Situación educativa, desempeño económico y regiones

La economía de la educación surge primero como tema de estudio para poder explicar aquella parte del crecimiento económico que no era posible explicar por los factores productivos. Con los trabajos seminales de (T. W. ^{Schultz, 1961}) nace primero la idea de capital humano y después que éste es resultado de la inversión futura en educación, de la que se desprenden dos condiciones: la eficiencia y la equidad.

De la condición de eficiencia se extrae el grado de rendimientos que la educación genera y que se miden en términos de beneficios económicos y/o sociales, en tanto que de la condición de equidad sea hace evidente la existencia de grados de aprendizajes producto de las diferentes condiciones en las que actúan los actores de la educación, por lo que para tener resultados homogéneos es necesario que el Estado ejerza una participación e inversión que permita alcanzarlos (^{Leyva López & Cárdenas Almagro, 2002}) de forma más amplia y generaliza, con el fin de limitar las desigualdades que por regiones pueden existir, producto de las condiciones histórico-económicas y con ello que los beneficios que resultan de éstas se distribuyan de forma más homogénea en la sociedad.

A partir de estas ideas, es factible pensar que la educación juega un papel medular en la mejora de las oportunidades de las personas, las regiones y los países, pero depende también directamente tanto de la estructura del sistema educacional regional como de los niveles de educación que los niños y jóvenes alcanzan, sus capacidades de aprovechamiento, quienes a su vez dependen de las condiciones socioeconómicas como: ruralidad, familia y cultura, mercado laboral, género, entre las más sobresalientes.

A partir del Tercer Estudio Regional Comparativo y Explicativo (TERCE) realizado por UNESCO, se pueden extraer conclusiones sobre la fuerte relación que existe entre educación y desempeño económico y cómo las condiciones en las que los niños y jóvenes aprenden tienen efectos fuertes y directos sobre los resultados educativos. Para 15 países de América Latina, este estudio dice que el nivel socioeconómico es la variable con mayor incidencia en el aprendizaje y que hay una relación directa entre desigualdad de la región y sus sistemas escolares (^{Treviño et al., 2016}), lo que redunda en una baja movilidad social y se traduce en una trasmisión intergeneracional de la posición social y de pobreza (^{Romero Rodríguez, S.I., 2010}).

Dentro de los hallazgos se encuentra el que la pobreza está asociada con la desigualdad lo que impide que se logren los objetivos educativos, ya que la pobreza genera restricciones en términos de alimentación y nutrición, medios básicos en vivienda y servicios y bienestar en general, lo que genera costos de oportunidad entre enviar o no a los niños y niñas al escuela, donde las niñas pueden estar en desventaja más clara (^{Treviño et al., 2016})³.

Como uno de los elementos principales para explicar el nivel de aprendizaje es el socioeconómico -quien considera variables al nivel de estudios de la madre y su tipo de empleo, nivel de ingresos, material del piso de la vivienda, servicios con los que cuenta incluyendo disponibilidad de libros- el estudio, para el caso mexicano, marca que el nivel de aprendizaje es considerablemente más alto si también lo es el ámbito social, lo que confirma la aseveración del estudio (^{Treviño et al., 2016}).

En el estudio, la ruralidad, quien también puede explicar el aprovechamiento escolar al estar estrechamente relacionada con la pobreza, la desigualdad e iniquidad, muestra para México, que en promedio las poblaciones rurales presentan los menores niveles de desarrollo socioeconómico, mientras que las urbanas privadas presentan los mayores (^{Treviño et al., 2016}).

La asistencia escolar, que puede estar sujeta al cumplimiento de ciertos requisitos, a procesos de selección escolar o a la necesidad de trabajar, también son evidenciados en el estudio como elementos que afectan el desempeño educativo y que provocan que la educación se trunque, por lo que se recomiendan políticas como la erradicación de cuotas obligatorias, procesos de selección y apoyos para que los niños no dejen de estudiar por trabajar (^{Treviño et al., 2016}).

