Medición de la evolución económica del sector agrario mediante indicadores sintéticos en Castilla–La Mancha
Economic evolution measurement of the agricultural sector in Castilla–La Mancha using synthetic indicators
José Mondéjar–Jiménez*, J. Antonio Mondéjar–Jiménez, Manuel Vargas–Vargas
Universidad de Castilla–La Mancha. Facultad de Ciencias Sociales de Cuenca. Avenida de los Alfares, 44. 16.071–Cuenca (España). * Autor responsable: (Jose.Mondejar@uclm.es), (JuanAntonio.Mondejar@uclm.es), (Manuel.Vargas@uclm.es)
]]> Recibido: Mayo, 2007.
Resumen
El estudio de la evolución económica del sector agrario es importante para los gobiernos, organismos internacionales y los agentes económicos. Los modelos econométricos son los más usados para el análisis coyuntural, pero debido a la escasa información, su retardo y periodicidad irregular, apenas tienen aplicación en el sector agrario; así, una alternativa es la aplicación de indicadores sintéticos. El objetivo del presente trabajo fue incorporar nuevas formulaciones basadas en la agregación de indicadores en espacio de estados para contar con una herramienta estadística que permita cuantificar la actividad económica del sector. El uso de una nueva metodología de agregación de indicadores (espacio de estados), así como de los métodos clásicos, permite obtener un indicador válido para predecir las fluctuaciones del sector con la información disponible. Además la metodología en espacio de estados puede dar una correcta predicción y anticipar por varios periodos el comportamiento del sector.
Palabras clave: Espacio de estados, indicadores sintéticos, sector agrario.
Abstract
The study of the economic evolution of the agricultural sector is important for governments, international organizations and economic agents. Econometric models are the most widely used for contextual analysis, but due to the scarcity of information they are barely applicable in the agricultural sector, so that applying synthetic indicators is an alternative. The objective of this article was to incorporate new formulations based on the aggregation of indicators in state spaces so as to have a statistical tool that allows the evaluation of economic activity in the sector. The use of a new methodology of indicator aggregation (state spaces), as well as the classical methods, allow obtaining a valid indicator for predicting fluctuations in the sector with the information available. In addition, the methodology in state spaces can make a correct prediction and anticipate the behavior of the sector for several periods.
Keywords: State spaces, synthetic indicators, agricultural sector.
]]>INTRODUCCIÓN
El análisis del desarrollo económico, íntimamente ligado al análisis coyuntural, es el más usado por los agentes económicos implicados (gobierno, empresarios, trabajadores) en su toma de decisiones debido a la rápida disponibilidad de la información sobre la evolución de la economía. Asi, se puede formular un modelo econométrico o seguir la coyuntura económica usando indicadores sintéticos de actividad. Los inconvenientes de un modelo econométrico son la complejidad de sus cálculos, la necesidad de información completa sobre todas la variables del modelo y el retardo para la disponibilidad de los datos, características que se acentúan en el sector agrario porque la información se retrasa bastante, lo que dificulta su seguimiento. Estos problemas se pueden solucionar usando indicadores sintéticos de actividad. Burns y Mitchell (1946) dieron la base para construir los indicadores del National Bureau of Economic Research (NBER) y del Bureau of Economic Analysis (BEA); además hay aportaciones metodológicas y las aplicaciones a todos los niveles de desagregación (Cabrer, 2001; Mondéjar, 2007; Mondéjar y Vargas, 2008). En estos indicadores destaca la sencillez de la complejidad teórica y de la información necesaria, lo cual permite estimaciones y predicciones más fáciles que con los modelos econométricos, y los resultados se obtienen prontamente. La mayor dificultad y requisito imprescindible para construir un IS sectorial es disponer de una amplia base de datos mensual o trimestral (IP) que permitan captar las fluctuaciones periódicas de la economía en el corto plazo.
El objetivo del presente estudio fue elaborar un IS del sector agrario en el territorio de Castilla–La Mancha (Castilla–La Mancha es una de las 17 regiones NUTS II según nomenclatura de la Unión Europea). El sector agrario en Castilla–La Mancha aporta cerca del 9 % del total de la riqueza, frente al 3 % en el país, aunque éste desciende cada año debido a la terciarización de la economía y al proceso de convergencia con el las otras regiones españolas (Cuadro 1).
