Introducción

Generalmente, los economistas concuerdan en que el comercio tiene un efecto positivo en el crecimiento económico global de un país. Sin embargo, el comercio también afecta la ubicación de la actividad económica ^{(Behrens, et al, 2007}; ^{Krugman, 1991}, y ^{Hanson, 1998)}. En general, se ha esperado que México se beneficie de sus costos de mano de obra más bajos. La proximidad física de sus regiones fronterizas implica que el norte de México goza de una ventaja geográfica en la producción respecto al mercado de los Estados Unidos y que quizá se beneficia más que las demás regiones del Tratado de Libre Comercio de América del Norte. La evidencia empírica mediante la cual se busca medir el efecto que el TLCAN tuvo en la disparidad norte-sur; ha tenido resultados mixtos (^{Aroca, Bosch y Malo, 2005}; ^{Krugman y Livas Elizondo, 1996}; ^{Hanson, 2001}; ^{Rodríguez Pose y Sánchez Reaza, 2005}; ^{Smith, 1990}, entre otros). Este artículo evalúa los efectos en la distribución en el crecimiento económico que tuvo del TLCAN a lo largo y ancho de México. Específicamente, se pregunta de si el TLCAN aumentó o no la concentración de la actividad económica en México.

Los estudios empíricos anteriores del efecto del TLCAN en México tienen limitaciones, ya que emplean datos estatales que ocultan la distribución espacial de la actividad económica y restringen gravemente el número de sus observaciones. Este artículo ofrece las siguientes aportaciones: en primer lugar, se emplean datos de panel de los municipios para identificar con más claridad la relación entre el comercio y posibles clusters¹ de crecimiento. El uso de datos municipales también proporciona nuevas observaciones que podrían ayudar a mejorar la precisión del efecto estimado, ya que a medida que crece la muestra, los estimadores convergen en probabilidad en la cantidad que se está estimando. En segundo lugar, incluyo el censo económico de 2004 para observar si a 10 años de la promulgación del TLCAN la economía se ha descentralizado o no, de modo que ahora esté menos concentrada en la ciudad de México y más activa en las regiones de la frontera con los Estados Unidos.

Hallo pruebas de que el TLCAN ha aumentado la actividad económica en México y ha afectado su distribución. Después del TLCAN, la producción por trabajador de las regiones ubicadas cerca de la frontera con los Estados Unidos creció más que en las regiones situadas a mayor distancia de ella, incluso cuando dichas regiones ya tenían actividad económica alta antes del TLCAN. En segundo lugar, hallo que las ciudades grandes tienen una producción por trabajador superior a la de los municipios después del TLCAN, ya que las ciudades crecen más rápidamente que las otras regiones. Este crecimiento es particularmente alto en las ciudades del norte. En tercer lugar, los municipios que tienen altos índices de escolaridad muestran una producción por trabajador superior antes y después del TLCAN, pero el efecto es mayor después del TLCAN, ya que las regiones con altos índices de escolaridad crecen más rápidamente que las demás. Por último, la presencia de maquiladoras² en un municipio no demostró tener ninguna influencia significativa en la producción por trabajador. Esto refuta la idea de que las regiones que tienen industria maquiladora están creciendo a una velocidad mayor que las regiones que no la tienen ^{(Hornbeck, 2004)}.

I. Descripción general del efecto territorial de la liberación económica y la integración regional

Cabe ofrecer una explicación del porqué la aglomeración es importante para la actividad económica y del porqué es necesario comprender plenamente la relación entre la aglomeración y la productividad. Las economías de aglomeración son externalidades positivas que se desarrollan como consecuencia de la concentración espacial de la actividad económica. La teoría económica urbana anticipa que las empresas obtienen ventajas productivas al ubicarse cerca de otras empresas y que estos beneficios pueden explicar la formación y el crecimiento de las ciudades y las zonas industriales (^{Marshall, 1920}). Las principales fuentes de las externalidades de aglomeración surgen de la mejora de las oportunidades para la agrupación del mercado laboral, la interacción de los conocimientos, la especialización, el intercambio de insumos y bienes finales, y de la existencia de bienes públicos. A medida que crecen la escala y la densidad de las aglomeraciones urbanas e industriales, también se espera un aumento en los beneficios externos de los que pueden disponer las empresas ^{(Graham, 2006)}.

