text new page (beta)
Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
Actualmente la industria automotriz es muy importante para la economía de Guanajuato. De acuerdo con información del censo económico 2014, ésta participa en el total de la industria manufacturera con 12% del empleo y 22% del valor de la producción, medido por el valor agregado censal bruto. Además, la Industria Automotriz, junto con el sector metalmecánico representaron 82% del total de las exportaciones en 2017 (Cofoce, 2018).
La consolidación de la industria automotriz en Guanajuato comenzó a finales de la década de los 90, a cuatro años de la instalación de la primera armadora, General Motors complejo Silao (Martínez-Martínez et al., 2017b, Unger y Chico, 2004 y Gobierno del Estado de Guanajuato, 2015).
Aunado a la llegada de esta armadora, en 1995, y al arribo casi inmediato de proveedores Tier 1 y Tier 2, se puso en marcha una política de atracción de inversión extranjera directa (IED), cuyos resultados comenzaron a verse a partir de 2006 (Martínez-Martínez y Carrillo-Viveros, 2017a). Dentro de las inversiones más relevantes de la última década se encuentran las realizadas por: Honda, 1,270 millones de dólares; Volkswagen, 840 mdd; Pirelli, 400 mdd; Mazda, 770 mdd; y Toyota, 1,000 mdd. Sólo por mencionar algunas.
Es así que con la llegada de Original Equipment Manufacturer (OEMs) y los proveedores de todos los niveles, se está impulsando la conformación de un cluster industrial automotriz que se caracteriza por la maduración de las interrelaciones empresariales, su grado de especialización y la presencia de instituciones de apoyo (Martínez-Martínez et al., 2017b, Unger, 2003).
Dado lo anterior, es necesario contar con métricas complementarias para evaluar el desempeño del cluster automotriz de Guanajuato y, así, contar con elementos que permitan dar sugerencias de política industrial, con la finalidad de promover su fortalecimiento. De tal modo que con este análisis se pretende responder las siguientes interrogantes: ¿Cuál ha sido el comportamiento de la eficiencia técnica de la Industria Automotriz de Guanajuato en relación con otras entidades donde la industria automotriz tiene presencia? Y ¿qué relación tienen los patrones de especialización productiva con la eficiencia técnica en la industria automotriz?
Se parte de la hipótesis de que los patrones de especialización observados en la industria automotriz de Guanajuato han permitido alcanzar mayores niveles de eficiencia técnica en esta industria.
La presente investigación empleará el Análisis Envolvente de Datos, para estimar la eficiencia técnica de la Industria Automotriz. Además, se estimará la relación entre eficiencia técnica y especialización mediante un análisis de regresión con datos de panel, el cual empleará como variables explicativas de la eficiencia técnica, los coeficientes de localización y la especialización. Se utilizará información de los Censos Económicos 2004, 2009 y 2014.
El artículo se divide en cinco apartados, en el primero se describe brevemente la industria automotriz en Guanajuato, así como su importancia relativa con el resto de las entidades en las que se localiza dicha industria. A continuación, se revisa de manera general la literatura referente a la teoría de los clusters industriales. En el tercer apartado se presenta la metodología referente al Análisis Envolvente de Datos que es utilizada para medir la eficiencia técnica de la industria automotriz y la metodología empleada para realizar la regresión con datos de panel para evaluar la relación existente entre eficiencia y especialización. Después se muestran los resultados empíricos del análisis y, finalmente, se exponen las conclusiones y futuras líneas de investigación.
1. La industria automotriz en México
1.1. La industria automotriz en Guanajuato
La industria automotriz en Guanajuato se encuentra concentrada regionalmente en los municipios ubicados en el llamado Corredor Industrial 45, tales como Celaya, Salamanca, Irapuato, Silao de la Victoria y León. Datos del Censo Económico 2014 y del Directorio Estadístico Nacional de Unidades Económicas 2018 (DENUE) del Instituto Nacional de Geografía y Estadística (INEGI, 2018) dan cuentan de que las empresas proveedoras de la industria automotriz también se han asentado en municipios cercanos a este corredor: Acámbaro, Manuel Doblado, Comonfort, San José Iturbide, San Miguel de Allende y Ocampo (Mapa 1).
Fuente: elaboración propia con información INEGI, 2014 y 2018.
Mapa 1 Valor de la producción y distribución de las clases de actividad de la industria automotriz en Guanajuato
La industria automotriz (IA) es de gran importancia para Guanajuato debido al dinamismo mostrado en el valor de su producción y empleo generado. En cuanto al empleo, pasó de representar 6% del total del empleo generado en la industria manufacturera en 2004 a 12% en 2014. Asimismo, en cuanto al peso que el empleo de la IA tiene en la economía en su conjunto, éste representó 2% en 2009 y para 2014 creció a 4% (Cuadro 1).
