Empleo, producci—n y
salario manufacturero en MŽxico ante la pandemia por la COVID-19. Un an‡lisis de VAR espacial[1]
Employment, production and manufacturing wages in Mexico in the face of
the COVID-19 pandemic. A
spatial VAR an‡lisis
Rold‡n
AndrŽs-Rosales1 Leobardo de Jesœs-Almonte2 Yolanda
Carbajal-Su‡rez3
Resumen
Se analiza el impacto entre/intra estatal de
la pandemia COVID-19 en el nivel de empleo, las remuneraciones y la producci—n
en el sector manufacturero en MŽxico. Se estima un Modelo de Vectores Autorregresivos
Espaciales (MVARE) para identificar si el rezago espacial de las variables
externas a una entidad federativa agrega informaci—n sobre la determinaci—n de
las variables locales. Con las funciones de impulso-respuesta se cuantificaron
los impactos que una entidad genera hacia sus vecinos (efecto-expulsor) y el
impacto que los vecinos generan hacia una determinada entidad (efecto-atrayente). Se encontr— evidencia de que ante una
peque–a perturbaci—n (shock) en el empleo,
la producci—n, los salarios manufactureros y en el nœmero de contagios por la COVID-19 de las
entidades vecinas, se generan efectos diferenciados sobre la poblaci—n ocupada
de una entidad de manera positiva o negativa dependiendo del signo del
coeficiente obtenido. Se concluye que el impacto en la propagaci—n de la
pandemia por COVID-19
fue
m‡s elevado en las regiones donde la manufactura tiene un peso relativamente
mayor con relaci—n al total de la actividad econ—mica.
Palabras
clave: impacto entre/intra estatal, empleo manufacturero,
producci—n manufacturera, salarios manufactureros, COVID-19, VAR espacial.
Abstract
Art’culo Recibido: 15 de Junio de 2021 Art’culo Aceptado: 01 de Octubre de 2021
The aim of this paper
is to analyze the inter and intra-regional impacts of the COVID-19 pandemic on the employment
level, production and wages in the manufacturing
sector in Mexico. The methodology used is the Spatial Vector Autoregressive
Models (SpVAR), which provides a spatial context that allows to examine if the
lag on the external variables adds valuable information about the local
variables. Also, the impulse response functions are used to quantify the
influence of a given state on its neighbors (Push-out effect) and the impacts
of neighbors on a given state (Push-in effect). This work shows evidence that
the employed population in a state can be affected by small shocks in the growth
of employment, production, wages and COVID-19 infections in neighboring
states. The
effect can be positive or negative depending on the sign of the coefficient.
One of the conclusions is that the spread of the COVID-19 pandemic had a larger impact in regions where the
manufacturing labor is more predominant with respect to the rest of the
economic activity.
Keywords:
the inter/intra-regional
impacts, manufacturing employment, manufacturing production, manufacturing
wages, Spatial Vector Autoregressive.
C—digos JEL: E23,
E24, C31.
Introducci—n
La pandemia generada por la COVID-19 es
un evento sin precedentes en la historia reciente de MŽxico y del mundo. En
MŽxico, se registr— el primer caso el 27 de febrero de 2020. Desde esa fecha, los contagios se
incrementaron aceleradamente, aun cuando el 23 de marzo de 2020 se decret— la
Jornada nacional de sana distancia, con la que se inici— el confinamiento de
gran parte de la poblaci—n mexicana y se suspendieron las llamadas actividades no
esenciales.
Esta pandemia no s—lo ha
venido a agudizar los problemas de pobreza, desempleo, precariedad laboral y bajo
crecimiento econ—mico que se ven’an arrastrando en la econom’a mexicana, tambiŽn
ha hecho m‡s evidente la desigualdad econ—mica que impera en las diferentes entidades
federativas. El cierre de gran parte de las actividades productivas (las
llamadas no esenciales) durante los meses de abril y mayo de 2020 generaron una
contracci—n de la actividad econ—mica general.
En este aspecto, diversos
especialistas han realizado el recuento de los impactos econ—micos que ha
tenido y que tendr‡ para MŽxico la pandemia. Esquivel (2020) enfatiza en la
contracci—n de -19.9% de la actividad econ—mica durante los meses de abril y mayo,
como resultado de la suspensi—n de las actividades no esenciales, y que afect—
a varios sectores manufactureros y de servicios. Entre los sectores m‡s
afectados se–ala al turismo, al transporte y al consumo en restaurantes o
servicios de comida r‡pida.
Con relaci—n al mercado de trabajo, S‡nchez (2020) refiere que la
poblaci—n formal en el sector de servicios y de manufacturas se ver‡ afectada
de manera dr‡stica, argumenta que las personas que trabajan en el sector
formal, y que nacieron entre 1951 y 1985, se ver’an desplazadas hacia abajo en
la distribuci—n del ingreso. Mendoza (2020) menciona que la crisis generada por
la pandemia del COVID-19 ha golpeado
severamente al mercado laboral, lo cual anticipa la generaci—n de mayores
niveles de pobreza laboral en el pa’s. Destaca el desplome de la poblaci—n
econ—micamente ocupada a partir del mes de abril, as’ como de los trabajadores
formales. Pronostica las tendencias de la ocupaci—n en el corto plazo y sus
resultados indican que la econom’a mexicana experimentará un periodo de
estancamiento en los niveles de ocupaci—n de la poblaci—n econ—micamente
activa, con la posibilidad de recuperaci—n de la tendencia hacia el primer
trimestre de 2021.
Salas, Quintana, Mendoza y Valdivia (2020) mencionan que las condiciones
que prevalec’an en el mercado de trabajo y en las diferentes actividades
econ—micas, hasta antes de la fase de confinamiento, se contraer‡n. Sobre esta
posibilidad, Mendoza (2020) enfatiza que habr‡ un desplome de la poblaci—n econ—micamente
activa (PEA) as’ como del nœmero de trabajadores formales.
Sin duda, el impacto
de la COVID-19 en la econom’a mexicana ha generado efectos
adversos en el nivel de empleo, lo que ha provocado la contracci—n del mercado
domŽstico. La ca’da de -8.2% de la econom’a mexicana en 2020 ha sido
inevitable. A pesar de que hay una reactivaci—n por la reapertura de las actividades
econ—micas, las secuelas que deja al interior del territorio pueden ser mucho
m‡s graves debido a que no todas las entidades tienen la misma capacidad de
recuperaci—n, por lo que la pobreza generada por el desempleo se agudizar‡. A
los niveles de pobreza registrados en 2018 (61 millones), se le sumar‡n los
nuevos pobres generados por el desempleo que est‡ dejando la pandemia.
Algunos autores estiman que el costo de
la pandemia, en tŽrminos de pobreza extrema, se traducir’a en aumentos de entre
6 y 10 millones adicionales de personas en condici—n de pobreza extrema (N‡jera
& Huffman, 2020). Sobre este punto, el Coneval (2020a: 34) destaca que Òlos
riesgos m‡s importantes de esta crisis se encuentran en la reconfiguraci—n de
la distribuci—n del ingreso de los hogares y la profundizaci—n de la pobreza y
la desigualdadÓ, y estima los efectos que la coyuntura generada por la COVID-19
podr’a generar en los niveles de pobreza por ingresos de la poblaci—n mexicana.
A partir de considerar una ca’da generalizada en el ingreso per c‡pita de 5 por
ciento en 2020, el Coneval (2020a) estima que el nœmero total de personas en
situaci—n de pobreza extrema por ingresos se incrementar‡ al menos 4.9 puntos
porcentuales, lo que se traducir’a en por lo menos 6.1 millones de personas.
Como el impacto negativo de la COVID-19 es diferente al interior del
pa’s, se espera que algunas entidades tarden un poco m‡s en recuperarse. Sin
embargo, las secuelas econ—micas en todas ellas ser‡n importantes. A respecto,
S‡nchez (2020) sugiere que una cantidad importante de trabajadores formales
descender‡ al menos un decil en la distribuci—n del ingreso en la Ciudad de
MŽxico. Para la frontera norte, S‡nchez-Ju‡rez y Garc’a-Almada (2020)
estimaron, a partir de considerar la vulnerabilidad econ—mica de la regi—n, que
en el segundo trimestre del 2020 se perder’an 493,075 empleos, superior a lo
ocurrido en las crisis del 2001 y 2008.
En este contexto, el objetivo de este trabajo es analizar el impacto
entre/intra estatal de la pandemia por la COVID-19 en el nivel de empleo,
remuneraciones y producci—n en el sector manufacturero de las entidades
federativas de MŽxico. Su contribuci—n estriba en dilucidar el efecto de la
pandemia entre las 32 entidades federativas del pa’s, no s—lo el efecto que ha
tenido al interior de cada regi—n y sector como la mayor’a de los estudios.