La teoría de la Nueva Geografía Económica (NGE) sostiene que algunos de los determinantes más importantes de la concentración de la actividad económica son el tamaño del mercado, los costos de transporte y las economías de escala ^{(Krugman y Livas Elizondo, 1996)}. El modelo de ^{Krugman (1991)} muestra que la interacción entre las economías de escala, los costos de transporte y los costos de congestión pueden explicar la formación de las ciudades. Krugman elabora una economía de dos regiones en la que hay tensión entre la aglomeración (o fuerza “centrípeta”) que surge de la combinación de las economías de escala y los costos de transporte y las presiones hacia la dispersión (o fuerza “centrífuga”) que surgen de los costos de transporte que tienen que pagar los agricultores inmóviles ubicados en zonas dispersas. Sostiene que las empresas manufactureras buscarán ubicarse en o cerca de una región que tenga una gran demanda de sus productos, pero que el crecimiento de las ciudades estará limitado por los costos de congestión. En un artículo posterior, ^{Krugman y Livas Elizondo (1996)} consideran el efecto que tiene el comercio en la ubicación de la actividad económica y sustituyen los agricultores inmóviles ubicados en zonas dispersas con costos de congestión como la causa de la fuerza centrífuga. En este caso, un aumento en el comercio puede llevar a la dispersión. La intuición dice que a medida que surge un nuevo mercado a consecuencia del comercio, va disminuyendo la atracción del mercado local. El foco local pierde a los consumidores que ahora pueden consumir productos del extranjero. Aplican este modelo a México y muestran que, con el paso del tiempo, la ciudad de México ha perdido relevancia como determinante del crecimiento económico regional.

Así, Krugman y Livas Elizondo predicen que la eliminación de las barreras al comercio tendrá un efecto mayor en las regiones ubicadas cerca del nuevo mercado -en este caso, las regiones ubicadas más cerca de la frontera con los Estados Unidos-. En segundo lugar, sugieren que el comercio provocará la dispersión económica. En contraste, ^{Paluzie (2001)} y ^{Montfort y Nicolini (2000)} extienden el modelo original de Krugman y suponen que la mano de obra no es móvil internamente, y muestran que los tratados comerciales pueden aumentar la aglomeración dentro del país. Paluzie sostiene que, si bien el modelo de Krugman y Livas Elizondo puede describir la distribución económica dentro de un país específico como México, el modelo es más apropiado para el tipo de desigualdades regionales que podría generar la integración europea. Además, los modelos de Paluzie y de Montfort y Nicolini coinciden más con el modelo básico de centroperiferia de Krugman y, por ende, sus conclusiones son más acordes con las predicciones generales de la bibliografía de la Nueva Geografía Económica ^{(Paluzie, 2001)}.

Dos artículos se basan en pruebas que explícitamente buscan confirmar la existencia de convergencia en México y los hallazgos empíricos son mixtos. Rodríguez Pose y Sánchez Reaza (2003) hallan que los estados ubicados más cerca de la frontera con los Estados Unidos crecieron más rápidamente que los demás y que no hubo ningún cambio significativo en esta pauta después del TLCAN. Efectivamente, hallan pruebas de que la atracción de la ciudad de México disminuyó después del TLCAN, lo que apoya la hipótesis de Krugman y Livas Elizondo que plantea que el comercio ha reducido la aglomeración en México. En contraste, ^{Aroca et al. (2005)} no encuentan pruebas de que el TLCAN haya cambiado considerablemente las pautas de crecimiento en México, sino que sostienen que la aglomeración se ha desarrollado a manera de varios clusters de ingreso.

No obstante la creciente bibliografía de la NGE, persisten los siguientes interrogantes: i) ¿el efecto del TLCAN se ha concentrado en clusters a lo largo de la frontera con los Estados Unidos o ha sido disperso por todo México?; ii) ¿las ciudades grandes se benefician más del TLCAN al crecer más que sus vecinos?, y iii) ¿los efectos de la aglomeración aumentaron o disminuyeron después del TLCAN?

Usando la producción por trabajador -el valor agregado bruto (VAB) por empleado- en las distintas regiones de México, este artículo examina si la apertura comercial y la distancia hasta la frontera con los Estados Unidos tienen o no un efecto en las actividades económicas y, en dado caso, si dicho efecto ha conducido a una clusterización o una dispersión de estas actividades dentro del país.

