
2
Departamento de Economía – Grupo RiSE, Este estudio analiza la relación entre las instituciones
Universidad EAFIT, Colombia y crecimiento económico a nivel intrarregional en Colom
Correspondence
bia Estimamos modelos de crecimiento económico aumentado
Gustavo A. García, Department of Economics – por una variable institucional y efectos espaciales. Los resultados
RiSEgroup, Universidad EAFIT, Colombia.
muestran que la convergencia condicional en regiones de Colombia
Correo electrónico: ggarci24@eafit.edu.co
considerar los efectos institucionales y espaciales conduce a una estafa
tasa de vergencia que es relativamente más alta que las encontradas en un
modelo de crecimiento estándar. Los resultados también muestran que las instituciones
ciones tienen un fuerte impacto positivo en la economía regional.
crecimiento. Los efectos indirectos espaciales de los factores institucionales
de una región exhiben un efecto negativo sobre el crecimiento económico en
regiones vecinas, lo que puede explicarse por los altos niveles
de heterogeneidad y fragmentación institucional que se encuentran en
regiones en Colombia.
PALABRAS CLAVE
Colombia, convergencia, factores institucionales, crecimiento económico
regional, modelos espaciales, efectos indirectos
CLASIFICACION JEL
C23; O47; R11
1 | INTRODUCCIÓN
Un extenso cuerpo de literatura ha corroborado empíricamente los efectos del gobierno y la calidad de las instituciones sobre las
diferencias en el ingreso y el crecimiento económico entre países (Acemoglu, Johnson, & Robinson, 2004; Acemoglu &
© 2020 El(los) autor(es). Política y práctica científica regional © 2020 RSAI
Reg Sci Policy Pract. 2020;1–16. wileyonlinelibrary.com/journal/rsp3 1
2 ARISTIZÁBAL Y GARCÍA
Robinson, 2012, 2013; Kruger, 1974; Rodrik, Subramaniam y Trebbi, 2004; Banco Mundial, 2017). Sin embargo, más
Se necesita evidencia sobre esta relación entre las instituciones y el crecimiento económico a nivel intrarregional, así como
un marco de análisis para países en desarrollo con baja capacidad institucional y alta heterogeneidad regional ya que las variables sociales y económicas
generan importantes distorsiones (corrupción, burocracia y poca transparencia) que afectan el desarrollo y el crecimiento. Según la OCDE (2018) y Aroca
y Atienza (2016), en el caso particular de
En los países de América Latina, la debilidad institucional es un tema importante porque ha llevado al despilfarro de recursos, lo que
erosiona la confianza pública, limita las oportunidades de crecimiento e impide la reducción de la pobreza y la desigualdad.
Adicionalmente, aunque existe consenso sobre el efecto de la geografía en la configuración de la economía
patrones de los países, necesitamos más evidencia sobre las contribuciones de los efectos espaciales y geográficos a la dinámica del desarrollo y
crecimiento en las regiones. Rey y Montouri (1999) y Abreu, de Groot y Florax (2005) afirman que
Los procesos de crecimiento a nivel intrarregional tienen una importante dimensión espacial porque la dinámica de la economía
El crecimiento de las regiones está determinado no sólo por sus propias características sino también por las de las regiones vecinas.
En este estudio, analizamos la intersección entre las diferencias regionales de ingresos y el crecimiento y los efectos de
instituciones y espacio en el caso de un país en vías de desarrollo: Colombia. Colombia se ha caracterizado por un crecimiento económico estable pero
con importantes niveles de pobreza, desigualdad y debilidad institucional (García, 2017; Robinson, 2016). Estos desequilibrios no se distribuyen por igual
en el espacio, lo que ha llevado a persistentes disparidades regionales en este país. Las regiones centrales con población concentrada y actividad
económica (p. ej., Bogotá, Antioquia y Valle) exhiben mejores indicadores sociales y económicos y desempeño institucional que las regiones periféricas,
que han sido desatendidas por el estado (p. ej., La Guajira, Chocó y Amazonas) (García, 2017; OCDE, 2018).
Por ello, este trabajo analiza los efectos de la calidad institucional y sus efectos indirectos sobre el crecimiento económico regional.
y procesos de convergencia a nivel intrarregional en Colombia.
Las contribuciones de este estudio son dos. Primero, usamos modelos de crecimiento espacialmente aumentados para determinar
efectos institucionales espaciales y procesos de convergencia al considerar los efectos de vecindad. Segundo, empírico
las pruebas se realizan a nivel intrarregional con un enfoque en un país en desarrollo para ofrecer información adicional
sobre cómo los efectos indirectos institucionales a través del espacio pueden afectar el desempeño económico y la convergencia entre
regiones heterogéneas como los departamentos en Colombia. Por lo tanto, este documento examina de cerca tres
temas: calidad institucional; efectos espaciales; y causalidad entre desarrollo institucional, espacio e intrarregional
crecimiento económico.
Para lograr estos objetivos, se estiman modelos de panel espacial de crecimiento económico para 24 departamentos de
Colombia para 2006 a 2016. Estos modelos se complementan con la inclusión de variables institucionales y la modelización espacial
dependencia en diferentes formas para dar cuenta de efectos institucionales indirectos y efectos de otras características
asociados con los efectos indirectos espaciales sobre el crecimiento y la convergencia intrarregional en Colombia. Los hallazgos de este estudio
aportar nueva evidencia empírica sobre la importancia de la calidad de las instituciones como elemento crucial en la disminución
disparidades económicas regionales en los países en desarrollo.
Tras esta introducción, la Sección 2 contiene la literatura relacionada con el estudio de la convergencia económica. En
En la sección 3 discutimos los conceptos de convergencia y los modelos econométricos utilizados. La sección 4 describe a Colombia
y sus regiones. La sección 5 presenta los datos utilizados para el análisis empírico y muestra algunas estadísticas descriptivas.
La Sección 6 presenta los hallazgos empíricos y las conclusiones se extraen en la Sección 7.
2 | LITERATURA RELACIONADA
En esta sección, presentamos los principales estudios realizados sobre convergencia económica en países desarrollados y en desarrollo.
países con un enfoque en aquellos con efectos institucionales y indirectos. Los trabajos seminales sobre este tema incluyen los de Baumol (1986) y Barro
y SalaiMartin (1992), quienes encontraron evidencia de convergencia económica para varios países desarrollados entre 1870 y 1990. En un estudio
reciente, Cabral y Castellanos (2019 ) examinó el efecto del 2008
crisis financiera sobre la convergencia económica entre los países europeos de 1972 a 2012. Los autores encontraron que
ARISTIZÁBAL Y GARCÍA 3
la crisis financiera condujo a una mayor tasa de convergencia entre los países estudiados. Además, Ceylan y Abiyev (2016) investigaron la
convergencia económica entre los países de la Unión Europea desde 1975 hasta 2015 y
encontró evidencia de convergencia económica.
Para América Latina, Barrios, Flores y Martínez (2018) identificaron clubes económicos de convergencia en los países de América
Latina desde 1990 hasta 2014. Bonilla (2017) también estudió la convergencia en el PIB per cápita entre 10 países de UNASUR desde
1951 hasta 2011 y evidenció procesos de convergencia . Además, Ayala, Cunado y GilAlana (2013)
encontraron convergencia con la economía de América del Norte en Chile, Costa Rica y Trinidad y Tobago desde 1950 hasta 2011. Szeles
y Muñoz (2016) estudiaron la convergencia económica en Ecuador desde 2007 hasta 2014 con resultados mixtos. A partir de estudios
aplicados a Brasil, Díaz, Rubiera, Pires y Gomes (2017) confirmaron la existencia de convergencia a nivel intrarregional con un modelo
multinivel. En cambio, De Almeida, Ehrl y Moreira (2018) analizaron
convergencia en los estados brasileños entre 1990 y 2010 y encontró un proceso de convergencia relativamente lento. Para el caso de
México, Díaz, Fernández, Garduño y Rubiera (2019), utilizando un modelo de convergencia Beta condicional para
19802008 a nivel municipal, concluyó que la convergencia económica desapareció después de que se desarrolló el TLCAN.