El trabajo se encuentra estructurado de la siguiente forma, adem‡s de la
introducci—n y las conclusiones: primero se analiza la evoluci—n del sector
manufacturero antes y despuŽs de la pandemia, y se presenta la evidencia que
algunos especialistas han publicado relacionados con el tema. En la segunda parte
se describen los datos y las fuentes de informaci—n utilizados en la
investigaci—n, para despuŽs analizar el comportamiento espacial del nœmero de
contagios por COVID-19, el empleo, la
producci—n y las remuneraciones del sector manufacturero. En la tercera parte se
estima un modelo de vectores autorregresivos espaciales (MVARE) con el fin de
aportar evidencia emp’rica de los efectos mencionados. Finalmente, se muestran
las principales conclusiones obtenidas de este trabajo.
1. Empleo, remuneraciones
y producci—n manufacturera en el contexto de la COVID-19
Se ha discutido de manera reciente que, dado el rompimiento
de los encadenamientos productivos a partir de la apertura comercial, el
crecimiento del sector manufacturero no ha sido suficiente para generar el
crecimiento de los dem‡s sectores. En ese aspecto, Mart’nez y Contreras (2020:
140) argumentan que Òel crecimiento de las importaciones, y de las
importaciones intermedias, en particular, tienden a disminuir los componentes
del mercado interno al sustituir la producci—n interna intermedia por productos
semielaborados importados, transformando as’ la econom’a en simple ensambladora
de productos manufacturerosÓ.
Antes de la pandemia, el sector manufacturero ya presentaba dificultades
en la generaci—n de empleo. De Jesœs, AndrŽs-Rosales y Carbajal (2020)
consideraban que el sector hab’a estado expulsando empleo por su baja din‡mica
de crecimiento; aun cuando hay evidencia de que el empleo que este sector ofrece
es menos precario que el resto de los sectores productivos (AndrŽs-Rosales,
Czarneki & Mendoza-Gonz‡lez, 2019).
Por otro lado, a pesar del lento crecimiento de la econom’a mexicana,
algunos autores muestran que la proporci—n de quienes contaban con prestaciones
laborales se increment—, pasando de 62 a 65% del 2012 a inicios del 2020, lo
mismo suced’a para las prestaciones sociales, de 63 a 65% en el mismo periodo;
pero de 2019 a 2020 lleg— a 65.8% (Salas et
al., 2020). Sin embargo, la tendencia general del empleo, sobre todo, en el
sector manufacturero, es que los trabajadores temporales se han incrementado en
detrimento de los trabajadores permanentes (Torres, 2020).
Este
escenario se complic— mucho m‡s con la pandemia porque algunos sectores se
vieron m‡s afectados (sectores no esenciales), aunque otros s’ pudieron
mantener su din‡mica de crecimiento (sectores esenciales). La contracci—n del
consumo, el empleo y la producci—n estuvieron asociadas con la pol’tica del
gobierno mexicano al cerrar las actividades productivas no esenciales, donde las
actividades manufactureras, del turismo y de servicios han resultado ser de las
m‡s afectadas. De Jesœs y ValdŽs (2020) hacen una revisi—n del nœmero de
empleos perdidos por divisi—n de actividad y reportan que, para el caso de la
industria de la transformaci—n, en la que se incluye la manufactura, de marzo a
junio, que corresponde a la fase m‡s intensa del confinamiento, se perdieron en
MŽxico 196,664 empleos y las cinco entidades que registraron el mayor nœmero de
empleos perdidos en esta industria son Guanajuato (-30,812), CDMX (-22,894),
Jalisco (-20,708), Coahuila (-20,176) y el Estado de MŽxico (-8,229).
Los efectos de la
pandemia en MŽxico han sido graves, afect— con mayor profundidad al consumo e
inversiones privadas; sectores productivos como la manufactura vinculados con
el sector externo, como la industria automotriz, maquinaria y equipo, sector de
servicios y tur’sticos (Mendoza et al., 2021). No es un caso particular
de MŽxico, diversos estudios analizan el efecto de la COVID-19 en las
actividades econ—micas. En Seabra, Paiva, Silva y Abrantes (2021) se abordan
diversos estudios sobre el impacto que ha tenido esta pandemia en las
actividades tur’sticas de Turqu’a, Brasil, Rusia, Ecuador, MŽxico, Portugal,
entre otras.
Al igual que estos
pa’ses, MŽxico ha sido afectado por su especializaci—n productiva concentrada
en el turismo y las manufacturas, por su dependencia del exterior y por las
particularidades de sus mercados laborales: altas tasas de informalidad,
segmentaciones por regi—n, gŽnero, edad, etnia y a la carencia de un seguro de
desempleo; a lo que se agrega una ca’da de los salarios reales. Al respecto, Hualde
(2020) argumenta que no es una sorpresa que la crisis generada por la COVID-19
haya propiciado una profunda recesi—n econ—mica que ha afectado
significativamente al mercado de trabajo nacional.
Weller
(2020) se–ala que como resultado de la pandemia por la COVID-19,
los sectores m‡s golpeados en tŽrminos de empleo son la industria manufacturera
y la construcci—n, y entre las categor’as de ocupaci—n que han registrado la
mayor contracci—n es en el trabajo independiente. Esta particularidad es lo que
hace diferente a esta crisis, pues deja ver que a diferencia de lo que sucede
en una crisis econ—mica comœn, el trabajo informal no es una alternativa
general para generar ingresos frente a una contracci—n del empleo asalariado. TambiŽn se ha se–alado que estas medidas de contenci—n
afectar‡n en mayor o menor grado, dependiendo de su duraci—n, la viabilidad de muchas
micro y peque–as empresas formales, que por su
estructura, ya se encuentran en desventaja por la brecha tecnol—gica que se ha
registrado entre empresas de diferentes tama–os en el contexto de la
digitalizaci—n (Veugelers, Rückert & Weiss, 2019).
Herrera (2020) destaca
que como resultado de las medidas para intentar contener la propagaci—n de la COVID-19 en
MŽxico, se ha tenido un impacto negativo sobre el empleo formal. En cambio, en las
industrias de transformaci—n (que incluyen a las manufacturas, entre otras
actividades) que aportan 27% del empleo formal total del pa’s, se han perdido
4.4% del total de las plazas que estaban registradas ante el IMSS al cierre de
febrero 2020. En el sector del comercio, que concentra 20% de los empleos formales,
la pŽrdida ha sido de 3.2%; no obstante, la mayor pŽrdida de empleo formal se
ha presentado en los servicios para empresas y hogar, actividades que
concentran 23% del empleo formal del pa’s, la pŽrdida en lo que va de la
pandemia ha sido de 8.6%.
Mendoza
(2020) destaca que la crisis generada por la pandemia del COVID-19 ha
golpeado severamente al mercado laboral, lo cual anticipa la generaci—n de
mayores niveles de pobreza laboral en el pa’s. Estima los efectos econ—micos de
la pandemia en MŽxico y las repercusiones iniciales en el mercado laboral.
Destaca el desplome de la población econ—micamente activa ocupada a partir de
abril de 2020, así como de la ocupación de trabajadores formales. Sus
resultados indican que la econom’a mexicana experimentará, en el corto plazo, un
periodo de estancamiento en los niveles de ocupación de la población
económicamente activa, con la posibilidad de recuperación de la tendencia
hacia el primer trimestre de 2021.
En
este contexto, debe enfatizarse que las pŽrdidas en el empleo formal tienen una
distribuci—n desigual por estados y/o ciudades. Hualde (2020) se–ala que la
recesi—n econ—mica ha golpeado en mayor medida el mercado de trabajo de los
estados y ciudades con mayor actividad tur’stica, seguidos de las entidades
donde se concentra la manufactura, como son las entidades de la regi—n norte y
del Baj’o. De igual forma se–ala que, de acuerdo con los registros de la Encuesta
Telef—nica de Ocupaci—n y Empleo del INEGI y del IMSS, con algunas excepciones,
la contracci—n m‡s fuerte se produjo en abril y mayo de 2020, adem‡s de que la
tendencia es mucho m‡s lenta o se revierte de manera desigual.
En el caso
espec’fico de los estudios a nivel de entidad federativa, S‡nchez (2020)
analiza c—mo la propagaci—n del virus SARS-CoV-2 desencadena una sœbita
reducci—n en la oferta y la demanda de trabajo, de c—mo los ingresos de los
trabajadores se reducen en los sectores con m‡s empleadores en la Ciudad de
MŽxico. Destaca la movilidad social a partir de la distribuci—n del ingreso.
Sus hallazgos sugieren que si la poblaci—n que se encuentra en los deciles de
ingreso m‡s altos, como resultado de la pandemia, dejara de percibir un salario
m’nimo, no tendr’an cambios en su nivel de ingreso muy significativos; no
obstante, la poblaci—n ocupada en los deciles m‡s bajos podr’a desplazarse, al
menos, a un decil m‡s bajo. Destaca que la poblaci—n formal en los sectores de
los servicios y las manufacturas se ver‡ afectada de manera dr‡stica. As’ como el
hecho de que las personas que trabajan en el sector formal y que nacieron entre
1951 y 1985 se ver’an desplazadas hacia abajo en la distribuci—n del ingreso.
