Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Universidad de La Salle Universidad de La Salle Ciencia Unisalle Ciencia Unisalle Economía Facultad de Economía, Empresa y Desarrollo Sostenible - FEEDS Winter 12-10-2020 Análisis de la productividad del sector manufacturero colombiano Análisis de la productividad del sector manufacturero colombiano entre los años 2000 - 2017 entre los años 2000 - 2017 Laura Nicole Gutierrez Narvaez Universidad de La Salle, Bogotá, lgutierrez10@unisalle.edu.co Follow this and additional works at: https://ciencia.lasalle.edu.co/economia Citación recomendada Citación recomendada Gutierrez Narvaez, L. N. (2020). Análisis de la productividad del sector manufacturero colombiano entre los años 2000 - 2017. Retrieved from https://ciencia.lasalle.edu.co/economia/1666 This Trabajo de grado - Pregrado is brought to you for free and open access by the Facultad de Economía, Empresa y Desarrollo Sostenible - FEEDS at Ciencia Unisalle. It has been accepted for inclusion in Economía by an authorized administrator of Ciencia Unisalle. For more information, please contact ciencia@lasalle.edu.co. https://ciencia.lasalle.edu.co/ https://ciencia.lasalle.edu.co/economia https://ciencia.lasalle.edu.co/fac_economia_empresa_desarrollo https://ciencia.lasalle.edu.co/fac_economia_empresa_desarrollo https://ciencia.lasalle.edu.co/economia?utm_source=ciencia.lasalle.edu.co%2Feconomia%2F1666&utm_medium=PDF&utm_campaign=PDFCoverPages https://ciencia.lasalle.edu.co/economia/1666?utm_source=ciencia.lasalle.edu.co%2Feconomia%2F1666&utm_medium=PDF&utm_campaign=PDFCoverPages mailto:ciencia@lasalle.edu.co ANÁLISIS DE LA PRODUCTIVIDAD DEL SECTOR MANUFACTURERO COLOMBIANO ENTRE LOS AÑOS 2000 – 2017 LAURA NICOLE GUTIERREZ NARVAEZ UNIVERSIDAD DE LA SALLE FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ECONOMÍA BOGOTÁ D. C. 2020 ANÁLISIS DE LA PRODUCTIVIDAD DEL SECTOR MANUFACTURERO COLOMBIANO ENTRE LOS AÑOS 2000 – 2017 LAURA NICOLE GUTIERREZ NARVAEZ Trabajo de grado presentado para optar por el título de ECONOMISTA Asesor Álvaro Andrés Pulido C. UNIVERSIDAD DE LA SALLE FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES ECONOMÍA BOGOTÁ D. C. 2020 AGRADECIMIENTOS El presente trabajo es el fruto del camino de mi formación como economista. Así, el mayor de los agradecimientos es merecido por el profesor Álvaro Pulido -director de esta monografía- quien me brindó su apoyo durante mi proceso formativo como economista. Asimismo, me encuentro agradecida con la Universidad de La Salle por aceptarme como estudiante con el programa Ser Pilo Paga y brindarme acompañamiento en diferentes aspectos de formación: académico, social y personal. RESUMEN Esta investigación analiza la productividad de la industria manufacturera colombiana para el periodo de años 2000 – 2017. Para tal propósito, se hace una caracterización del sector y de los factores de producción asociados a este. Luego, se realiza un desarrollo econométrico de datos longitudinales con base en los datos de la Encuesta Anual Manufacturera -EAM-; dicha modelación responde a una función tipo Cobb-Douglas ampliada donde se analizan las variables tecnología, capital, trabajo, materias primas y energía eléctrica. Se concluye que existe heterogeneidad entre los subsectores de la industria colombiana y que si bien la participación de la industria dentro del Producto Interno Bruto -PIB- ha disminuido, la productividad de las manufacturas ha crecido durante el periodo de tiempo estudiado. PALABRAS CLAVE: Modelo con datos panel, productividad total de los factores, industria manufacturera. CLASIFICACIÓN JEL: C33, D24, J24, L60. ABSTRACT In this paper, the productivity of the Colombian manufacturing industry for the period 2000 – 2017 is analyzed. For this aim, a characterization of the sector and the production factors associated with it is made. After, an econometric development of panel data is carried out based on the data from the Annual Manufacturing Survey -EAM-: This modeling responds to an extended Cobb-Douglas type function where the variables technology, capital, labor, raw materials and electrical energy are analyzed. It is concluded that there is heterogeneity among the subsectors of Colombian industry and that although the participation of the industry within the Gross Domestic Product -GDP- has decreased, the productivity of manufacturing has increased. KEYWORDS: Panel data model, factor multifactorial productivity, manufacturing industry. JEL CLASSIFICATION: C33, D24, J24, L6. CONTENIDO I. INTRODUCCIÓN .................................................................................................................... 7 II. REVISIÓN DE LA LITERATURA ......................................................................................... 9 II.1. Estudios sobre la industria manufacturera colombiana .................................................... 9 II.2 Teoría de crecimiento económico ................................................................................... 13 II.2.1 Función de producción ............................................................................................. 13 II.2.2 Teoría neoclásica del crecimiento económico .......................................................... 16 III. INDUSTRIA MANUFACTURERA COLOMBIANA .......................................................... 19 III.1. ¿Cómo se compone el sector? ....................................................................................... 19 III.2. Recorrido por la historia ............................................................................................... 22 III.2.1. Antes de 1991 ......................................................................................................... 23 III.2.2. 1991-1999 .............................................................................................................. 28 III.2.3. Siglo XXI ............................................................................................................... 32 IV. PRODUCTIVIDAD DEL SECTOR INDUSTRIAL COLOMBIANO .................................. 37 IV.1. Resultados ..................................................................................................................... 45 V. CONCLUSIONES .................................................................................................................. 49 REFERENCIAS ............................................................................................................................. 52 ANEXO 1: PRUEBAS ESTADÍSTICAS ...................................................................................... 57 ANEXO 2: PROGRAMACIÓN EN EL SOFTWARE .................................................................. 59 I. INTRODUCCIÓN De acuerdo con (Groover, 2014), la palabra manufactura se compone de dos palabras de origen latín: manus y factus, que corresponden a mano y hacer; la combinación de ambas palabras significa hecho a mano, según este académico, la primera aparición de la palabra manufacturar fue en la lengua inglesa alrededor del año 1683, esto coincide con los albores de la primera revolución industrial. Sin embargo, la mayor parte de las manufacturas contemporáneas se realizan por medio de maquinaria automatizada y controlada por computador. (Arango, 1998) indica que la participación del sector manufacturero en el PIB nacional es una evidencia de qué tan desarrollada se encuentra una economía y que el incremento en la contribución a la producción de la industria y el sector servicios, demuestra un mayor grado de desarrollo. No obstante, con el paso de las décadas, en el mundo, la participación del valor agregado de las manufacturases cada vez menor en las economías. Acorde con Palma, (2005), lo anterior obedece a cambios técnicos y a modificaciones en la demanda, para la primera razón, el autor explica que la productividad de las industrias se propaga más rápido que en el sector de servicios; en cuanto a la demanda, se señala que con el crecimiento económico de los países, la demanda de manufacturas cae respecto a la demanda de servicios y bienes públicos. A pesar de lo anterior, los estudios sobre el sector manufacturero son de interés ya que como señalan Carranza et al, (2018), por ejemplo, para Colombia, este sector produce alrededor del 10% del PIB, pero a su vez, hace parte de varias cadenas de valor que son transversales al sector primario, secundario y terciario; estas cadenas de valor incorporan insumos de bienes y servicios primarios en proporciones mayores a los de otros sectores. También se tiene que la productividad total de los factores -PTF- es una medida que influye fuertemente en el crecimiento de las economías. Así, (Prescott, 1997, 1998) indica que para países desarrollados el 80% del crecimiento económico, se explica por el residuo de Solow y para los países en vías de desarrollo la PTF es aproximadamente el 40% del CE. También, (Bernal, 2010) destaca que el cálculo del progreso técnico se hace siguiendo principalmente el método planteado por Solow con el propósito de determinar los factores del crecimiento económico, esto permite tener un punto de partida teórico para resolver la interrogante ¿cómo ha evolucionado la productividad en el sector manufacturero colombiano entre los años 2000-2017? Para resolver la pregunta planteada, esta indagación parte con la revisión de estudios sobre la industria manufacturera colombiana y la teoría neoclásica del crecimiento económico. Después, se hace un recorrido histórico de las manufacturas en Colombia. De manera posterior, se desarrolla la metodología y se hace el análisis econométrico. Para