Rodríguez, López y Mendoza (2016) estudiaron la hipótesis de convergencia regional en el PIB per cápita para
1970–2012 en México estimando modelos de crecimiento no lineal y encontró evidencia de clubes de convergencia.
Para Colombia, Cárdenas, Pontón y Trujillo (1993), en su estudio seminal de los departamentos colombianos, encontraron
apoyo a una hipótesis de convergencia condicional de 1950 a 1989. Sánchez y Núñez (2000) proporcionan hallazgos similares. En
contraste, Bonet y Meisel (1999) y Acevedo (2003) muestran que a pesar de la evidencia de
convergencia económica entre los departamentos colombianos en la década de 1980, este proceso de convergencia no se mantuvo en la
década de 1990. Franco y Raymond (2009) empleando técnicas de datos de panel no encontraron evidencia de convergencia
entre departamentos en Colombia de 1975 a 2000.
En cuanto a los efectos espaciales del proceso de convergencia, varias investigaciones han estudiado el papel de la geografía en los
procesos de desarrollo regional. Krugman (1991) y Quah (1996) argumentan que las concentraciones espaciales modifican la dinámica
económica. Un trabajo seminal de Rey y Montouri (1999) destaca la importancia de considerar la
efectos al analizar la convergencia económica y desde una perspectiva econométrica espacial examina el papel de la geografía en los
patrones de crecimiento del ingreso en los EE.UU. desde 1924 hasta 1999. influencias. En un estudio reciente, Bourdin (2015) apoya los
efectos
de geografía sobre procesos de convergencia económica en 15 países de la UE. Con resultados mixtos, Balcerzak y Pietrzak (2017)
consideraron los efectos espaciales y encontraron evidencia a favor y en contra de la convergencia en Polonia para
2004 a 2012.
Montero y del Río (2013) documentan evidencia de convergencia económica en los países de América Latina basada en efectos
espaciales. Los autores estudiaron el fenómeno de convergencia para las regiones bolivianas incluyendo espacial
efectos para 1988–2011. Encuentran evidencia de dependencia no espacial. Centrándose en Brasil, Díaz, Rubiera y Paredes (2018)
estudiaron la convergencia entre municipios mientras controlaban la desagregación espacial y la alta
índices de correlación espacial y encontraron diferentes procesos de convergencia intrarregional en los que los países más industrializados
las regiones muestran divergencia interna mientras que las regiones menos desarrolladas muestran convergencia. Resende, de Carvalho,
Sakowski y Cravo (2016) estudiaron el crecimiento económico en Brasil considerando la segregación espacial para 1970–2000 y
encontraron diferencias en los procesos de convergencia de las zonas sur y norte. En un análisis de México, Valdez (2019)
analizó la convergencia económica en presencia de externalidades espaciales y estimó un modelo espacial de Durbin y muestra
efectos débiles de los efectos indirectos espaciales en el proceso de convergencia.
Para el caso colombiano, Galvis y Hahn (2016) estiman la convergencia para 1993–2012 mientras controlan por
efectos espaciales y externalidades de capital físico y humano. Los autores muestran que cuando los efectos espaciales no son
considerados, hay evidencia de convergencia, aunque esta convergencia desaparece cuando se incluyen los efectos espaciales en el
modelo. De manera similar, Loaiza y Moncada (2013) identificaron procesos de convergencia regional incorporando derrames espaciales
de 1985 a 2010. Luego, Royuela y García (2015) aplicaron la econometría espacial para estudiar los efectos sociales y sociales.
convergencia económica entre regiones en Colombia entre 1975 y 2005 y encontró convergencia en
pero no en las variables económicas y encontró que los efectos indirectos eran muy importantes.
Los nuevos debates sobre la convergencia económica están fuertemente vinculados a la teoría económica institucional. Por ejemplo, Ahmad y
Hall (2017) utilizaron un modelo de proximidad institucional para capturar la dependencia entre
países y determinar sus efectos en los procesos de convergencia. Los autores encontraron que las variables institucionales
tienen efectos positivos importantes en el crecimiento económico con tasas más altas de convergencia encontradas entre los países en desarrollo
analizados. Al encontrar efectos positivos similares de las instituciones, Ganau (2017) empleó una muestra de
50 países africanos de 1981 a 2001 para probar los efectos de las instituciones en el crecimiento del PIB per cápita. En contraste, Hall (2015) muestra
que las instituciones democráticas no contribuyen a la convergencia condicionada en un estudio de
varios países para 1980 a 2010.
De acuerdo con esta revisión de la literatura, las contribuciones académicas en relación con los efectos espaciales e institucionales en
la convergencia económica son limitadas. Por lo tanto, este artículo aporta más evidencia sobre la convergencia intrarregional
procesos que incorporan efectos espaciales e institucionales y sobre cómo estos efectos indirectos dan forma a la economía
convergencia en un país en desarrollo.
3 | MODELOS DE CRECIMIENTO ESPACIAL CON CONVERGENCIA
La literatura ha documentado dos modos de convergencia Beta (Barro & SalaiMartin, 2004): absoluta y contra
convergencia tradicional. El primero predice que las economías pobres tienden a tener mayores tasas de crecimiento al tener menores dotaciones
de capital inicial (Kant, 2018). La convergencia beta condicional, por el contrario, condiciona la tasa de crecimiento a
las características estructurales de cada región analizada y por lo tanto asume que las regiones exhiben diferentes estados estacionarios (Aroca,
Azzoni, & Sarrias, 2018). La expresión del modelo de convergencia Beta absoluta es la siguiente:
YiT =
registro α + βlogð Þ Yi0 + εi, ð1Þ
yi0
donde la variable dependiente representa la tasa de crecimiento del PIB per cápita del departamento i entre el periodo final (T) y el periodo inicial (0).
Yi0 es el PIB real per cápita en el período inicial 0. α es el término constante, β es la conversión
coeficiente de gencia de interés a estimar y εi es el término de error. β es el parámetro de convergencia convencional de
regiones estudiadas y se espera que sea negativo debido a que refleja los procesos de recuperación de las regiones rezagadas, ya que
implica que cuanto más pobre es la región, más rápido crece. Tenga en cuenta que el modelo se estima en el contexto de cross
datos seccionales donde solo requerimos datos sobre el PIB real per cápita para el comienzo y el final del período de análisis
para cada región.