Por
su parte, Weller (2020) refiere que el inminente cierre de una importante
cantidad de empresas, como resultado de la pandemia por la COVID-19, agudizar‡
el acceso a empleos formales de personas con educaci—n media, lo que puede
generar concentraci—n del empleo de este segmento de la fuerza de trabajo en
sectores de baja productividad y el sector informal. La recomendaci—n de la
Cepal (2020a) al respecto, es que se debe fomentar y enfatizar el uso de
tecnolog’as digitales en las empresas de menor tama–o (CEPAL, 2020b).
La misma CEPAL (2020a) se–ala que como resultado de las
restricciones al transporte internacional adoptadas por un gran nœmero de
pa’ses desde la irrupci—n del COVID-19, se han
generado grandes perturbaciones en las cadenas globales de valor, lo que ha
provocado la ca’da m‡s importante en los œltimos 11 a–os de las manufacturas
mundiales.
El
panorama descrito, da pauta al interŽs de abordar el impacto entre/intra estatal
de la pandemia generada por la COVID-19 desde el cierre de las
actividades econ—micas hasta el mes de agosto del 2020; aunque la modelaci—n se
hace desde el 2013 para mostrar la tendencia que ven’a mostrando el sector. La
evidencia indica que, como refiere Mendoza (2020: 7), la Òcrisis econ—mica
ocasionada por la COVID-19 ha impactado negativamente al empleo formal de
trabajadores asegurados desde marzo de 2020. En marzo, abril y mayo se redujo
el empleo formal en 130,593, 555,247 y 344,526 puestos de trabajo,
respectivamente. Como resultado, la reducci—n acumulada del empleo formal al
mes de mayo era de 907,207 puestos de trabajoÓ. La informalidad se ha
incrementado, segœn Mendoza (2020) alcanz— 56.6% de la poblaci—n ocupada que
equivale un total de 31.5 millones de trabajadores.
De
acuerdo con Torres (2020), las medidas iniciales de confinamiento tendr‡n,
principalmente, un efecto sobre el consumo de las familias, debido a que
tuvieron que modificar repentinamente sus h‡bitos de compra al mismo tiempo que
disminuy— la movilidad nacional. De acuerdo con este autor, esta modificaci—n
en los h‡bitos de compra se reflej— en una contracci—n aproximada del 4% en el
consumo de bienes semi-duraderos durante el mes de marzo, y aproximadamente del
75% en el siguiente mes.
En
este contexto, en los apartados siguientes se analiza el impacto que esta
pandemia ha ocasionado en el nivel de empleo, remuneraciones y producci—n,
tanto al interior de una determinada entidad federativa como con sus vecinos,
lo que le llamamos Òefecto-expulsorÓ y la derrama que hacen las entidades
vecinas hacia una determinada entidad en las variables anteriores, lo que
denominamos Òefecto-atrayenteÓ; es decir,
mucho se ha analizado y discutido sobre la disminuci—n del ingreso en el pa’s
por el cierre de las actividades econ—micas, pero no se ha mostrado el efecto
que una entidad tiene con respecto a otras entidades, que es el principal
prop—sito del trabajo.
2. El an‡lisis espacial
2.1. Los datos y su naturaleza
La falta de informaci—n actualizada
dificulta la inferencia sobre la magnitud del problema. Para el desarrollo de
esta investigaci—n se utilizaron diferentes fuentes de informaci—n oficiales,
como el Indicador Global de la Actividad Econ—mica (IGAE) y la Encuesta Mensual
de la Industria Manufacturera (EMIM) publicados por el Instituto Nacional de
Estad’stica y Geograf’a (INEGI, 2020), el nœmero de trabajadores asegurados al
Instituto Mexicano del Seguro Social (IMSS) de la Secretar’a del Trabajo y
Previsi—n Social, y el nœmero de contagios activos por COVID-19, de
la Secretar’a de Salud. La informaci—n de los indicadores de producci—n y
remuneraciones se encuentran deflactadan a precios de julio de 2019. La
informaci—n estad’stica es mensual, de febrero de 2013 a agosto de 2020.
Si
se analiza la distribuci—n espacial de la pobreza y los contagios, as’ como de
las muertes ocasionadas en las entidades federativas de MŽxico, podemos encontrar
algunos hechos importantes (ver figuras 1 y 2). En principio se observa que para
los niveles de contagio (figura 1) la correlaci—n, aunque es ligeramente
positiva, no es muy alta. Esto implica que las entidades que tradicionalmente
son pobres, como Guerrero, Oaxaca y Chiapas, no concentran los mayores
contagios; incluso, el visor geoespacial del Coneval muestra que a noviembre de
2020 hab’a entidades pobres que no mostraron un solo contagio. Esto implica que
las regiones pobres pueden aislarse f‡cilmente dada la autosuficiencia que
tienen tanto en el trabajo como en la producci—n de sus propios alimentos.
Incluso, algunos municipios de Guerrero, que tradicionalmente reciben turistas,
han cerrado el paso a cualquier persona que no es de la poblaci—n. Los mayores
contagios se observaron en el Estado de MŽxico, Ciudad de MŽxico y Guanajuato,
aunque aqu’ se debe destacar que la œnica entidad que, adem‡s de concentrar la
mayor cantidad de pobres (Estado de MŽxico) tambiŽn presenta altos niveles de contagio.
Fuente: elaborado con datos de Coneval (2020) y Secretar’a de
Salud (2020).
Figura
1:
Pobreza total y contagios por la COVID-19, por entidades federativas.
Si
analizamos la tasa de mortandad, podemos observar que
en muchas entidades, la correlaci—n es positiva; por ejemplo, en el caso del
Estado de MŽxico, que concentra la mayor cantidad de personas pobres, las
defunciones son elevadas, lo mismo podemos observar para Veracruz, Puebla,
Chiapas, Oaxaca, Guanajuato, Guerrero, Jalisco y Michoac‡n, lo que indica una elevada
mortandad en estas entidades. La Ciudad de MŽxico muestra un caso at’pico, la
mortandad no se correlaciona con la pobreza.
Fuente: elaborado con datos de Coneval (2020) y Secretar’a de
Salud (2020).
Figura
2:
Pobreza total y defunciones por la COVID-19, por entidades federativas.
En la figura 3 se
presentan de forma esquem‡tica los contagios por COVID-19, la poblaci—n ocupada total y los trabajadores
asegurados, permanentes y eventuales, en agosto de 2020. La intensidad de los
colores de negro a blanco representa el porcentaje de los contagios activos. Se
observa que Chiapas present— los mayores contagios en ese mes, pero los
porcentajes en el empleo total de este sector no fueron tan representativos.
Las entidades que figuran en el empleo total, permanentes y eventuales se
encuentran en el centro y norte del pa’s.
Fuente:
elaborado con datos de la STyPS (2020) y Secretar’a de Salud (2020).
Figura 3: Contagios por COVID-19
y trabajadores asegurados al IMSS (poblaci—n ocupada total, permanentes y
eventuales) por entidad federativa, agosto 2020.
Se debe destacar que, en
las entidades del norte del pa’s, por la estructura porcentual, se observan m‡s
trabajadores asegurados permanentes que eventuales como parte del total. Estas
entidades son: Baja California, Sonora, Chihuahua, Coahuila Nuevo Le—n y
Tamaulipas, mientras que en las entidades del centro del pa’s se identifica una
mayor participaci—n de los trabajadores asegurados eventuales. Esto parece
sugerir un incremento de la desigualdad laboral entre los estados, y que la regi—n
centro es la que ofrece empleos m‡s precarios dado que contrata m‡s
trabajadores de temporal; mientras la regi—n norte m‡s empleo de calidad
relativa mayor por el tipo de contrataci—n por tratarse de son trabajadores asegurados
de manera permanente.
3. Planteamiento del
modelo y evidencia emp’rica
Como se ha mencionado, el objetivo
principal es mostrar c—mo el comportamiento pasado de las variables en las
entidades vecinas (empleo, remuneraciones, el nœmero de contagio por covid-19 y
la producci—n del sector manufacturero) afectan a las mismas variables en el
presente. Para ello, se parte de un Modelo de Vectores Autorregresivos
Espaciales (MVARE), cuya tŽcnica fue usada por primera vez por M‡rquez, Ramajo
y Hewings (2010, 2015) para estimar el crecimiento de la econom’a espa–ola, y
Torres Preciado (2017), para pronosticar el crecimiento del empleo
manufacturero en MŽxico.
3.1. Estimaci—n
Se plantea el modelo de
estimaci—n de la siguiente forma:
[1]
[2]
[3]
[4]
[5]
Donde,
poti,t
= tasa de crecimiento de la poblaci—n
ocupada total de cada entidad de la entidad i del sector manufacturero, a
travŽs del tiempo t;
= tasa de crecimiento promedio de la poblaci—n
ocupada total de los vecinos de las diferentes entidades manufactureras;
va = tasa de
crecimiento de la actividad econ—mica estatal;
= crecimiento promedio de la actividad manufacturera
de los vecinos de una entidad;
rem = crecimiento
de las remuneraciones en el sector manufacturero;
= crecimiento promedio de las
remuneraciones en las entidades vecinas.
Finalmente,
cov y 
es la
tasa de crecimiento del nœmero de contagios a partir de que se present— el
primer caso en cada una de las entidades (cov) y el de los vecinos (
), respectivamente.
