SECTION ONE: MAKING THE READER
3.2 Outside the Temple
El presente estudio partió de la preocupación respecto a la persistencia de las desigualdades en las características socioeconómicas entre las unidades territoriales del Ecuador, que de acuerdo a la actual división política administrativa, corresponde a 24 provincias, y que, por problemas de disponibilidad de información, se redujeron a 21.
Actualmente está sujeto a aprobación o veto por parte del Ejecutivo, el Código Orgánico de organización Territorial, Autonomía y Descentralización COOTAD, cuyo gran objetivo es la equidad, y para ello define la organización político administrativa del Estado ecuatoriano en el territorio, el régimen de los diferentes niveles de gobiernos autónomos descentralizados (consejos provinciales, municipios y juntas parroquiales) y los regímenes especiales (circunscripciones territoriales, distritos metropolitanos). A la vez, desarrolla un modelo de descentralización obligatoria y progresiva mediante un sistema nacional de competencias (Asamblea Nacional del Ecuador, 2010).
Por su parte, las políticas públicas han centrado sus esfuerzos en reducir las diferencias entre territorios, así como en diseñar mecanismos de erradicación de la pobreza y otros, relacionados con una mejora en el bienestar social; sin embargo, el análisis contemporáneo está empezando a privilegiar otros factores distintos a los tradicionales, como determinantes del desarrollo económico. Es así que el actual gobierno ecuatoriano, a través de la Secretaría Nacional de Planificación y Desarrollo SENPLADES, ha establecido dentro de los objetivosonce y doce del Plan Nacional de Desarrollo 2010-2013, los siguientes objetivos específicos: Establecer un sistema económico social, solidario y sostenible; y,
Consolidar la transformación del Estado Plurinacional para el Buen Vivir,
respectivamente, los mismos que consisten en estructurar un nuevo modelo de gestión estatal, que promueva el desarrollo territorial y profundice el proceso de descentralización y desconcentración, así como fomentar actividades con gran demanda de mano de obra, fuertes encadenamientos productivos y amplia localización geográfica, para lo cual establece como estrategias, entre otras, fortalecer los niveles intermedios de gobiernos, y
53 crear incentivos en torno a objetivos de desarrollo, a través de la coordinación y gestión interinstitucional. (SENPLADES, 2010).
El estudio de los conglomerados económicos ha sido enfocado desde varios puntos de vista. El trabajo de Zuleta (2009), analizó la evolución de las disparidades económicas departamentales en Colombia para el periodo 1975-2005 a partir de los postulados de la Nueva Geografía Económica (NGE) y del análisis de divergencia por conglomerados. A partir del estudio se evidencia una fuerte y persistente polarización del ingreso departamental en el centro del país, en especial el conglomerado formado por la provincia capital y 4 provincias más, el mismo que concentra gran parte del desempeño económico nacional, lo cual lo convierte en una de las pocas regiones de Colombia que se beneficia de las ventajas de la aglomeración económica.
Otro estudio sobre conglomerados, se demuestra en el trabajo sobre Planificación de logística multi-regional en las regiones que conforman la provincia de Zhejiang en China, de Zi-xia Chen (2008); en éste, los autores consideran las diez ciudades de esta provincia y usan la metodología de análisis de componentes principales PCA para evaluar el desarrollo regional. Seguidamente utilizan la metodología deanálisis de conglomerados para clasificar estas regiones en varias categorías tomando en consideración los nuevos indicadores creados por PCA. En función de estos resultados, se puede dividir la provincia Zheijiang en dos grandes áreas de logística, noreste y suroeste, y ubicar centros de acopio en cuatro ciudades.
A la par de los estudios mencionados, se han realizado otras investigaciones en Hungría y África Tropical,que incorporaron, adicionalmente a las metodologías de componentes principales y análisis de clusters, la segunda medición de las inequidades regionales de Theil; tal es el caso de Quadrado et al. (2001) y Gleave y Morgan (2001).