II. Distribución regional de la actividad económica

Para observar la manera en que las pautas espaciales de la actividad económica han evolucionado en las distintas regiones, utilizo la producción por trabajador (y) a nivel municipio,³ que se calcula al dividir el valor agregado bruto (VAB) entre la mano de obra (E) de cada municipio i.

(1)

La producción por trabajador se calculó usando los datos de panel de 9 548 observaciones relacionadas con 2 387 municipios durante cuatro años (1988, 1993, 1998 y 2003).

Indicadores locales de asociación espacial

Uno de los métodos para observar las pautas espaciales en la producción por trabajador son los indicadores locales de asociación espacial (ILAE).⁴ Estos indicadores son una función de interacción, L_i = f ( y_i , y_Ji ), entre el valor que toma la variable en la ubicación i y los valores observados en las ubicaciones colindantes, J_i de i.⁵ Se obtiene el indicador ILAE de cada observación y se mide la clusterización espacial significativa de otras áreas (cluster) situadas alrededor de cada observación. La suma de los indicadores ILAE de todas las observaciones es proporcional a un indicador global de la autocorrelación espacial ^{(Anselin, 1995 p. 94)}, Dado que lo que me interesa es la producción por trabajador entre los municipios, los clusters locales significan que algunas áreas tienen tasas más altas (o más bajas) que las que se pudieran esperar por pura casualidad. Dicho de otra manera, los valores resaltados son superiores (o inferiores) a los de una distribución aleatoria en el espacio ^{(Anselin, 1995)}. Para mostrar esta asociación espacial presento los estadísticos locales de Moran usando diagramas de dispersión y mapas de clusters.

El coeficiente local del índice de Moran ^{(Anselin, 1995}; ^{Anselin, 1996}; ^{Anselin, Kim y Syabri, 2010)} para la autocorrelación de cada periodo es:

(2)

en el que z_i y z_j son la producción por trabajador estandarizado⁶ (no los datos brutos, y_it ) en 1988 y 2003 de los municipios i y j, respectivamente, y W_{i j} denota los elementos de una matriz de ponderaciones espaciales estandarizada por filas. Los estadísticos locales de Moran indican el grado de asociación lineal entre el vector de los valores observados para la variable en cada localidad, z_i , y la matriz de proximidad, que es un promedio ponderado de los valores de los poblados vecinos o el rezago espacial, W_ijz_j ^{(Anselin, 1996)}. La asociación lineal entre z_i y W_ijz_j muestra la dependencia espacial.

El diagrama de dispersión de Moran (Gráfica 1) muestra la producción por trabajador estandarizado, z_i , a comparación del rezago espacial, W_ijzj, para el mismo periodo para ilustrar la relación causada por los estadísticos.⁷ Dado que los valores del vector de las variables se consideran desviaciones de la media, el diagrama de dispersión de Moran se centra en 0,0 ^{(Anselin, 1996)}. La pendiente positiva sugiere que los municipios productivos (producción por trabajador alta) se encuentran en clusters de convergencia con otros municipios productivos (cuadrante 1) y los municipios menos productivos con otros similares (cuadrante 3). Los cuadrantes 2 y 4 presentan municipios productivos rodeados por municipios no productivos, o municipios no productivos ubicados entre municipios productivos, respectivamente. El estadístico I de Moran para ambos años (0.169 para 1988 y 0.173 para 2003) es altamente significativo a 1%, lo que da una dependencia espacial positiva fuerte. Esto implica que la producción por trabajador no está distribuido aleatoriamente en el espacio sino que está altamente correlacionado espacialmente. Cabe destacar que el diagrama de dispersión de Moran da la clasificación pero no muestra la “significación”. Por ese motivo, usamos el mapa de clusters de ILAE

FUENTE: Cálculos del autor basados en datos del ^{INEGI (2005)}

GRÁFICA 1 Diagrama de dispersión de Moran para la producción por trabajador (1988 y 2003) 

El mapa de clusters (Mapas 1 y 2) muestra las áreas que tienen estadísticos I de Moran locales “significativos” en distintos sombreados para indicar el tipo de autocorrelación espacial. Los cuatro colores se definen en la leyenda: gris para alta-alta (cuadrante 1), gris oscuro para baja-baja (cuadrante 3), negro para alta-baja (cuadrante 4) y gris claro para baja-alta (cuadrante 2). Estas cuatro categorías corresponden a los cuatro cuadrantes del diagrama de dispersión de Moran, en la que cada cuadrante corresponde a un tipo de autocorrelación espacial distinto: alta-alta y baja-baja para la autocorrelación espacial positiva (también llamada clusters espaciales); baja-alta y alta-baja para la autocorrelación espacial negativa (también llamada valores espaciales atípicos). Si bien, por definición, los valores espaciales atípicos suelen corresponder a ubicaciones específicas, los clusters espaciales suelen ser un grupo de ubicaciones ^{(Anselin, 2005)}.