finalizar, se prosigue con la discusión, conclusiones y recomendaciones. II. REVISIÓN DE LA LITERATURA En esta sección, se relacionan algunas investigaciones acerca de la industria manufacturera del país donde destacan las contribuciones del Banco de la República y se deja en evidencia que el estudio de la productividad del sector manufacturero colombiano es clave para las diferentes regiones o se estudia para los subsectores de la industria, lo anterior se debe a que existe heterogeneidad entre los subsectores. Por otra parte, se puede apreciar que el análisis del comportamiento y crecimiento del sector se hace primordialmente desde la perspectiva neoclásica a través del modelo de Solow por medio de la utilización de la función de producción tipo Cobb-Douglas. II.1. Estudios sobre la industria manufacturera colombiana En la actualidad se ha venido popularizando el uso de datos longitudinales para realizar investigaciones en la mayoría de los ámbitos de la disciplina económica, con un soporte estadístico más fuerte las herramientas empíricas se hacen más comunes en estas investigaciones. Por ejemplo, en el trabajo de (Iregui et al, 2007) titulado “Productividad regional y sectorial en Colombia: un análisis utilizando datos panel”, publicado por el Banco de la República, se calcula la productividad de la industria manufacturera con sus respectivas elasticidades para las distintas regiones del país, el panel de datos abarca 25 años, desde 1975 hasta el año 2000. Los autores indican que la elasticidad producto respecto a los factores de producción es muy heterogénea para todas las regiones geográficas y subsectores. Por su parte, en términos de la productividad, los subsectores más fructíferos son la industria de bebidas, fabricación de sustancias químicas industriales y fabricación de papel y productos de papel, esto a través de un modelo Cobb-Douglas logarítmico, calculando el valor agregado con las variables explicativas: trabajo, capital y productividad. Se considera relevante el trabajo anterior puesto que da un panorama de lo que fueron las últimas tres décadas del siglo XX y toma dentro de su periodo de referencia la apertura económica, evento que se considera disruptivo para la industria nacional. Además, el borrador número 374 del Banco de la República “La productividad y sus determinantes: el caso de la industria colombiana”, trabajo de Echavarría et al., (2006), señala que tradicionalmente las aplicaciones empíricas calculan la productividad como residuo de la función de producción tanto en los métodos de Mínimos Cuadrados Ordinarios -MCO- como en el de Efectos Fijos -FE-. No obstante, la literatura ha encontrado que los factores de producción suelen estar correlacionados con la productividad por lo tanto los resultados bajo estas estimaciones están sesgados, es decir, se consideran exógenos los parámetros de la función de producción. Lo anterior es clave porque los autores para solucionar el problema del sesgo utilizan el método de Levinsonh y Petri -LP-, el cual consiste en una transformación logarítmica de la función de producción tipo Cobb-Douglas con las variables insumos, capital, número de empleados tanto calificados como no calificados, consumo de energía eléctrica y utilización de materias primas. En otras palabras, estiman una función de producción ampliada Echavarría et al., (2006). Los autores indican que entre los años 1981-2002 la productividad multifactorial aumentó en el país en las décadas de los 80’s y 90’s y que las reformas económicas implementadas a comienzo de los 90’s permitió mayor aumento de la productividad respecto a los años anteriores, concluyen que en Colombia las plantas con mayor inversión, es decir, las más grandes, son las que generan más procesos de innovación y son las de mayor relación capital-trabajo Echavarría et al., (2006). Otra aplicación empírica de datos panel para estimar la productividad, más precisamente la productividad multifactorial es presentado en “Productividad multifactorial del sector manufacturero del Cauca 1993-2006” realizado por Sánchez, (2011). En esta investigación, se estima la PTF de la industria manufacturera para el departamento del Cauca con un panel de datos desbalanceado donde la unidad de observación son las firmas. La estimación se realiza bajo tres metodologías alternas: MCO, FE y el modelo planteado por Levinsonh y Petrin (LP). Los resultados muestran que en los dos primeros métodos existen rendimientos constantes a escala, pero dichas estimaciones se encuentras sesgadas, lo que conlleva a la inconsistencia de los modelos. Por otro lado, el modelo LP arroja parámetros consistentes e indica que, en el departamento del Cauca, las manufacturas exhiben rendimientos crecientes a escala acordes con el ciclo económico del departamento. El estudio de Sánchez, (2011), sirve como referente temporal ya que el trabajo se referencia después de la apertura económica y abarca los últimos 7 años del siglo pasado y los primeros 7 años del siglo XXI. Aunque, la indagación se enfoca en un solo departamento del país, sirve como antecedente metodológico. Por otra parte, Caro, (2015) en su libro “El cambio técnico y la innovación: una aproximación para el sector manufacturero colombiano 1900-2010” es relevante como referente para comprender cómo se comportó el sector en la última década del milenio anterior y los 10 primeros años de este siglo, periodo de tiempo significativo y prolongado y que puede explicar con panorama más amplio los eventos económicos que afectaron la industria nacional, este periodo de análisis es importante en tanto abarca la apertura económica, la crisis económica colombiana de cambio de siglo y crisis económica internacional del Subprime. Dado que el libro tiene como objetivo analizar el cambio técnico y los procesos de innovación de la industria colombiana,es relevante para entender la productividad y el crecimiento de las manufacturas nacionales. A diferencia de la mayoría de investigaciones acerca de la industria manufacturera colombiana, Caro, (2015) no se centró únicamente en la corriente neoclásica sino también, halló que la escuela estructuralista jugó un papel crucial en el cambio técnico de las manufacturas al explicar la innovación y los procesos de aprendizajes a la luz del modelo de crecimiento industrial planteado en Latinoamericana. Además, encontró que el sector tuvo en promedio 4% de crecimiento entre 1990-2010 y que la participación de la industria decayó alrededor de 10% dentro de la participación del PIB nacional. Por su parte, la participación laboral ha disminuido y la acumulación de capital no ha seguido un proceso de ampliación de la capacidad instalada, lo que podría indicar que existe un aumento de productividad asociado con el factor de cambio técnico. Por otra parte, Agudelo y Ladino, (2016) en el documento titulado “Análisis y evolución del comportamiento de la industria manufacturera en Colombia entre los años 2008 y 2014: aplicación de datos panel”, detectan heterogeneidad entre los subsectores de la industria manufacturera, a partir de la información existente en un marco de referencia de 7 años. De acuerdo con las estimaciones realizadas, el Producto Interno Bruto (PIB), se explica por las exportaciones, las importaciones, la tasa de cambio, la inversión y la producción bruta, ésta última con la mayor significancia estadística. Asimismo, la industria nacional presenta un pobre crecimiento debido a que la crisis del 2008 afectó fuertemente al sector. De las investigaciones consultadas, se pueden extraer elementos relevantes para el análisis de la productividad del sector manufacturero colombiano, los cuales se pueden agrupar en dos grupos: elementos de carácter histórico y elementos de carácter metodológico. Para los primeros, se encontró que existe heterogeneidad entre los subsectores, la apertura económica cambió la productividad del sector y la crisis económica internacional del 2008 afectó negativamente el crecimiento del sector. Por otro lado, los elementos de carácter metodológico indican que las aplicaciones empíricas de funciones de producción se pueden hacer bajo diferentes métodos aunque estos posiblemente presentarán sesgos, por lo tanto los trabajos de Echavarría etal. (2006); Sánchez, (2011) trabajan con funciones de producción ampliada para disminuir los posibles problemas de sesgo. II.2 Teoría de crecimiento económico Los primeros antecedentes teóricos de la industria manufacturera se hallan en la obra del padre de la economía, Smith, (2007) sugiere que la producción anual de cada nación se dará en primera medida por el factor trabajo1 y en segunda medida por el stock de capital que se disponga para los trabajadores. Igualmente, destaca que casi ninguna nación ha tratado con las industrias de la misma manera y destaca que desde la caída del imperio romano los territorios europeos parecieron darle mayor importancia al sector industrial que otros sectores económicos, lo cual él propone que es una de las explicaciones a porqué hay unas naciones con mayor riqueza que otras. Como explicación a la riqueza, los economistas estudian el incremento del producto y la productividad de la economía en el largo plazo prestando mayor atención a los determinantes y limitaciones de esos fenómenos, lo anterior, constituye lo que se denomina teoría del crecimiento económico Jiménez, (2011). Siguiendo esta línea, a partir de 1956 con el modelo Solow-Swan se introdujo la función de producción neoclásica la cual permite la sustitución de factores productivos y se incluye el cambio técnico al análisis económico. II.2.1 Función de producción La función de producción es definida como “la relación en la cual se combinan los factores de producción para obtener un producto… también puede concebirse como una receta” (Frank, 2005). Con lo anterior se tiene que la función de producción es la base para comprender como funciona la producción. Así, la ecuación 1 expresa matemáticamente la función de producción, donde 𝑌 representa la producción y 𝐹 un vector de factores de producción, en este caso: 𝐾 1 Menciona que se dará por la destreza que cada trabajador aplica a su labor y por el número de trabajadores, exactamente (Smith, 2007, p. 4) “… first, by the skill, dexterity, and judgment with which its labour is generally applied; and, secondly, by the proportion between the number of those who are employed in useful labour, and that of those who are not so employed…”. corresponde a capital y 𝐿 a trabajo. Sin embargo, hoy en día se reconocen más de dos factores de producción, entre ellos tierra, tecnología, capital humano e incluso se habla de consumo de energía. 