El modelo de crecimiento con convergencia Beta condicionada incluye variables explicativas que definen la constante
estado de cada región analizada. La forma funcional del modelo de convergencia Beta condicional en el contexto del panel
los datos son los siguientes:
Sí =
registro αi + βlogð Yit−1 + Xit + it, ð2Þ
Yt−1
donde la variable dependiente es la tasa de crecimiento del PIB per cápita del departamento i entre el periodo t y el periodo
t − 1. X es una matriz de variables explicativas, y β es el coeficiente de convergencia a estimar y se espera que sea
negativo para reflejar regiones que se están poniendo al día con sus niveles de estado estacionario. αi denota efectos fijos para cada región, que son
variables aleatorias que capturan la heterogeneidad no observada relacionada con el estado estacionario de cada región. Estos fijos
los efectos pueden tratarse como efectos fijos o aleatorios. El modelo de efectos fijos permite que las intersecciones que varían a lo largo
las unidades espaciales están correlacionadas con X donde es necesario que los métodos de estimación eliminen αi para asegurar una estimación
consistente de β (por ejemplo, dentro del estimador). La otra variante, el modelo de efectos aleatorios, asume que los indi
El efecto individual αi involucra variables aleatorias distribuidas independientemente de los regresores donde el método de estimación debe
TABLA 1 Modelos de datos de panel espacial
Modelo autorregresivo espacial (SAR) Sí = αi + βlogð Yit−1 + Wlog Sí
registro
Yt−1 Yt−1 + θXit + εit
Modelo de error espacial (SEM) Sí =
registro
Yit−1 αi + βlogð
Yit−1 + Xit + it
= λWεit+out εit
modelo SAC Sí = Sí
registro
Yt−1
αi + βlogð Yit−1 + Wlog
Yt−1 + θXit + εit
siéntate = λWεit+fuera
Modelo espacial de Durbin (SDM) Sí Sí
registro = αi + βlogð Yit−1 + Wlog + θXit + γWXit + εit
Yt−1 Yt−1
considere esta suposición (p. ej., estimador GLS factible) (Cameron & Trivedi, 2005). Realizamos análisis espaciales y no espaciales.
Pruebas de Hausman para seleccionar entre efectos fijos y efectos aleatorios, y estas pruebas muestran que el modelo de efectos fijos se
ajusta mejor a nuestros datos.1 Según Elhorst (2014), el modelo de efectos fijos espaciales presenta importantes cambios econométricos.
ventajas porque considerar las diferentes intersecciones por región y modelar la dimensión espacial permite controlar simultáneamente las
características regionales no observadas, las variables omitidas y los problemas endógenos.2
Se agrega un conjunto de variables explicativas X como determinantes de estado estacionario y, siguiendo a Mankiw, Romer y Weil
(1992), incluimos una variable para el capital humano. En un estudio reciente, Zhang, Li, Wang y Fleisher (2019) muestran
que el capital humano afecta directamente la tasa de crecimiento económico e indirectamente afecta el proceso de desarrollo económico.
convergencia. Para capturar los efectos de la heterogeneidad institucional en el crecimiento regional, incluimos una medida de
desempeño para las regiones estudiadas y asumen que la calidad de la institución y sus externalidades positivas son determinantes importantes
del crecimiento económico (Acemoglu, Johnson y Robinson, 2001; Ahmad y Hall, 2017; North, 1990; Rodrik et al., 2004).
La inclusión de efectos espaciales en el modelo de crecimiento implica el uso de herramientas econométricas no convencionales, a saber,
técnicas econométricas espaciales. Varios trabajos han utilizado econometría espacial en modelos de crecimiento para probar la hipótesis de
convergencia regional (Aroca & Bosch, 2000; Buendía, Yago, & Sánchez, 2012; Royuela & García, 2015). En este trabajo, seguimos esta
literatura en el contexto de los modelos de datos de panel espacial y consideramos
dependencia en diferentes formas. Para todos los modelos, W es la contigüidad espacial de primer orden de tipo reina estandarizada
matriz. La Tabla 1 presenta los modelos estimados.
De la Tabla 1 podemos encontrar que el modelo espacial autorregresivo (SAR) incluye una variable dependiente espacialmente rezagada.
El modelo de error espacial (SEM) incorpora la dependencia espacial en el término de error, que es espacialmente
rezagado. Tenga en cuenta que como los modelos SAR y SEM capturan un solo efecto de interacción espacial, también estimamos el modelo
autorregresivo espacial con error espacial (SAC) para considerar simultáneamente los dos tipos de dependencia espacial (Kelejian & Prucha,
1999). Finalmente, estimamos el modelo espacial de Durbin (SDM) propuesto por LeSage y Pace (2009),
que incorpora la dependencia espacial en las variables dependientes y explicativas. Los modelos que contienen términos de rezago espacial
de variables dependientes o explicativas (SAR, SAC y SDM) son bastante útiles para determinar la existencia de
efectos indirectos y son necesarios para calcular los llamados impactos directos, indirectos y totales para interpretar los efectos y su significancia
estadística (LeSage & Pace, 2009).
1
La prueba no espacial de Hausman presenta un estadístico χ2 de 75.77 (pvalor = 0) mientras que las pruebas espaciales de Hausman (Mutl & Pfaffermayr, 2011; Millo & Piras,
2012) de los cuatro modelos espaciales que estiman SAR, SEM, SAC y SDM muestran a Estadísticas de χ2 de 10,71 (valor de p = 0,013), 1392 (valor de p = 0), 61,59 (valor
de p = 0) y 90,64 (valor de p = 0), respectivamente, de las que rechazamos los efectos aleatorios supuesto a favor del modelo de efectos fijos.
2
Una variable asociada con el capital físico no fue incluida en nuestros modelos, debido a restricciones de datos a nivel departamental, que es un determinante
importante del crecimiento económico (Mankiw et al., 1992). Sin embargo, desde un punto de vista teórico, Acemoglu y Dell (2010) argumentan que la omisión del capital físico
en un modelo de crecimiento económico regional puede no ser una preocupación importante, ya que este factor es muy móvil en un país y no podría ser un factor
determinante. determinante importante de las disparidades económicas regionales. Desde un punto de vista econométrico, Dubin (1988), Brasington y Hite (2005) y LeSage
y Pace (2009) muestran que el uso de especificaciones de modelos econométricos espaciales produce estimaciones menos sesgadas que los modelos OLS cuando se omiten variables.
4 | COLOMBIA Y SUS REGIONES
Este trabajo emplea datos de Colombia, que es un país sudamericano de ingresos medios con una población cercana a los 48 millones de habitantes
y una superficie terrestre de aproximadamente 1,2 millones de km2 . La Tabla 2 presenta los cambios económicos y sociales
indicadores para Colombia y otros países. Las cifras muestran que Colombia se caracteriza por una economía positiva
crecimiento junto con altos niveles de pobreza y desigualdad: la tasa de crecimiento anual del PIB es de 2,7%, pero el porcentaje
de las personas que viven por debajo del umbral de la pobreza es del 4,5% y el coeficiente de Gini es de aproximadamente el 50%, que son muy
valores altos en relación con los de los países vecinos. En términos del mercado laboral, la Tabla 2 muestra que Colombia
tiene malas condiciones laborales en términos de calidad y cantidad de empleo, con una tasa de informalidad laboral del 56% y del 9%
tasa de desempleo, que son relativamente altas en comparación con otros países de América Latina. como un desarrollo
país, Colombia tiene un ambiente institucional de baja calidad, como lo corrobora el índice de percepción negativa de
la eficacia del gobierno colombiano.
Colombia se divide en 32 departamentos además de Bogotá como distrito capital y 1.122 municipios.
Los departamentos son subdivisiones administrativas similares a los estados de los Estados Unidos y tienen un cierto nivel de
autonomía, aunque económicamente los recursos siempre se distribuyen del Estado a los departamentos y luego a los
municipios. Existe una considerable heterogeneidad geográfica, cultural, social y económica entre los departamentos (Galvis & Meisel, 2009; García,
2017). Para la zona central del país, a lo largo de la cordillera de los Andes, encontramos
departamentos con mayor población y mayor actividad económica: Bogotá, Antioquia y Valle.