FUENTE: ^{INEGI (2005)} y cálculos del autor.

MAPA 1 Clusters de ILAE. Producción por trabajador (1988) 

FUENTE: ^{INEGI (2005)} y cálculos del autor.

MAPA 2 Clusters de ILAE. Producción por trabajador (2003) 

Los supuestos clusters espaciales que se muestran en el mapa de clusters sólo se refieren al centro del cluster. Un cluster se clasifica como tal cuando el valor de una ubicación dada (ya sea alto o bajo) se parece más al de sus vecinos (resumido con base en el promedio ponderado de los valores vecinos, el rezago espacial) de lo que se parecería en condiciones de aleatoriedad espacial. Todas las ubicaciones que caen en este supuesto se registran en el mapa de clusters ^{(Anselin, 2005)}.

El Mapa 1 muestra la formación de clusters en 1988, antes del TLCAN, y la Mapa 2 muestra los clusters actuales en 2003, después del TLCAN. Los municipios marcados en negro presentan una producción por trabajador significativa (y) y están rodeados, en promedio, por municipios que también tienen valores de y altos.

En el Mapa 2 se observa el hecho de que menos municipios muestran una diferencia significativa respecto a sus vecinos después del TLCAN. Como se dijo líneas arriba, los municipios ubicados cerca del límite urbano de Chihuahua, Saltillo y Monterrey son los principales municipios que exhibieron un cluster creciente después del TLCAN. Además, los estados de Tabasco y Campeche, ubicados en el sur de México a lo largo del golfo de México, muestran el cluster petrolero, pero este cluster era evidente para antes del TLCAN, como se puede apreciar en el Mapa 1. Por último, las regiones con una clasificación baja-alta antes del TLCAN desaparecen y, en contraste, exhiben un crecimiento promedio después del TLCAN.

Después de este análisis geográfico, persisten los siguientes interrogantes: i) ¿se pueden atribuir al TLCAN la creación y el crecimiento de los clusters ubicados cerca de la frontera con los Estados Unidos?, ii) ¿existen otras variables que hayan contribuido a este crecimiento? y iii) ¿se puede atribuir la desaparición de las regiones con una autocorrelación espacial alta-baja después del TLCAN a una distribución más generalizada del crecimiento de manera dispersa a lo largo y ancho de México? Para responder estos interrogantes, este artículo procederá a presentar un marco analítico tomado de la bibliografía de la NGE, la economía urbana y el comercio. Posteriormente, especificaré un modelo empírico e intentaré explicar las variaciones en la productividad (producción por trabajador) en función del comercio, un conjunto de condiciones sociales y económicas iniciales y las características espaciales.

III. Metodología

IV. Modelo empírico

El siguiente modelo se elabora con base en los elementos anteriores y la información disponible, para explicar el cambio en la producción por trabajador durante el periodo 1988-2003. Este modelo intenta explicar la variación en la producción por trabajador en función de la apertura comercial, un conjunto de condiciones sociales y económicas iniciales, y las características espaciales.

(3)

en la que i indiza los municipios y t indiza el periodo (1988, 1993, 1998 y 2003). Dejemos que

denote la transformación logarítmica de la producción por trabajador del municipio i en el periodo t. Dejemos que z_i denote un vector de variables constantes en el tiempo y específicas según el municipio que influyen en la producción por trabajador, que x_it sea un vector de variables explicativas que varían en el tiempo y u_it sea el error idiosincrásico.¹⁰

1. Datos

Este artículo usa datos tomados del Sistema Estatal y Municipal de Bases de Datos (Simbad) generado por el Instituto Nacional de Estadística y Geografía ^{(INEGI, 2005)}, y de los censos económicos de 1989, 1994, 1999 y 2004, así como los censos de población de 1990, 1995, 2000 y 2005. La información incluida en cada censo corresponde al año anterior; por ejemplo, el censo económico de 2004 presenta información del ejercicio fiscal de 2003 que va del 1 de enero al 31 de diciembre de 2003. Este artículo toma 1988 como el primer año de análisis, ya que es el primer año para el cual existen datos. En general, hay 9 548 observaciones relacionadas con 2 387 municipios y cuatro años (1988, 1993, 1998 y 2003). El Cuadro 1 muestra las definiciones de las variables y el resumen estadístico.