Cuadro 1 Producción y empleo en la industria automotriz en Guanajuato: 2004, 2009 y 2014
| 2004 | 2009 | 2014 | ||||
|---|---|---|---|---|---|---|
| VA (miles de pesos) | Empleo | VA (miles de pesos) | Empleo | VA (miles de pesos) | Empleo | |
| Total automotriz Guanajuato | 32,122,893 | 14,406 | 16,253,345 | 19,610 | 22,390,680 | 40,343 |
| % automotriz nacional | 13% | 3% | 6.1% | 4% | 6.0% | 5% |
| % industria automotriz en la industria manufacturera | 37% | 6% | 18% | 7% | 22% | 12% |
| % VA Estatal | 19% | 2% | 8% | 2% | 11% | 4% |
VA= Valor agregado Censal Bruto (Valores reales).
Fuente: Martínez-Martínez et al., 2017b: 107.
El valor de la producción de la IA, medido por el valor real del valor agregado censal bruto, a precios constantes 2012, muestra una caída importante de 2004 a 2009, seguida de una recuperación en el periodo de 2009 a 2014. De forma similar, el valor de la producción de la industria automotriz de Guanajuato ha perdido participación en el total del valor de la producción de la industria automotriz nacional, pues en 2004 representó 13% y para 2009 y 2014 los valores se mantuvieron en 6.1% y 6.0%, respectivamente. También la participación del valor de la producción de la IA en el total de la industria manufacturera de la entidad, así como en el total de su valor agregado, perdió participación en el periodo 2004 a 2009, pasando de 37% a 18% en el primer caso y de 19% a 8%, en el segundo. Sin embargo, la participación del valor de la producción en las variables mencionadas tuvo una recuperación en el periodo 2009 a 2014 al obtener 22% de participación en la industria automotriz y 11% en el total del valor agregado generado en la entidad.
En cuanto al sector externo, de acuerdo con información de la Coordinadora de Fomento al Comercio Exterior (Cofoce), las exportaciones del sector automotriz1 se dispararon a partir de 2009 y en 2017 alcanzaron la cifra de 19,627 millones de dólares, lo que representó 82% del total de las exportaciones de la entidad (Gráfica 1).
Fuente: elaboración propia con información de la Cofoce (2018).
Gráfica 1 Exportaciones de los sectores automotriz-autopartes-metalmecánica del estado de Guanajuato 2002-2017
1.2. La industria automotriz de Guanajuato frente a la nacional
En 2004, la industria automotriz de Guanajuato ocupó el cuarto lugar nacional en producción; sin embargo, en 2009 cayó al octavo lugar, y en 2014 recuperó una posición. Cabe destacar que, durante este periodo, presentó un notable avance en términos de empleo generado, pues éste pasó de la décima posición en 2004, a la séptima en 2014 (Cuadro 2). En 2014, Guanajuato representó 6% del valor total de la industria automotriz nacional y 5% del empleo, lo que la colocó en el séptimo lugar en ambos rubros.
Cuadro 2 Empleo y producción en la industria automotriz de las 15 principales entidades federativas 2004, 2009 y 2014
| 2004 | 2009 | 2014 | ||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Empleo | Valor Agregado* (miles de pesos) |
Empleo | Valor Agregado (miles de pesos) |
Empleo | Valor Agregado (miles de pesos) |
|||||||
| % | LN | % | LN | % | LN | % | LN | % | LN | % | LN | |
| Puebla | 5% | 6 | 17% | 2 | 7% | 6 | 14% | 2 | 5% | 8 | 15.8% | 1 |
| Coahuila | 14% | 2 | 13% | 3 | 12% | 2 | 16% | 1 | 17% | 2 | 15.1% | 2 |
| Sonora | 4% | 7 | 2% | 11 | 6% | 7 | 7% | 7 | 5% | 6 | 11.9% | 3 |
| Nuevo León | 8% | 4 | 7% | 6 | 8% | 5 | 7% | 6 | 8% | 3 | 10.0% | 4 |
| México | 8% | 5 | 10% | 5 | 8% | 3 | 10% | 4 | 6% | 5 | 9.6% | 5 |
| Chihuahua | 31% | 1 | 19% | 1 | 21 | 1 | 10% | 3 | 17% | 1 | 8.4% | 6 |
| Guanajuato | 3% | 10 | 13% | 4 | 4% | 10 | 6% | 8 | 5% | 7 | 6.0% | 7 |
| Aguascalientes | 4% | 14 | 2% | 9 | 3% | 11 | 7% | 5 | 3% | 12 | 3.9% | 8 |
| Baja California | 2% | 8 | 3% | 12 | 3% | 12 | 3% | 11 | 4% | 11 | 3.7% | 9 |
| San L. Potosí | 3% | 11 | 2% | 10 | 4% | 9 | 3% | 12 | 4% | 10 | 3.7 | 10 |
| Querétaro | 3% | 9 | 4% | 7 | 4% | 8 | 5% | 9 | 5% | 9 | 2.5% | 11 |
| Morelos | 1% | 16 | 1% | 14 | 1% | 19 | 1% | 14 | 1% | 18 | 2.4% | 12 |
| Tamaulipas | 9% | 3 | 4% | 8 | 8% | 4 | 4% | 10 | 8% | 4 | 2.4% | 13 |
| Jalisco | 2% | 13 | 2% | 13 | 2% | 14 | 2% | 13 | 2% | 15 | 1.9% | 14 |
| Zacatecas | 1% | 15 | 0% | 19 | 1% | 16 | 0% | 20 | 2% | 16 | 0.6% | 15 |
| Subtotal | 96% | 99% | 92% | 96% | 91% | 98% | ||||||
| Resto entidades | 4% | 2% | 8% | 2% | 9% | 2% | ||||||
| Total | 100% | 100% | 100% | 100% | 100% | 100% | ||||||
LN= Lugar nacional
*. Para los cálculos de valor agregado se considera al Valor Agregado Censal Bruto a precios corrientes y se seleccionaron a las 15 principales entidades federativas más representativas en valor agregado censal bruto durante 2014.