Al respecto, la Nueva Geografía Económica (NGE), al referirse a la relación entre educación, trabajo y remuneraciones, dice que las regiones que guardan distancias considerables entre los mercados de consumo y las fuentes de los insumos no pueden lograr la convergencia en niveles de ingreso y esto provoca que emerjan áreas económicas heterogéneas, además de que esas localidades que están alejadas de los centros económicos se caracterizan por tener bajos nivel educativos (^{López-Rodríguez et al., 2007}), lo que puede estar condicionado por los procesos de liberalización comercial, quienes pueden estar permitiendo que ciertas regiones de países puedan integrarse de manera exitosa al comercio y/o los negocios internacionales¸ pero otras no. El caso de la migración será un fenómeno muy importante porque aquellos que puedan migrar hacia las regiones con mayores oportunidades de crecimiento económico lo harán (^{Garduño Rivera, 2014}), determinando niveles de crecimiento y productividad regional diferenciados (^{Kaldor, 1984}).

Asimismo, la NGE sostiene que el tamaño de mercado, los costos de transportación, el comercio internacional y las economías de escala serán los principales determinantes de la concentración de actividades (^{Krugman & Elizondo, 1996}); (^{Fujita et al., 1999}), lo que generará y explicará los niveles de heterogeneidad estructural tanto del aparato productivo y económico como del desempeño educativo y social.

La región del Altiplano de San Luis Potosí

En México desde finales del siglo pasado ya había un reconocimiento del impacto que tiene el crecimiento económico en el desarrollo nacional y regional (PND 1995-2000)⁴, pero desde entonces la heterogeneidad en las condiciones socioeconómicas regionales poco ha cambiado, lo que es evidente con el gran número de documentos que señalan los problemas de pobreza, educación, migración, salud, nutrición, ingresos, entre otros, relacionados a las condiciones socioeconómicas con evidente incidencia en el crecimiento y desarrollo económico regional (^{González Rivas, 2007}; ^{Mayer-Foulkes, 2008}; ^{Pintor Sandoval et al., 2017}).

De acuerdo con el Índice de Competitividad Estatal 2016 del Instituto Mexicano de la Competitividad (IMCO), son seis los factores que permiten aumentar la competitividad de los estados que conforman al país: economía conectada con el exterior a través de exportaciones e Inversión Extrajera Directa (IED); alta actividad en la industria manufacturera; conexión a redes de energéticos; altos porcentajes de personal ocupado en empresas formales y salarios competitivos; mayor densidad de empresas grades que generan empleos formales y de calidad y sistemas de educación que generan capital humano y alineado a la estructura productiva del estado (^{Instituto Mexicano para la Competitividad, 2016}).

Al respecto, San Luis Potosí ha mantenido en las dos últimas observaciones del índice el lugar 19, aunque en 2008 ocupó el 18, lo que es resultado de las mejoras en IED en los sectores automotriz y de autopartes principalmente, lo que genera mejoras en los rubros de comercio exterior, inversión de grandes empresas, formalidad y empleos con salarios bien remunerados, así como en su participación en el sector manufacturero. En este sentido su crecimiento económico ha estado cercano en el promedio nacional, pero altamente explicado por la subregión centro del estado.

Con base en el mismo estudio, los aspectos donde la entidad tiene áreas de oportunidad son los relativos al abastecimiento de fuentes energéticas de gas natural, el que es un factor determinante para el aumento de las inversiones y de la instalación de grandes empresas nacionales e internacionales, pero que no ha sido resuelto satisfactoriamente. El rubro de inversiones en infraestructura física de calidad, transporte, vías de comunicación y carreteras, también se han estancado o no ha crecido con la celeridad necesaria, lo que la competitividad en términos de costos de transporte y traslado de personas y materiales.

En el ámbito educativo, es otro rubro con amplias áreas de oportunidad, ya que para el 2010 ningún municipio sobresalía entre aquellos con los promedios más altos de educación y de hecho el promedio escolar del estado es de 8.58 años cursados, mientras que el promedio nacional es de 8.63 años.