Un estudio cualtitativo de el BID para el año 2002, recopiló y discutió una serie de estudios de caso de desarrollo económico local de la región en América Latina para extraer lecciones sobre sus condiciones de éxito. Se extrajeron diversas conclusiones, entre las
54 cuales el estudio subraya la importancia de definir o identificar la vocación económica de los diferentes territorios como base de las actuaciones estructurales de desarrollo local; la relevancia de los programas de capacitación de recursos humanos según las necesidades existentes en los diferentes sistemas productivos locales; la necesidad de desarrollar el capital social para la cooperación de los diferentes actores locales, públicos y privados; la importancia del liderazgo para impulsar una dinámica social de movilización de recursos locales; la necesidad de promover una oferta territorial de servicios productivos a medida de las necesidades del tejido empresarial local, y la utilidad de la planificación urbana. Por otra parte, el conjunto de teorías descritas en la corriente de pensamientoeconómico regional argumentan que la localidad en su conjunto, debe trabajar de forma sinérgica, para incrementar su competitividad, y por tanto, promover su potencial endógeno. Se reconoce por tanto la necesidad de centrar los esfuerzos en las potencialidades de cada territorio con el objeto de crear ventajas competitivas.
Como ya se advirtió, la diferencia entre el desarrollo económico local y los enfoques tradicionales centralizados se relaciona con el alcance. La política macroeconómica está completamente fuera del alcance de las iniciativas locales; sin embargo, el enfoque territorial de desarrollo se muestra como una alternativa al enfoque tradicional sectorial en que se identificaban las problemáticas, y se diseñaban estrategias de acuerdo a los sectores económicos o productos estratégicos. El enfoque territorial, por su parte, determina el territorio sobre cuyo desarrollo económico se quiere influir, y por tanto sobre el cual se pretende fomentar su competitividad. Hablar de territorios competitivos, es remitirse a cifras cuantitativas y cualitativas, que para el presente estudio, fueron capturadas a través de la construcción de un sistema de variables productivas y socioeconómicas.
En aras de aportar a los objetivos de esta investigación, se volvió necesaria la identificación de la existencia de conglomerados sectoriales, con el objeto de verificar si existe un comportamiento económico estable entre las provincias y regiones a partir de los conglomerados sectoriales identificados en los análisis de cuadrantes, componentes principales, y análisis de clusters; metodologías que combinadas, resultan en un juego de
55 herramientas que permitieron demostrar la hipótesis planteada en el presente estudio, y que soportan una teoría de conglomerados económicos en estado naciente.
Los 15 sectores económicos identificados en la tabla de Cuentas provinciales, publicada por el BCE, más las 6 variables socioeconómicas derivadas de las encuestas publicadas por el INEC, permitieron completar la matriz de datos para cada provincia. Los resultados de esta investigación determinaron la existencia de 7 clusters o conglomerados, en los cuales se identifican a las provincias de Pichincha, Guayas, Azuay y Tungurahua, como polos de desarrollo, seguido de clusters formados por las provincias amazónicas de Sucumbíos y Orellana, así como de las provincias de la sierra central y de la costa ecuatoriana. Esto confirma que existe en el Ecuador un comportamiento de conglomerados entre sus provincias; y se vuelve necesario por tanto, trabajar en el diseño de políticas públicas que potencialicen el crecimiento económico a nivel de unidades territoriales, en función de los sectores que evidencian mayor especialización y productividad.
El método de los cuadrantes ya nos dio un primer acercamiento a estos resultados, pese a ser una metodología independiente al análisis de componentes principales y el análisis de clusters, estos últimos, combinados. La principal diferencia entre ambas metodologías, radica en que los cuadrantes reflejan una situación principalmente económica y productiva, ya que recoge en el eje de las ordenadas (y), el promedio nacional de la densidad de la producción bruta provincial-PBP; y en el eje de las abscisas (x), la tasa de crecimiento promedio anual de la producción bruta provincial per cápita(PBPpc). El uso de los análisis de componentes principales y de clusters, incorpora variables socioeconómicas y geográficas en el sistema de variables con el objeto de capturar las características de cada provincia.