𝑌 = 𝐹(𝐾, 𝐿) [1] A lo largo de los años, la teoría neoclásica del crecimiento económico se ha tomado como la producción final de un país, sector o firma explicada con las variables independientes: trabajo, capital y tecnología. Para poder emplear esta función como base teórica esta debe cumplir con varias características deseables, entre ellas que es una función homogénea de grado 1 y que tenga una productividad marginal decreciente. La función de producción que se estima en esta investigación pretende ser cercana a una función que cumple unas propiedades neoclásicas expresadas en el libro Economic Growth de (Barro & Sala i Martín, 2004): 1) Rendimientos constantes a escala, es decir que, si se multiplican los factores productivos en las mismas constantes positivas, le producción crece en la misma proporción. 2) Rendimientos positivos y decrecientes de cada factor de producción, esta propiedad hace referencia a que una unidad adicional de trabajo o tecnología aumentará positivamente la producción, no obstante, los incrementos en el producto serán cada vez menores. 3) Condiciones previas, indica que, si el uso de factores tiende a infinito, sus productos marginales tienden a cero, y viceversa. Esta propiedad también es conocida como condición Inada y; 4) Esencialidad, la definición que tiene esta propiedad dentro del modelo neoclásico es generalmente aceptada porque hace referencia a que las cantidades de insumos deben ser estrictamente positivas para producir cantidades estrictamente positivas. Con las propiedades expresadas, se sabe que las funciones tipo Cobb-Douglas cumplen con los supuestos. (Vargas, 2014) muestra que el origen de esta función se sitúa en el año 1927 gracias a la colaboración entre el senador de Estados Unidos Paul Douglas y el matemático Charles Cobb, tras observar que a lo largo de los años a medida que aumentaba la riqueza del país, aumentaban en la misma proporción los ingresos de los trabajadores y las ganancias de los productores; el matemático Cobb descubrió que la función que cumplía con las condiciones observadas se especifica en la ecuación 2: 𝑌 = 𝑓(𝐾, 𝐿) = 𝐴𝐾∝𝐿(1−∝) [2] Donde 𝐴 es un parámetro que mide la productividad de la tecnología existente, 𝛼 mide la participación del capital en la producción y es una constante entre cero y uno; (1 − 𝛼) es la participación del factor trabajo en la renta. Asimismo, es importante considerar otros aportes realizados a la teoría de crecimiento económico neoclásica. En línea con lo previamente presentado, el supuesto de que la tecnología es constante implica que, en el largo plazo, la tasa de crecimiento corresponda a cero, esto no es realista. Se hizo necesario que los modelos de crecimiento introdujeran las mejoras en el nivel de tecnología, como bien apuntan (Barro & Sala i Martín, 2004). Para introducir el progreso técnico dentro del modelo, se asume que el cambio técnico permite ahorrar en el uso de los factores y si no se ahorra relativamente de un factor más que de otro, sehablaría de cambio técnico neutro. La neutralidad en el cambio técnico tiene 3 enfoques. Así, la neutralidad al estilo Hicks, neutralidad en el cambio técnico según Harrod y la neutralidad explicada por Solow. Para (Hicks, 1963), existe neutralidad cuando la relación entre los productos marginales de los factores de producción permanecen constantes para cualquier relación capital-trabajo, es decir, cuando el capital y el trabajo son afectados por el factor técnico, mejora la eficiencia y la cantidad de los factores productivos disminuye. La formalización de este comportamiento está representada en la ecuación 3, dónde 𝐴 es el cambio técnico que depende del tiempo, 𝐾 corresponde al capital y 𝐿 es el factor trabajo. 𝑌 = 𝐴 𝐹(𝐾, 𝐿) [3] Para Harrod, según (Samuelson, 1966), hay neutralidad cuando la relación de las participaciones de los factores dentro del producto permanecen contantes para cualquier relación capital-producto. Empero, como es un progreso técnico donde el trabajo aprende sobre sí mismo, el factor trabajo es más eficiente a través el tiempo. La ecuación 4 representa dicho comportamiento: 𝑌 = 𝐹(𝐾, 𝐴𝐿) [4] En la ecuación inmediatamente anterior, 𝐴 es el cambio técnico que depende del tiempo, 𝐿 representa el trabajo y 𝐾 es el capital. Por otra parte, en (Solow, 1956) existe neutralidad cuando la relación de las participaciones de los factores dentro del producto permanecen constantes para cualquier relación trabajo-producto, pero dado que, para este economista, el progreso se da por mejoras en el capital, por ejemplo, nuevas generaciones de máquinas o procesos de investigación y desarrollo (I+D), el capital es más eficiente que el trabajo. La ecuación 5 muestra cómo es el progreso técnico neutral para la postura de Robert Solow. Donde 𝐴 es el cambio técnico que depende del tiempo, 𝐾 representa el capital y 𝐿 es el factor trabajo. 𝑌 = 𝐹(𝐴𝐾, 𝐿) [5] II.2.2 Teoría neoclásica del crecimiento económico Gracias a los artículos “A contribution to the theory of economic growth” y “Technical change and the aggregate production function” de (Solow, 1957, 1956), el estudio del crecimiento económico y la producción entran en auge. Se propone que existe una variable que no es capital ni trabajo que explica en gran medida el crecimiento, como lo es la tecnología. Según (Bernal, 2010): “Desde entonces, el procedimiento para distinguir entre las variaciones de la producción debidas al progreso técnico y a los cambios en la disponibilidad de capital ha tenido sustento teórico en su trabajo seminal. Su contribución consiste en cuantificar el progreso técnico en forma residual. Por esta razón, al progreso técnico se lo conoce también como residuo de Solow o productividad total de los factores (PTF)”. De acuerdo con Bernal, (2010), en la literatura del crecimiento endógeno, la PTF es un factor que depende de elementos institucionales, de mercado, conflictos sociales, factores macroeconómicos entre otros. Además, los estudios de Prescott, (1997, 1998) concluyen que una teoría de la PTF es necesaria para explicar el crecimiento de los factores de producción especialmente en el sector industrial, puesto que los resultados de ambos trabajos arrojan que más del 80% del crecimiento de los países desarrollados se explica por el residuo de Solow y que en los países en vías de desarrollo explica el 40% aproximadamente. Los porcentajes restantes corresponden a la acumulación factorial. Señala Bernal, (2010), la inversión en las manufacturas genera crecimiento y si la relación capital-producto aumenta, la PTF también crece y por ende, mejora el crecimiento. Sin embargo, para este trabajo se hace uso de una función Cobb-Douglas ampliada porque siguiendo el trabajo de Fernández et al., (2013) para México, reconocen que más factores de producción a aparte del trabajo, capital y tecnología pueden estar asociados a la productividad. En el documento “Un análisis de la productividad de los factores ampliada en la industria manufacturera de México 2003-2010”, Fernández et al., (2013), descubren que los países que se dedican a importar bienes manufacturados, entran en rezago tecnológico y, por tanto, entrarán a depender del sector externo y no generarán tanto valor agregado como se esperaría si esto no sucediera; para añadir, con el aumento de las importaciones de bienes manufacturados hay que entender que no solo se importan bienes finales sino también bienes intermedios necesarios para producir algunos bienes de la industria manufacturera, ahí radica la importancia de implementar las materias primas como variable explicativa de la productividad industrial. Para encontrar la PTF, (Solow, 1957), parte de la función de producción tipo Cobb-Douglas que se puede expresar como en la ecuación 6 donde a diferencia de las funciones anteriores, se incluye la variable tiempo (t), la cual permite incorporar cambios técnicos, aclara Solow que con la expresión cambios técnicos se refiere a cualquier variación en la función de producción por ejemplo las mejoras en la educación de los trabajadores: 𝑌 = 𝐹(𝐾, 𝐿; 𝑡) [6] Luego, Solow toma el caso cuando el cambio técnico es neutral y la ecuación se reescribe de la manera: 𝑌 = 𝐴(𝑡) 𝑓(𝐾, 𝐿) [7] Así, [7] se divide en [6] y se deriva respecto al tiempo dando como resultado la expresión: �̇� 𝑌⁄ = �̇� 𝐴 + 𝐴 𝛿𝑓 𝛿𝐾 �̇� 𝑌 + 𝐴 𝛿𝑓 𝛿𝐿 �̇� 𝑌 [8] En la ecuación 8, 𝛿𝑓 𝛿𝐾 �̇� 𝑌 representa la productividad marginal del factor capital (𝑤𝑘) y 𝛿𝑓 𝛿𝐿 �̇� 𝑌 corresponde a la productividad marginal de la mano de obra en la producción (𝑤𝐿). Después, se reemplazan los productos marginales en la ecuación 8 dando como resultado la ecuación 9 y a continuación, se expresa