Según la EPA (2006), Castilla–La Mancha tiene un empleo agrícola superior a la media nacional: del total de los ocupados, 7.3 % está en la agricultura (4.78 % en el país), lo cual indica la importancia del sector agrario en la región. Debido a su dinamismo y diversidad, es un sector capaz de absorber a casi la totalidad de activos del sector y, por tanto, gozar de pleno empleo en el mismo.
La positiva evolución social de Castilla–La Mancha, con uno de los más altos crecimientos económicos de España, ha propiciado el aumento del sector industrial y servicios, reduciéndose la participación del sector agrario en el total del PIB regional. El porcentaje de activos en el sector agrícola en 1976 era 33.1 %, en 1980 fue 27.5 %, en 1990 era 18.2 %, y en 2006 fue 7.3 % (Cuadro 2).
Castilla–La Mancha posee una clara orientación agrícola (Molina et al., 1999), con aproximadamente 50 % del total nacional de viñedos, una importante agricultura de cereales, olivar y cultivos industriales, por lo que es una región con una amplia diversidad de cultivos. La actividad ganadera aporta algo más del 36 % de la producción agraria, por lo que es otro gran pilar del sector primario de Castilla–La Mancha (Ministerio de Agricultura, Pesca y Alimentación, 2005). La región tiene una ganadería orientada a la producción cárnica, con 3 859 426 ovinos y caprinos, 211 156 bovinos y 1 293 212 porcino. Las condiciones climáticas y la orientación a la demanda marcan el comportamiento de este sector; la cifra de ovinos y caprinos es una de las mayores en la historia, mientras la de porcinos ha tenido un gran aumento debido a las mejoras técnicas y a los procesos de mecanización de las granjas (Cuadro 3).
La superficie forestal de Castilla–La Mancha, presenta el valor económico de los productos forestales (madera, corcho, resina, etc.) y de la industria de trasformación de productos forestales. Además se debe tener presente el creciente valor social de los montes en el contexto de la sociedad urbanizada española.
]]>MATERIALES Y MÉTODOS
Las hipótesis del presente estudio fueron: 1) Los indicadores sintéticos (IS) constituyen una herramienta fiable para el seguimiento de la coyuntura agraria; 2) es posible aplicar la metodología en espacio de estados para obtener un IS con mejor comportamiento que los actuales. La construcción de un IS debe responder la cuestión fundamental de cómo combinar las variables elementales, es decir, determinar con qué pesos entrarán al índice cada serie elemental, así como definir el objetivo para su elaboración y su utilidad. La disponibilidad de datos para el análisis puede ser el factor más condicionante. Para contrastar estas hipótesis primero se construyó un IS por los procedimientos clásicos y luego se comparó con la metodología en espacio de estados. El esquema para construir IS del sector agrario fue: 1) Selección de indicadores parciales (IP); 2) tratamiento estadístico previo; 3) extracción de señal ciclo–tendencia y desestacionalización; 4) agregación de IP; 5) IS.
El primer paso para construir un IS es seleccionar los IP a ser utilizados. La clasificación de estos indicadores requiere conocer las fuentes estadísticas disponibles, así como el análisis de la calidad de los datos. Esta información debe estar referida al ámbito del indicador compuesto: regional, nacional o internacional; pero es difícil seleccionar diversas variables aplicables a todos los niveles de desagregación. Por los múltiples problemas de la selección inicial de los indicadores, se consideraron los siguientes criterios: 1) Significación económica; 2) perfiles suaves; 3) rapidez en la disponibilidad de la información; 4) semejanza con la evolución económica; 5) recoger las fluctuaciones de un sector o subsector de actividad relevante; 6) longitud suficiente para el tipo de análisis; 7) no presentar cambios metodológicos relevantes en su elaboración; 8) frecuencia superior o igual que la del IS a construir.