Total valor agregado de la industria automotriz nacional (miles de pesos corrientes) 2004= 163909714, 2009= 222884288, 2014= 376,926,560. Total de personal ocupado en la industria automotriz 2004= 512,335 2009= 540,436 2014= 376,926,560.
Fuente: elaboración propia con datos de INEGI, 2004, 2009 y 2014.
Durante el periodo 2009 a 2014, el Valor Agregado Censal Bruto (VACB) de la industria automotriz en Guanajuato creció a una tasa de 6.6% en promedio anual, ligeramente por debajo del promedio nacional (6.84%), mostrando una recuperación significativa con respecto al periodo 2004 a 2009, en el que había tenido una caída de -12.7% en promedio anual.2 El empleo en la industria automotriz en Guanajuato creció en promedio anual a una tasa de 15.5%, muy superior al promedio nacional (7.6%) en el periodo 2009-2014, que fue muy superior al periodo de 2004 a 2009 donde la industria tuvo un crecimiento promedio anual de 6.4 por ciento.
En cuanto a productividad la industria automotriz en Guanajuato, tuvo una variación negativa en el periodo 2009 a 2014 de -9.5%, variación superior al promedio nacional (-1.6%) (Cuadro 3).
Cuadro 3 Tasa de crecimiento promedio anual empleo, producción y productividad por entidad federativa en los periodos 2004-2009 y 2009-2014
| Entidades | Periodo | Periodo | ||||
|---|---|---|---|---|---|---|
| 2004-2009 | 2009-2014 | |||||
| Empleo* | Producción** | Productividad*** | Empleo | Producción | Productividad | |
| Norte | ||||||
| Sonora | 12.7 | 25.9 | 13.0 | 3.8 | 19.6 | 14.2 |
| San Luis Potosí | 10.6 | 4.1 | -5.8 | 7.0 | 14.0 | 5.1 |
| Baja California | -3.8 | 9.4 | 13.5 | 15.4 | 13.8 | -2.0 |
| Nuevo León | 1.3 | 1.5 | 2.1 | 7.8 | 13.6 | 2.2 |
| Durango | 20.1 | 15.7 | -1.0 | 20.6 | 11.9 | -8.5 |
| Coahuila | -1.7 | 6.0 | 8.9 | 14.9 | -28.2 | -9.6 |
| Chihuahua | -7.2 | -10.2 | -4.1 | 4.0 | 16.1 | -1.5 |
| Sinaloa | 15.3 | 4.2 | -7.3 | 9.9 | 1.7 | -8.0 |
| Baja California Sur | 84.7 | 80.0 | -1.9 | -5.2 | -1.8 | 6.2 |
| Centro | ||||||
| Tlaxcala | 18.9 | 1.8 | -13.5 | 9.7 | 28.0 | 18.1 |
| Morelos | 3.0 | 0.1 | -2.5 | 12.0 | 19.5 | 5.4 |
| Puebla | 7.6 | -2.6 | -10.1 | 1.8 | 9.3 | 9.2 |
| Guanajuato | 6.4 | -12.7 | -17.1 | 15.5 | 6.6 | -9.5 |
| México | 3.2 | 1.0 | -1.1 | 0.2 | 6.1 | 4.3 |
| Querétaro | 8.8 | 3.6 | -3.6 | 10.0 | -6.5 | -15.5 |
| Hidalgo | 22.4 | 34.6 | 13.3 | 14.0 | -17.1 | -29.4 |
| D.F | 3.4 | -209.0 | -205.2 | -0.4 | -27.0 | -27.0 |
| Occidente | ||||||
| Nayarit | -12.5 | -15.1 | -1.1 | 103.2 | 97.3 | -3.4 |
| Zacatecas | 8.3 | 8.7 | -2.2 | 16.9 | 28.2 | 11.2 |
| Colima | 68.5 | 22.8 | -26.3 | 16.4 | 2.2 | -0.3 |
| Jalisco | 0.5 | 5.7 | 4.2 | 1.1 | 6.1 | 7.5 |
| Michoacán | 2.2 | -23.0 | -22.8 | -12.0 | 0.1 | 12.8 |
| Aguascalientes | 8.9 | 14.9 | 6.2 | 8.7 | -5.7 | -14.3 |
| Golfo | ||||||
| Tabasco | -1.1 | -1.3 | 3.6 | 14.4 | 23.2 | 6.4 |
| Tamaulipas | 0.6 | 1.4 | 1.8 | 5.7 | -4.6 | -10.8 |
| Veraceuz | 33.8 | 103.2 | 50.8 | 21.0 | -10.5 | -26.7 |
| Sur | ||||||
| Oaxaca | 7.1 | 0.9 | 1.3 | 20.3 | 22.6 | -0.3 |
| Guerrero | -14.0 | -26.5 | -14.9 | 19.6 | 16.5 | 2.3 |
| Chiapas | 23.2 | 29.4 | 7.0 | 6.8 | 5.2 | -35.1 |
| Península | ||||||
| Qintana Roo | -25.0 | -49.1 | -30.0 | 44.0 | 48.2 | 3.9 |
| Campeche | 24.6 | 33.5 | 56.2 | 24.6 | 43.8 | -13.9 |
| Yucatan | 29.5 | 55.1 | 18.3 | 8.0 | -7.0 | -13.3 |
| Total Nacional | 1.1 | 0.9 | -0.01 | 7.6 | 6.84 | -1.6 |
*Se refiere al personal ocupado total.