de manera más sencilla en la ecuación 10: �̇� 𝑌⁄ = �̇� 𝐴 + 𝑤𝑘 �̇� 𝐾 + 𝑤𝐿 �̇� 𝐿 [9] 𝑌 = 𝐴𝐾𝑤𝑘𝐿𝑤𝐿 [10] Con lo anterior, Solow explica que el cambio técnico se puede apreciar cuando se presenta un desplazamiento de la función de producción en el tiempo, aunque los factores de producción permanezcan constantes a través del tiempo, si la diferencia de t+2 respecto a t+1 es positiva, se habla de crecimiento económico, pero si la diferencia es negativa se habla del proceso opuesto. III. INDUSTRIA MANUFACTURERA COLOMBIANA En esta sección, se procede a conocer el sector estudiándolo directamente con los datos de la Encuesta Anual Manufacturera -EAM-, estos datos son recopilados por el Departamento Administrativo Nacional de Estadísticas -DANE- y los datos y estadísticas que reposan en la página del Banco de la República -BanRep- y las estadísticas históricas de Colombia que se encuentran en el Departamento Nacional de Planeación -DNP-. Para tal fin, en la sección IV.1. se hará una descripción de cómo se compone el sector manufacturero colombiano. Luego, en la sección IV.2. se presentarán un recorrido histórico separándolo en tres periodos de tiempo: antes de 1991, 1991- 1999 y 2000-hoy. III.1. ¿Cómo se compone el sector? De acuerdo con la Clasificación Industrial Internacional Uniforme de todas las actividades económicas en su versión 4 (CIIU4), el sector manufacturero se compone de 24 divisiones, esas divisiones son las que en este trabajo se denominan subsectores. El DANE, (2012) señala que, antes se tenían menos subsectores debido a que el avance de las tecnologías ha modificado y dinamizado la realización de las actividades económicas, Así pues, dado que son muchos subsectores, el Banco de la República los une en 6 grandes divisiones de la industria manufacturera en sus históricos del PIB por Ramas de la actividad económica. En la Tabla 1, se presentan los subsectores, su clasificación en el CIIU4, el porcentaje de establecimientos que pertenecen a ese grupo de actividades económicas y el aporte a la producción bruta del sectorpara el año 2017. Los establecimientos corresponden a los reportados en la EAM año 2017 y la producción equivale a la participación de la producción que se obtuvo del histórico del PIB a precios constantes de 2015 de las estadísticas que ofrece el Banco de la República. Tabla 1 Composición del sector manufacturero colombiano 2017 SUBSECTOR CIIU ESTABLECIMIENTOS PARTICIPACIÓN Elaboración de productos alimenticios 10 18,4% 27,6% Elaboración de bebidas 11 1,5% Elaboración de productos de tabaco 12 0,0% Fabricación de productos textiles 13 3,3% 10,4% Confección de prendas de vestir 14 10,6% Curtido y recurtido de cueros; fabricación de calzado; fabricación de productos de viaje, maletas, bolsos de mano y artículos similares, y fabricación de artículos de talabartería y guarnicionería; adobo y teñido de pieles 15 4,1% Transformación de la madera y fabricación de productos de madera y de corcho, excepto muebles; fabricación de artículos de cestería y espartería 16 2,1% 6,3% Fabricación de papel, cartón y productos de papel y cartón 17 1,7% Actividades de impresión y de producción de copias a partir de grabaciones originales 18 5,0% Coquización, fabricación de productos de la refinación del petróleo y actividad de mezcla de combustibles 19 1,4% 36,7% Fabricación de sustancias y productos químicos 20 6,8% Fabricación de productos farmacéuticos, sustancias químicas medicinales y productos botánicos de uso farmacéutico 21 2,3% Fabricación de productos de caucho y de plástico 22 8,1% Fabricación de productos minerales no metálicos 23 6,1% Fabricación de productos metalúrgicos básicos 24 1,9% 13,6% Fabricación de productos elaborados de metal, excepto maquinaria y equipo 25 7,5% Fabricación de productos informáticos, electrónicos y ópticos 26 0,2% Fabricación de aparatos y equipo eléctrico 27 2,2% Fabricación de maquinaria y equipo n. c. p. 28 4,5% Fabricación de vehículos automotores, remolques y semirremolques 29 2,1% Fabricación de otros tipos de equipo de transporte 30 0,4% Instalación, mantenimiento y reparación especializado de maquinaria y equipo 33 0,0% Fabricación de muebles, colchones y somieres 31 4,2% 5,4% Otras industrias manufactureras 32 5,7% Fuente: Elaboración propia con datos del DANE y el Banco de La República. Se puede apreciar en la tabla 1 que existe un ítem denominado “fabricación maquinaria y equipo n. c. p.”2, esto implica que como lo menciona el DANE, (2012), las actividades se han diversificado a través del tiempo. Con la tabla anterior, se comprende que más de una cuarta parte, exactamente, 27,6% de la producción manufacturera es realizada por la industria de alimentos, bebidas y tabaco con un aporte de casi la quinta parte de los establecimientos. Para el año 2017 la elaboración de tabaco aportó cero establecimientos en la EAM, esto se explica en el informe sectorial de cigarrillos y tabaco de Colombia de Legiscomex, el cual indica que en Colombia el mercado de cigarrillos y tabaco se encuentra reducido debido a que solo existen 2 empresas. Además, sus actividades se desarrollan en el sector agrícola por medio de los cultivos de tabaco y en el sector comercio puesto que Colombia ahora es importador de productos de tabaco Legiscomex, (2017). En otra vía, la fabricación de productos textiles, confección de prendas de vestir, y el curtido y recurtido de cueros; fabricación de calzado; fabricación de productos de viaje, maletas, bolsos de mano y artículos similares, y fabricación de artículos de talabartería y guarnicionería; adobo y teñido de pieles congregan el 18% de los establecimientos y genera el 10,4% de la producción industrial nacional. También, el 8,8% de establecimientos con el 6,3% de la producción manufacturera es aportado por las actividades: transformación de la madera y fabricación de productos de madera y de corcho, excepto muebles; fabricación de artículos de cestería y espartería; fabricación de papel, cartón y productos de papel y cartón; actividades de impresión y de producción de copias a partir de grabaciones originales. Por otra parte, la coquización, fabricación de productos de la refinación del petróleo y actividad de mezcla de combustibles; fabricación de sustancias y productos químicos; fabricación de 2 “n. c. p.” significa no clasificado previamente. productos farmacéuticos, sustancias químicas medicinales y productos botánicos de uso farmacéutico; fabricación de productos de caucho y de plástico; fabricación de productos minerales no metálicos comprende el 24,7% de los establecimientos y produce el 36,7% del producto del sector. Se tiene también que la fabricación de productos metalúrgicos básicos; fabricación de productos elaborados de metal, excepto maquinaria y equipo; fabricación de productos informáticos, electrónicos y ópticos; fabricación de aparatos y equipo eléctrico; fabricación de maquinaria y equipo n. c. p.; fabricación de vehículos automotores, remolques y semirremolques; fabricación de otros tipos de equipo de transporte; instalación, mantenimiento y reparación especializado de maquinaria y equipo tiene el 18,8% de los establecimientos manufactureros y el 13,6% de la producción. No obstante, la instalación, mantenimiento y reparación especializado de maquinaria y equipo presenta cero establecimientos en la EAM 2017, esto no quiere decir que no haya en el país establecimientos dedicados este subsector, sino que por la metodología de la encuesta no se recabaron datos para esa división industrial. Para finalizar este apartado, se tiene que el 4,2% de establecimientos se dedican a la fabricación de muebles, colchones y somieres y el 5,7% de establecimientos se dedican a otras industrias manufactureras. III.2. Recorrido por la historia En este apartado, se hace la presentación de los datos históricos del sector manufacturero acudiendo a los datos reportados en los históricos del DNP y el DANE referentes a la industria nacional, donde se los contrasta con la historia del país. Para este recorrido de los hechos, se divide en tres periodos de análisis: antes de la apertura económica, 1991 – 1999 y siglo XXI. En el primer periodo de tiempo analizado se sabe que la industria en el país es incipiente y artesanal, pero en la década de los 70’s se desarrolló de mejor manera; entre 1991 y 1999 la industria presentó un proceso de desaceleración respecto a las dos décadas anteriores y en el siglo XXI las manufacturas entran en un proceso acelerado de desindustrialización. III.2.1. Antes de 1991 Palacios y Safford, (2012) señalan que las características geográficas de Colombia atrasaron el desarrollo de sistemas de comunicación y dificultaron la creación de infraestructura y transporte al interior del país, los hechos anteriores hicieron que el país tuviera un proceso de industrialización tardío. Por su parte, Meisel, (2010) indica que en el siglo XIX la industria estaba poco o casi nada desarrollada y la mayoría de las actividades económicas se realizaban de manera artesanal. Sin embargo, desde el inicio del siglo XX hasta los años 30, la industria creció, al menos considerando que se crearon nuevas plantas industriales. Así, durante el gobierno de Rafael Reyes Prieto se crearon 8 nuevas empresas y durante 1910 y 1918 se crearon 27 más; la principal actividades económica de esas empresas era alimentos, bebida y tabaco, luego le siguen las manufacturas de papel y en menor medida las industrias de maquinaria y productos metálicos Junguito, (2016). De acuerdo con Echavarría y Villamizar, (2007), en la década de los 20, se crearon 54 empresas manufactureras y en la década de los 30 se desarrollaron 132 nuevas plantas industriales; los autores también señalan que en 1938 la industria empleó aproximadamente 449 mil personas. De acuerdo con los datos del DANE, la cantidad de establecimientos entre1956 y 1990 ha presentado un comportamiento variado, puesto que entre 1956-1968 la cantidad de plantas industriales osciló entre 9.835 a 11.959 y a partir de 1969 no hubo más de 7.682, este comportamiento se ilustra en la gráfica 1. Gráfica 1. Establecimientos industriales 1956-1990 Fuente: Elaboración propia con datos del DANE, EAM. En otra vía, acorde con Arango, (1998) gracias al modelo de “crecimiento hacia adentro”, la industria nacional desde sus orígenes hasta 1989 gozó de mecanismos de protección los cuales implicaron que sin importar la estructura de costos, disponibilidad de materias primas, utilización tecnológica e incluso sin maximización de la eficiencia se propició el mercado tipo oligopolio, es decir, algunas industrias fijaron precios sobre sus costes más no como resultado de la competencia. Así, a partir de 1950 hasta 1990, se evidencia que existe un incremento en la producción del sector industrial nacional, la gráfica 2 ilustra el comportamiento descrito, las unidades están en miles de millones de pesos constantes de 2015. 