En este
contexto de an‡lisis espacial, se puede determinar si el rezago de las
variables externas agrega informaci—n valiosa sobre la determinaci—n de las
variables locales (Marquez et al.,
2015). De acuerdo con la ecuaci—n [1], si los valores pasados de 
contribuyen
a explicar los valores futuros de 
y el valor del par‡metro 
, 
son significativos, podemos
decir que tenemos Òefecto atrayenteÓ,
que implica que los vecinos de una entidad en particular influyen sobre su
comportamiento. Por su parte, si los valores previos de 
explican el comportamiento de 
y los par‡metros 
, 
tienden a ser estad’sticamente
significativos, podemos decir que se tiene Òefecto expulsorÓ, que significa que la din‡mica de una entidad
en particular genera un efecto en la poblaci—n ocupada de las entidades vecinas.
La matriz
de pesos espaciales (W), que es la base principal de la estimaci—n espacial
(AndrŽs-Rosales, Bustamante & Argumosa, 2018; Quintana &
AndrŽs-Rosales, 2014), es una matriz cuadrada positiva y su dimensi—n depende
del tama–o de la muestra, describe la interacci—n de unidades espaciales
presentes entre las entidades.
Por
definici—n wij=1 y wii=0, aunque es posible
usar diferentes tipos de vecindades y se pueden incorporar otros tipos de
variables que no se limiten a la de la contigŸidad. En nuestro caso usamos el
criterio de contigŸidad normalizada, que implica que las sumas de las filas son
igual a uno y representan un suavizado espacial de los impactos de las regiones
vecinas y la autocontigŸidad est‡
descartada o es igual a cero (Anselin, 1988; Quintana & AndrŽs-Rosales,
2014; AndrŽs-Rosales et al., 2018).
En suma, dado que las variables son usadas en tasas de crecimiento y la matriz
normalizada, se evita obtener relaciones espurias.
3.2. Prueba espacial de causalidad
de Granger
De la misma forma que en el modelo
de vectores autorregresivos (VAR), el modelo de vectores autorregresivos
espaciales (MVARE) puede usarse para examinar en quŽ medida las variables en el
sistema est‡n determinados por sus valores pasados, lo que se conoce como
causalidad de Granger (Granger, 1969). En el contexto del an‡lisis de efectos
espaciales se puede determinar la propagaci—n espacial y las causalidades entre
las variables y las regiones (M‡rquez, Ramajo & Hewings, 2015). Estas
nuevas consideraciones fueron llamadas por M‡rquez, Ramajo y Hewings (2015) y Kuethe y Pede (2011) un An‡lisis espacial de
causalidad de Granger, y es la nueva forma de demostrar los efectos
colaterales espaciales en el contexto del VAR tradicional.
En la tabla
1 y 1.1 del anexo se presentan las pruebas de causalidad en sentido de Granger,
bajo la hip—tesis nula. Ho: de no causalidad en el sentido de Granger (se
marcaron con negritas las que resultaron significativas) se rechaza esta
hip—tesis, dado el p-valor, y no se rechaza la hip—tesis alternativa, Ha:
Causalidad en el sentido de Granger. Los resultados principales se presentan a
continuaci—n:
a) ÒEfecto atrayenteÓ. Este efecto se
refiere cuando una entidad en particular es afectada por sus vecinos; lo que significa
que la variable de interŽs que proviene de sus vecinos influye sobre la entidad.
En este caso, cuando se incrementa la poblaci—n ocupada (POTw), la
producci—n (Vaw), las remuneraciones (REMw) del sector
manufacturo y la COVID-19 (COVw)
de los vecinos de una entidad, afectan a una entidad en particular. Por
ejemplo, encontramos que cuando se incrementa la poblaci—n ocupada de los
vecinos de las siguientes entidades: Baja California Sur, CDMX, Chiapas,
Colima, Nuevo Le—n, Oaxaca, San Luis Potos’, Sonora, Tabasco, Tlaxcala y
Veracruz, el empleo se increment— al interior de estas entidades. Por su parte,
al incrementarse el nœmero de contagios por COVID-19 de los vecinos de Aguascalientes,
Chihuahua, Chiapas, Coahuila, Durango, Guerrero, Guanajuato, Hidalgo, Jalisco,
Estado de MŽxico, Nuevo Le—n, Puebla, QuerŽtaro, San Luis Potos’, sonora,
Tamaulipas y Zacatecas, afect— el nivel de empleo de estas entidades.
b) ÒEfecto expulsorÓ es la causalidad que
parte de una entidad hacia sus vecinos contiguos. Encontramos que la poblaci—n
ocupada de entidades como: Aguascalientes, Baja California, Campeche, Chiapas,
Coahuila, Guerrero, Nuevo Le—n, QuerŽtaro, Quintana Roo, Sonora y Zacateras
influyeron en el empleo de sus vecinos. Por su parte, al incrementarse la POT
en el Estado de MŽxico, Tlaxcala y Yucat‡n, incrementaron el contagio en sus
vecinos.
c) ÒEfecto
internoÓ es la causalidad de las variables sobre el rezago de las otras
variables. En este caso observamos
que existe causalidad de la variable Covid
con la poblaci—n ocupada en la mayor’a de las entidades, lo que es un hecho
importante porque el empleo del sector manufacturero se contrajo (tabla 1.1).
3.3. An‡lisis espacial de impulso
respuesta
En
la estimaci—n del MVARE, la funci—n de impulso respuesta nos proporciona
informaci—n c’clica del comportamiento y la interdependencia entre las regiones
(M‡rquez, Ramajo & Hewings, 2015).
Con las funciones de impulso respuesta podemos cuantificar los impactos que una
entidad genera hacia sus vecinos (efecto
expulsor) y el impacto que los vecinos generan hacia una determinada entidad
(efecto atrayente). A diferencia
de la prueba de causalidad de Granger, en la de impulso-respuesta podemos
conocer el impacto proveniente de los vecinos de una entidad y viceversa.
La
tabla 2 y 2.1 del anexo cuantifica estos efectos generados por el crecimiento
del empleo manufacturero a nivel de las entidades federativas, tomando en
cuenta el efecto contempor‡neo. En esta tabla se encuentran los resultados de los
siguientes efectos: a) Efecto atrayente; b) Efecto expulsor y c) Efecto interno.
Se destaca que los efectos internos que las mismas variables generan a travŽs
de sus rezagos en las diversas entidades son mayores, lo que implica que el
comportamiento pasado de la misma variable es m‡s importante para explicar su
comportamiento futuro. En segundo lugar, se identific— que el efecto expulsor
es m‡s importante (dado que los coeficientes son mayores) que el efecto atrayente,
lo que implica que es m‡s significativo el efecto que una entidad genera hacia
sus vecinos y no tanto lo que sus vecinos generan en una entidad. La
interpretaci—n econ—mica se explica de la siguiente forma:
a) Efecto atrayente: estos
efectos muestran que ante una peque–a perturbaci—n (shock) en el crecimiento de
las variables potw, vaw, remw, covw
que corresponde a los
vecinos de una entidad determinada, se generan efectos sobre la poblaci—n
ocupada (pot) de una entidad de
manera positiva o negativa dependiendo del signo del coeficiente. Como ejemplo,
ante un choque en el nivel de empleo de los vecinos de Baja California,
Campeche, Chiapas y Guanajuato, presentan efectos positivos en sus niveles de
empleo en 0.14; 0.57; 0.55 y 0.18 por ciento, respectivamente (columna 1 del
cuadro 2). Mientras que el efecto negativo lo observamos en Morelos y Nayarit.
Esto implica que, al modificarse el nivel de empleos de los vecinos de estas
dos entidades, se afecta negativamente el empleo al interior de Morelos y Nayarit
en -0.11 y -0.63%, respectivamente. Aunque es importante destacar que el
impacto de la pot de los vecinos hacia la poblaci—n ocupada de las
entidades ha sido menor del 1% en todas ellas.
De
acuerdo con la informaci—n de la columna 4, tabla 2 del anexo, el incremento en
el nœmero de contagios por Covid-19 (Covid)
en los vecinos de Aguascalientes, Chiapas, Morelos, Yucat‡n y Zacatecas,
influy— positivamente en el nivel de la poblaci—n ocupada de estas entidades en
0.24, 0.78, 0.41, 0.17 y 0.18 por ciento respectivamente; lo que implica que
probablemente el incremento del contagio de los vecinos de estas entidades
benefici— a los trabajadores que radican en estas entidades y pudieran obtener
empleo en su mismo lugar de origen. Aunque tambiŽn se puede destacar que el
impacto porcentual es menor al 1% en todas las entidades.
b) Efecto expulsor: en las
columnas 5-8 (ver tabla 2 del anexo) se presenta el efecto que tiene la
poblaci—n ocupada total de una entidad hacia sus vecinos en potw, vaw, remw,
covw. Si se analiza el
efecto que tiene la poblaci—n ocupada de una entidad en particular hacia sus
vecinos, se identifica que Aguascalientes influy— sobre la producci—n de sus
vecinos en 1.68%, Baja California en 3.71%. Los mayores impactos se encontraron
en Quintana Roo hacia sus vecinos (4.59%). TambiŽn se hall— evidencia de que, al
incrementarse el empleo en una entidad, sus vecinos disminuyeron su producci—n,
el coeficiente tiene un signo negativo y este impacto es mayor en los vecinos
de Yucat‡n (-6.81%).