**Se utiliza el Valor Agregado Censal Bruto deflactado por el Índice de Precios al Productor (INPP) 2012=100
***Productividad= Valor Agregado Censal bruto (miles de pesos)/ Total de horas trabajadas por el personal ocupado.
Fuente: elaboración propia con datos de INEGI 2004, 2009 y 2014.
2. Clusters industriales y medición de desempeño
2.1. Concepto de clusters industriales
Marshall (1920) fue el primero en observar que las empresas pertenecientes a una misma rama industrial, localizadas en proximidad geográfica unas de otras, obtenían beneficios mediante economías externas de escala. Basándose en las contribuciones de Adam Smith analizó la concentración de empresas y actividades especializadas en localidades particulares (Vázquez-Barquero, 2006). Los beneficios consisten en ciertos elementos observados como habilidades heredadas, disponibilidad de proveedores, uso de maquinaria especializada (división del trabajo), liderazgo industrial y desarrollo de innovaciones.
Los estudios sobre distritos industriales fueron retomados en la década de los sesentas del siglo pasado por la escuela italiana, la cual incorporaba la teoría social y el rol de instituciones gubernamentales para explicar el éxito alcanzado por pequeñas empresas que competían exitosamente en mercados internacionales (Becattini, 1988). De acuerdo con Vázquez-Barquero (2006), Hoover sintetiza las ventajas de la aglomeración geográfica resultado de los efectos de las economías internas y externas de escala. Sin embargo, Porter (1990) popularizó el término de cluster, posterior a la propuesta de modelo de cuatro determinantes,3 con el cual explicaba las ventajas competitivas de las naciones. De esta forma, las cuatro condicionantes propuestas por Porter también son aplicadas al análisis de clusters industriales.
En gran medida los estudios de clusters industriales han seguido un enfoque estático y se han centrado en estudiar los factores determinantes de éxito. Capello (1999) sugiere que existe un proceso evolutivo en la conformación de clusters industriales los cuales pueden transitar por diferentes fases que van desde una mera concentración de empresas sin articulación alguna hasta llegar a ser un milieu innovateur (ambiente innovador) que es donde las empresas encuentran condiciones para generar innovaciones. Siguiendo al mismo autor, este propone que en una segunda etapa del cluster existe un proceso de especialización que puede o no estar acompañado por una proximidad cultural y organizacional. De lograrse lo anterior estaríamos ante la configuración de un distrito industrial, en caso contrario nos encontraríamos ante un área especializada con competencia atomizada.
El concepto de cluster industrial se ha abordado desde diferentes enfoques y de acuerdo a Martin y Sunley (2003) es un concepto ambiguo del cual aún no se tiene un consenso sobre su definición. Es posible identificar el desarrollo de un cluster industrial de acuerdo con ciertas características observadas. En este sentido, la presencia de la especialización económica es un indicador de la evolución de un cluster industrial que ha partido de una aglomeración de empresas sin conexión entre sí a una aglomeración que muestra un proceso de especialización en sus actividades económicas. Para Laguna-Reyes (2009) los cluster industriales son concentraciones de compañías e instituciones de un mismo sector industrial que compiten y cooperan. Estas dos acciones permiten que en el cluster se logre la llamada eficiencia colectiva (concepto introducido por Schmitz y Nadvi en 1999 (citados en Corrales, 2007), lo cual implica un proceso de división de trabajo y presencia de mano de obra especializada en el cluster. Por su parte, Vera-Garnica y Ganga-Contreras (2007) señalan que en los países desarrollados el análisis de los cluster desempeña un papel importante en la definición de la política pública. De acuerdo con estos autores, la mejor definición de cluster es la que señala la Organización para la Cooperación y el Desarrollo Económicos (OCDE) en su documento de 1999, en donde refiere que un cluster, además de las redes horizontales simples que una empresa establece con otras, comprende las alianzas estratégicas de éstas con universidades, institutos de investigación, instituciones puente. Siguiendo con los beneficios de los clusters industriales, Puig et al. (2014) señalan que son tres: 1. Las relaciones, tanto horizontales como verticales, establecidos por los clientes y proveedores, 2. La existencia de trabajo calificado, y 3. La difusión de conocimiento técnico-estratégico.