Otra diferencia a destacar, radica en que el método de los cuadrantes captura la información provincial bruta de las provincias analizadas, durante el período 2001 a 2007; mientras que la segunda combinación de metodologías, permite ingresar en el paquete estadístico, la información estática del año 2007, que corresponde a la última información disponible, para las provincias estudiadas.
56 De esta forma, los cuadrantes nos permiten identificar las provincias poblacionalmente aglomerantes, como Guayas y Pichincha, en los cuadrantes I y II, con altas tasas promedio de la producción bruta provincial. De estas provincias, Guayas cuenta con una ubicación menos favorable en la tasa de crecimiento de la producción bruta provincial per cápita, debido a su mayor capacidad de aglomeración poblacional frente a la primera. Guayas y Pichincha fueron clasificadas como clusters 3 y 4, respectivamente, en el análisis de componentes principales y de clusters.
Azuay y Tungurahua, que en el análisis de componentes principales y de clusters están agrupadas en el cluster 1, en los cuadrantes se encuentran cercanamente ubicados en los cuadrantes de Conglomerados económicos provinciales.
De igual forma, El Oro, Los Ríos, Manabí, que fueron clasificados en el cluster 7, en los cuadrantes están posicionados uno muy cerca del otro.
Finalmente, las provincias de la Sierra central, y amazónicas, clasificadas en los clusters 2, 5 y 6, también cuentan con una clasificación relativamente cercana aunque con menor proporción que los casos anteriores, en el método de los cuadrantes.
Este juego de herramientas finalmente, puede resultar en una herramienta analítica para futuros proyectos de inversión localizados a nivel sectorial o regional, proyectos de incentivos dirigidos hacia la especialización y competitividad, así como para trabajar en el refuerzo de industrias potenciales de cada región.
57
Bibliografía
Asamblea Nacional del Ecuador http://asambleanacional.gov.ec/
Banco Interamericano de Desarrollo BID (2002) Llorens, Juan, Francisco Alburquerque, Jaime Del Castillo. Estudio de casos de desarrollo económico local en América Latina.
Barrera, Augusto (1999) Ecuador, un modelo para desarmar: descentralización,
disparidades regionales y modo de desarrollo. Grupo de democracia y desarrollo local.
Pp.16.
BCE Banco Central del Ecuador http://bce.fin.ec
Chirinos, Raymundo (2007) Determinantes del crecimiento económico: Una revisión de la
literatura existente y estimaciones para el período 1960-2000. Banco Central de reserva del
Perú.
Facultad Latinoamericana de Ciencias Sociales FLACSO (2007) “Recent Trends. The
current state of development economics” Curso Desarrollo Económico, Bibliografía.
Profesor Albert Berry.
Facultad Latinoamericana de Ciencias Sociales FLACSO (2008a) “¿Qué es el desarrollo
económico territorial?” Curso Desarrollo Económico Territorial, Sesión 1.
Facultad Latinoamericana de Ciencias Sociales FLACSO (2008b) “Competitividad” Curso
Desarrollo Económico Territorial, Sesión 3.
Fernández Oscar (1991) El análisis de cluster: Aplicación, interpretación y validación.
Revista de Sociología. Papers 37 P.65 -76.
FMIOficina de evaluación independiente. Informe sobre la evaluación del papel del Fondo
Monetario Internacional en Argentina, 1991–2001. Equipo dirigido por Shinji Takagi
http://www.imf.org/External/NP/ieo/2004/arg/esl/063004.pdf
Gleave MB, WB Morgan Source (2001) Economic Development in Tropical Africa from a
Geographical Perspective: A Comparative Study of African Economies. The Geographical
Journal, Vol. 167, No. 2 pp. 139-162.
Meyer-Stamer Jörg y Harmes-LiedtkeUlrich (2005). Cómo promover clusters. Documento
de trabajo Mesopartner.
Ministerio de Coordinación de Desarrollo Social MCDS (2010) Sistema Integrado de Indicadores Sociales del Ecuador SIISE.