En la construcción de los IS hay dos grandes fases: 1) El filtrado de los indicadores individuales, revisando los principales métodos de filtrado propuestos y sus distintas metodologías, para eliminar de cada indicador simple el ruido inherente de cada serie, así como el componente estacional, dejando el componente ciclo–tendencia que se pretende relacionar con los ciclos de la variable de referencia y con su evolución tendencial; en función de la coherencia de dichas evoluciones se seleccionarán las variables a incluir en el IS; 2) la segunda fase será la agregación de la señal relevante de los IP.
Un filtro ideal es el diseñado para permitir el paso de información en una banda de frecuencias y eliminar o inhibir la información contenida en otras bandas no deseables. Se trata de analizar qué tipo de frecuencia deja pasar cada filtro y cuáles son eliminadas, así como evaluar la eficacia relativa de cada filtro respecto a las frecuencias filtradas. Cualquier filtro tiene un coste informativo que se traduce en las observaciones perdidas en el tramo final e inicial. Los métodos de filtrado más usados son filtros autoregresivos (AR), filtros aditivos o de medias móviles (MA), filtro bayesiano en espacio de estados, extracción de la señal relevante con Seats (Signal Extraction in ARIMA Time Series) (Gómez y Maravall, 1998), y otros filtros: Filtros de la familia Butterworth, a la cual pertenece el filtro de Hodrick y Prescott y los de tipo Henderson, entre los que destaca el usado en el método de desestacionalización X–11 (Dagum, 2002). Para la parte empírica del trabajo se usó la metodología del filtro bayesiano (mediante el software comercial BATS), y la metodología ARIMA (mediante el software TRAMO–SEATS, proporcionado por el Banco de España, disponible en www.bde.es), como se puede observar en Resultados y Discusión.
Una vez obtenida la señal ciclo–tendencia se pasa a la fase de agregación de los indicadores. Entre los métodos clásicos de agregación se destacan (Mondéjar, 2007): Métodos simples (Pons, 1995); metodología del National Bureau of Economic Research y del Bureau of Economic Analysis (Burns y Mitchell, 1946; Green y Beckman, 1992); procedimiento simple de Niemira y Klein (Niemira y Klein, 1994); procedimiento basado en Fernández (1991) y en la distancia P2 (Zarzosa, 1992).
El presente trabajo pretende incorporar un novedoso método de agregación de indicadores parciales (IP) que mejora a los ya citados, en términos de desfase temporal con la variable de referencia. La obtención de un IS como media ponderada de IP se basa en la selección y en la determinación de los pesos relativos de esos IP. Si la selección está bien realizada, se espera que los IP no presenten un comportamiento independiente, sino que estén influidos por la evolución general de la macromagnitud estudiada. La obtención de este factor de evolución general es el objetivo de los IS, la estimación se realiza mediante la combinación lineal ponderada de los IP.
Por ello se puede interpretar un IS como un factor común al comportamiento del conjunto de IP cuya evolución condiciona, con cierta intensidad, éstos últimos. La modelización conjunta de los indicadores en espacio de estado adopta la expresión de la representación innovacional de una serie múltiple centrada (Mondéjar, 2007):
En este caso la metodología de espacio de estados permite una estimación eficiente de dicho indicador (resultado de que el filtrado de Kalman, 1960, es la estimación insesgada y de varianza mínima de los estados), sin necesidad de recurrir a una media ponderada de los IP, sino modelizando la correlación existente entre el IS y cada uno de los parciales, reflejada en la matriz H. Siguiendo el algoritmo expuesto en Vargas (1999), la descomposición de la matriz de autocorrelación muestral en valores singulares permite identificar y aislar el ciclo–tendencia común, en función de sus módulos, así como una estimación de las matrices F, G y H del modelo mediante las matrices auxiliares de dicha descomposición (Aoki y Havenner, 1991). Bauer y Wagner (2002) y Casals et al. (2002) proponen procedimientos semejantes basados también en modelos de subespacios. Además, esta modelización presenta otras ventajas:
1) Como indica la ecuación de transición, el IS presenta una evolución markoviana corregida por el efecto de las innovaciones de los IP a través de la matriz G.
2) El estado, identificado con el IS, refleja la evolución subyacente del conjunto de IP, ya que la mejor predicción del vector de observaciones para el siguiente instante temporal sería 
Por ello, el estado podría interpretarse como la componente tendencial del conjunto de IP.