La relación entre educación e innovación se establece porque la concentración de fuerza de trabajo calificada en una región le permite a las empresas la adopción y desarrollo de nuevas tecnologías (^{Simón Fernández et al., 2004}), lo que está siendo posible en el estado, dado el nivel de inversión para el desarrollo del capital humano que ha alcanzado. Específicamente con las becas para estudios de posgrado otorgadas a estudiantes del estado, la que reporta la primera posición a nivel nacional; así como las licenciaturas certificadas por el COPAES que representan el 2% en este mismo nivel y los siete programas de posgrado PNPC. Lo hecho en términos de términos de legislación de Ciencias y Tecnología y el que tenga grandes empresas que invierten en I+D en sus procesos productivos (^{Foro Consultivo Científico y Tecnológico, 2012}), son factores que hablan en favor del estado.

La anterior información es producto del Ranking Nacional de Ciencia, Tecnología e Innovación (CTI) del Foro Consultivo científico y Tecnológico (FCCyT) el que busca tener una medida de comparación de los recursos que poseen cada estado del país y que ubica a SLP en el lugar 13 con un valor de -0.067 y que significa que el estado se encuentra muy cerca del promedio nacional, aunque por debajo.

Entre los componentes de este ranking está la infraestructura para la investigación, la productividad científica, población con estudios profesionales y de posgrado, entorno económico y social, TICS y formadores de recursos humanos, los que estarían explicando por qué el estado no logra saltar a los primeros lugares de este ranking o del de competitividad.

Este estudio señala como elementos en falta a las patentes otorgadas, la población con estudios de posgrado, el promedio de años estudiados, que ya señalábamos, el analfabetismo, baja conectividad de internet, así como de personal docente de posgrado y licenciatura, aunque en términos de investigadores miembros del Sistema nacional de Investigadores (SNI), la entidad ocupa la octava posición, lo que se considera un punto a favor (^{Foro Consultivo Científico y Tecnológico, 2012}).

De acuerdo con una histórica división regional, SLP se divide en cuatro grandes regiones: Centro, Zona Media, Huasteca y Altiplano.

Nuestra región de estudio, el Altiplano, se encuentra ubicada al noreste del Estado y está compuesta por 15 municipios a saber: Catorce, Cedral, Charcas, Guadalcázar, Matehuala, Moctezuma, Salinas, Santo Domingo, Vanegas, Venado, Villa de Arista, Villa de Guadalupe, Villa de la Paz, Villa de Ramos y Villa Hidalgo.

El municipio de Matehuala es considerado el centro económico de la región, por desarrollar las más importantes actividades de la región y contener a las principales empresas de ésta, incluido al parque industrial de Matehuala.

El clima que va de lo desértico a lo semidesértico, en la parte norte de la región, pero en el que también se pueden encontrar vegetación de pino y encino, en la cercana a la capital del estado, permite como actividades económicas principales a la minería, el comercio, la agricultura protegida y la industria alimentaria y el turismo, lo que explica, al menos en parte, porque ocupa el segundo lugar del estado en cuanto a participación del PIB con un 6.4%, lejos del primer lugar que ocupa la región Centro con un 84.1%, quien por su parte desarrolla actividades económicas y de comercio internacional en los sectores: automotriz, metalmecánica, electrodomésticos y de servicios (^{Comité de Planeación del Desarrollo Estatal, 2016}).

Con datos de 2015, el altiplano también ocupa el segundo lugar del PIB per cápita con $59, 130 pesos, sin embargo, esta zona ocupa la tercera posición con relación a nivel de población, lo que hace de esta región muy importante de acuerdo con su capacidad productiva. En este mismo documento podemos encontrar que la región tiene alta participación en la minería, en especial en la producción de fluorita, cobre, yeso, oro, zinc y plata; la producción de carne en canal bovina y caprina y en el sector turismo esta ha venido aumentando su ocupación hotelera al 6% de 2012 al 2014 (^{Comité de Planeación del Desarrollo Estatal, 2016}), principalmente por las actividades económicas de Matehuala y el pueblo mágico de Real de Catorce.