Después de esta breve revisión sobre los clusters industriales, nosotros consideramos que éstos se refieren a la concentración geográfica de empresas vinculadas a un sector industrial, en donde las empresas líderes -para el caso de la industria automotriz serían las oems- marcan el rumbo del desarrollo económico y tecnológico de la región a través de las redes de colaboración que establezcan con las empresas satélites -en nuestro caso sería las autopartistas, tanto extranjeras como locales-. En este sentido, la política industrial que impulse las capacidades de absorción toma un papel fundamental.
2.2. Evaluación del desempeño de clusters industriales
Dado el auge que ha tenido el enfoque de cluster como medida de apoyo al desarrollo regional, instituciones internacionales como la Organización Económica para la Cooperación y el Desarrollo (OECD) o el Programa de las Naciones Unidas para el Desarrollo Industrial (UNIDO, por sus siglas en inglés) han diseñado programas para fortalecer el desarrollo de empresas pertenecientes a estas agrupaciones industriales. Sin embargo, las evaluaciones del desempeño del cluster son escasas (Gürellier, 2010).
Los estudios de clusters enfocados en realizar evaluaciones de desempeño son de naturaleza diversa. Tvaronaviciene et al. (2015) utilizan el método multicriterio y de comparación (Benchmarking) para medir el desempeño de las empresas pertenecientes al cluster.García et al. (2011) incorporan el ciclo de vida del cluster y evalúan las dimensiones estructurales, gobernanza y de desempeño. A estos desarrollos se suman aquellos esfuerzos por evaluar programas o políticas de clusters industriales (Magro y Wilson, 2013). Altenburg (2001) señala que los clusters tiene un potencial para incrementar la eficiencia a través de las diferentes formas de articulación empresarial. Para el caso de países emergentes, como México, la posibilidad de que las empresas locales se integren a la cadena global de valor de las empresas multinacionales apoya su ventaja competitiva (Corrales, 2007).
Recientemente ha habido un esfuerzo por incorporar métricas cuantitativas al análisis de desempeño. A este respecto, De Langen (2004) cuestiona el uso de métricas como la tasa de ganancia, la productividad o la participación en las exportaciones y propone al valor agregado como única forma de poder medir el desempeño de un cluster. De acuerdo con Laguna-Reyes (2009: 121) el análisis de los clusters industriales “… permite establecer qué tipo de ventaja competitivas tiene una localidad, así como los flujos de transmisión del conocimiento y su potencial para la innovación”. Dávila-Flores (2008) incorpora variables cuantitativas y resultado de las matrices insumo producto para identificar los clusters industriales de la región noreste de México. Recientemente, se ha utilizado la técnica de Análisis Envolvente de Datos, que se ha empleado para medir la eficiencia en la industria minera (Gaytán y Benita, 2014), así como en el análisis y evaluación de políticas gubernamentales (Soto et al., 2016).
En el siguiente apartado se realiza una descripción de la técnica que se está proponiendo para medir la eficacia técnica del cluster automotriz mediante la técnica de Análisis Envolvente de Datos.
3. Métodos para la estimación de eficiencia técnica y su relación con especialización productiva
3.1 Análisis Envolvente de Datos para evaluar la eficiencia técnica: una aplicación a la industria automotriz
El Análisis Envolvente de Datos (AED) es una técnica no paramétrica, determinista, que recurre a la programación matemática. Fue propuesta por Charnes et al. (1978) y es una extensión del trabajo de Farrell (1957).
El AED es un método de programación lineal que permite identificar funciones de producción empíricas. Lo anterior implica que no sea necesario contar con una función de producción determinada para su cálculo, pues esta metodología, con base en las unidades productivas objeto de estudio, establece una frontera tecnológica compuesta por aquellas unidades que se desempeñan mejor que otras, lo que permite identificar y clasificar a las unidades en eficientes y no eficientes.
El modelo seleccionado para analizar la eficiencia de la industria automotriz es del tipo orientado a insumos (input oriented), considerando rendimientos crecientes a escala, debido a que las variables de entrada (acervo total de activos fijos, empleo, horas trabajadas por personal ocupado total), influyen la variable output que para este caso se utiliza la variable Producción Bruta Total.