La
columna 8 (tabla 2 del anexo) muestra el impacto que genera la poblaci—n
ocupada de una entidad hacia la variable covid
de sus respectivos vecinos. Se encontr— un grupo de entidades en las que al incrementarse
el nivel de empleo genera efectos adversos en los vecinos por el incremento en
el nivel de contagios, que puede tener explicaci—n por la movilidad social
generada para buscar un empleo o por el desplazamiento al trabajo. Los casos
que m‡s destacan son Chiapas, Morelos, Nayarit, Yucat‡n y Zacatecas.
Probablemente porque los trabajadores provienen de sus vecinos.
Llama
la atenci—n lo que ocurre con otras entidades cuyos estad’sticos de impulso
respuesta son negativos. En principio, esto implica que, si aumenta el empleo
en las entidades vecinas, el nœmero de contagios en una entidad se reduce,
hecho que se puede asociar a los riesgos de la movilidad social. Por ejemplo,
el caso de la CDMX y el Estado de MŽxico, que son las entidades m‡s pobladas
del pa’s y con m‡s contagios. Los resultados del efecto expulsor (ver columna 8
de la tabla 2 del anexo) indican que, ante un choque en el empleo en la CDMX,
la respuesta de los contagios por COVID-19 en los estados vecinos
disminuye en -6.32; o en el caso del Estado de MŽxico, un choque positivo en el
empleo genera reducci—n en los niveles de contagios de sus vecinos de -2.38.
c) Efecto interno: el
impacto de la poblaci—n ocupada sobre sus propios valores pasados es m‡s
importante que el rezago de otras variables. Esto lo encontramos en la columna 9
de la tabla 2.1 del anexo. El impacto al interior de las 32 entidades que
conforman al pa’s son positivas al incrementarse el empleo manufacturero, en
casi todos ellos el valor se ubica entre 1% y 3%. TambiŽn encontramos que el
comportamiento pasado del empleo en las remuneraciones es positivo en muchas
entidades, entre ellas Nayarit (7%), Veracruz (6.6%), Baja California Sur
(5.06%) y Sinaloa (2%). Negativo y significativo en Yucat‡n (-1.51%).
Conclusiones
En este trabajo se mostr— el impacto que ha
tenido el empleo, las remuneraciones, la producci—n manufacturera y el nœmero
de contagios por COVID-19 intra/entre las 32
entidades federativas del pa’s. Se encontr— evidencia de que el impacto en la
propagaci—n de la pandemia fue m‡s elevado en las entidades federativas que son
atrayentes de mano de obra.
Si bien es cierto que el
sector manufacturero se hab’a considerado como el sector que ofrece empleos
menos precarios que el del sector servicios (AndrŽs-Rosales, Czarneki y Mendoza
Gonz‡lez, 2019), lo que se espera despuŽs de la pandemia, en el regreso a la
nueva normalidad, es una tendencia a los trabajos igualmente de precarios que
en los dem‡s sectores. Que esto ser‡ una tendencia generalizada en todas las
entidades federativas del pa’s, por lo que ser‡n pocas las empresas que ofrezcan
empleos bien remunerados y con las prestaciones de ley.
Finalmente, no cabe duda
de que el empleo se recuperar‡ paulatinamente en el 2021, aunque las secuelas
que esta pandemia genere en las diversas entidades federativas en lo que a
empleo se refiere ser‡n permanentes, sobre todo, ha afectado a muchos sectores
productivos que en este trabajo no se analizaron, pero que en el futuro cercano
se tendr‡ que hacer, como el sector de turismo.
Referencias
AndrŽs-Rosales, R., Czarneki,
L., y Mendoza-Gonz‡lez M. (2019). A spatial analysis of
precariousness and the gender wage gap en Mexico, 2005-2018. The Journal of Chinese Sociology, 6(13),
1-21.
AndrŽs-Rosales, R., Bustamante L., Argumosa, P.
(2018). Social exclusion and economic growth in the Mexican regions: A spatial
approach. Journal of Regional Research, 40, 57-78.
Anselin, L. (1988). Spatial econometrics methods and models. California, EEUU: Kluwer
Academic Publishers.
Comisi—n Econ—mica para
AmŽrica Latina y el Caribe (CEPAL) (2020a). Dimensionar
los efectos del COVID-19 para pensar en la reactivaci—n. Informe especial,
COVID-19. Comisi—n Econ—mica para AmŽrica Latina y el Caribe. No. 2.
Comisi—n Econ—mica para
AmŽrica Latina y el Caribe (CEPAL), Banco de Desarrollo de AmŽrica Latina (CAF),
DPL Consulting y Telecom Advisory Services (2020b). ÒLas oportunidades de la
digitalizaci—n en AmŽrica Latina frente al COVID-19Ó.
Consejo Nacional de
Evaluaci—n de la Pol’tica de Desarrollo Social (Coneval) (2020a). La pol’tica social en el contexto de la
pandemia por el virus SARS-CoV-2 (COVID-19) en MŽxico. MŽxico: Coneval. https://www.coneval.org.mx/Evaluacion/IEPSM/Documents/Politica_Social_COVID-19.pdf
Consejo Nacional de
Evaluaci—n de la Pol’tica de Desarrollo Social (Coneval) (2020b). Medici—n
de la pobreza. Consejo Nacional de Evaluaci—n de la Pol’tica de Desarrollo
Social, MŽxico. https://www.Coneval.org.mx/Medicion/Paginas/PobrezaInicio.aspx
De Jesœs-Almonte, L.,
AndrŽs-Rosales, R., y Carbajal-Su‡rez, Y. (2020). Spatial analysis of
manufacturing emplyoment in Mexico, 1984-2013. Revista Desarrollo y Sociedad,
(84), 91-129.
De Jesœs Almonte, L. y
ValdŽs Hinojosa, A. (2020). Hacia la recuperaci—n del empleo formal en las
entidades federativas, Econom’a Actual,
Revista de An‡lisis de Coyuntura, 13 (3). http://economia.uaemex.mx/Publicaciones/e1304/Eco.%20Actual%2013.4.2-Articulo%20Leobardo.pdf
Esquivel, G. (2020). Los impactos econ—micos de la
pandemia en MŽxico, Econom’a UNAM,
17(51), 28-44.
Granger, C. (1969). Investigating causal relation
by econometrics models and cross-spectral methods, Econometrica., (37), 424-438.
Herrera, S. (2020). El
impacto del covid-19 sobre el empleo formal en los estados. Repositorio Universitario
Facultad de Econom’a, UNAM. Recuperado de http://ru.economia.unam.mx/178/1/El%20impacto%20del%20covid-19%20sobre%20el%20empleo%20formal%20en%20los%20estados.pdf
Kuethe, T. y Pede, V. (2011). Regional Housing
price cycles: A spatio-temporal analysis usign US state-level data. Regional Studies. (45), 563-574.
M‡rquez, M., Ramajo, J., y Hewings, J. (2015). Regional
growth and spatial spillovers: Evidence from an SPVAR for the Spanish regions. Papers in Regional Science, 94(1), 1-19.
Mart’nez, H. y Contreras,
O. (2020). Determinantes, tama–o y evoluci—n del mercado interno en MŽxico y
sus implicaciones macroecon—micas para el crecimiento econ—mico, 1970-2017. El Trimestre Econ—mico, 1 (345),
133-169.
Mej’a-Reyes, P.; Hurtado-Jaramillo,
A. y Rend—n-Rojas, L. (2020). Efecto de los factores socio-econ—micos
y condiciones de salud en el contagio de COVID-19 en los estados de MŽxico. Contadur’a y Administraci—n, 4(65),
1-19.
Mendoza, M., Quintana,
L., Salas, C., y Valdivia, M. (2021). Crisis e impactos macroecon—micos,
sectoriales y estatales del Covid-19 en MŽxico durante 2020. Revista de
Econom’a Mexicana, 6,189-226.
Mendoza Cota, E. (2020).
COVID-19 y el empleo en MŽxico: impacto inicial y pron—stico de corto plazo. Contadur’a y Administraci—n, 65(4),
1-18.
Najera, H. y Huffman, C.
(2020). Estimaci—n del costo de eliminar la pobreza extrema por ingreso en MŽxico,
en tiempos del COVID. Programa Universitario de Estudios del Desarrollo, UNAM.
MŽxico. http://www.pued.unam.mx/export/sites/default/archivos/covid/DocTecnico.pdf
Quintana, L., y
AndrŽs-Rosales, R. (2014). TŽcnicas
modernas de an‡lisis regional. MŽxico, D.F: Plaza y ValdŽs.
Salas, C., Quintana, L.,
Mendoza, M., y Valdivia, M. (2020). Distribuci—n del ingreso laboral y la
pobreza en MŽxico durante la pandemia de la Covid-19. Escenarios e impactos potenciales.