Medición del modelo

Los modelos de análisis de rutas deben evaluarse de acuerdo con su modalidad causal; es decir, la forma en cómo se considerarán las relaciones entre las diversas variables del modelo. Para efectos de esta investigación y por las características del modelo propuesto, las relaciones entre sus variables serán consideradas reflexivas. Siguiendo a (^{Roldán & Sánchez-Franco, 2012}), quienes recomiendan utilizar como metodología para evaluar este tipo de relaciones procedimientos de medición, la validación convergente, discriminante y la evaluación estructural del modelo.

Para el análisis de validez convergente se deben de considerar algunas reglas, por ejemplo ^{Martinez-Torres et al. (2008)} señalan que este tipo de análisis indican el grado de correlación que existen entre los elementos de una escala, mismos que deberían de mostrar una correlación fuerte. Uno de los métodos más utilizados en ciencias sociales para realizar este análisis (fiabilidad de una escala y su consistencia interna) es el alfa de Cronbach. El valor aceptable en la literatura académica para esta unidad de medida es α≥0.7 y α≤0.9 (^{Oviedo & Arias, 2005}). Se puede observar en la Tabla 2 los valores obtenidos en el modelo para el Alfa de Cronbach son superiores a 0.7 en cada una de las variables estudiadas por lo que puede considerarse que tiene una consistencia interna aceptable. Para asegurar que el modelo sea consistente ^{Fornell & Larcker (1981)} proponen evaluar la fiabilidad compuesta de los constructos (para el área de ciencias sociales), en este caso los valores propuestos para este tipo de análisis debe ser superior a 0.7. Además de esta medida de evaluación, se deberá medir la validez convergente a través de la Varianza Media Extraída (AVE) por cada constructo del modelo. La recomendación para esta medida es AVE > 0.5. Para nuestro caso de estudio, todos los constructos propuestos en el modelo superan los valores antes mencionados, esto supone que existe una consistencia interna en el modelo.

La validez discriminante de los constructos en un modelo sugiere que el grado en que la variable medida no debe ser un reflejo de alguna otra variable, es decir no debe existir correlación entre ellas (^{Martinez-Torres et al., 2008}). Para realizar esta prueba, se sugiere utilizar la raíz cuadrada de la varianza media extraída de cada constructo sobre la matriz de correlación. (^{Fornell & Larcker, 1981}) sugieren que el resultante de esta operación debe ser mayor a las correlaciones de los constructos del grupo. La Tabla 2 muestra los resultantes de esta operación para el modelo propuesto, donde la raíz cuadrada del AVE (valores en negrita) son mayores a las cargas de cada constructo del grupo. La Figura 1 muestra las cargas y los pesos de las relaciones en el modelo estructural en el software SmartPLS 2.

Fuente: Elaboración propia.

Figura 1 Resultados del Modelo estructural obtenido de SmartPLS. 

Evaluación del modelo estructural

Como se mencionó anteriormente, en este tipo de ejercicios es importante realizar el análisis del modelo estructural mediante la significancia estadística a través del bootstrapping (re-muestreo). Esta técnica consiste en realizar análisis estadísticos basados en bootstrap de un conjunto de datos que pertenecen a una muestra aleatoria reemplazando la muestra original para generar la muestra bootstarp proporcionando los errores estándar y los estadísticos T para la corroboración de las hipótesis planteadas. Regularmente el valor mínimo aceptado para el remuestreo es de 500 y otro aspecto de validez señala que el número de casos debe ser el mismo que el número de observaciones de la muestra original. Para este estudio nos basaremos en las recomendaciones realizadas en Joe F. ^{Hair, Ringle, et al. (2011}), en donde sugieren incrementar el número de muestras de 500 a 5 000. Para el contraste de los intervalos de confianza nos basaremos en los valores propuestos por (^{Roldán & Sánchez-Franco, 2012}) en el cual señalan que ρ<0.05; ρ<0.01;ρ<0.001 . En relación con lo anterior, se obtendrán los estadísticos T para test de una cola definidos como:

La Tabla 3 contiene los resultados del modelo estructural en la cual se puede observar que la relación que define la Marginación hacia la Migración y la relación Salud hacia Marginación no son significativas ya que no alcanzaron el criterio mínimo de la distribución para p<0.05 en comparación con las demás relaciones.