CUADRO 1 Definiciones de variables y resumen estadístico para cada uno de los años analizados 

^a Las estadísticas presentada son: media (error estándar) y [valor mínimo, valor máximo].

Entre los censos de 1989 y 2004, se crearon 48 nuevos municipios al dividir algunos de los municipios antiguos. Para analizar los mismos municipios a lo largo de los años, fusioné los nuevos municipios de manera que coincidieran con los límites municipales de 1988.¹¹

Se incluyeron dos variables constantes en el tiempo en el modelo para dar cuenta de una porción de la heterogeneidad no observada en los datos. Una de éstas es la distancia hasta la frontera con los Estados Unidos (dis1kk_i ), una variable continua que refleja la distancia carretera (expresada en miles de kilómetros) desde el municipio i hasta el cruce fronterizo más cercano con los Estados Unidos. Para crear esta variable, primero obtengo el nombre de la ciudad capital del municipio^{12 (INEGI, 2008)}. Luego calculo la distancia carretera desde cada uno de los municipios hasta los distintos cruces fronterizos con los Estados Unidos al captar los puntos de origen y de destino en la página web “Traza tu Ruta” de la ^{Secretaría de Comunicaciones y Transportes (2008)}. Por último, para cada municipio selecciono la ruta más corta de entre las distancias hasta los distintos cruces fronterizos con los Estados Unidos.¹³

La otra variable constante en el tiempo es una variable dicotómica para los municipios productores de petróleo (petróleo_i ), que toma el valor de 1 si la producción petrolera del municipio representa más de 20% de su PIB en 1990 y 0 en los demás casos. Para identificar a los municipios productores de petróleo, uso la Enciclopedia de los municipios y delegaciones de México ^{(Segob, 2005)}. Los únicos municipios que caen en esta categoría son los de Carmen en el estado de Campeche y Cárdenas, Comalcalco y Paraíso en el estado de Tabasco.

Se incluyeron distintas variables explicativas que varían en el tiempo en el modelo. Una de ellas es una variable dicotómica (TLCAN_t ) que equivale a 0 para los periodos antes del TLCAN (1988 y 1993) y 1 para los periodos después del TLCAN (1999 y 2004). Una segunda variable es un índice de tres variables de infraestructura (porcentaje de hogares con electricidad, porcentaje de hogares con drenaje y porcentaje de hogares con agua potable) en el municipio i para el periodo t, ÍndiceInf_it . Estas tres variables se crearon al dividir el número de hogares que cuentan con esta infraestructura entre el número total de hogares que hay en cada municipio. Posteriormente, se usa el análisis factorial¹⁴ para crear el índice. Este índice se usa en lugar de las variables individuales para reducir el conjunto de variables incluidas en mi conjunto de datos y para evitar la multicolinealidad.

Otras variables son: el porcentaje de escolaridad (> de 15 años) que hay en el municipio i en el periodo t, edu_it , la población (expresada en miles) por kilómetro cuadrado en el municipio i durante el periodo t, t(pob_i /1000*km²), densidadK_it , y el número de maquiladoras que hay en el municipio i durante el periodo t, maquila_it . La variable maquila se crea mediante el cálculo del promedio anual¹⁵ del número mensual de maquiladoras en los municipios correspondientes según la Estadística de la industria maquiladora de exportación ^{(INEGI, 2007)}.

El modelo también incluye las variables de interacción del TLCAN con todas las variables tanto constantes como las que varían en el tiempo. También incluye las variables dicotómicas de cada año, tomando 1988 como año base.