58 Ministerio de Economía y Producción de la República Argentina. (2004) Análisis No.11
Argentina, el FMI y la crisis de la deuda.
http://www.mecon.gov.ar/analisis_economico/nro2/2_fmi_crisis_deuda.pdf
Naciones unidas, Comisión Económica para América Latina y el Caribe – CEPAL (2001).
Elementos de competitividad sistémica de las pequeñas y medianas empresas (pyme) del
istmo centroamericano.p.8.
Peña, Antonio (2004) Las disparidades económicas intrarregionales en Andalucía. Tesis
de doctorado. Universidad de Cádiz.
Quadrado L., W.Heijman, H. Folmer Source (2001) Multidimensional Analysis of Regional
Inequality: The Case of Hungary. Social Indicators Research, Vol. 56, No. 1 (Oct., 2001),
pp. 21-42
Ramírez R. y Martín F. (2008)Igualmente pobres, desigualmente ricos. Quito-Ecuador.
Editorial Ariel. Pp.62.
Sala-i-Martin, Xavier (1994) Apuntes de crecimiento económico. Antoni Bosch editor S.A.
p.11-19.
Secretaría Nacional de Planificación y Desarrollo SENPLADES (2010), Plan Nacional del
Buen vivir 2010-2013.Quito – Ecuador.
Silva, Iván (2003) Disparidades, competitividad territorial y desarrollo local y regional en
América Latina. Serie Gestión Pública, Nº 33, Ilpes-Cepal,Santiago de Chile.
Solow R. (1956). Una Contribución a la Teoría del Crecimiento Económico. FCE. México.
Zi-xia Chen, Qing-yong Meng (2008)Principal Component Analysis and Cluster Analysis
in Multi-regional Logistics Planning - Taking Zhejiang Province for Example. Center for
Research in Modern Business of Zhejiang Gongshang University Hangzhou, China.
Zuleta Arango, López Marín (2009)“Conglomerados económicos: un análisis de las
disparidades del ingreso departamental en Colombia" en Observatorio de la Economía
Latinoamericana, Nº 109, 2009. Texto completo en http://www.eumed.net/cursecon/ecolat/co/
59
60
Tabla 1a.
Principal components/covariance Number of obs = 21
Number of comp. = 5
Trace = 441
Rotation: (unrotated = principal) Rho = 0,9196
Component Eigenvalue Difference Proportion Cumulative
Comp1 301,823 259,93 0,6844 0,6844 Comp2 41,8935 16,1569 0,095 0,7794 Comp3 25,7366 5,87388 0,0584 0,8378 Comp4 19,8627 3,6308 0,045 0,8828 Comp5 16,2319 4,65777 0,0368 0,9196 Comp6 11,5742 3,79425 0,0262 0,9459 Comp7 7,7799 0,611746 0,0176 0,9635 Comp8 7,16815 3,29492 0,0163 0,9798 Comp9 3,87324 1,11326 0,0088 0,9885 Comp10 2,75998 1,27512 0,0063 0,9948 Comp11 1,48487 1,00397 0,0034 0,9982 Comp12 0,480896 0,320547 0,0011 0,9992 Comp13 0,160349 0,0722132 0,0004 0,9996 Comp14 0,0881358 0,0508999 0,0002 0,9998 Comp15 0,0372359 0,0179573 0,0001 0,9999 Comp16 0,0192787 0,00681333 0 0,9999 Comp17 0,0124653 0,00371484 0 1 Comp18 0,00875049 0,0041106 0 1 Comp19 0,00463989 0,00448133 0 1 Comp20 0,00015857 0,00015857 0 1 Comp21 0 0 0 1
Tabla 1b.