3) La estructura de la ecuación de observación permite extraer la componente innovacional de cada IP. Ésta se introduce en la evolución del IS a través de la matriz G, lo que permite que responda rápidamente a novedades en los IP y, además, cuantificar la intensidad relativa con la que cada uno de estos últimos modifica la evolución del IS.
4) La representación en espacio de estados permite obtener rápidamente la función de impulso–respuesta mediante las matrices del modelo como
, que valora el efecto de cada indicador parcial sobre el sintético, además de conocer cómo afectaría al estado una intervención sobre el indicador.
Por tanto, la utilización de la metodología en espacio de estados puede ser una alternativa adecuada para obtener un IS debido a que capta más rápidamente los cambios de tendencia del sector, que se producen con una frecuencia mayor al resto de los sectores productivos. Si bien su aplicación al ámbito de los IS es novedosa, no lo es a la resolución de problemas económicos (Vargas, 1999), donde se han obtenido excelentes resultados.
RESULTADOS Y DISCUSIÓN
Primero se realizó una numeración de los IP seleccionados por su disponibilidad, periodicidad, desfase y calidad, del sector agrario en Castilla–La Mancha. Se procuró que cada IP seleccionado verificase las condiciones mencionadas, pero la disponibilidad de series reales con la frecuencia y el tamaño muestral adecuados fue decisiva al seleccionar los IP. Además, no se tuvieron en cuenta IP de indudable importancia a priori porque no cubrían el período muestral seleccionado. Entre los IP seleccionados existen dos de frecuencia trimestral y tres de frecuencia mensual; se optó por la construcción de un IS sectorial de carácter trimestral, para lo cual se agregaron de los de periodicidad mensual (Cuadro 4).
]]>
Solo hay cinco IP que cumplen el criterio de disponibilidad y se pueden disponer sólo un mes de retraso (dos en el caso de la matriculación) respecto a la cifra final. Se han omitido indicadores relevantes como avances de superficies y producciones finales debido a que su inclusión desfasaría el IS. Una vez seleccionados los IP se realiza su filtrado y agregación.
Con la extracción de señal (filtrado de IP) se pretende eliminar de cada indicador simple el ruido inherente propio de cada serie así como el componente estacional dejando, por tanto, el componente ciclo–tendencia. Para realizar dicha extracción se consideraron dos posibilidades:
1) TRAMO–SEATS: Se formula un modelo ARIMA univariante para la serie, a partir del cual se obtienen modelos univariantes para los componentes ciclo–tendencia, estacional y ruido (metodología UCARIMA). Una vez obtenido el modelo de cada componente, se pueden obtener estimaciones ciclo–tendencia de cada indicador simple.
2) Modelización dinámica bayesiana (BATS): Se usa metodología bayesiana para obtener el componente ciclo–tendencia de cada indicador mediante un modelo en espacio de estados.
Una vez obtenida la señal relevante de cada IP se realiza su agregación con base en los diferentes criterios referidos en el epígrafe anterior, así como a la comparación de los resultados obtenidos con el IS en espacio de estados (Figuras 1 y 2).
Entre los métodos de agregación clásicos (Figura 1) no se han utilizado los propuestos por Burns y Michell (1946) ni el de Fernández (1991) debido a que estos indicadores no tienen como finalidad estimar el nivel de la macromagnitud, sino sólo detectar los puntos de giro de la economía o sector estudiado. En los demás métodos hubo una cierta similitud pero sólo se destaca un cierto retraso con respecto a la variable de referencia. Los métodos Simple I y Simple II corresponden a métodos simples de agregación basados en análisis de correlación y de regresión.
El indicador para el sector agrario en espacio de estados (Figura 2) muestra un mejor comportamiento que los otros métodos de agregación, debido a su condición de adelantado respecto a la variable de referencia. Este hecho propicia mejores previsiones del sector.
La elección de uno u otro por método de agregación está condicionada principalmente el retardo temporal y su aproximación a la variable de referencia. Se observa que el indicador en espacio de estados reproduce con exactitud la variable de referencia y, además, es el único indicador que consigue adelantar al menos dos periodos.