Bogotá, Medellín y Cali, ciudades capitales departamentales, concentran el 23,3% de la población del país y generan el 50,4% del PIB del país
(DANE, 2018). Otros departamentos con aportes importantes al PIB son Santan der (con capital en Bucaramanga), Meta (Villavicencio) y Boyacá
(Tunja). En las dos primeras regiones, la extracción de petróleo
y refinación son las actividades principales mientras que Boyacá es la principal región agrícola del país y dada su cercanía
a Bogotá, sustenta una considerable actividad agrícola comercial. En cambio, los departamentos de la periferia y con acceso geográfico limitado son
las regiones más pobres. Este grupo incluye Chocó (Quibdó), La Guajira (Riohacha), zonas Ama (Leticia), Nariño (Pastor) y Caquetá (Florencia).
Otras regiones pobres en la costa incluyen Magdalena (Santa Marta), Sucre (Sincelejo) y Cauca (Popayán).
5 | DATOS Y ESTADÍSTICAS DESCRIPTIVAS
La base de datos utilizada en este estudio incluye un panel de observaciones para 24 departamentos de Colombia durante un período de 11 años.
desde 2006 hasta 2016. Tenemos un panel balanceado con N = 24 y T = 11 con NT = 264 observaciones en total.
Los datos del PIB real per cápita fueron tomados del Departamento Administrativo Nacional de Estadística (DANE, 2016). Como un
variable proxy para el capital humano, incluimos la relación entre la matrícula de personas en educación superior y la población
multiplicado por 1.000, que representa la tasa de matrícula en educación superior por cada 1.000 habitantes. Información sobre
la matrícula de educación superior se tomó del Sistema Nacional de Información de Educación Superior.
Para estudiar los efectos de las variables institucionales sobre el crecimiento, se incluyó un índice institucional por departamento en
los modelos de crecimiento La variable proxy seleccionada como indicador institucional es el índice de desempeño fiscal, que se
medido por el Departamento Nacional de Planeación y está diseñado para medir el desempeño fiscal de los
entidades. El indicador se calcula como el promedio de otros seis indicadores de gestión fiscal: autofinanciamiento de
gastos de operación, respaldo de los servicios de la deuda, dependencia de las transferencias y regalías de la nación, generación de recursos propios
recursos, magnitud de la inversión pública y capacidad de ahorro. Este indicador va de 0 a 100 con el más alto
valores que indican un mejor rendimiento. En la tabla 3 se muestran los principales estadísticos descriptivos de las variables analizadas.
La tabla 3 muestra que en Colombia existe una tasa de crecimiento de 6,4% en promedio para los diez años estudiados. En términos de
la variable institucional, se observa que el desempeño fiscal del departamento mejoró a lo largo del período analizado
con un aumento de aproximadamente 6 puntos entre 2006 y 2016. La variable de capital humano muestra que la
La tasa de matriculación en educación superior se ha mantenido relativamente estable, aproximadamente 150 estudiantes por cada 1.000 habitantes.
Notas:
PPA:
paridad
del
poder
adquisitivo.
aLos
datos
se
refieren
a
2018
(datos
del
Banco
Mundial);
bConsulte
2015
(World
Populations
Prospects:
The
2019
Revision
(Naciones
Unidas));
cLos
datos
se
refieren
al
año
más
reciente
disponible
durante
el
período
20102017
(Datos
de
desarrollo
humano
(19902017));
dLos
datos
se
refieren
al
año
más
reciente
disponible
durante
el
período
20062016
(Datos
de
desarrollo
humano
(19902017));
Los
datos
electrónicos
se
refieren
a
2019
(datos
del
Banco
Mundial);
fLos
datos
se
refieren
al
año
más
reciente
disponible
durante
el
período
2014–
2018
(ILOSTAT).
gCaptura
las
percepciones
sobre
la
calidad
de
los
servicios
públicos,
la
calidad
del
servicio
civil
y
el
grado
de
su
independencia
de
las
presiones
políticas,
la
calidad
de
la
formulación
e
implementación
de
políticas,
y
la
credibilidad
del
compromiso
gobierno
con
dichas
políticas,
los
datos
se
refieren
a
2018
( datos
del
Banco
Mundial). CUADRO
2
Indicadores
económicos
y
sociales
en
Colombia
y
otros
países
Efectividad
del
gobiernog Empleo
informal
(%
del
total
no
agrícola) Tasa
de
desempleo
(%)e Población
que
vive
por
debajo
de
US$1,90
PPA
por
día
(%)d coeficiente
GINI Población
(miles)b Crecimiento
del
PIB
(anual,
%)a PIB
per
cápita
(2011
PPA
$)a
empleo)
(%)f
47,521 13,332 colombia
ecuador
−0,08 56.3 49.7
9.2 4.5 2.7
16,212 10,412
−0,26 64.8 44.7
4.0 3.6 1.4
30,471 12,794 Perú
−0,24 59.0 43.3
2.9 3.5 4.0
204,472 Brasil
14,282
−0,44 38.3 12.2 53.3
3.4 1.1
17,969 22,873 Chile
27.7 46.6
1.08 7.4
4.0
43,075 18,282 México
Argentina
47,9 10.0 41.2 −2,5
0.02

121,858
18,101
−0,15 60.7 48.3
3.4 2.5 2.0
320,878 NOSOTROS
A
55,681
41.5
1.58
3.9
2.9
65,860 40,158 Reino
Unido
33.2
1.4
3.8
1.4
CUADRO 3 Estadísticas descriptivas en Colombia 2006, 2010, 2016
Variable Año Media DE p25 mediana P75 mínimo Parte de CV máx.
PIB real per cápita 2006 10.2 3.9 7.0 10.1 12.2 5.1 20,8 0,38 0,068
2010 11.7 5.1 7.9 10.9 14.1 5.6 24,4 0,43 0,083
2016 13.9 6.2 8.7 12.7 17.3 7.0 29,5 0,44 0,089
Índice de desempeño fiscal 2006 62.8 6.8 58,9 64.7 66.8 40.2 70,2 0,10 0,006
2010 66.1 6.0 63.6 66.3 68,9 54.5 83,6 0,09 0,004
2016 68.7 4.6 63.3 68.7 70.3 60.8 83,8 0,06 0,002
Tasa de matriculación 2006 147,4 22,5 143,6 153,4 160.1 95,2 179,9 0,15 0,011

en educación superior
2010 159,3 19,0 156,9 163,3 170,8 113,4 184,3 0,11 0,007
2016 150,0 30,9 133,9 152,7 161.2 92,9 258,7 0,20 0,018
Notas: El PIB real per cápita está en millones de pesos colombianos; la tasa de matriculación en educación superior es por cada 1.000 habitantes.
Las figuras 1 a 3 muestran la distribución espacial del PIB real per cápita, el indicador de desempeño institucional y
capital humano para 2006 y 2016. Entre las variables encontramos persistencia espacial y concentración. El central
regiones como Bogotá, Santander, Cundinamarca, Meta, Antioquia y Valle tienen el mejor desempeño en estos
mientras que las regiones de la periferia tienen indicadores más bajos, y estos patrones son persistentes en el tiempo.
Antes de analizar la convergencia Beta, probamos la existencia de convergencia tipo sigma en el PIB real per cápita.
La figura 4 muestra la evolución del coeficiente de variación y el índice de Theil para esta variable. El coeficiente de varia
ción muestra evidencia de convergencia de tipo sigma. La disminución del coeficiente de variación en los últimos 4 años
muestra menor dispersión de ingresos para los 24 departamentos analizados. Estos resultados son corroborados por el índice de Theil.