Principal components (eigenvectors)
Variable Comp1 Comp2 Comp3 Comp4 Comp5 Unexplained
a 0,2216 0,0989 ‐0,1039 ‐0,2554 0,2164 3,438 b 0,1718 0,3505 ‐0,2191 0,4229 ‐0,0483 2,116 c ‐0,0616 0,2132 0,7872 0,1532 ‐0,0501 1,497 d 0,2579 0,0867 0,0498 ‐0,0734 ‐0,0397 0,4172 e 0,1768 ‐0,0028 0,008 0,6031 ‐0,3069 2,805 f 0,2602 ‐0,0163 0,0594 ‐0,0085 ‐0,0775 0,3649 g 0,249 0,1904 ‐0,0752 0,1479 ‐0,0103 0,1924 h 0,2574 0,0008 0,0944 ‐0,111 ‐0,0247 0,5128 i 0,2592 ‐0,0117 0,0863 ‐0,127 ‐0,0459 0,1771 j 0,2441 ‐0,0956 0,1612 ‐0,2597 ‐0,0348 0,6095 k 0,2597 0,095 0,0417 ‐0,0641 0,0016 0,1374 l 0,2564 0,1461 ‐0,0321 0,0322 0,0123 0,2066 mno 0,2582 0,127 ‐0,029 0,0197 0,01 0,1711 p 0,2603 0,0632 0,0577 ‐0,0551 ‐0,0073 0,2377 densidad 0,2349 ‐0,1157 ‐0,057 ‐0,2075 ‐0,0277 2,834 escola_prom 0,1901 ‐0,3135 ‐0,0454 0,0038 ‐0,2007 5,268 Desemp 0,1356 ‐0,1325 ‐0,0303 0,3092 0,8699 0,5092 ing_prom 0,1789 ‐0,2536 0,2776 ‐0,0818 0,1083 6,334 Pea 0,2588 0,1179 ‐0,0269 ‐0,0045 ‐0,0181 0,1753 Hacinam ‐0,0722 0,5032 ‐0,3021 ‐0,2757 ‐0,0181 4,953 Salud ‐0,1248 0,5074 0,2919 ‐0,1244 0,1789 2,494
61
Tabla 2.
PCA (5)
PROVINCIAS Comp1 Comp2 Comp3 Comp4 Comp5
AZUAY 7,6470023 ‐11,171591 1,7031077 9,6746408 ‐5,443926 BOLIVAR ‐10,266935 2,6678349 ‐3,346762 ‐1,5150521 ‐1,1536866 CAÑAR ‐6,9721688 ‐4,0760628 ‐0,58045881 0,50104653 ‐0,28482439 CARCHI ‐7,4434098 ‐4,2801839 ‐3,4755489 0,73508601 ‐0,19615871 COTOPAXI ‐6,3299201 1,2765406 ‐2,7157101 ‐3,3185768 ‐3,8477786 CHIMBORAZO ‐6,1064452 0,24982944 ‐2,3896308 ‐2,8225733 ‐4,5067411 EL_ORO 2,0422483 ‐2,1642077 ‐4,7437634 2,4703026 ‐0,85263806 ESMERALDAS ‐4,8471295 2,8139411 ‐2,4591914 0,90719253 5,0357135 GUAYAS 51,057321 14,30306 ‐3,2723791 7,5304394 ‐1,3114225 IMBABURA ‐3,6254023 ‐5,9216746 ‐2,1028582 1,0308013 1,6107245 LOJA ‐3,9567137 ‐2,479934 ‐0,78751471 0,41330335 3,0914111 LOS_RIOS ‐0,35746215 4,7568786 ‐2,2494182 ‐5,2779821 7,2758696 MANABI 3,8432715 5,9090522 ‐1,7308753 0,43110665 2,1788383 MORONA_SANTIAGO ‐12,257277 8,1054816 ‐1,5016777 ‐6,230867 ‐5,4102984 NAPO ‐7,143975 ‐5,7870751 1,1514913 3,259158 8,6853924 PASTAZA ‐8,795604 ‐2,3102814 0,17460401 ‐1,5161971 ‐5,8280559 PICHINCHA 48,107883 ‐9,7889399 6,4320576 ‐11,008124 0,89975935 TUNGURAHUA 0,43307797 ‐6,8596355 0,03581977 0,75554465 ‐2,452401 ZAMORA_CHINCHIPE ‐11,446001 3,437181 ‐4,6222442 ‐0,36064065 1,9350143 SUCUMBIOS ‐9,4761887 1,7808805 11,537247 3,8487514 2,6736241 ORELLANA ‐14,106178 9,5389145 14,943701 0,49263514 ‐2,0984206
62
Tabla 3a.