El Trimestre Econ—mico. 4(348),
929-962.
S‡nchez-Ju‡rez.
I. y Garc’a-Almada, R. (2020). Empleo en la frontera norte de MŽxico ante el
COVID-19. Econom’a Actual, Revista de An‡lisis de Coyuntura, 13 (3),
31-35. http://economia.uaemex.mx/CICE/Revista_economia_actual.html
S‡nchez, A. (2020).
Impacto de la crisis del COVID-19 en la distribuci—n del ingreso en la Ciudad
de MŽxico. Contadur’a y Administraci—n,
4(65), 1-15.
Seabra, C., Paiva, O.,
Silva, C., y Abrantes, J. (2021). Tourism
security-safety ans post conflict destinations.
EEUU: Editorial Advisory and Board.
Secretar’a del Trabajo y
Previsi—n Social (2020). Estad’sticas del sector. http://www.stps.gob.mx/gobmx/estadisticas/
Torres, V. (2017).
Desempleo y criminalidad en los estados de la frontera norte de MŽxico: un
enfoque espacial bayesiano de vectores autoregresivos. Ensayos Revista de Econom’a, 36(1), 25-58.
Torres, V. (2020). La
econom’a de la pandemia: efectos, medidas y perspectivas econ—micas ante la
pandemia de la COVID-19 en el sector manufacturero de MŽxico. Contadur’a y Administraci—n, 4(65),
1-25.
Veugelers, R., RŸckert,
D., y Weiss, Ch. (2019). Bridging the
divide: new evidence about firms and digitalization. Policy Contribution, 17, 1-13. https://www.bruegel.org/wp-content/uploads/2019/12/PC-17_2019-101219_-1.pdf
Weller, J. (2020). La
pandemia del COVID-19 y su efecto en las tendencias de los mercados laborales.
Documentos de proyectos. CEPAL. https://repositorio.cepal.org/bitstream/handle/11362/45759/S2000387_es.pdf?sequence=1&isAllowed=y
Anexo
Tabla 1
Estimaci—n
espacial de las Pruebas de causalidad de Granger, 2013:01-2020:08
|
Efectos atractor |
Efecto expulsor |
|||||||
|
Entidad federativa |
De
POTw a POT |
De
VAw a POT |
De
REMw a POT |
De
COVW a POT |
De
POT a POTw |
De
POT a VAw |
De
POT a REMW |
De
POT a COVw |
|
Aguascalientes |
0.34 (0.71) |
0.19 (0.83) |
2.26 (0.11) |
4.95 (0.01) |
6.08 (0.00) |
0.37 (0.69) |
0.27 (0.76) |
0.57 (0.57) |
|
Baja California |
1.14 (0.32) |
0.96 (0.39) |
2.21 (0.12) |
1.51 (0.23) |
10.88 (0.00) |
2.65 (0.08) |
9.42 (0.00) |
0.39 (0.68) |
|
Baja California Sur |
8.28 (0.00) |
1.33 (0.27) |
0.11 (0.90) |
1.25 (0.29) |
1.32 (0.27) |
0.73 (0.48) |
2.57 (0.08) |
0.28 (0.75) |
|
Campeche |
1.72 (0.18) |
4.84 (0.01) |
1.67 (0.19) |
0.02 (0.98) |
4.73 (0.01) |
0.66 (0.52) |
0.62 (0.54) |
0.48 (0.62) |
|
Ciudad de MŽxico |
3.84 (0.03) |
5.03 (0.01) |
40.43 (0.00) |
1.54 (0.22) |
0.58 (0.56) |
6.66 (0.00) |
4.30 (0.02) |
0.46 (0.63) |
|
Chihuahua |
0.54 (0.58) |
2.10 (0.13) |
1.04 (0.36) |
4.58 (0.01) |
1.08 (0.34) |
3.09 (0.05) |
1.08 (0.34) |
0.06 (0.94) |
|
Chiapas |
3.80 (0.03) |
0.52 (0.60) |
2.62 (0.08) |
8.92 (0.00) |
10.10 (0.00) |
1.12 (0.33) |
3.77 (0.03) |
0.25 (0.78) |
|
Coahuila |
0.18 (0.84) |
0.49 (0.62) |
0.89 (0.42) |
3.85 (0.03) |
3.92 (0.02) |
1.34 (0.27) |
2.96 (0.06) |
0.37 (0.69) |
|
Colima |
6.07 (0.00) |
2.36 (0.10) |
1.57 (0.21) |
2.97 (0.06) |
0.85 (0.43) |
1.54 (0.22) |
2.95 (0.06) |
0.32 (0.73) |
|
Durango |
0.03 (0.97) |
1.16 (0.32) |
1.09 (0.34) |
3.39 (0.04) |
0.01 (0.99) |
0.45 (0.64) |
0.10 (0.90) |
0.05 (0.95) |
|
Guerrero |
0.99 (0.38) |
0.94 (0.40) |
3.15 (0.05) |
9.24 (0.00) |
3.37 (0.04) |
0.46 (0.63) |
0.13 (0.87) |
0.11 (0.90) |
|
Guanajuato |
0.72 (0.49) |
2.95 (0.06) |
0.60 (0.55) |
5.22 (0.01) |
0.34 (0.71) |
4.69 (0.01) |
1.12 (0.33) |
1.06 (0.35) |
|
Hidalgo |
0.80 (0.45) |
2.40 (0.10) |
0.09 (0.91) |
5.10 (0.01) |
2.96 (0.06) |
3.33 (0.04) |
0.54 (0.58) |
2.27 (0.11) |
|
Jalisco |
2.61 (0.08) |
0.37 (0.69) |
4.69 (0.01) |
6.53 (0.00) |
0.15 (0.86) |
7.14 (0.00) |
1.58 (0.21) |
2.06 (0.13) |
|
Estado de MŽxico |
1.24 (0.30) |
3.38 (0.04) |
1.70 (0.19) |
5.00 (0.01) |
1.61 (0.21) |
2.49 (0.09) |
4.85 (0.01) |
3.10 (0.05) |
|
Michoac‡n |
0.28 (0.76) |
1.52 (0.22) |
3.31 (0.04) |
0.61 (0.54) |
0.97 (0.38) |
1.43 (0.24) |
0.15 (0.86) |
0.78 (0.46) |
|
Morelos |
0.40 (0.67) |
1.60 (0.21) |
2.88 (0.06) |
1.02 (0.37) |
1.87 (0.16) |
0.19 (0.83) |
10.35 (0.00) |
0.74 (0.48) |
|
Nayarit |
0.59 (0.56) |
0.16 (0.85) |
4.36 (0.02) |
0.13 (0.88) |
0.09 (0.91) |
0.87 (0.42) |
0.78 (0.46) |
0.05 (0.95) |
|
Nuevo Le—n |
5.14 (0.01) |
2.84 (0.06) |
0.27 (0.76) |
10.96 (0.00) |
3.30 (0.04) |
6.70 (0.00) |
0.60 (0.55) |
0.49 (0.61) |
|
Oaxaca |
3.76 (0.03) |
0.73 (0.48) |
1.57 (0.21) |
1.01 (0.37) |
0.87 (0.42) |
0.74 (0.48) |
3.28 (0.04) |
0.03 (0.97) |
|
Puebla |
0.73 (0.48) |
0.41 (0.67) |
5.26 (0.01) |
3.34 (0.04) |
1.39 (0.25) |
0.20 (0.82) |
0.82 (0.44) |
0.70 (0.50) |
|
QuerŽtaro |
1.99 (0.14) |
2.37 (0.10) |
4.46 (0.01) |
7.03 (0.00) |
3.96 (0.02) |
4.82 (0.01) |
0.27 (0.77) |
0.16 (0.86) |
|
Quintana Roo |
1.89 (0.16) |
1.85 (0.16) |
0.17 (0.84) |
0.12 (0.88) |
3.01 (0.05) |
1.54 (0.22) |
2.03 (0.14) |
0.70 (0.50) |