FIGURA 1 PIB real per cápita (en millones de pesos colombianos)
FIGURA 2 Índice de desempeño fiscal
FIGURA 3 Tasa de matriculación en educación superior
6 | RESULTADOS
Los resultados de las estimaciones de los modelos de crecimiento de datos de panel espacial con efectos fijos se muestran en la Tabla 4.
Las variables explicativas se incluyen en logaritmos. El coeficiente negativo y estadísticamente significativo sobre el real
FIGURA 4 Coeficiente de
variación e índice de Theil de
el PIB real per cápita
El PIB per cápita1 demuestra que el PIB per cápita regional ha estado convergiendo desde 2006. Las estimaciones para el
Los determinantes del crecimiento también son estadísticamente significativos y tienen los signos esperados. Encontramos esa mejor institución
la calidad implica impactos positivos en el crecimiento económico regional. Para la variable capital humano, notamos que cuando se incorpora una
estructura más compleja de dependencia espacial (los modelos SAC y SDM), el efecto positivo sobre
Desaparece el crecimiento económico.
Para identificar el mejor modelo, utilizamos pruebas estadísticas LM simples y robustas de dependencia espacial aplicadas al modelo OLS (Anselin,
Bera, Florax, & Yoon, 1996; Elhorst, 2014). Los resultados de las pruebas LM que se muestran en la parte inferior de
La Tabla 4 demuestra que no es posible rechazar la hipótesis nula de no dependencia espacial del dependiente.
variable y término de error. A su vez, los resultados sólidos de la prueba LM no son estadísticamente significativos. Dado que los resultados de la
Las pruebas robustas de LM no son concluyentes sobre la estructura de la dependencia espacial, seguimos las propuestas hechas por Anselin et al.
(1996) y Elhorst (2010) para estimar el modelo SAC y SDM.
Las estimaciones del modelo SAC (columna 4 de la Tabla 4) muestran que es necesario considerar la dependencia espacial en
la variable dependiente y en el término de error. Los coeficientes asociados con estas dos variables son altamente signi cativos (ρ y λ), lo que indica
importantes efectos indirectos asociados con el crecimiento económico entre los departamentos de
Colombia y con otros factores no observados. Los resultados del SDM confirman la existencia de efectos indirectos sobre
crecimiento económico dada la significación estadística del coeficiente ρ . No obstante, observamos que los coeficientes de
los retrasos de las variables explicativas no son significativos, lo que puede indicar que el SDM no es el más apropiado para explicar los datos. Aplicamos
una prueba de razón de verosimilitud (LR) para factores espaciales comunes siguiendo a Elhorst (2010) usando el estadístico LR = − 2(Lur − Lr)χ2 ,
donde Lur es el logaritmo de verosimilitud del modelo sin restricciones, que en nuestro caso es el SDM, mientras que Lr es el logaritmo de verosimilitud
del modelo SAC o del modelo restringido. Encontramos un LR bajo = 0,025 (valor de p = 0,998) a partir del cual no rechazamos las restricciones
impuestas a los parámetros, lo que implica que el modelo SAC
proporciona una interpretación más correcta de la dependencia espacial en los datos.
Es importante señalar que los resultados de los modelos espaciales en la Tabla 4 no son directamente interpretables dada la existencia de efectos
indirectos que no muestran las estimaciones puntuales (LeSage & Pace, 2009). La idea es que cuando un
cambia la variable explicativa para una región en particular, también cambiará la variable dependiente para la misma región
como las variables dependientes para otras regiones. El primer efecto se denomina efecto directo, mientras que el segundo efecto está relacionado
a un efecto indirecto que representa efectos de desbordamiento espacial. Calculamos la derivada parcial de los parámetros con base en términos
adicionales que interactúan con la matriz de retraso espacial W siguiendo a LeSage y Pace (2009), Elhorst (2010), Halleck Vega y Elhorst (2012). La
Tabla 5 muestra los efectos directos, indirectos y totales y su significación estadística.
El efecto directo sobre el PIB per cápita inicial en el modelo SAC, que representa el coeficiente de convergencia (β),
apoya el hecho estilizado de la convergencia condicional en los departamentos de Colombia, lo que significa que los departamentos más pobres
de hecho estaban alcanzando a los más ricos. La velocidad de convergencia es del 9,2 % anual en nuestros datos, lo que indica
norte yo
* ** *** Velocidad
de
convergencia
=
ln
1−T Notas:
errores
estándar
entre
paréntesis.
Variable
dependiente:
tasa
de
crecimiento
del
PIB
per
cápita. TABLA
4
Estimaciones
de
modelos
de
datos
panel
espacial
de
crecimiento
p
<
0,1.
p
<0,05,
p
<0,01, AIC Log
verosimilitud Prueba
LM
robusta,
sin
error
espacial Prueba
LM,
sin
error
espacial Prueba
LM
robusta,
sin
retraso
espacial Prueba
LM,
sin
retraso
espacial Velocidad
de
convergencia r W*Log
educación
superior Índice
de
desempeño
fiscal
W*Log W*Log
PIB
real
per
cápita1 Registro
de
matrícula
de
educación
superior Registrar
índice
de
desempeño
fiscal Logaritmo
del
PIB
real
per
cápita1
tasa
de
inscripción tasa
β
=
T
^
−1502.248 Sin
efectos
espaciales
(OLS)
(1)
264 755.124
0,029**
(0,0122)
−0,170***
(0,0229)
0,45 3.36* 0.001 2,90* 9,6% 0,009**
(0,0045)
−1502.738 Modelo
autorregresivo
espacial
(SAR)
(2)
264 756.36
0,031***
(0,0115)
−0,165***
(0,0218)
9,4% 0,115
(0,0768) 0,010**
(0,0042)
−1503.207 Modelo
de
error
espacial
(SEM)
(3)
264 756.60
0,032***
(0,0116)
−0,168***
(0,0219)
9,5% 0,136*
(0,0812) 0,008**
(0,0044)
−1503.276 modelo
SAC
(4)
264 757.63
0,031***
(0,0108)
−0,161***
(0,0220)
9,2% 0,440***
(0,1646)
0,512***
(0,1190) 0,003
(0,0050)
−1499.301 Modelo
espacial
de
Durbin
(SDM)
(5)
264 757.65
−0,022
(0,0175) 0,032***
(0,0116)
−0,176***
(0,0259)
9,8% 0,138*
(0,0810) 0,007
(0,0084) 0,022
0,0408) 0,005
(0,0064)
* ** *** Nota:
DE:
efectos
directos;
IE:
Efectos
indirectos;
TE:
Efectos
totales. TABLA
5
Efectos
indirectos
directos
e
indirectos
p
<
0,05,
p
<
0,1.
p
<0,01, Registrar
la
tasa
de
matriculación
en
educación
superior Registrar
índice
de
desempeño
fiscal Logaritmo
del
PIB
real
per
cápita1
DE RAE
0,031**
0,010**
−0,165***
−0.021 ES
DECIR
0.001 0.004
EL
0,035**
0,011**
−0,187***
0,031**
−0,161*** DE SACO
0.003
−0.001 0,049**
−0,009** ES
DECIR
0,021**
−0,111*** EL
0.002
DE HORA
0,032**
0,005**
−0,176***
−0,028 ES
DECIR
0.000 0.005
0,037**
−0,204*** EL
0.006
que lleva 7,5 años (ln(2)/tasa de convergencia) cerrar la mitad de la brecha de ingresos entre regiones pobres y ricas.