5.000 6.000 7.000 8.000 9.000 10.000 11.000 12.000 13.000 1956 1958 1960 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 N ú m er o d e es ta b le ci m ie n to s Gráfica 2. Industria Vs. PIB 1950-1990 Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. La gráfica 2, muestra que Colombia presentó aumentos en la producción nacional, no obstante, ese comportamiento no escapa a la producción manufacturera y en la gráfica se observa el aporte que realizó la industria al producto interno bruto del país. Pero, en la década de los 80 se evidencia un rezago en comparación a la tendencia de las décadas anteriores. A la par, la gráfica 3 se propone evidenciar la variación porcentual del crecimiento de la producción para el periodo de tiempo de observación: Se hace evidente que la industria presenta un movimiento procíclico, en adición a esto, el producto de las manufacturas creció en promedio 5,7% entre 1950 y 1990, mientras que el PIB lo hizo en 4,7% por lo que puede inferirse que la participación del sector aumentó en país; se tiene también que el año en que más creció la industria (17,9%) fue en 1965 mientras que el año en que menos creció fue en 1981 con una variación negativa (-2,6%). El comportamiento del PIB que se evidencia en Colombia para el periodo en análisis, existe una fuerte correlación entre el PIB industrial y el PIB nacional entrando dentro de lo que se conoce como “leyes de crecimiento económico” propuestas por Kaldor, (1994), una de las leyes kaldorianas del CE postula que la producción se ve jalonada por la industrialización. 0 50.000 100.000 150.000 200.000 250.000 300.000 350.000 400.000 450.000 M il es d e m il lo n es d e p es o s co n st an te s d e 2 0 1 5 INDUSTRIA PIB Gráfica 3. Tasa de crecimiento industrial y nacional 1950-1990 Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. Al analizar por décadas, en los años 50, 60, 70 y 80, el crecimiento de la industria fue de (6,7%), (7,1%), (6,6%) y (2,7%) respectivamente, por lo que se puede contrastar que la década entre 1980 y 1989 fue difícil para el sector, este periodo de tiempo corresponde a lo que en la literatura se denomina la “década pérdida”, que fue la crisis de deuda externa que impactó de manera negativa el CE, el empleo y el desarrollo económico de Latinoamérica CEPAL, (2014). Por otro camino, la cantidad de personas que laboraban en el sector manufacturero entre 1954 y 1990 presentó en general una tendencia al alza, empero en la década de los 80 la cantidad de trabajadores disminuyó. En 1954, existían 263.676 trabajadores, en 1960 había 253.387 personas en el sector, en 1970 la cifra aumentó a 347.159 y aumentó hasta 516.674 en 1979 pero en 1981 la cantidad cayó a 501.035 y en 1985 la cifra presentó su valor más bajo de la década: 446.771 y en 1990 la cantidad de ocupados fue de 496.193. La gráfica 4 presenta el comportamiento de la cantidad de trabajadores en el sector de la industria. Cabe aclarar que la disminución de trabajadores al comienzo del periodo de observación coincide con la turbulencia política y social que vivió el país entre el Bogotazo y el ascenso de Gustavo Rojas Pinilla al poder. -5% 0% 5% 10% 15% 20% 1 9 5 1 1 9 5 2 1 9 5 3 1 9 5 4 1 9 5 5 1 9 5 6 1 9 5 7 1 9 5 8 1 9 5 9 1 9 6 0 1 9 6 1 1 9 6 2 1 9 6 3 1 9 6 4 1 9 6 5 1 9 6 6 1 9 6 7 1 9 6 8 1 9 6 9 1 9 7 0 1 9 7 1 1 9 7 2 1 9 7 3 1 9 7 4 1 9 7 5 1 9 7 6 1 9 7 7 1 9 7 8 1 9 7 9 1 9 8 0 1 9 8 1 1 9 8 2 1 9 8 3 1 9 8 4 1 9 8 5 1 9 8 6 1 9 8 7 1 9 8 8 1 9 8 9 1 9 9 0 % V ar . A n u al MANUFACTURAS PIB Gráfica 4. Personal ocupado en el sector industrial 1954-1990 Fuente: Elaboración propia con datos del DANE, EAM. En otra vía, el capital que acumuló el sector manufacturero entre 1953 y 1990 presentó un comportamiento alcista, como se evidencia en la gráfica 5. Los datos que provee el DNP indica que las cifras están en miles de millones a precios constantes del año 1975, también expresan que esa serie de datos no se actualizó después de 1994. Gráfica 5. Capital industrial 1953-1990 Fuente: Elaboración propia con los datos históricos del sector industrial del DNP. 150.000 200.000 250.000 300.000 350.000 400.000 450.000 500.000 550.000 1954 1958 1962 1966 1970 1974 1978 1982 1986 1990 N ú m er o d e em p le ad o s PERSONAL OCUPADO 0 50.000 100.000 150.000 200.000 250.000 1 9 5 3 1 9 5 4 1 9 5 5 1 9 5 6 1 9 5 7 1 9 5 8 1 9 5 9 1 9 6 0 1 9 6 1 1 9 6 2 1 9 6 3 1 9 6 4 1 9 6 5 1 9 6 6 1 9 6 7 1 9 6 8 1 9 6 9 1 9 7 0 1 9 7 1 1 9 7 2 1 9 7 3 1 9 7 4 1 9 7 5 1 9 7 6 1 9 7 7 1 9 7 8 1 9 7 9 1 9 8 0 1 9 8 1 1 9 8 2 1 9 8 3 1 9 8 4 1 9 8 5 1 9 8 6 1 9 8 7 1 9 8 8 1 9 8 9 1 9 9 0 M il es d e m il lo n es d e p es o s co n st an te s d e 1 9 7 5 En la gráfica 6, se presenta la evolución del consumo de energía eléctrica, como se puede observar, el consumo de electricidad se incrementó a lo largo del tiempo, pero, hasta 1970 el crecimiento fue menor al que se presentó a partir de 1971. Gráfica 6. Consumo de energía eléctrica 1956-1990 en millones de KWH Fuente: Elaboración propia con datos del DANE, EAM. Luego, para completar el análisis de este periodo de tiempo, los datos históricos del DANE permiten establecer que entre 1956 a 1990, el valor agregado fue en promedio 40,7% por lo que el porcentaje restante corresponde a consumo intermedio, en concordancia con (Hirschman, 1958), la industrialización es clave porque permite eslabonamientos hacia atrás y hacia adelante, esto puede explicar en gran medida por qué, al menos en Colombia, el sector manufacturero es intensivo en lo que se denomina consumo intermedio. III.2.2. 1991-1999 De acuerdo con (BanRep, 2017; Garay, 1998; Jiménez, 2011), los procesos de liberalización comercial se fundamentan en el concepto de ventajas comparativas del mercado el cual supone que al incluirse la competitividad con el exterior, la asignación de recursos mejora por lo que la calidad de los productos y las innovaciones aumentan; se facilita la importación de maquinaria a los países 0 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000 9.000 1956 1958 1960 1962 1964 1966 1968 1970 1972 1974 1976 1978 1980 1982 1984 1986 1988 1990 M il lo n es d e K W H con menores niveles de desarrollo tecnológico mientras que los costos de producción disminuyen. Bajo estos argumentos y algunos acontecimientos – principalmente el fin del bloque soviético y el periodo de estanflación de los ochenta-, los organismos multilaterales promovieron la liberalización económicaen la última década del siglo XX en los países no desarrollados y Colombia no fue la excepción. Por otro lado, afirma (Krugman, 1987) que, la apertura económica puede frenar el crecimiento si la competencia perjudica a sectores que requieren altos niveles de investigación que aún no se han desarrollado por lo que proteger las importaciones puede incentivar la inversión en esos sectores. Durante el gobierno del presidente César Gaviria en el año 1991 se presentaron dos hechos históricos que cambiaron el panorama nacional: apertura económica y nueva Constitución Política, la segunda permitió la independencia del Banco de la República, la descentralización fiscal, la privatización de empresas del estado, mejorar la regulación económica y creación de mecanismos que incentivan la libre competencia en el mercado (Caballero, 2016). La gráfica 7 que está a precios constantes de 2015 muestra que el país presenta una tendencia al alza de la producción en los primeros años. “Sin embargo, en el año de 1998 enfrentó una crisis financiera y económica de grandes proporciones que trajo severas consecuencias en materia de crecimiento económico y empleo, obligando la intervención continuada del gobierno para superarla” (Torres, 2011, p. 81). Ese declive económico se denominó crisis del fin de siglo XX. Gráfica 7. PIB total e industrial (1991-1999) Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. De manera paralela, se tiene que entre 1991 -1999 la tasa de crecimiento industrial fue de 0,5% y 2,7% para el PIB del país. No obstante, la variación porcentual de la tasa de crecimiento se representa en la gráfica 8, la cual evidencia un comportamiento de incremento, aunque después de la mitad de la década cae a terreno negativo. Gráfica 8. Tasa de crecimiento industrial y nacional (1991-1999) Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. 