De acuerdo con Soto et al. (2016) el modelo dual de programación lineal para el modelo orientado a insumos (input oriented) es el siguiente: Hallar Ur; donde r=1,…t y vi; con i=1,…, m tal que
Maximizar
Sujeto a:
Donde:
Xij= Cantidad del i-ésimo producto que sale de la j-ésima DMU
Yrj= Cantidad del r-ésimo producto que sale de la j-ésima DMU
Las Xij y las Yrj son parámetros conocidos
Vi= Pesos del i-ésimo insumo que entra a la j-ésima DMU
Ur= péso del r-ésimo producto que sale de la j-ésima DMU
DMU= Unidad de decisión.
De acuerdo con (Soto et al., 2016) se acostumbra a resolver este problema empleando el DUAL del problema primal el cual queda como sigue:
| Maximizar |
|
| Sujeto a: | |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Formulado el dual con el modelo orientado a insumos queda como sigue:
Maximizar
Sujeto a:
Sujeto a la siguiente restricción:
Las variables consideradas para este análisis son:
a) Acervo total de activos fijos (ATAF): Valor de los bienes que son propiedad de unidad económica, los cuales son utilizados o brindan las condiciones para la producción de bienes o servicios (INEGI, 2014).
b) Empleo (POT): se utiliza la variable Personal Ocupado Total la cual considera a las personas que trabajaron durante el periodo de referencia en la unidad económica ya sea mediante un contrato o no (INEGI, 2014).
c) Horas trabajadas por personal ocupado total (HTPOT): corresponde al total de horas trabajadas por el personal ocupado total. Considera las horas trabajadas de carácter normal y aquellas horas extraordinarias. (INEGI, 2014)
d) Producción Bruta Total (PBT): corresponde al valor de los bienes o servicios que se producen o se comercializan por la unidad económica y que son resultado de sus actividades (INEGI, 2014).
Siguiendo a Gaytán y Benita (2014) se utiliza la variable Producción Bruta Total (PBT) en lugar de la variable Valor Agregado Censal Bruto (VACB), debido a que de esta forma se evita tener valores negativos que pudieran dificultar la medición de eficiencia. Ya que los cálculos se realizan para cada año no es necesario deflactar el PBT.
Para el cálculo de la eficiencia se utilizó el programa computacional Efficiency Measurement System versión 3.1 (Scheel, 2000).
3.2. Medición de la relación entre eficiencia técnica y especialización productiva utilizando regresión con datos de panel
Como se analizó, un cluster puede evolucionar al grado de especializarse, lo que implica que el uso de recursos (materiales, humanos y financieros) son mejor aprovechados y utilizados por lo que se tiene un efecto positivo en la eficiencia. Gaytán y Benita (2014) exploraron la relación entre especialización y eficiencia para la industria minera de México y encontraron una relación positiva, así como ser estadísticamente significativa.
Para explorar el vínculo entre especialización y eficiencia técnica se llevó a cabo una regresión con datos de panel. Se eligió el índice de eficiencia técnica como variable dependiente y como variable independiente se utilizó al coeficiente de localización como medida de especialización relativa (Boisier, 1977). En una segunda regresión se utilizó el coeficiente de especialización como variable independiente y el índice de eficiencia técnica como variable dependiente. Se utilizó información de los últimos tres Censos Económicos 2004, 2009 y 2014 de las 16 entidades federativas donde tiene presencia la industria automotriz.
Se utilizó la prueba de Hausman para determinar la pertinencia de utilizar un modelo de efectos fijos o aleatorios.
La ecuación resultante de eficiencia técnica del estado i del año t está dado por:
ET = Eficiencia técnica
α = vector de parámetros
β1 = vector de variable explicativa
X1 = Variable independiente: coeficiente de localización o especialización productiva
eit = errores aleatorios
i = estado
t = año
Para e cálculo del coeficiente de localización se consideró la siguiente fórmula
donde:
Coef Loc = Coeficiente de localización
Vij = Valor de la rama de producción i del estado j, utilizando como variable al valor agregado censal bruto
∑i Vij = Valor de la producción del total del Estado
∑j Vij = Valor de la producción de la rama de producción a nivel nacional
∑i ∑ j Vij = Valor total de la producción a nivel nacional
Valores = 1 indican que indican que se tiene una participación del valor agregado censal bruto de la rama de actividad i del Estado j es exactamente igual a la participación que tiene la rama de actividad i nivel nacional en el conjunto de la economía nacional.
Valores > 1 indican que el tamaño relativo del sector en el estado de referencia es mayor que el tamaño relativo del valor de esa rama de actividad en el conjunto nacional, por lo que podemos inferir especialización relativa.
Valores <1 indican que el tamaño relativo del sector en el estado de referencia es menor que el tamaño relativo del valor de esa rama de actividad en el conjunto nacional, por lo que podemos inferir que no existe especialización relativa.
Para el cálculo de especialización productiva se siguió la siguiente fórmula:
Qr= Coeficiente de especialización
abs= valor absoluto
Vij= Valor de la rama de producción i del estado j, utilizando como variable al valor agregado censal bruto
∑i Vij = Valor de la producción del total del Estado
∑j Vij = Valor de la producción de la rama de producción a nivel nacional
∑i ∑ j Vij = Valor de la producción total a nivel nacional
De acuerdo con Boisier (1977) el coeficiente de especialización compara dos distribuciones relativas. En este sentido, se contrasta a la distribución estatal contra la distribución nacional.