V. Resultados y análisis

El Cuadro 2 presenta los resultados de las regresiones en las que se usaron los datos de panel de 9 548 observaciones relacionadas con 2 387 municipios durante cuatro años (1988, 1993, 1998 y 2003) para seis ecuaciones. La primera columna muestra los resultados del análisis de combinación de mínimos cuadrados ordinarios (MCO). Si bien los resultados del análisis de MCO presentan un R² alto, lo que indica la bondad del modelo, cabe la posibilidad de que estos resultados estén sesgados debido a las variables omitidas. Para confirmar la omisión de variables geográficamente específicas, se corrieron regresiones distintas del mismo modelo usando efectos aleatorios (EA, columna 2) y otra regresión usando efectos fijos (EF, columna 3), que considera las características no observadas de los municipios. Se realizó una prueba de endogeneidad al incluir las medias individuales de todas las variables que varían en el tiempo en la regresión con EA (columna 4), así como una prueba de Wald de la significación conjunta de los promedios de los coeficientes de las variables independientes (Cuadro 3).

CUADRO 2 Regresiones de la producción total por trabajador^a 

^a Los errores estándar robustos se indican entre paréntesis. *** p < 0.01, ** p < 0.05, * p < 0.1.

CUADRO 3 Prueba de Wald de la significación conjunta de los promedios de los coeficientes de las variables 

Dado que la prueba combinada rechaza la hipótesis nula con un valor p = 0.0000, se concluye que el modelo con EA no es compatible, ya que no capta una parte importante de los efectos promedio de los municipios individuales. Debido a estos hallazgos, basé mis resultados en el modelo con EF (columna 3). Sin embargo el modelo con EF excluyó las variables que no varían en el tiempo (la de la distancia hasta los Estados Unidos y la variable ficticia de reservas de petróleo). Para obtener estos coeficientes, estime los residuos de la regresión con EF mediante un cálculo matricial y regresé los residuos sobre las variables que no varían en el tiempo (sin constante).¹⁷ Este método produjo los coeficientes para estas variables, que se presentan en la columna 5 del Cuadro 2. Dado que la medida que se usa para la infraestructura dista mucho de ser la ideal, estimé el mismo modelo con EF sin la variable de infraestructura (índiceinf) y su interacción con el TLCAN (nafíndiceinf); véase la columna 6 del Cuadro 2, en el que se puede observar que los resultados principales no cambian significativamente. Por ende, los principales resultados del artículo (modelo con EF) son robustos a la inclusión o exclusión de esta variable.

Los resultados indican que, de acuerdo con los postulados de la NGE, el efecto de la distancia hasta la frontera con los Estados Unidos es significativo y tiene una relación negativa con la producción por trabajador. Además, el coeficiente del término de interacción entre la distancia y el TLCAN también es negativo, lo que implica que después del TLCAN la producción por trabajador en las regiones ubicadas cerca de la frontera con los Estados Unidos creció más rápidamente que en las regiones situadas a mayor distancia, incluso si estas regiones ya tenían desarrollos altos antes del TLCAN.

El coeficiente de la distancia hasta la frontera con los Estados Unidos (dist1kk) implica que, antes del TLCAN, un municipio o delegación ubicado a mil kilómetros de la frontera con los Estados Unidos, como por ejemplo la delegación Cuauhtémoc¹⁸ que está situada dentro de la ciudad de México, tuvo en promedio una producción por trabajador de 0.5% menor que la de los municipios ubicados a lo largo de la frontera con los Estados Unidos (como Tijuana y Mexicali, en Baja California). Sin embargo, después del TLCAN, dicha delegación tuvo, en promedio, una reducción en la producción por trabajador de 7% mayor que la de sus contrapartes ubicadas cerca de la frontera con los Estados Unidos.

El TLCAN presenta un inesperado efecto negativo y significativo en el caso de la producción por trabajador, lo que significa que no todos los municipios aumentaron su producción por trabajador después del TLCAN. Sólo aquellos municipios ubicados cerca de los Estados Unidos, con mercados grandes (una alta densidad poblacional) y alta escolaridad e infraestructura se beneficiaron del TLCAN. Se puede apreciar este hallazgo en las interacciones entre el TLCAN y la distancia hasta los Estados Unidos, el petróleo, la infraestructura, el índice de escolaridad y la densidad poblacional, lo cual demuestran que la distancia, los recursos naturales, la infraestructura y los efectos de la escolaridad son importantes después del TLCAN, sobre todo en las ciudades grandes.