0 100.000 200.000 300.000 400.000 500.000 1991 1992 1993 1994 1995 1996 1997 1998 1999 M il es d e m il lo n es d e p es o s co n st an te s d e 2 0 1 5 INDUSTRIA PIB -10% -8% -5% -3% 0% 3% 5% 8% 1991 1992 1993 1994 1995 1996 1997 1998 1999 % V ar . A n u al MANUFACTURAS PIB Paralelamente, la cantidad de ocupados en 1991 fue de 496.472, en 1992 los trabajadores llegaron hasta 641.232 y continúo aumentando hasta 1994: 654.215; en el siguiente año disminuyó la cantidad de ocupados a 649.163 y prosiguió con la tendencia a la baja hasta situarse en 533.340 ocupados en 1999. De otro, el total de activos, proxy del capital, representado en la gráfica 9, presentó para el periodo en análisis una tendencia al incremento, de manera moderada hasta la mitad de la década, entre 1996-1997 se aceleró, pero a partir de 1998 el aumento de los activos se desaceleró. Cabe aclarar que la gráfica del total de activos presenta escala en miles de millones de pesos y su fuente de datos es el DANE. Gráfica 9. Activos del sector industrial en miles de millones de pesos colombianos (1991-1999) Fuente: Elaboración propia con datos del DANE, EAM. Además, el consumo de energía eléctrica, que se evidencia en la gráfica 10, presentó varias tendencias; por un lado, entre 1991 y 1993 la tendencia fue a la baja, entre 1994 y 1997 el uso de electricidad aumentó de manera precipitada y a partir de 1998 el uso de electricidad por parte del sector industrial declinó, aunque si se compara año inicial vs. año final, el sector definitivamente amplió su uso de energía eléctrica. 0 5.000 10.000 15.000 20.000 25.000 30.000 35.000 40.000 45.000 1991 1992 1993 1994 1995 1996 1997 1998 1999 M il es d e m il lo n es d e p es o s co n st an te s d e 2 0 1 5 TOTAL ACTIVOS Gráfica 10. Consumo de energía eléctrica 1991-1999 en millones de KWH Fuente: elaboración propia con datos del DANE, EAM. Para terminar la presentación de los hechos del siglo XX, se calcula que el valor agregado que es la producción bruta menos el consumo intermedio, para la década de los 90, fue en promedio de 42,89%, en 1990 fue de 38,92% y en 1999 se situó en 46,04%. III.2.3. Siglo XXI Para el siglo XXI, la producción de la industria manufacturera y el PIB presentan un comportamiento alcista, la gráfica 11, evidencia lo previamente dicho; la economía presenta un crecimiento moderado hasta 2007, a partir de 2008 el crecimiento se de en menor medida hasta el año 2012 y desde el 2013 crece a un ritmo similar entre el 2000 y el 2007. Las unidades están en miles de millones de pesos constantes de 2015, vale anotar que los datos de 2018 y 2019 son preliminares. Continuando, se calcula la contribución de las manufacturas al PIB del país, se halla que en el año 2000 la contribución fue de 14,6%, y se tiene estimada de manera preliminar para el año 2019 en 11,86%; el promedio para para lo corrido del siglo XXI es de 13,7%. Empero, para la primera década se calculó un promedio de 14,8% mientras que para el 2010-2019 el peso de la industria en 7.000 7.500 8.000 8.500 9.000 9.500 10.000 10.500 11.000 1991 1992 1993 1994 1995 1996 1997 1998 1999 M il lo n es d e K W H el PIB cayó a 12,7%. Acorde con Buendía et al., (2016); Ocampo, (2019); Rodríguez, (2010) y Vallejo, (2014), la caída de la partición del sector en la economía nacional durante las últimas 3 décadas se conoce como proceso de desindustrialización colombiano y en concordancia con Ortiz et al., (2009), el proceso de desindustrialización que desemboca en la desaceleración económica tiene su principal causa en la pérdida de autonomía tecnológica. Gráfica 11. PIB total e industrial (2000-2019) Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. De igual manera, se presenta la tasa de variación del crecimiento económico del país y el crecimiento industrial en la gráfica 12. Se hace evidente que la industria tiene un desempeño procíclico y que, tras la caída del final del siglo XX, el siglo XXI prosiguió con un comportamiento a la baja, si bien en el 2001 inicia la recuperación, el sector manufacturero no logra alcanzar los niveles que tenía en años anteriores dado que se presenta el fenómeno denominado crisis económica internacional del Subprime, dicha crisis perjudica el desempeño de la economía colombiana; en el 2009 ambas variables presentan su peor indicador: -3,7% manufacturas y 1,1% PIB. En el año 2012 la economía intenta despegar, aunque desde el 2013 el crecimiento se ha desacelerado y en el año 2017 el PIB industrial se contrae en -1,8%. Al respecto, el proceso de 0 200.000 400.000 600.000 800.000 1.000.000 M il es d e m il lo n es d e p es o s co n st an te s d e 2 0 1 5 INDUSTRIA PIB desacelaración económica del país desde 1990 es generado, según (Ocampo, 2019) por “una fuerte y prolongada desindustrialización y dificultades del sector agropecuario para adecuarse a una economía más abierta”. Gráfica 12. Tasa de crecimiento industrial y nacional (2000-2019) Fuente: Elaboración propia con los datos históricos anuales del PIB del DNP. En otra vía, la EAM arrojó que en el año 2000 la cantidad de ocupados fue 534.573, en el 2001 hubo 528.022 trabajadores en las manufacturas. Luego, en el año 2003 la industria presentó 531.213 ocupados y continuó creciendo hasta el 2008, en el año 2009 se perdieron 12.712 empleos industriales y en el año 2010 el indicador retomó su tendencia al alza, hasta el 2017. Año en el cual hubo 717.651 trabajadores en el año 2018, la cifra cayó a 705.600, lo anterior se observa en la gráfica 13. De otro lado, la cantidad de activos fijos para el sector mantuvo una tendencia de crecimiento constante y se vio poco afectada por la crisis económica de finales de siglo XX y crisis económica internacional (subprime). -4% -2% 0% 2% 4% 6% 8% 10% 12% % V ar .A n u al MANUFACTURAS PIB Gráfica 13. Personal ocupado en el sector industrial (2000-2018) Fuente: Elaboración propia con datos del DANE, EAM. También, la EAM indica que el consumo de energía eléctrica presentó un comportamiento de acuerdo con el ciclo económico de la economía, es decir, cuando la economía se contrae, el consumo de electricidad también lo hace y cuando la economía se expande, el consumo energético también se incrementa, ver gráfica 14. Gráfica 14. Consumo de energía eléctrica 2000-2018 en millones de KWH Fuente: Elaboración propia con datos del DANE, EAM. Para finalizar la presentación de este apartado, se estimó que el valor agregado, que es la producción bruta menos el consumo intermedio, en promedio fue de 41% entre 2000-2018. 500.000 550.000 600.000 650.000 700.000 750.000 N ´m u er o d e em p le ad o s 10.000 11.000 12.000 13.000 14.000 15.000 16.000 17.000 M il lo n es d e K W H También, es importante conocer dónde se ubican los establecimientos manufactureros, por eso, se decide localizar geográficamente los establecimientos, el mapa a continuación, gráfico 15, muestra la ubicación y concentración de los establecimientos industriales en Colombia, las áreas más oscuras muestran los departamentos donde hay mayor cantidad de establecimientos. Gráfica 15. Ubicación de los establecimientos industriales en el siglo XXI. Fuente: Elaboración propia con datos del DANE, EAM. Así, en Bogotá, entre el 2000-2017 el 35,89% de los establecimientos industriales del país tenía su planta ahí; el 20,29% en el departamento de Antioquia; el 13,.66% en el Valle del Cauca; 5.48% se ubicaron en Cundinamarca y el resto se distribuyen en los demás departamentos excepto Guainía, Guaviare, Vaupés y Vichada los cuales no reportaron ni un solo establecimiento en la EAM. Cabe aclarar que antes del siglo XXI la localización espacial de los establecimientos manufactureros presentaba una concentración similar a la del presente periodo de tiempo y esto tiene sus causas en la geografía del país el cual es dividido por las 3 cordilleras (Palacios y Safford, 2012). IV. PRODUCTIVIDAD DEL SECTOR INDUSTRIAL COLOMBIANO El presente análisis es una investigación deductiva-cuantitativa de carácter no experimental, donde se hace uso de los datos panel también llamados datos longitudinales. Continuando con esto, los datos panel son el estudio a través del tiempo de una misma unidad de observación Gujarati y Porter, (2009), es decir, son una combinación de las series de tiempo y los cortes transversales. Para este documento, la población de estudio, es decir, las unidades de observación o los sujetos son los establecimientos industriales que presentan información continua en la EAM durante los años 2000-2017, lo cual induce al manejo de un panel de datos fuertemente balanceado; también se tiene que la técnica de recolección de datos se da a través de la consulta de fuentes secundarias. En la literatura, se han desarrollado varias metodologías para estimar la productividad. No obstante, el cálculo de la productividad parte de la estimación de una función de producción que se tiene por lo general con la forma funcional log-lineal de tipo Cobb-Douglas Griliches y Mairesse, (1995). Esto es preciso puesto que para la modelación econométrica los supuestos requieren que los estimadores sean lineales y la manera de transformar la función de producción Cobb-Douglas a una forma lineal es por medio de la logaritmación. Con los párrafos previos, surge la pregunta ¿por qué estimar la productividad? Y ¿por qué utilizar datos panel? Para la primera cuestión, de acuerdo con (Del Pozo Loayza y Gúzman, 2019), la productividad mide cómo los factores de producción se combinan para producir y se tiene como una parte relevante para el CE. Para responder a la segunda pregunta, indica Hsiao, (2003), los datos longitudinales tienen mayor capacidad para capturar la complejidad del comportamiento humano en comparación a los cortes transversales y las series de tiempo. Respecto a