Los valores resultantes oscilan de 0 a 1 y entre más cercanos los valores a 1 indica que existe mayor especialización.
4. Análisis y discusión
Con información de los Censos Económicos 2004, 2009, y 2014 del INEGI se seleccionaron a las 16 principales entidades donde está asentada la industria automotriz, considerando como variable el VACB. Estas entidades representaron 98% del total de la producción en 2009.
Los resultados de aplicar la técnica a Análisis de Envolvente de Datos se muestra en el Cuadro 4.
Cuadro 4 Eficiencia de la industria automotriz en las principales entidades federativas
| Estados | 2004 | 2009 | 2014 | % Participación en Producción* |
|---|---|---|---|---|
| Norte | ||||
| Baja California | 100.00% | 100.00% | 84.53% | 4% |
| Sonora | 90.35% | 85.96% | 100.00% | 15% |
| Chihuahua | 97.41% | 77.44% | 81.19% | 8% |
| Coahuila | 100.00% | 100.00% | 100.00% | 15% |
| Nuevo León | 84.02% | 83.09% | 88.26% | 10% |
| Tamaulipas | 90.57% | 77.24% | 82.76% | 2% |
| Centro | ||||
| Ciudad de México | 85.97% | 88.73% | 88.07% | 0.2% |
| Estado de México | 90.99% | 92.49% | 94.90% | 10% |
| Puebla | 100.00% | 100.00% | 100.00% | 16% |
| Hidalgo | 100.00% | 100.00% | 100.00% | 0.2% |
| Morelos | 100.00% | 100.00% | 100.00% | 2% |
| Occidente | ||||
| Aguascalientes | 89.36% | 100.00% | 95.12% | 4% |
| Guanajuato | 100.00% | 100.00% | 92.31% | 6% |
| Jalisco | 85.91% | 84.27% | 88.98% | 2% |
| Querétaro | 91.00% | 83.48% | 80.54% | 2% |
| San Luis Potosí | 84.26% | 81.44% | 81.82% | 4% |
*Se refiere a la participación en la producción total tomando como referencia la variable VACB.
Fuente: elaboración propia utilizando el software Efficiency Measurement System (Scheel, 2000).
Al analizar los resultados podemos clasificar a las entidades de acuerdo con la eficiencia observada en los tres periodos. En una primera clasificación se encuentran aquellas entidades que se ubican en la frontera de la eficiencia en los tres periodos analizados, es el caso de entidades como Puebla, Hidalgo y Morelos de la región centro, así como Coahuila de la región Norte. En una segunda clasificación podemos ubicar a aquellos estados que presentan una trayectoria ascendente en los tres periodos analizados, es el caso de Sonora y Nuevo León (región norte), Jalisco (Occidente) y Ciudad de México en la región centro, aunque esta última tuvo una ligera caída en 2014. En una tercera clasificación se ubican aquellos estados que tienen un comportamiento variable. En esta categoría se ubican Guanajuato y Baja California, que en dos periodos consecutivos se ubicaron en la frontera de eficiencia y para 2014 caen al 85%. Chihuahua, situado en 97% de eficiencia cae a 77% en 2009, y sube ligeramente a 81.19% en 2014.
En un caso similar a este último está Tamaulipas, que en 2004 se situaba en 90.57% de eficiencia y para 2009 cae a 77.24% y tiene una recuperación en 2014 cuando se ubicó en 82.76%. Aguascalientes se ubicó en 89.36% de eficiencia en 2004, tiene un repunte en 2009 al posicionarse en 100% para posteriormente caer al 95% en 2014. Por último, San Luis Potosí presentó en 2009 84.26% de eficiencia para después caer a 81% en 2009 y ligeramente subir en 2014 a 81.82%.
Para evaluar la relación entre especialización y eficiencia técnica, se realizó un modelo de regresión con datos de panel. La prueba de Hausman indicó que el modelo más apropiado es el de efectos aleatorios, tanto para el caso donde se utilizó el coeficiente de localización como para el caso donde se empleó el coeficiente de especialización como variable independiente.
Los resultados de la regresión muestran que el coeficiente de localización y el coeficiente de especialización son variables significativas y tienen una relación positiva con la eficiencia técnica, lo que indica que a mayor especialización mayor eficiencia técnica. Como es de esperarse, el coeficiente de correlación (R2) es bajo, lo que indica que es necesario incorporar más variables explicativas al modelo, lo que está fuera de los alcances de esta investigación.