|
Sinaloa |
0.18 (0.84) |
4.86 (0.01) |
1.35 (0.26) |
1.37 (0.26) |
0.27 (0.76) |
1.34 (0.27) |
1.67 (0.20) |
1.01 (0.37) |
|
San Luis Potos’ |
4.79 (0.01) |
1.95 (0.15) |
0.68 (0.51) |
6.31 (0.00) |
1.18 (0.31) |
3.01 (0.05) |
2.38 (0.10) |
0.84 (0.43) |
|
Sonora |
3.36 (0.04) |
5.08 (0.01) |
1.99 (0.14) |
4.71 (0.01) |
3.36 (0.04) |
4.69 (0.01) |
0.62 (0.54) |
0.03 (0.97) |
|
Tabasco |
14.75 (0.00) |
2.88 (0.06) |
0.98 (0.38) |
0.06 (0.95) |
2.45 (0.09) |
1.44 (0.24) |
0.62 (0.54) |
0.29 (0.75) |
|
Tamaulipas |
1.96 (0.15) |
0.03 (0.97) |
3.83 (0.03) |
10.79 (0.00) |
2.78 (0.07) |
0.40 (0.67) |
1.50 (0.23) |
1.86 (0.16) |
|
Tlaxcala |
5.68 (0.00) |
2.71 (0.07) |
1.72 (0.19) |
0.25 (0.78) |
0.09 (0.92) |
0.76 (0.47) |
1.67 (0.20) |
4.95 (0.01) |
|
Veracruz |
8.06 (0.00) |
3.28 (0.04) |
1.39 (0.26) |
0.51 (0.60) |
0.13 (0.88) |
0.89 (0.41) |
4.86 (0.01) |
0.22 (0.80) |
|
Yucat‡n |
1.09 (0.34) |
0.68 (0.51) |
7.43 (0.00) |
2.19 (0.12) |
0.32 (0.73) |
0.09 (0.91) |
0.39 (0.68) |
3.07 (0.05) |
|
Zacatecas |
0.13 (0.87) |
1.70 (0.19) |
2.74 (0.07) |
5.97 (0.00) |
3.66 (0.03) |
5.55 (0.01) |
1.37 (0.26) |
0.89 (0.41) |
Tabla 1.1
Estimaci—n
espacial de
las Pruebas de causalidad de Granger, 2013:01-2020:08 (continuaci—n)
|
Efecto interno |
||||||
|
Entidad federativa |
De
COV a POT |
De
APER a POT |
De
AEVE a POT |
De
VA a POT |
De
REM a POT |
De
POT a REM |
|
Aguascalientes |
5.37 (0.01) |
6.92 (0.00) |
2.53 (0.09) |
0.20 (0.82) |
2.44 (0.09) |
0.11 (0.90) |
|
Baja California |
3.33 (0.04) |
65.45 (0.00) |
12.98 (0.00) |
0.89 (0.42) |
5.26 (0.01) |
18.42 (0.00) |
|
Baja California Sur |
0.36 (0.70) |
2.85 (0.06) |
14.65 (0.00) |
1.86 (0.16) |
11.14 (0.00) |
0.13 (0.88) |
|
Campeche |
1.21 (0.30) |
5.85 (0.00) |
7.56 (0.00) |
4.64 (0.01) |
1.68 (0.19) |
2.18 (0.12) |
|
Ciudad de MŽxico |
1.84 (0.17) |
30.08 (0.00) |
26.30 (0.00) |
4.19 (0.02) |
54.67 (0.00) |
6.92 (0.00) |
|
Chihuahua |
3.10 (0.05) |
24.56 (0.00) |
8.90 (0.00) |
2.67 (0.08) |
0.31 (0.73) |
5.15 (0.01) |
|
Chiapas |
8.34 (0.00) |
5.39 (0.01) |
3.16 (0.05) |
2.25 (0.11) |
3.04 (0.05) |
3.88 (0.02) |
|
Coahuila |
7.13 (0.00) |
42.82 (0.00) |
24.85 (0.00) |
1.78 (0.17) |
1.72 (0.19) |
5.49 (0.01) |
|
Colima |
4.13 (0.02) |
1.77 (0.18) |
0.27 (0.76) |
1.64 (0.20) |
0.49 (0.61) |
5.05 (0.01) |
|
Durango |
1.23 (0.30) |
1.74 (0.18) |
2.06 (0.13) |
1.75 (0.18) |
1.05 (0.35) |
11.27 (0.00) |
|
Guerrero |
0.01 (0.99) |
0.49 (0.61) |
0.63 (0.53) |
0.09 (0.91) |
0.22 (0.80) |
2.84 (0.06) |
|
Guanajuato |
1.51 (0.23) |
24.96 (0.00) |
7.86 (0.00) |
2.15 (0.12) |
2.82 (0.07) |
3.35 (0.04) |
|
Hidalgo |
6.17 (0.00) |
9.46 (0.00) |
7.05 (0.00) |
1.72 (0.19) |
0.41 (0.66) |
0.34 (0.72) |
|
Jalisco |
3.61 (0.03) |
11.21 (0.00) |
19.89 (0.00) |
2.76 (0.07) |
0.69 (0.51) |
1.06 (0.35) |
|
Estado de MŽxico |
4.95 (0.01) |
47.04 (0.00) |
45.60 (0.00) |
5.21 (0.01) |
0.76 (0.47) |
2.61 (0.08) |
|
Michoac‡n |
1.04 (0.36) |
19.46 (0.00) |
38.89 (0.00) |
3.79 (0.03) |
2.33 (0.10) |
1.03 (0.36) |
|
Morelos |
0.40 (0.67) |
3.16 (0.05) |
15.28 (0.00) |
0.76 (0.47) |
1.83 (0.17) |
14.69 (0.0) |
|
Nayarit |
0.03 (0.97) |
8.78 (0.00) |
41.61 (0.00) |
5.67 (0.00) |
1.54 (0.22) |
7.36 (0.00) |
|
Nuevo Le—n |
8.33 (0.00) |
54.71 (0.00) |
32.64 (0.00) |
1.92 (0.15) |
1.78 (0.17) |
3.35 (0.04) |
|
Oaxaca |
1.98 (0.14) |
2.35 (0.10) |
5.02 (0.01) |
0.94 (0.39) |
3.26 (0.04) |
3.04 (0.05) |
|
Puebla |
0.92 (0.40) |
2.24 (0.11) |
15.82 (0.00) |
0.07 (0.93) |
2.58 (0.08) |
1.09 (0.34) |
|
QuerŽtaro |
6.96 (0.00) |
39.73 (0.00) |
29.60 (0.00) |
0.59 (0.56) |
1.26 (0.29) |
1.25 (0.29) |
|
Quintana Roo |
2.82 (0.07) |
1.71 (0.19) |
3.85 (0.03) |
2.03 (0.14) |
4.86 (0.01) |
0.63 (0.53) |
|
Sinaloa |
0.28 (0.75) |
1.27 (0.29) |
5.88 (0.00) |
1.17 (0.32) |
2.04 (0.14) |
0.64 (0.53) |
|
San Luis Potos’ |
4.79 (0.01) |
9.34 (0.00) |
11.51 (0.00) |
1.08 (0.34) |
0.07 (0.94) |
2.10 (0.13) |
|
Sonora |
7.28 (0.00) |
30.65 (0.00) |
8.88 (0.00) |
1.97 (0.15) |
0.31 (0.74) |
7.96 (0.00) |
|
Tabasco |
0.03 (0.97) |
0.04 (0.96) |
7.76 (0.00) |
0.12 (0.89) |
0.95 (0.39) |
1.32 (0.27) |
|
Tamaulipas |
0.74 (0.48) |
57.94 (0.00) |
20.96 (0.00) |
0.53 (0.59) |
1.77 (0.18) |
3.13 (0.05) |
|
Tlaxcala |
0.49 (0.61) |
8.45 (0.00) |
13.95 (0.00) |
5.49 (0.01) |
8.23 (0.00) |
1.38 (0.26) |
|
Veracruz |
4.66 (0.01) |
3.52 (0.03) |
28.76 (0.00) |
0.39 (0.68) |
2.11 (0.13) |
5.52 (0.01) |
|
Yucat‡n |
30.59 (0.00) |
19.60 (0.00) |
4.41 (0.02) |
0.75 (0.48) |
2.19 (0.12) |
1.01 (0.37) |
|
Zacatecas |
0.25 (0.78) |
24.96 (0.00) |
3.99 (0.02) |
2.04 (0.14) |
0.84 (0.43) |
2.77 (0.07) |
Nota: prueba con dos rezagos. Entre parŽntesis se presenta la probabilidad.
Fuente: estimaciones realizadas con EViews versi—n 10, con informaci—n
del INEGI y Secretar’a de Salud.