Estas tasas de convergencia son ligeramente superiores a las encontradas en estudios previos que no consideran simultáneamente factores
institucionales y espaciales (ver, por ejemplo, Royuela y García (2015) y Galvis, Galvis y Hahn (2017)).
Esta mayor tasa de convergencia encontrada confirma que cuando se controlan los efectos específicos de las regiones, la velocidad de
aumenta la convergencia. En consecuencia, dada la presencia de una relación inversa entre la velocidad de conversión
gencia y el nivel de estado estacionario, los resultados predicen un nivel de estado estacionario más bajo para las regiones de Colombia. Similar
Arbia, Battisti y Di Vaio (2010) para regiones europeas, Ahmad y Hall (2017) para diferentes países en desarrollo, y De Almeida et al. (2018) en el
caso de los estados brasileños.
Para el efecto directo asociado a factores institucionales, los resultados muestran que el coeficiente es positivo y
significativos, lo que indica que los factores institucionales son críticos para el crecimiento económico de las regiones de Colombia. Este resultado
parece confirmar la primacía de las instituciones sobre otras variables a nivel intrarregional dentro de una economía en desarrollo. Esta primacía
también es identificada por Rodrik et al. (2004) y Arbia et al. (2010) para regiones europeas, por Coscia, Cheston y Hausmann (2017) de otros
representantes de instituciones para el caso colombiano, y por Ahmad y Hall (2017) para otros países en desarrollo. En cuanto al efecto directo de
la variable capital humano en la economía
crecimiento, observamos que este efecto no es estadísticamente significativo, lo que sugiere que los efectos del capital humano en
crecimiento económico se diluyen cuando se consideran los efectos espaciales. Este hallazgo está en línea con los encontrados por Galvis y Hahn
(2016) a partir de datos similares para Colombia.
Para el efecto indirecto (o efecto de derrame) de la variable institucional en el modelo SAC, notamos que este efecto es
negativo y estadísticamente significativo. Este resultado sugiere que la calidad de las instituciones en una región afecta negativamente
el desempeño económico de las regiones vecinas. Este resultado es sorprendente y va en contra de los estudios que documentan efectos indirectos
positivos de las instituciones hacia el crecimiento (Ades & Chua, 1997; Arbia et al., 2010; Bosker & Garretsen, 2009), pero nuestro estudio no es el
primero en no encontrar evidencia empírica. de los efectos indirectos positivos de las instituciones. Por ejemplo, Claeys y Manca (2011), Faber y
Gerritse (2012) y Ahmad y Hall (2017) también
reportar hallazgos similares.
Es posible que los efectos indirectos negativos de las instituciones sobre el crecimiento sean atribuibles a la alta
heterogeneidad entre regiones en Colombia. Marcadas diferencias sociales, culturales y económicas entre regiones en
Colombia condiciona el desempeño y la calidad de las instituciones y crea una desigualdad considerable entre las regiones (Coscia et al., 2017;
García, 2017). Así, cuando formas limitadas de integración institucional no están presentes y
la fragmentación institucional es evidente en todas las regiones, el desbordamiento espacial de los factores institucionales puede afectar
negativamente el crecimiento económico de las regiones vecinas (Arbia et al., 2010; Duque, LozanoGracia, Patiño y Restrepo, 2020).
7 | CONCLUSIONES
Este estudio analizó la relación entre institucionalidad y crecimiento económico a nivel intrarregional en el
contexto de un país en desarrollo: Colombia. Datos de panel balanceados para 24 departamentos colombianos para los 11 años
Se utilizó el período de 2006 a 2016 y se estimaron modelos de crecimiento espacialmente aumentados. Este estudio hace una
aporte novedoso en su incorporación simultánea de variable institucional y dependencia espacial en un panel
modelo de crecimiento intrarregional, que ha sido poco explorado en la literatura sobre crecimiento regional y desarrollo espacial.
ciencias económicas.
Se obtuvieron varios resultados interesantes. Primero, estimaciones del modelo espacial de crecimiento económico regional
confirmar la convergencia condicional de los departamentos de Colombia. Se observa, sin embargo, que cuando el modelo de crecimiento
se ve aumentada por factores institucionales y factores de proximidad física, la tasa de convergencia aumenta en relación con una
modelo de crecimiento estándar.
En segundo lugar, este estudio muestra los efectos directos positivos de los factores institucionales sobre el crecimiento económico regional. Este resultado
confirma la primacía ampliamente documentada de las instituciones para el crecimiento económico en el caso de las regiones colombianas.
En tercer lugar, los resultados muestran efectos de desbordamiento espacial negativos asociados con factores institucionales entre regiones.
de colombia Estos hallazgos pueden estar relacionados con la gran heterogeneidad en la calidad de las instituciones en Colombia.
departamentos, lo que limita la capacidad de esta variable para cerrar las brechas de ingresos entre regiones. Más similitudes
entre instituciones y, por lo tanto, una menor fragmentación institucional entre regiones puede ayudar a alinear diferentes políticas
y hacerlos más efectivos. En este sentido, los hacedores de políticas regionales pueden dirigir su atención y esfuerzos a
desarrollar instituciones de calidad, transparentes y eficientes. Cuando esto se logra, dos regiones con similar
Las instituciones deberían disfrutar de más interacciones económicas y efectos indirectos positivos entre ellas, lo que daría lugar a
crecimiento en las regiones vecinas.
ORCIDO
Juan Manuel Aristizábal https://orcid.org/0000000244719346
Gustavo A. García https://orcid.org/0000000285112428
REFERENCIAS
Abreu, M., de Groot, H. y Florax, R. (2005). Espacio y crecimiento: una encuesta de evidencia empírica y métodos. Región y Desarrollo
Opción, 21, 12–43.
Acemoglu, D. y Dell, M. (2010). Diferencias de productividad entre y dentro de los países. Diario Económico Americano., 2(1),
169–188.
Acemoglu, D., Johnson, S. y Robinson, J. (2001). Los orígenes coloniales del desarrollo comparativo: una investigación empírica. Revista económica
estadounidense, 91, 1369–1401. https://doi.org/10.1257/aer.91.5.1369
Acemoglu, D., Johnson, S. y Robinson, J. (2004). Las instituciones como causa fundamental del crecimiento a largo plazo. En P. Aghion &
S. Durlauf (Eds.), Manual de crecimiento económico (págs. 386–472). Ámsterdam: Elsevier.
Acemoglu, D. y Robinson, J. (2012). Por qué fracasan las naciones: Los orígenes del poder, la prosperidad y la pobreza. Nueva York: publicación de la corona
Grupo de ing.
Acemoglu, D., & Robinson, J. (2013). Economics versus politics: pitfalls of policy advice. Journal of Economic Perspectives, 27 (2), 173–192. https://doi.org/
10.1257/jep.27.2.173 Acevedo, S. (2003). Convergencia y
crecimiento económico en Colombia 19802000. Ecos de Economía, 7(17), 51–78.