]]> El análisis de la correlación y el retardo temporal constituyen las dos alternativas más importantes en términos de validación (ésta puede apreciarse en las Figuras 1 y 2, observando la correlación con la variable de referencia –valor añadido bruto– y el retardo temporal con la misma). Otras opciones suponen más bien criterios de partida, que una auténtica validación de los indicadores sintéticos. Otras aplicaciones empíricas con un desarrollo completo de todos los métodos de agregación a diferentes niveles sectoriales, pueden consultarse en Cabrer (2001), Mondéjar (2007) y Ramajo y Márquez (1996).
CONCLUSIONES
En el presente trabajo se presentó un nuevo método de agregación para la construcción de IS de actividad regional para obtener resultados rápida y sencillamente, pero con el mínimo error posible. Tales indicadores son importantes en el sector agrícola porque la información es escasa y con un gran retraso publicación de los datos.
La utilización de IS permite un seguimiento del sector en tiempo real (con uno o dos meses de retraso respecto al periodo estudiado), usando sólo cinco indicadores. El resultado obtenido está basado en IP en todas las regiones españolas y, por tanto, extrapolables a otros territorios donde información es inferior a la del país. Así, los IS son una alternativa a los modelos econométricos para el seguimiento de la coyuntura y recogen las fluctuaciones del sector agrícola cuyas particularidades son escasa información en tiempo real y una mayor dispersión en sus fluctuaciones que en otros sectores.
La aplicación de la metodología en espacio de estados a la economía y a la construcción de IS permite una estimación eficiente de dicho indicador sin recurrir a una media ponderada de los IP, sino modelando la correlación entre el IS y cada uno de los parciales, reflejada en la matriz H. En esta metodología, las propiedades de controlabilidad y observabilidad, con supuestos poco restrictivos, permiten la minimalidad de la representación con una gran ventaja: Si el algoritmo de especificación de un modelo en espacio de estados proporciona la controlabilidad y observabilidad del sistema, hay una menor dimensión para el vector de estados con la dinámica del proceso.
Los IS en espacio de estados registran y reproducen de manera inmediata cualquier cambio en los IP, mientras que los métodos tradicionales no logran recoger rápidamente las alteraciones registradas en esos indicadores. Por tanto, aquéllos pueden constituir un IS adelantado, lo cual tiene importancia informativa para los agentes económicos interesados.
LITERATURA CITADA
Alfaro, N., J. L., J. Mondéjar J., and M. Vargas V. 2004. Time structure of agricultural macromagnitudes in Castilla–La Mancha. 57th International Atlantic Economic Conference. Lisbon (Portugal). 47 p. [ Links ]
Aoki, M., and A. Havenner M. 1991. State space modeling of multiple time series. Econ. Rev. 10: 1–99. [ Links ]
Bauer, D. W., and M. Wagner 2002. Estimating cointegrated systems using subspace algorithms. J. Econ. 111: 47–84. [ Links ]
Burns, A., F., and W. Mitchell C. 1946. Measuring Business Cycle, Studies in Business Cycles, 2, New York: National Bureau of Economic Research. 560 p. [ Links ]
Cabrer, B., B. (ed.) 2001. Análisis Regional. El Proyecto Hispalink. Mundiprensa. Madrid. 469 p. [ Links ]
Casals, J., M. Jerez J., and S. Sotoca L. 2002. An exact multivariate model–based structural decomposition, J. Am. Stat. Assoc. 97(458): 553–564. [ Links ]
Dagum, E., B. 2002. Analisi delle Serie Storiche: Modellistica, Previsione e Scomposizione. Springer Verlag, New York. 477 p. [ Links ]
Fernández, M., F. 1991. Indicadores sintéticos de aceleraciones y desaceleraciones en la actividad económica. Rev. Española Econ. 8 (1): 125–156. [ Links ]