Tabla 2
Impulso
respuesta generalizados entre/intra entidad federativa,
2013:01-2020:08
|
Entidad federativa |
1. Efecto atrayente |
2. Efecto expulsor |
||||||
|
1.De WTCPOT a POT |
2.De WTCVA a POT |
3.De WTCREM a POT |
4.De WCOV a POT |
5.De POT a WTCPOT |
6.De POT a WTCVA |
7.De POT a WTCREM |
8.De POT a WCOV |
|
|
Aguascalientes |
0.01 |
0.34*** |
0.04 |
0.24*** |
0.01 |
1.68*** |
1.56 |
0.76*** |
|
Baja California |
0.14*** |
0.23*** |
0.18*** |
-0.04 |
0.53*** |
3.71*** |
21.34*** |
-5.65 |
|
Baja California Sur |
-0.05 |
-0.81*** |
0.31 |
0.34 |
-0.02 |
-1.91*** |
18.63 |
14.85 |
|
Campeche |
0.57*** |
0.26 |
-0.56** |
0.15 |
0.28*** |
0.80 |
-25.72** |
3.74 |
|
Ciudad de MŽxico |
0.02 |
0.04 |
-0.01 |
-0.05 |
0.02 |
0.51 |
-0.57 |
-6.32 |
|
Chihuahua |
-0.07 |
0.04 |
-0.07 |
-0.05 |
-0.06 |
0.20 |
-4.48 |
-6.56 |
|
Chiapas |
0.55*** |
0.38 |
-0.40 |
0.78*** |
0.37*** |
2.07 |
-20.02 |
22.73*** |
|
Coahuila |
0.02 |
0.04 |
0.03 |
-0.10** |
0.02 |
0.27 |
1.83 |
-1.13 |
|
Colima |
-0.01 |
0.03 |
-0.27 |
-0.11 |
0.00 |
0.04 |
-23.27 |
-8.43 |
|
Durango |
0.22 |
-0.12 |
0.08 |
0.01 |
0.14 |
-0.45 |
1.64 |
1.73 |
|
Guerrero |
0.27 |
0.23 |
0.24 |
0.16 |
0.06 |
0.53 |
22.44 |
3.24 |
|
Guanajuato |
0.18*** |
0.21*** |
0.06 |
0.04 |
0.16*** |
1.35*** |
4.74 |
9.32 |
|
Hidalgo |
-0.08 |
-0.33*** |
0.27*** |
-0.13 |
-0.04 |
-1.53*** |
17.53*** |
-10.79 |
|
Jalisco |
0.06 |
0.03 |
0.06 |
0.04 |
0.14 |
0.46 |
2.81 |
5.28 |
|
Estado de MŽxico |
-0.01 |
0.08*** |
-0.03 |
-0.02 |
-0.01 |
1.58*** |
-1.73 |
-2.38 |
|
Michoac‡n |
0.25** |
0.18 |
0.00 |
-0.08 |
0.15** |
0.54 |
0.15 |
-17.29 |
|
Morelos |
-0.11 |
0.14 |
-0.04 |
0.41*** |
-0.11 |
0.86 |
-3.82 |
8.92*** |
|
Nayarit |
-0.62** |
-0.22 |
1.33*** |
0.57 |
-0.14** |
-0.26 |
76.42*** |
61.69*** |
|
Nuevo Le—n |
0.06 |
0.09*** |
-0.06 |
0.06 |
0.11** |
1.24*** |
-5.90** |
5.70** |
|
Oaxaca |
0.26 |
0.18 |
0.18 |
-0.02 |
0.14 |
0.44 |
11.93 |
-1.3 |
|
Puebla |
0.21*** |
0.11 |
-0.13 |
-0.07 |
0.23*** |
1.07 |
-7.51 |
-12.68 |
|
QuerŽtaro |
0.00 |
0.10*** |
0.12*** |
0.03 |
0.00 |
0.93** |
6.45*** |
6.55 |
|
Quintana Roo |
0.31 |
0.60*** |
-0.32 |
-0.30*** |
0.17 |
4.59*** |
-8.38 |
-15.64 |
|
Sinaloa |
-0.03 |
-0.10 |
-0.10 |
-0.08 |
-0.03 |
-0.53 |
-3.8 |
-0.31 |
|
San Luis Potos’ |
0.07 |
0.11** |
-0.04 |
0.02 |
0.05 |
0.86** |
-2.99 |
1.27 |
|
Sonora |
0.05 |
0.21*** |
0.04 |
-0.01 |
0.04 |
1.26*** |
2.23 |
-1.00 |
|
Tabasco |
0.28 |
0.42*** |
-0.85*** |
-0.17 |
0.26 |
3.71*** |
-29.09*** |
-3.8 |
|
Tamaulipas |
0.15*** |
0.19*** |
-0.02 |
0.08 |
0.17*** |
1.72*** |
-2.42 |
19.61 |
|
Tlaxcala |
-0.08 |
0.06 |
-0.19** |
0.07 |
-0.04 |
0.43 |
-9.43** |
8.1 |
|
Veracruz |
0.42*** |
0.25 |
-0.46*** |
-0.16 |
0.18*** |
0.99 |
-35.2*** |
-20.13 |
|
Yucat‡n |
-0.10 |
-0.21*** |
0.09 |
0.17*** |
-0.26 |
-6.81*** |
3.65 |
56.36*** |
|
Zacatecas |
-0.23 |
0.10 |
0.11 |
0.38*** |
-0.11 |
0.44 |
19.48 |
131.96*** |
Tabla 2.1
Impulso
respuesta generalizados entre/intra entidad federativa,
2013:01-2020:08 (continœa)
|
Entidad federativa |
3. Efecto interno |
||||||
|
9.De POT a POT |
10.De COV a POT |
11.De APER a POT |
12.De AEVE a POT |
13.De VA a POT |
14.De REM a POT |
15.De POT a REM |
|
|
Aguascalientes |
1.09*** |
0.26*** |
0.03 |
-0.09 |
0.27*** |
0.34*** |
1.58*** |
|
Baja California |
0.62*** |
-0.04 |
0.17*** |
0.14*** |
0.17*** |
0.20*** |
1.37*** |
|
Baja California Sur |
3.74*** |
-0.13 |
-0.02 |
-0.26 |
0.45 |
1.14*** |
5.06*** |
|
Campeche |
2.72*** |
0.23 |
0.68*** |
-0.35 |
0.11 |
0.27 |
1.03 |
|
Ciudad de MŽxico |
0.47*** |
-0.05 |
-0.09** |
-0.05 |
0.13*** |
0.01 |
0.13 |
|
Chihuahua |
0.87*** |
-0.06 |
0.00 |
-0.12 |
0.10 |
0.00 |
-0.02 |
|
Chiapas |
2.36*** |
0.76*** |
0.38 |
-0.33 |
0.16 |
0.37 |
2.17 |
|
Coahuila |
0.60*** |
-0.01 |
0.08 |
0.12*** |
0.10** |
0.05 |
0.33 |
|
Colima |
3.26*** |
-0.09 |
1.28*** |
-0.22 |
0.65** |
-0.15 |
-0.58 |
|
Durango |
1.76*** |
-0.36*** |
0.16 |
-0.29 |
0.49*** |
0.39*** |
0.88*** |
|
Guerrero |
3.74*** |
0.25 |
0.28 |
0.19 |
-0.08 |
0.46 |
0.64 |
|
Guanajuato |
0.66*** |
0.05 |
0.06 |
0.17*** |
0.08 |
0.04 |
0.43 |
|
Hidalgo |
0.98*** |
-0.14 |
0.04 |
0.09 |
-0.13 |
-0.06 |
-0.48 |
|
Jalisco |
0.47*** |
-0.07 |
0.03 |
0.03 |
0.08 |
0.12*** |
1.14*** |
|
Estado de MŽxico |
0.29*** |
-0.02 |
0.11*** |
0.06*** |
0.07*** |
0.00 |
-0.06 |
|
Michoac‡n |
1.41*** |
-0.13 |
-0.07 |
-0.03 |
-0.03 |
0.15 |
1.02 |
|
Morelos |
0.99*** |
0.39*** |
-0.08 |
-0.11 |
-0.1 |
0.26*** |
1.19*** |
|
Nayarit |
3.52*** |
0.07 |
0.14 |
-0.12 |
0.55 |
1.32*** |
6.99*** |
|
Nuevo Le—n |
0.33*** |
0.07** |
0.00 |
0.07** |
0.06 |
-0.05 |
-0.52 |
|
Oaxaca |
2.47*** |
0.04 |
-0.01 |
-0.02 |
-0.7*** |
0.05 |
0.43 |
|
Puebla |
0.73*** |
-0.07 |
0.16*** |
0.27*** |
0.06 |
0.17*** |
1.38*** |
|
QuerŽtaro |
0.46*** |
0.08 |
-0.03 |
-0.01 |
0.08 |
0.04 |
0.45 |
|
Quintana Roo |
2.78*** |
-0.19** |
-0.86*** |
0.29 |
0.44 |
0.20 |
1.01 |
|
Sinaloa |
1.47*** |
-0.14*** |
-0.35*** |
-0.35*** |
0.04 |
0.44*** |
1.99*** |
|
San Luis Potos’ |
0.58*** |
0.03 |
0.10** |
0.09 |
0.04 |
0.09 |
0.84 |
|
Sonora |
0.85*** |
-0.01 |
-0.22*** |
-0.23*** |
0.22*** |
0.23*** |
0.94*** |
|
Tabasco |
1.84*** |
-0.15*** |
-0.02 |
0.28 |
-0.02 |
0.30 |
2.99 |
|
Tamaulipas |
0.59*** |
0.13*** |
0.10** |
0.01 |
0.09 |
0.12*** |
1.06** |
|
Tlaxcala |
0.96*** |
0.07 |
0.09 |
0.27*** |
0.33*** |
0.22*** |
1.37*** |
|
Veracruz |
1.60*** |
-0.22 |
0.37*** |
0.29** |
0.53*** |
0.70*** |
6.60*** |
|
Yucat‡n |
0.79*** |
0.03 |
0.10 |
-0.03 |
0.26*** |
-0.16*** |
-1.51** |
|
Zacatecas |
1.54*** |
-0.02 |
0.31** |
-0.02 |
-0.07 |
0.25 |
1.34 |
Nota: Prueba con dos rezagos. ***Estad’sticamente
significativo al 5%, ** significativo al 10%.
Fuente:
estimaciones realizadas con EViews versi—n 10, con informaci—n del INEGI y
Secretar’a de Salud.