Cuadro 5 Resultados de regresión con datos de panel de datos efectos variables Variable independiente: Coeficiente de localización
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
|---|---|---|---|---|
| C | 0.888092 | 0.019701 | 45.07814 | 0 |
| Coef_loc | 0.014834 | 0.005322 | 2.787514 | 0.0077 |
| Weighted Statistics | ||||
| R-squared | 0.146478 | Mean dependent var | 0.355974 | |
| Adjusted R-squared | 0.127924 | S.D. dependent var | 0.047738 | |
| S.E. of regression | 0.04458 | Sum squared resid | 0.091419 | |
| F-statistic | 7.89436 | Durbin-Watson stat | 1.93461 | |
| Prob(F-statistic) | 0.007258 | |||
Coef_loc= Coeficiente de localización
Fuente: elaboración propia con información de los Censos Económicos 2004, 2009 y 2014 y utilizando el software EViews versión 10 (QMS, 2017).
Cuadro 6 Resultados de regresión con datos de panel de efectos variables. Variable independiente: Coeficiente de especialización
| Variable | Coefficient | Std. Error | t-Statistic | Prob. |
|---|---|---|---|---|
| C | 0.876219 | 0.019502 | 44.92941 | 0 |
| Coef_Esp | 0.644184 | 0.21312 | 3.022628 | 0.0041 |
| Weighted Statistics | ||||
| R-squared | 0.167832 | Mean dependent var | 0.453136 | |
| Adjusted R-squared | 0.149741 | S.D. dependent var | 0.051665 | |
| S.E. of regression | 0.04764 | Sum squared resid | 0.1044 | |
| F-statistic | 9.277303 | Durbin-Watson stat | 1.882932 | |
| Prob(F-statistic) | 0.003833 | |||
Coef_Esp= Coeficiente de Especialización
Fuente: elaboración propia con información de los Censos Económicos 2004, 2009 y 2014 y utilizando el software EViews versión 10 (QMS, 2017).
Los resultados indican que el proceso de especialización si tienen una incidencia en la eficiencia técnica. Lo anterior abre la posibilidad de complementar trabajos que han evaluado los determinantes de la eficiencia técnica de la industria automotriz, como el estudio llevado a cabo por Valdés-Ibarra (2008), pues de la presente investigación se desprende la importancia de incorporar los coeficientes de localización y especialización dentro de las variables que explican la eficiencia técnica.
Conclusiones
Evaluar el desempeño de aquellas actividades económicas, pilares para el funcionamiento de una economía estatal, se convierte en una actividad esencial que permite orientar las decisiones de política pública. En concordancia con Laguna-Reyes (2009) la tendencia de las empresas a la concentración geográfica debe ser tomada en cuenta por los hacedores de política para impulsar los clusters. A lo que nosotros agregamos, que no sólo basta con esto, sino que se deben impulsar las redes de colaboración entre los actores localizados en éstos, con la finalidad de generar derramas de conocimiento que redunden en el desarrollo regional. En este sentido, la técnica de Análisis Envolvente de Datos es apropiada para medir el desempeño de la industria automotriz en aquellas entidades federativas donde esta industria tiene presencia destacada.
Los resultados muestran que la eficiencia de la industria automotriz en Guanajuato pasó de estar en la frontera de eficiencia técnica en 2004 y 2009 a bajar al 92% en 2014. Esto posiciona a Guanajuato como la octava entidad, de las quince analizadas, que mejor se desempeñó en 2014, por debajo de entidades como Coahuila, Hidalgo, Morelos, Puebla, Morelos, Aguascalientes y México.
En cuanto al vínculo entre eficiencia y especialización se muestra que para el conjunto analizado sí es posible determinar que tanto el coeficiente de localización, que es una medida de especialización relativa, como el coeficiente de especialización, son variables significativas y se relacionan de forma positiva a cambios en la eficiencia técnica, con lo que se cumpliría lo estipulado por Gaytán y Benita (2014); Lo anterior complementa estudios previos que han analizado los determinantes de la eficiencia técnica en la industria automotriz al sugerir la incorporación de variables explicativas que pueden incorporarse al modelo.
Una limitación del trabajo fue la actualidad de los datos utilizados, dado que los más actuales fueron los arrojados por el Censo 2014, el cual se basa en información de 2013, y el auge de la industria automotriz en Guanajuato comienza con la llegada de las armadoras Honda (4T de 2013), Mazda (2014) y Toyota (comenzará a operar en 2019); por lo que este dinamismo no es mostrado con la información presentada en este artículo.
Dentro de las recomendaciones de política industrial que plantea este trabajo, se puede decir que es importante profundizar el análisis sobre el desempeño del recurso humano, que se ha considerado como una variable importante en el análisis de eficiencia de la IA. En el periodo 2009 a 2014, tanto el empleo como la producción se han recuperado para el caso del cluster automotriz de Guanajuato, pero esta recuperación no ha estado vinculada a un aumento en la productividad laboral. Siguiendo la clasificación de Dávila-Flores (2008), el cluster automotriz de Guanajuato presenta un crecimiento extensivo, el cual se caracteriza por un aumento de la producción y el empleo a costa de la productividad laboral. En este sentido, es necesario impulsar políticas públicas encaminadas a fortalecer la productividad laboral en el cluster automotriz de Guanajuato.