Para estimar el efecto parcial del TLCAN en el VAB por trabajador, uso los valores medios de todas las variables que interactúan con el TLCAN. Por tanto, el efecto parcial del TLCAN sobre el VAB es

Esto significa que, para el municipio promedio, el TLCAN aumenta la producción por trabajador en 14 por ciento.¹⁹

Como era de esperarse, la infraestructura (ÍndiceInf) y la educación (edu) también son significativas y están positivamente relacionadas con la producción por trabajador. Este resultado apoya la opinión presentada anteriormente, en el sentido de que los clusters dependen no sólo de las áreas ubicadas cerca de la frontera con los Estados Unidos, sino también de factores externos como la escolaridad y la infraestructura, que aumentan la productividad en esas regiones.

El coeficiente de la infraestructura implica que, antes del TLCAN, un aumento de 1% en la infraestructura aumenta la producción por trabajador en 5%. Sin embargo, después del TLCAN, un aumento de 1% en la infraestructura aumenta la producción por trabajador en 10%. El coeficiente de la escolaridad implica que antes del TLCAN un aumento de 10% en el índice de escolaridad aumenta la producción por trabajador en 2%. En contraste, después del TLCAN un aumento de 10% en el índice de escolaridad aumenta la producción por trabajador en 5 por ciento.

La densidad poblacional desempeña un papel importante, pero sólo después del TLCAN. El efecto parcial de la densidad poblacional en el VAB después del TLCAN es (0.546) + (-0.033) (1.077) ≈ 0.5104. Es decir, un aumento de mil habitantes por kilómetro cuadrado implica un aumento de 51% en la producción por trabajador. En otras palabras, un aumento de un habitante por km² aumenta la producción por trabajador en 0.051%. La significación de la distancia hasta la frontera y la densidad poblacional confirma el resultado de ^{Krugman (1991)}, que indica que las empresas procurarán ubicarse en o cerca de una región que tenga una alta demanda de sus productos.

La presencia de petróleo tuvo una correlación positiva y altamente significativa con la producción por trabajador. ^{Rodríguez Pose y Sánchez Reaza (2005)} explicaron que una combinación de materia prima y producción agrícola contribuyó al crecimiento de aquellos estados mexicanos que cuentan con la mayor dotación de recursos naturales. El coeficiente del petróleo implica que antes del TLCAN los municipios petroleros tenían, en promedio, una producción por trabajador 130% superior a la de los municipios no petroleros. Sin embargo, después del TLCAN, esos mismos municipios petroleros tenían, en promedio, una producción por trabajador 245% superior a la de sus contrapartes no petroleras. En conclusión, la interacción entre el TLCAN y la educación, la distancia y la densidad poblacional representó una transformación estructural importante de la economía mexicana.

CONCLUSIONES

Este artículo estudia la distribución regional de los beneficios provenientes del comercio en México después del TLCAN. El análisis demuestra que la liberación del comercio en México, por medio del TLCAN, ha provocado cambios importantes en las disparidades regionales y ha agudizado las disparidades que existen en México desde que comenzó la industrialización en el decenio de los treinta ^{(López Malo, 1960)} .

Al principio planteé la pregunta de si el TLCAN había aumentado la concentración de la actividad económica en México, en particular a lo largo de la frontera con los Estados Unidos, y con mayores beneficios para las ciudades grandes que para sus vecinos. Mis resultados muestran que, efectivamente, el TLCAN ha provocado concentraciones de crecimiento económico en estas regiones fronterizas con una densidad poblacional alta.

La liberación comercial no ha reducido las disparidades territoriales que existen en México, sino que ha llevado a una mayor polarización dentro del país. El presente artículo confirma la idea de que los municipios mexicanos ubicados cerca del mercado estadunidense se han beneficiado de la integración al aumentar su producción y sus ingresos. Las regiones situadas a mayor distancia de los Estados Unidos no se han integrado tanto a los mercados mundiales y los municipios situados lejos de la frontera con los Estados Unidos, con más escolaridad y poca infraestructura, incluso han salido perdiendo como resultado del TLCAN. A pesar de que las fuerzas centrífugas están empezando a funcionar, un aumento en la sobrepoblación en la contaminación del medio ambiente en estos polos económicos afectarán la eficiencia y se requerirán mejores políticas para controlar el aumento en las disparidades regionales. Urge crear políticas industriales, educativas y de desarrollo regional para sentar los cimientos del crecimiento en todas las regiones. Es necesario realizar más estudios para determinar qué otros factores influyen en el crecimiento regional de México. Los factores que anteriormente se consideraban fundamentales en la teoría del crecimiento están dando paso con rapidez a otros factores menos conocidos que probablemente determinen la siguiente fase del desarrollo regional en México.