Gayoso, R., A. 2004. El análisis de coyuntura regional en España y la evolución comparada de la coyuntura económica de las comunidades autónomas, estado de la cuestión, deficiencias y lagunas. Clm.economía, Rev. Econ. de Castilla–La Mancha 4: 299–320. [ Links ]
Gómez, V., y A. Maravall H. 1998. Guide for Using the Programs TRAMO and SEATS. Banco de España, Servicio de Estudios, Documento de Trabajo, 9805. 44 p. [ Links ]
Green, G., B., and A. Beckman B. 1992. The composite index of coincident indicators and alternative coincident indexes. Survey of Current Business 72: 42–45. [ Links ]
Instituto de Estadística de Castilla–La Mancha. 2005. Anuario Estadístico de Castilla–La Mancha. Toledo. 387 p. [ Links ]
Instituto Nacional de Estadística. 2007. Contabilidad Regional de España. Base 2000. (http://www.ine.es/inebase/cgi/um?M = 2Ft35 %2Fp010&O= inebase&N=&L). [ Links ]
Instituto Nacional de Estadística. 2006. Encuesta de población activa. (http://www.ine.es/inebase/cgi/um?M=%2Ft22%2Fe308_ mnu&O = inebase&N=&L=) [ Links ]
Junta de Comunidades de Castilla–La Mancha. 2006. Consejería de Agricultura. (http://www.jccm.es/agricultura/index.htm). [ Links ]
Kalman, R., E. 1960. A new approach to linear filtering and prediction problems, J. Basic Eng. Trans. of the ASME, Series D 82: 35–45. [ Links ]
Martín, L., C. 2001. La estructura de las explotaciones agrarias de la Mancha, censos agrarios de 1982 y 1989. Tesis Doctoral. Ediciones de la Universidad de Castilla–La Mancha. Cuenca. 415 p. [ Links ]
Ministerio de Agricultura, Pesca y Alimentación 2005. Anuario de estadística agroalimentaria 2004. MAPYA (Subdirección General de Estadística), Madrid. 345 p. [ Links ]
Molina, I., M., C. Muñoz C., y L. Ruiz–Maya P. (coord). 1999. El Sector Agrario: Análisis de las Comunidades Autónomas. Ministerio de Agricultura, Pesca y Alimentación, Mundi–Prensa, Madrid. 543 p. [ Links ]
Mondéjar, J., J. 2007. Análisis cuantitativo de la coyuntura económica, Una aplicación de la representación en espacio de estados de series temporales múltiples, Tesis Doctoral. Ediciones de la Universidad de Castilla–La Mancha. Cuenca. 521 p. [ Links ]
Mondéjar, J., J. y M. Vargas V. 2008. Indicadores sintéticos: una revisión de los métodos de agregación. Economía, Sociedad y Territorio 8 (27): 565–585. [ Links ]
Montero, L., J. M. Varios años. Economía trimestral de Castilla–La Mancha. Instituto de Estadística de Castilla–La Mancha, disponible en http://www.ies.jccm.es. [ Links ]
Niemira, M., P., y A. Klein P. 1994. Foresting Financial and Economic Cycle. Nueva York, John Wiley & Sons. 542 p. [ Links ]
Pons, N., J. 1995. Un sistema d'indicadors cíclics per a l'economia catalana: Un instrument per a l'análisi conjuntural. Tesis Doctoral. Universitat de Barcelona. 227 p. [ Links ]
Prescott, C., E. 1986. Theory ahead of business cycle measurement. Carnegie–Rochester Conference series on Public Policy 25: 11–66. [ Links ]
Ramajo, H., J., y M. A. Márquez P. 1996. Elaboración de indicadores sintéticos para el seguimiento de la coyuntura económica de Extremadura, Monográfico de la Consejería de Economía, Industria y Hacienda, Junta de Extremadura. 502 p. [ Links ]
Vargas, V., M. 1999. Modelización de series temporales múltiples en espacio de estados, análisis de procesos no estacionarios y cointegración, Tesis Doctoral. Ediciones de la Universidad de Castilla–La Mancha. Cuenca. 269 p. [ Links ]
Wildi, M. 2005. Signal Extraction: Efficient Estimation, Unit–root Test and Early Detection of Turning Point, Springer Verlag, Berlín. 279 p. [ Links ]
Zarzosa, E., P. 1992. Aproximación a la medición del bienestar social, estudio de la idoneidad del IS Distancia P2. Tesis Doctoral. Universidad de Valladolid. 248 p. [ Links ] ]]>