La evaluación del modelo estructural (además de las pruebas de hipótesis) requiere un análisis sobre los intervalos de confianza como índice de medida de incertidumbre para evitar los errores estándar derivados del remuestreo. Para calcular los intervalos de confianza del remuestreo, adoptaremos el método sugerido en ^{Roldán & Sánchez-Franco (2012)}. Este análisis sugiere realizar el análisis por percentiles con valores mínimos de 2.5% y máximos de 97.5%. La Tabla 4 muestra que para este estudio las hipótesis H4, H7 y H9 no son significativas estadísticamente, se puede observar también que las relaciones Marginación → Migración (H7) y Salud → Educación Media y Superior (H9) coinciden nuevamente con respecto a los resultados de la Tabla 3.

Aunque la consideración más aceptada para explicar las variables en un modelo es la R2, se puede considerar otro criterio estadístico: la prueba de Stone-Geisrer (Q2) sobre los constructos dependientes (Joseph F. ^{Hair, Ringle, et al., 2012}). La prueba de relevancia predictiva sugiere realizar el cálculo de validación cruzada de los componentes por redundancia y comunalidad y éstos deben ser mayores a cero. En la Tabla 5 se puede constatar que el modelo tiene una relevancia predictiva Q2>0..

Como valor base para exponer el modelo estadísticamente se consideran los valores de , para ello adoptaremos la propuesta de (Joe F. ^{Hair, Ringle, et al., 2011}) en la cual sugieren considerar en los valores de 75% para sustancial, 50% como valor moderado y de 25% como valor explicativo débil. En la Tabla 5 se puede observar que el modelo propuesto explica en gran parte que los factores estudiados (Educación, Salud y Marginación) tienen una clara implicación en la Migración y el Desarrollo Económico en el Altiplano Potosino. El estudio sugiere que entre menos acceso tenga la población a los servicios básicos como Salud y Educación habrá un decremento en el Desarrollo Económico y por ende habrá mayor Migración. En nuestro modelo el Desarrollo Económico tiene un efecto directo con la Educación Media y Superior y la Marginación que en su conjunto explican que un 84.7% estos factores influyen a una aceleración o desaceleración en el desarrollo de la entidad; este dato podría explicar también la situación actual a nivel país en donde según el Panorama de Educación señala que el 16% de los adultos (25 a 64 años de edad) cuentan con estudios de educación superior (^{Organisation for Economic Cooperation and Development, 2016}). De esta misma manera el siguiente punto de estudio es la Migración de la población, en nuestro análisis la variable Migración mostró un 72.5% de explicación sobre las variables Educación Media y Superior 39.8% y Educación Básica 30.6%, es lógico pensar que a pocas oportunidades de Educación habrá menos desarrollo y por ende la Migración se incrementará.

En el caso de las variables Educación podemos observar que ambas tienen una relación directa con la variable Salud, la cual representa 58.8% para la educación Básica y el 69% para la Educación Media Superior, estos datos pueden ofrecernos un panorama claro en el cual podemos sintetizar que si la población no tiene acceso a los servicios de Salud Básicos es muy probable que no culminen sus estudios Básico y de nivel Medio-Superior. Las relaciones entre Educación Media-Superior y Salud con respecto a la variable Marginación tuvieron poca explicación para este modelo con el 11.2%, esto puede deberse a que la población no necesariamente se ve influenciada por un estatus educativo a nivel superior o los servicios de salud para considerarse marginados, sin embargo habría que considerar otros factores como la incorporación de fuentes de empleo que reduzcan la migración de la población y por ende justifique un incremento en el nivel de educación de la misma.