esto, señala Baltagi, (2005) que este tipo de datos tienen ventajas frente a otros porque pueden identificar la heterogeneidad entre los individuos, brindar mayor explicación sobre la variabilidad entre variables con más eficiencia que otros tipos de datos, estudiar mejor los procesos de ajuste, detectar y medir efectos inobservables para los cortes transversales y las series de tiempo. A pesar de lo anterior, los datos tipo panel también presentan limitaciones, destaca (Baltagi, 2005) que esas limitaciones son: problemas en el diseño y recopilación de datos, distorsiones en la medición3, problemas de selectividad4 y pocos periodos de tiempo o paneles cortos. Empero, para la presente indagación, las limitaciones que indicaron en el párrafo anterior quedan reducidas en cierta medida porque los datos que se utilizan son de la EAM, la cual como indica DANE, (2020) es de carácter censal y se realiza de manera continua desde 1956 por lo que se reduce el problema de selección y el panel de datos es largo. No obstante, la EAM tiene un problema en la recolección de datos ya que solo se les aplica el cuestionario a los establecimientos manufactureros con 10 o más personas ocupadas o con una producción superior a un monto que se establece año a año acorde con el Índice de Precios del Productor -IPP- para el sector industrial. Pese a esto, para el año 2016, los establecimientos con 500 millones de producción o con 10 ocupados quedaron cobijados en la EAM esa cifra no se determinó por el IPP, sino que se hizo siguiendo otro método5. Para dar cuenta de la productividad industrial, se hace necesario estimar la función de producción del sector, esta función tiene como supuestos que la industria produce en su conjunto un bien homogéneo y que los factores de producción que generan variaciones en la rentabilidad de los establecimientos siguen la modelación de la neutralidad al estilo de Hicks (Meléndez y Seim, 3 Se pueden originar en preguntas poco claras, respuestas falsas, informantes poco idóneos y defectos del entrevistador. 4 Muchos de los paneles de datos son recopilados con informantes que desean ofrecer los datos de manera voluntaria, a esto se le llama autoselectividad por lo que a veces las muestras pueden no representan a la población de manera adecuada, también existe la posibilidad de deserción, en otras palabras, el individuo deja de reportar la información para algunos periodos de tiempo. 5 Para más información al respecto, consulte la Metodología General de la Encuesta Anual Manufacturera -EAM en https://www.dane.gov.co/index.php/estadisticas-por-tema/industria/encuesta-anual-manufacturera-enam 2006). Por su puesto, como sugiere la teoría económica, las firmas buscan maximizar sus beneficios. Así pues, la función de producción a estimar corresponde a una función de producción ampliada puesto que recoge más factores de producción que los manejados en la literatura tradicional. La ecuación se representa de manera log-linealizada: 𝐿𝑛𝑌 = 𝛽0 + 𝛽1𝐿𝑛𝐾 + 𝛽2𝐿𝑛𝐿 + 𝛽3𝐿𝑛𝐸 + 𝛽4𝐿𝑛𝑀𝑃 + 𝑢𝑖𝑡 [11] Dónde Y es la producción, K denota el factor capital, L representa el factor trabajo, E es el consumo de energía eléctrica, MP corresponde a la utilización de materias primas y 𝑢 representa el término de error que es la diferencia entre la producción estimada y la producción efectiva, con el fin de modelar la función en la tabla 2 se presentan las variables del modelo. Tabla 2 Variables del modelo VARIABLE LITERATURA NOMBRE MEDIDA Y Producción Producción; producto; PIB industrial Pesos A Tecnología Tecnología; know-how; cambio técnico - K Capital Capital; stock de capital Pesos L Trabajo Trabajo; personal ocupado; ocupados; trabajadores Cantidad de personas E Energía Energía; energía eléctrica; electricidadKWH MP Materias primas Materia prima; insumos Pesos Fuente: Elaboración propia. La tabla 2 muestra en la primera columna como se denota la variable, la segunda columna se refiere al nombre que se le asigna en la literatura económica, la tercera columna designa el nombre que se le va a dar en este trabajo y se refieren a lo mismo de manera indistinta a menos que se indique lo contrario y la última columna contiene la medida en que se encuentran las variables. Continuando, Y representa la producción bruta que corresponde, de acuerdo con el (DANE, 2020), al “valor de todos los productos manufacturados por el establecimientos” más los “ingresos por subcontratación industrial realizados para otros”, más el “valor de la energía eléctrica vendida”, más el valor de los ingresos causados subvenciones, más “el valor generado por el alquiler de bienes producidos y la instalación, mantenimiento y reparación de productos fabricados por el establecimiento”. K designa el capital que, para su construcción se toma como los activos fijos menos la depreciación más la inversión bruta. L representa el personal ocupado que es la cantidad de personas que laboran en el establecimiento más los propietarios, más los socios y los familiares sin remuneración fija E es el consumo de energía eléctrica en kilovatios. MP corresponde al valor de las materias primas compradas, se incluyen los materiales y empaques que se utilizan en el proceso de elaboración manufacturero. Con el fin de presentar mejor el tratamiento de los datos, las cifras del producto, stock de capital y valor de insumos fueron deflactadas con el IPP año base 2014, vale anotar que el IPP que se tomó no es el general sino el que aplica al sector industrial. Se procede a explorar los datos de EAM y lo primero que se detecta es que el panel de datos presenta 18 periodos de tiempo desde el año 2000-2017 y hay observaciones para 14.966 establecimientos industriales. No obstante, el panel de datos está desbalanceado, es decir que no todos los individuos presentaron la encuesta todos los años que están en análisis. Se procede a balancear el panel y con los 3.122 establecimientos que quedaron, se realizan las estimaciones6. Así pues, para poder identificar el estimador idóneo, se sigue el método propuesto por (Rosales et al., 2010, p. 374) el cual es un flujograma de decisión donde se parte con una estimación por MCO. De acuerdo con Baltagi, (2005); Gujarati y Porter, (2009); Hsiao, (2003) y Wooldridge, (2010), el método más básico de modelar un panel de datos es utilizar el estimador de datos agrupados el cual omite las dimensiones de tiempo y espacio, por lo que la regresión lineal de Mínimos Cuadrados Ordinarios -MCO- es adecuada para iniciar la modelación de datos panel. La ecuación 12 presenta la notación general de los datos panel. 𝑦𝑖𝑡 = ∝ + 𝛽 𝑋 ′ 𝑖𝑡 + 𝑒𝑖𝑡 , 𝑖 = 1, … , 𝑁; 𝑡 = 1, … , 𝑇 [12] Dónde 𝑖 representa los individuos de observación, llámese firmas, países, hogares, etc. 𝑡 denota el tiempo. Sin embargo, al hacerse una estimación MCO se debe tener en cuenta que existen supuestos que deben cumplirse: no multicolinealidad, normalidad en los errores y homocedasticidad. Esto implica que si se detecta que el modelo estimado nos los cumple, debe corregirse, a este respecto señalan Petrin et al., (2004) que en las estimaciones de funciones de producción presentan choques de productividad inobservables estén correlacionado con los individuos, es decir, probablemente 𝑢𝑖𝑡 esté relacionado con los individuos. La razón anterior hace que para poder utilizar la estimación MCO de manera más acertada Cameron y Trivedi, (2009) recomiendan utilizar errores estándar robustos por agrupaciones o conglomerados debido a que existe heterogeneidad entre los individuos. 6 Todas las estimaciones se realizaron en el software Stata 14. Para el presente trabajo, la estimación MCO se hizo en primera medida sin agrupar los errores estándar, los resultados se pueden observar en la tabla 3. En este modelo el factor de inflación de la varianza -VIF-, que se utiliza para detectar colinealidad entre los regresores, arrojó el valor de 2,49 por lo que se establece que no se viola el supuesto de no colinealidad. Después, se aplica el test de White para homocedasticidad el cual presenta como hipótesis nula que el modelo es homocedástico y como hipótesis alterna que el modelo presenta heterocedasticidad; dado que el valor crítico de Chi2 para 14 grados de libertad con un p-valor de 0.05, que estima la prueba de White para este caso, es de 23.68 y como el valor de Chi2 que se obtuvo fue de 28.110,29 se dice que existe evidencia para rechazar la hipótesis nula, por lo tanto, el modelo no cumple con el supuesto de homocedasticidad, para corregir este defecto se recurre a estimar un modelo con errores estándar robustos por conglomerados (MCO_CLUSTER), ver resultados en la tabla 3. Por otra parte, existe otro tipo de estimación denominado modelo de efectos aleatorios -RE- de ahora en adelante, se estima por medio de mínimos Cuadrados Generalizados o por sus siglas en inglés FGLS y este modelo calcula un intercepto para cada sujeto lo que permite asumir que cualquier efecto sobre cada individuo no se relaciona con las variables independiente, esto hace que el modelo sea consistente Hsiao, (2003), la estimación de este modelo se puede observar en la tabla 3. Añade Wooldridge, (2010) que bajo este método, la mejor manera de evitar problemas de especificación consiste en utilizar errores estándar robustos por conglomerados. 