Initial Cluster Centers
Cluster 1 2 3 4 5 6 7 Comp1 7,65 -7,14 51,06 48,11 -12,26 -14,11 3,84 Comp2 -11,17 -5,79 14,30 -9,79 8,11 9,54 5,91 Comp3 1,70 1,15 -3,27 6,43 -1,50 14,94 -1,73 Comp4 9,67 3,26 7,53 -11,01 -6,23 ,49 ,43 Comp5 -5,44 8,69 -1,31 ,90 -5,41 -2,10 2,18 Iteration History(a) Iteration
Change in Cluster Centers
1 2 3 4 5 6 7
1 6,362 7,089 ,000 ,000 7,921 5,641 5,125
2 ,000 ,000 ,000 ,000 ,000 ,000 ,000
Convergence achieved due to no or small change in cluster centers. The maximum absolute coordinate change for any center is ,000. The current iteration is 2. The minimum distance between initial centers is
17,781.
Final Cluster Centers
Cluster 1 2 3 4 5 6 7 Comp1 4,04 -5,83 51,06 48,11 -9,20 -11,79 ,17 Comp2 -9,02 -4,51 14,30 -9,79 2,24 5,66 2,83 Comp3 ,87 -1,16 -3,27 6,43 -2,40 13,24 -2,80 Comp4 5,22 1,19 7,53 -11,01 -2,63 2,17 -,37 Comp5 -3,95 2,58 -1,31 ,90 -3,14 ,29 3,41
63
Tabla 3b.
Cluster Membership
Case Number Col1 Cluster Distance
1 AZUAY 1 6,362 2 BOLIVAR 5 2,717 3 CAÑAR 2 3,243 4 CARCHI 2 3,993 5 COTOPAXI 5 3,201 6 CHIMBORAZO 5 3,930 7 EL_ORO 7 7,645 8 ESMERALDAS 7 5,437 9 GUAYAS 3 ,000 10 IMBABURA 2 2,951 11 LOJA 2 2,936 12 LOS_RIOS 7 6,585 13 MANABI 7 5,125 14 MORONA_SANTIAGO 5 7,921 15 NAPO 2 7,089 16 PASTAZA 5 5,997 17 PICHINCHA 4 ,000 18 TUNGURAHUA 1 6,362 19 ZAMORA_CHINCHIPE 5 6,501 20 SUCUMBIOS 6 5,641 21 ORELLANA 6 5,641
Number of Cases in each Cluster
Cluster No. No. de provincias en cada cluster Cluster 1 2 2 5 3 1 4 1 5 6 6 2 7 4 Total provincias 21 Valid 21 Missing 0
64
Tabla 3c.
ANOVA
Cluster Error
F Sig.
Mean Square Df Mean Square df
Comp1 984,962 6 9,049 14 108,843 ,000
Comp2 115,124 6 10,509 14 10,955 ,000
Comp3 79,460 6 2,712 14 29,297 ,000
Comp4 48,453 6 7,610 14 6,367 ,002
Comp5 28,777 6 10,855 14 2,651 ,062
The F tests should be used only for descriptive purposes because the clusters have been chosen to maximize the differences among cases in different clusters. The observed significance levels are not corrected for this and thus cannot be interpreted as tests of the hypothesis that the cluster means are equal.
Tabla 3d.
Distances between Final Cluster Centers
Cluster 1 2 3 4 5 6 7 1 13,441 52,762 47,542 19,360 25,421 15,937 2 13,441 60,413 56,091 10,279 18,776 9,778 3 52,762 60,413 32,123 62,320 65,792 52,972 4 47,542 56,091 32,123 59,945 63,616 51,594 5 19,360 10,279 62,320 59,945 17,257 11,673 6 25,421 18,776 65,792 63,616 17,257 20,602 7 15,937 9,778 52,972 51,594 11,673 20,602