Ades, A. y Chua, H. (1997). La maldición de tu vecino: Inestabilidad regional y crecimiento económico. Revista de Crecimiento Económico, 2 (3), 279–304. https://
doi.org/10.1023/A:1009782809329 Ahmad, M. y Hall, S. (2017). Crecimiento
económico y convergencia: ¿Importan la proximidad institucional y los efectos indirectos? Diario de
Modelado de políticas, 39(6), 1065–1085. https://doi.org/10.1016/j.jpolmod.2017.07.001
Anselin, L., Bera, A., Florax, R. y Yoon, M. (1996). Pruebas diagnósticas simples de dependencia espacial. Ciencia Regional y Urbana
Economía, 26(1), 77–104. https://doi.org/10.1016/01660462(95)021116 Arbia, G., Battisti, M., &
Di Vaio, G. (2010). Instituciones y geografía: prueba empírica de modelos de crecimiento espacial para europeos
regiones. Modelos económicos, 27(1), 12–21. https://doi.org/10.1016/j.econmod.2009.07.004
Aroca, P. y Atienza, M. (2016). Concentración espacial en América Latina y el papel de las instituciones. Investigaciones Regionales,
36, 233–253.
Aroca, P., Azzoni, C. y Sarrias, M. (2018). Concentración regional y crecimiento económico nacional en Brasil y Chile. Letras
en Spatial and Resource Sciences, 11, 343–359. https://doi.org/10.1007/s1207601802172
Aroca, P., & Bosch, M. (2000). Crecimiento, Convergencia y Espacio en las Regiones Chilenas. Estudios de Economia, 27(2),
199–224.
Ayala, A., Cunado, J. y GilAlana, L. (2013). Convergencia real: evidencia empírica para América Latina. Economía Aplicada, 22,
3220–3229.
Balcerzak, A. y Pietrzak, M. (2017). Desarrollo humano y calidad de las instituciones en países altamente desarrollados. En M. Bilgin, H. Danis, E. Demir y U.
Can (Eds.), Entorno financiero y desarrollo empresarial (págs. 231–241). Suiza: Springer International Publishing.
Barrios, C., Flores, E. y Martínez, MA (2018). Clubes de convergencia en América Latina. Cartas de economía aplicada, 26(1), 16–20.
Barro, R., & SalaiMartin, X. (1992). Convergencia. Revista de Economía Política, 100, 223–251. https://doi.org/10.1086/
261816
Barro, R., & SalaiMartin, X. (2004). Crecimiento económico. Nueva York: McGrawHill.
Baumol, W. (1986). Crecimiento de la productividad, convergencia y bienestar: lo que muestran los datos a largo plazo. económico americano
Revisión, 76, 1072–1085.
Bonet, J., & Meisel, A. (1999). La convergencia regional en Colombia: Una visión de largo plazo, 1926–1995. Coyuntura Económica, 29(1), 69–106.
Bonilla, A. (2017). ¿Están realmente convergiendo los países sudamericanos? La influencia de los proyectos de integración de la región. Romanian
Journal of Economic Forecasting, 20(3), 130–149.
Bosker, M. y Garretsen, H. (2009). El desarrollo económico y la geografía de las instituciones. Revista de Geografía Económica
phy, 9(3), 295–328.
Bourdin, S. (2015). Trayectorias nacionales y regionales de convergencia e integración económica en Europa Central y Oriental. Revista canadiense
de ciencia regional, 38 (3), 55–63.
Brasington, DM y Hite, D. (2005). Demanda de calidad ambiental: un análisis hedónico espacial. Ciencias Regionales y
Economía urbana, 35(1), 57–82. https://doi.org/10.1016/j.regsciurbeco.2003.09.001
Buendía, J., Yago, M., & Sánchez, J. (2012). Estimación de la renta bruta disponible municipal mediante técnicas de
econometría espacial. Un Ejercicio de aplicación. Revista de Estudios Regionales, 93, 119–142.
Cabral, R., & Castellanos, FA (2019). La convergencia de la renta en Europa y la última crisis financiera mundial. Investigación en Economía
ics, 73(1), 23–34. https://doi.org/10.1016/j.rie.2019.01.003
Cameron, C. y Trivedi, K. (2005). Microeconometría: Métodos y aplicaciones. Nueva York: Cambridge University Press.
https://doi.org/10.1017/CBO9780511811241
Cárdenas, M., Pontón, A., & Trujillo, J. (1993). Convergencia y migraciones interdepartamentales en Colombia: 1950–1983.
Coyuntura Económica, 23(1), 111–137.
Ceylan, R. y Abiyev, V. (2016). Un examen de la hipótesis de la convergencia para los países de la UE15. Revista internacional de
Economía y Finanzas, 45, 96–105. https://doi.org/10.1016/j.iref.2016.05.007
Claeys, P. y Manca, F. (2011). Un eslabón espacial perdido en la calidad institucional. Cartas de economía aplicada., 18(3), 223–227.
https://doi.org/10.1080/13504850903559542
Coscia, M., Cheston, T. y Hausmann, R. (2017). Instituciones versus interacciones sociales en el impulso de la convergencia económica:
Evidencia de Colombia. (Documento de trabajo de la facultad de CID, no 331), Harvard College, Cambridge.
DANÉS. (2016). Metodología de las Cuentas Nacionales de Colombia—base 2015. Bogotá, Colombia: Departamento
Administrativo Nacional de Estadística.
DANÉS. (2018). Metodología de las Cuentas Nacionales de Colombia—base 2015. Bogotá, Colombia: Departamento
Administrativo Nacional de Estadística.
De Almeida, R., Ehrl, P. y Moreira, B. (2018). Convergencia social y económica entre los estados brasileños entre 1990 y
2010. (Working paper MESP, no. 9), Universidad de Brasilia, Brasilia.
Díaz , A. , Fernández , E. , Garduño , R. , & Rubiera , F. (2019). Integración económica y convergencia regional: efectos del TLCAN
sobre la convergencia local. Economía Aplicada, 51(50), 5515–5527. https://doi.org/10.1080/00036846.2019.1616064 Díaz, A.,
Rubiera, F., & Paredes, D. (2018). Nuevo enfoque de la convergencia económica en la UE: un análisis multinivel desde el
perspectiva de los efectos espaciales. Revista científica regional internacional, 3(42), 335–367.
Díaz, A., Rubiera, F., Pires, M., & Gomes, A. (2017). Convergencia en Brasil: nueva evidencia utilizando un enfoque multinivel. Aplicado
Economía, 49(50), 5050–5062.
Dubin, R. (1988). Estimación de coeficientes de regresión en presencia de términos de error espacialmente autocorrelacionados. Repaso de
Economía y estadística, 70(3), 466–474. https://doi.org/10.2307/1926785
Duque, J., LozanoGracia, N., Patiño, J., & Restrepo, P. (2020). Fragmentación institucional y coordinación metropolitana en las ciudades
latinoamericanas: ¿existen vínculos con la productividad de las ciudades? Ciencia Regional, Política y Práctica. https://doi.org/10. 1111/
rsp3.12314
Elhorst, JP (2010). Econometría espacial aplicada: subiendo el listón. Análisis económico espacial, 5(1), 9–28. https://doi.org/10.
1080/17421770903541772
Elhorst, J. (2014). Econometría espacial. Berlín: Springer Verlag. DOI: https://doi.org/10.1007/9783642403408 Faber, G. y Gerritse,
M. (2012). Determinantes foráneos de las instituciones locales: dependencia espacial y apertura. europeo
Journal of Political Economy, 28, 54–63. https://doi.org/10.1016/j.ejpoleco.2011.09.005 Franco, L., &
Raymond, J. (2009). Convergencia económica regional: El caso de los Departamentos colombianos. Ecos de
Economía., 28(13), 167–197.
Galvis, L., Galvis, W., & Hahn, L. (2017). Una revisión de los estudios de convergencia regional en Colombia. Documentos de
trabajo sobre economía regional, no 264, 1–42.