𝑦𝑖𝑡 = ∝ + 𝛽 𝑋𝑖𝑡 + 𝑢𝑖𝑡+ 𝑒𝑖𝑡 [13] Dónde ∝ es una variable aleatoria con un valor medio ∝ y una desviación aleatoria 𝑢𝑖 de ese valor promedio. Señalan Aparicio y Márquez, (2005) que si 𝑢𝑖 es igual a cero, es decir, la varianza del error es constante, en teoría no debería existir diferencia entre el modelo MCO y FGLS por lo que se hace necesario aplicar la prueba del multiplicador de Lagrange para efectos aleatorios, también se le conoce como prueba Breusch-Pagan. La prueba establece como hipótesis nula que 𝜎𝑢 2 = 0, es decir, la estimación por MCO y RE son iguales por lo que el panel no es relevante. Si la prueba se rechaza, se dice que existe diferencia entre MCO y RE por lo que se prefiere el modelo de RE. Para este caso, la prueba arrojó un p-valor de 0, entonces existe evidencia para rechazar la hipótesis nula y, por ende, el modelo RE es preferible en vez de la estimación por el método MCO. Continuando, hay en los paneles de datos un modelo llamado efectos fijos -FE-, dicho modelo supone que el termino de error está compuesto por un efecto fijo individual (no observable) y el error propio de cada observación, el modelo FE admite una forma limitada de endogeneidad respecto a cada termino de cada individuo, caso contrario a los efectos aleatorios donde las variables explicativas son estrictamente exógenas (Hsiao, 2003). Los efectos fijos suponen la estimación de un intercepto para cada una de las unidades de observación por medio de variables dicotómicas, pero en este trabajo se tienen más de 3.000 establecimientos por lo que dicha estimación no se presenta acá. Sin embargo, el within estimator o estimación intragrupos, calcula una regresión por MCO sobre los datos calculados en el FE respecto a su media, este estimador intragrupos, es consistente dado que el efecto individual es eliminado ,Baltagi, (2005), esta estimación se presenta en la tabla 3. En el software Stata acorde con (Cameron y Trivedi, 2009), el modelo que se ajusta es: (𝑦𝑖𝑡 − �̅�𝑖 + �̿�) = (𝑥𝑖𝑡 − �̅�𝑖 + �̿�) ′𝛽 + (𝜀𝑖𝑡 − 𝜀�̅� + 𝜀)̿ [14] Dónde �̿� = (1 𝑁⁄ ) �̅�𝑖 equivale a la media de 𝑦𝑖𝑡, la ecuación 14 permite la estimación de un intercepto mientras que los estimadores de 𝛽 son consistentes. Luego, en busca de identificar cual es el modeloque mejor representa el comportamiento de la industria manufacturera, se aplica la prueba de Hausman para establecer si existe una diferencia sistemática entre los coeficientes de los modelos de RE y FE. No obstante, esta prueba requiere que el estimador de RE sea eficiente, requisito que no se cumple a cabalidad si la estimación se realiza por errores estándar por conglomerados, en su lugar indican (Cameron y Trivedi, 2009, p. 261) que, se realice un test de Wald usando el método de Wooldridge (2002): este test, establece como hipótesis nula que el estimador de RE es eficiente. Al aplicar la prueba en Stata se determinó que se rechaza la hipótesis nula con un p-valor de 0,0006, es decir, se opta por utilizar la estimación de FE. Como paso siguiente, se hace necesario establecer si el modelo presenta: heterocedasticidad, correlación contemporánea y/o autocorrelación serial; de detectarse esto se debe corregir. Continuando, la prueba de heteroscedasticidad realizada por el método modificado de Wald en el modelo de efectos fijos, Aparicio y Márquez, (2005), tiene por hipótesis nula la existencia de homocedasticidad en las unidades transversales, la hipótesis alterna establece la presencia de heterocedasticidad; los resultados indican que se rechaza que el modelo sea homocedástico con un p-valor de 0. De manera similar, las pruebas de correlación contemporánea y la prueba de Wooldridge para autocorrelación serial de orden 1, rechazaron con un 99% la ausencia de correlación y la no autocorrelación, por lo que se procede a corregir estas situaciones por medio de la estimación FLGS , sugerido por Beck y Katz, (1995), la forma que adopta es: �̂�𝐹𝐺𝐿𝑆 = (𝑋 ′Ω̂−1𝑋)−1𝑋′Ω̂−1 [15] Dónde Ω es la matriz de errores estándar robustos, es decir, flexibiliza el supuesto de homocedasticidad. El método FGLS permite que los errores presenten correlación contemporánea, también permite utilizar un AR(1), el cual de acuerdo con (Baltagi, 2005, p. 314) hace que le modelo sea sustancialmente más eficiente que el estimador de FE. Para la modelación, por medio del software utilizado, FGLS funciona bajo el supuesto de que los errores del modelo son correctos (Cameron y Trivedi, 2009). IV.1. Resultados Los modelos estimados en esta indagación se presentan en la tabla 3. Es de anotar que el cambio técnico es el intercepto resultante de cada modelo, en otras palabras, es la constante estimada, como se desconoce a qué corresponde exactamente este valor, se dice que es de carácter residual por lo que responde al factor técnico de Solow, (1957). A pesar de esto, se encuentra que el cambio técnico cuenta con un impacto positivo y significativo sobre la industria nacional, resultado que se explica en Palma, (2005). Tabla 3 Estimación de los modelos de datos panel MODELO MCO MCO_CLÚSTER RE FE FGLS VARIABLES LnY LnY LnY LnY LnY LnK 0,138*** 0,138*** 0,155*** 0,156*** 0,0627*** (0,00190) (0,0146) (0,0104) (0,0102) (0,0102) LnL 0,469*** 0,469*** 0,490*** 0,492*** 0,482*** (0,00416) (0,0332) (0,0225) (0,0227) (0,0422) LnE 0,262*** 0,262*** 0,222*** 0,214*** 0,236*** (0,00252) (0,0171) (0,0214) (0,0229) (0,0179) LnMP 0,186*** 0,186*** 0,173*** 0,171*** 0,101*** (0,00134) (0,0111) (0,0109) (0,0113) (0,00769) A 5,564*** 5,564*** 5,924*** 6,029*** 8,228*** (0,0224) (0,177) (0,191) (0,215) (0,298) Observaciones 56.196 56.196 56.196 56.196 56.196 R-cuadrado 0,849 0,849 0,659 Prueba F 79.108,92 6.098,43 1.064,93 Prob>F 0,000 0,000 0,000 Wald Chi2(4) 6280,42 832,65 Prob>Chi2 0,000 0,000 Establecimientos 3.122 3.122 3.122 3.122 Errores estándar en paréntesis *** p<0,01; ** p<0,05; * p<0,1 Fuente: Elaboración propia. Se interpreta en primera medida que todos los coeficientes son positivos y que son estadísticamente significativos al 99%. En línea con esto, que los coeficientes sean positivos es un comportamiento que se esperaba ya que se partió con la idea de que el capital, el trabajo, la electricidad y los insumos impactan de manera positiva en la producción de los bienes de los establecimientos manufactureros. Las medidas de bondad de ajuste evidencian que las variables son relevantes en conjunto para los modelos estimados. Además, los errores estándar son bajos en la mayoría de los casos lo cual, explica por qué el supuesto de homocedasticidad podía flexibilizarse para permitir cierto grado de heterocedasticidad. También, con el proceso metodológico se establece que la estimación por medio de datos longitudinales en lugar de MCO es relevante y captura de mejor manera el comportamiento de la industria colombiana para el periodo de tiempo analizado 2000-2017. Se encuentra que los coeficientes del capital son bajos, de hecho, son los más bajos de todas las variables. Sin embargo, surge una cuestión interesante, para los modelos Clúster, RE y FE la participación del capital es en promedio 15% pero, en el modelo FGLS esta participación cae a 6,3%, este comportamiento también fue observado por Echavarría et al., (2006); Fernandes, (2003); Iregui et al, (2007)(; Meléndez y Seim, 2006). De otro lado, el factor trabajo, presenta un peso similar en todos los modelos, pero en el modelo FGLS tiene una participación de 0,482 lo que significa que el sector manufacturero en Colombia es intensivo en el uso de este factor, esto puede deberse a que los procesos de producción de los establecimientos industriales no están altamente automatizados como en otros países. También, se evidencia que el uso de electricidad es importante para el sector con un peso de 0,236, de esto se pueden inferir que la electricidad es un factor fundamental para la producción industrial y que ante un incremento en 1% de utilización de éste, el producto se incrementa en 0,236%. Para añadir, las materias primas presentan un peso menor al esperado puesto que como refiere (Carranza et al, 2018), el sector incorpora cadenas de valor transversales a varios sectores productivos y esto se debe a la alta demanda de insumos por parte de las manufacturas. No obstante, al revisar los datos de la EAM se halla que no todos los establecimientos reportan el valor de la compra de materias primas y entregan al DANE el valor de cero por este rubro, esta omisión de datos por parte de los encuestados es parte de las limitaciones de los datos panel mencionadas en la página 39. De otro lado, la industria colombiana exhibe rendimientos constantes a escala en todos los modelos excepto en el modelo FGLS dónde los rendimientos a escala son decrecientes. A pesar de ello, se reconoce en este documento que las manufacturas nacionales tienen rendimientos constantes a escala debido a que ese comportamiento es consistente en los demás modelos y al problema de omisión de información por parte de los establecimientos que pudo afectar los modelos estimados al reducir significativamente el coeficiente estimativo de las materias primas. En “Productividad regional y sectorial en Colombia: un análisis utilizando datos panel” de Iregui et al, (2007) el cual abarca los años 1975-2000, se estimó la elasticidad del trabajo en 0,85 y la del capital en 0,15. Al comparar esos resultados con el presente trabajo, se hace evidente que en el siglo XXI, el trabajo sigue siendo muy importante en la producción nacional. Claro, la participación es menor, pero esto se debe a que en este escrito se estiman más factores de producción. También, contrastando los hallazgos con los trabajos de Echavarría et al., (2006); Fernandes, (2003); Meléndez y Seim, (2006). Se puede decir que para Colombia los resultados son consistentes, en otras palabras, todos los resultados se dan acorde con la literatura económica, y si bien los coeficientes estimados son diferentes, estos reflejan los mismos comportamientos y tendencias que se estudian por consiguiente se puede decir que la productividad del sector
Compartir