Galvis, L., & Hahn, L. (2016). Crecimiento municipal en Colombia: El papel de las externalidades espaciales, el capital humano y el capital físico.
Documentos de trabajo sobre economía regional, no 216, 1–60.
Galvis, L., & Meisel, A. (2009). Tendencias de la polarización territorial y de las inequidades en Colombia. Foreign Affairs Latinoamérica, 9(1), 21–
32.
Ganau, R. (2017). Instituciones y crecimiento económico en África: un enfoque econométrico espacial. Economía Política, 34,
425–444. https://doi.org/10.1007/s4088801700573 García, G.
(2017). Informalidad laboral: ¿elección o signo de segmentación? Un enfoque de regresión por cuantiles a nivel regional para Colombia. Revisión
de Economía del Desarrollo, 21(4), 985–1017. https://doi.org/10.1111/rode.12317
Pasillo, J. (2015). Convergencia institucional: ¿salida o voz? Revista de Economía y Finanzas, 40(4), 829–840.
dieciséis ARISTIZÁBAL Y GARCÍA
Halleck Vega, S. y Elhorst, J. (2012). Sobre modelos econométricos espaciales, efectos indirectos y W. ERSA Conference Papers, documento de
trabajo ersa13p222, 1–28.
Kant, C. (2018). Convergencia de ingresos e índice de recuperación. The North American Journal of Economics and Finance, 48,
613–627.
Kelejian, H. y Prucha, I. (1999). Un estimador generalizado de momentos para el parámetro autorregresivo en un modelo espacial. Enterrar
Revista económica nacional, 40, 509–533. https://doi.org/10.1111/14682354.00027
Krueger, A. (1974). La economía política de la sociedad rentista. Revista Económica Estadounidense, 64(3), 291–303.
Krugman, P. (1991). Rendimientos crecientes y geografía económica. Revista de Economía Política, 99(3), 483–499. https://doi.
org/10.1086/261763
LeSage, J. y Pace, R. (2009). Introducción a la econometría espacial. Boca Ratón: Taylor & Francis CRC Press. https://doi.org/
10.1201/9781420064254
Loaiza, O y Moncada, J. (2013). Un estudio de las brechas regionales en Colombia a través de datos espaciales exploratorios y confirmatorios
análisis: 19852010. MPRA Paper 47735, Archivo Personal RePEc de Munich.
Mankiw, G., Romer, D. y Weil, D. (1992). Una contribución a los empíricos del crecimiento económico. Revista trimestral de economía, 107(2), 407–
437. https://doi.org/10.2307/2118477
Millo, G. y Piras, G. (2012). splm: modelos de datos de panel espacial en R. Journal of Statistical Software, 47(1), 1–38.
Montero, C., & del Río, M. (2013). Convergencia en Bolivia: Un enfoque espacial con datos de panel dinámicos. Revista de Economía del Rosario,
16(2), 233–256.
Mutl, J. y Pfaffermayr, M. (2011). La prueba de Hausman en un modelo de panel de Cliff y Ord. The Econometrics Journal, 14, 48–76. https://doi.org/
10.1111/j.1368423X.2010.00325.x Norte, D. (1990). La nueva
economía institucional y el desarrollo. En J. Harriss, J. Hunter y CM Lewis (Eds.), The new
economía institucional y desarrollo del tercer mundo (págs. 230–237). Londres: Routledge.
OCDE. (2018). Perspectivas económicas de América Latina 2018: Repensando las instituciones para el desarrollo. París: Publicaciones de la OCDE.
https://doi.org/10.1787/leo2018en Quah, D.
(1996). Empíricas para el crecimiento económico y la convergencia. Revista Económica Europea, 40(6), 1353–1375. https://doi.
org/10.1016/00142921(95)000518 Resende,
G., de Carvalho, A., Sakowski, P. y Cravo, T. (2016). Evaluación de múltiples dimensiones espaciales del crecimiento económico en Brasil utilizando
modelos de datos de panel espacial. Los Anales de Ciencias Regionales, 56(1), 1–31. https://doi.org/10.1007/s00168015
07069
Rey, SJ y Dev, B. (2006). σconvergencia en presencia de efectos espaciales. Artículos en ciencia regional, 85 (2), 217–234.
https://doi.org/10.1111/j.14355957.2006.00083.x
Rey, SJ y Montouri, BD (1999). Convergencia del ingreso regional de EE. UU.: una perspectiva econométrica espacial. Estudios Regionales,
33(2), 143–156. https://doi.org/10.1080/00343409950122945 Robinson, J.
(2016). La miseria en Colombia. Desarrollo Y Sociedad, 76, 9–90.
Rodríguez, R., López, F., & Mendoza, M. (2016). Clubs de convergencia regional en México: Un análisis a través de un
modelo no lineal de un solo factor. Investigaciones Regionales, 34, 7–22.
Rodrik, D., Subramaniam, A. y Trebbi, F. (2004). Regla de las instituciones: La primacía de las instituciones sobre la geografía y la integración en el
desarrollo económico. Revista de Crecimiento Económico, 9(2), 131–165. https://doi.org/10.1023/B:JOEG.0000031425. 72248.85
Royuela, V., & García, GA (2015). Convergencia económica y social en Colombia. Estudios Regionales, 49(2), 219–239. https://
doi.org/10.1080/00343404.2012.762086
Sánchez, T., & Núñez, M. (2000). La geografía y el desarrollo económico en Colombia: Una aproximación municipal.
Desarrollo Y Sociedad, 46, 43–108.
Szeles, M. y Muñoz, R. (2016). Analizando la convergencia económica regional en el Ecuador. Perspectivas de paramétricas y no
modelos paramétricos. Revista de previsión económica, 19(2), 43–65.
Valdez, R. (2019). Difusión espacial del crecimiento económico y las externalidades en México. Investigaciones Regionales, 45, 139–160.
Banco Mundial. (2017). Informe sobre el desarrollo mundial 2017: Gobernanza y derecho (págs. 1–281). Washington, DC: El Banco Mundial. https://
doi.org/10.1596/9781464809507 Zhang, X., Li, H., Wang,
X. y Fleisher, BM (2019). El capital humano y el mecanismo de convergencia económica: Evidencia
de China. Documento de debate de IZA 12224.
Cómo citar este artículo: Aristizábal JM, García GA. Crecimiento económico regional y convergencia: el papel de
instituciones y efectos indirectos en Colombia. Reg Sci Policy Pract. 2020;1–16. https://doi.org/10.1111/rsp3.
12334

Archivo Clase Analisis de Datos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Archivo Clase Analisis de Datos

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Variable Año Media DE p25 mediana P75 mínimo Parte de CV máx.

PIB real per cápita 2006 10.2 3.9 7.0 10.1 12.2 5.1 20,8 0,38 0,068

2010 11.7 5.1 7.9 10.9 14.1 5.6 24,4 0,43 0,083

2016 13.9 6.2 8.7 12.7 17.3 7.0 29,5 0,44 0,089

Índice de desempeño fiscal 2006 62.8 6.8 58,9 64.7 66.8 40.2 70,2 0,10 0,006

2010 66.1 6.0 63.6 66.3 68,9 54.5 83,6 0,09 0,004

2016 68.7 4.6 63.3 68.7 70.3 60.8 83,8 0,06 0,002

Tasa de matriculación 2006 147,4 22,5 143,6 153,4 160.1 95,2 179,9 0,15 0,011

2016 150,0 30,9 133,9 152,7 161.2 92,9 258,7 0,20 0,018

También podría gustarte