..
Le politiche regionali dell’UE
e la convergenza economica:
un’analisi degli effetti spaziali
C. Brasili, F. Bruno, A. Saguatti
Indice
1. Rilevanza ed obiettivi della ricerca
2. La β-convergenza come misura di
convergenza economica
3. Perché l’econometria spaziale?
4. Descrizioni dei dati
5. Risultati della Exploratory Spatial Data
Analysis
6. Specificazione del modello
7. Risultati
8. Implicazioni di politica economica
Rilevanza ed obiettivi della ricerca
• Atto Unico Europeo (1986): la politica di sviluppo
regionale diventa un’area di policy comunitaria
(Titolo V: art. 130A-130E)
• Le grandi ambizioni di integrazione europea
poggiano sull’obiettivo di maggiore coesione
economica e sociale
• L’importanza crescente della Politica di
Coesione dell’UE suscita interrogativi circa la
sua sostenibilità politica e finanziaria
• Crescente bisogno di valutarne l’efficacia in
termini di convergenza economica
Obiettivo della ricerca
Esiste un processo di convergenza
economica tra le regioni dell’UE-15?
Applicazione di un modello di β-convergenza
condizionata e con effetti spaziali
Teoria neoclassica della crescita e
previsioni di convergenza
Convergenza
assoluta
le economie più povere
crescono più
velocemente
di quelle più ricche fino
a
raggiungere gli stessi
livelli di benessere
Teoria neoclassica della crescita e
previsioni di convergenza
Convergenza
condizionata
economie con parametri
strutturali diversi
convergono verso lo
stesso tasso di crescita
ma non verso lo stesso
livello di benessere
Modelli di β-convergenza condizionata
 it  a  b  ln( yit )   X it   it
0
0
• β-convergenza
– Relazione inversa tra il tasso di crescita del reddito
pro capite ed il suo livello iniziale
– Catching up dei livelli di reddito pro capite
• Condizionata
– I differenziali di crescita sono spiegati in relazione a
condizionamenti ulteriori rispetto al solo livello iniziale
di reddito pro capite
β-convergenza
Svantaggi
Vantaggi
• Nessuna evidenza di • Quantificazione della
velocità di
un trend nella crescita
convergenza in un
delle economie
unico parametro
(Quah, 1993)
• Le stime tendono ad
assumere sempre un
valore prossimo a 0,2
(Quah, 1995)
• Difficilmente rivela
l’esistenza di regimi
multipli
• Possibilità di superare
i problemi dati dalla
dimensione spaziale
dei dati, attraverso le
tecniche di
econometria spaziale
Perché l’econometria spaziale?
È l’insieme delle tecniche necessarie a trattare le
peculiarità determinate dalla dimensione
geografica all’interno delle analisi statistiche delle
scienze regionali (Atzeni et al. 2004)
• Riconoscimento della rilevanza del contributo
della Nuova Geografia Economica
• Individuazione delle strutture spaziali della
crescita economica
• Superamento di problemi nella stima causati da
effetti spaziali come la dipendenza e
l’eterogeneità spaziali (inefficienza e distorsione)
Gli effetti spaziali
• Eterogeneità:
non omogeneità delle osservazioni nello spazio
Modello con regimi spaziali (es. Centro-Periferia)
• Dipendenza:
Esistenza di una relazione funzionale tra ciò che
accade in un punto dello spazio e ciò che
accade in altri luoghi
Spatial lag: ritardo spaziale della variabile
dipendente
Cross-regressive: ritardi spaziali delle esplicative
Spatial error: ritardo spaziale degli errori
La matrice dei pesi spaziali
 0
w
12

W
 ...

 wN 1
w12
0
...
wN 2
... w1N 

... w2 N 
... ... 

... 0 
Descrive la struttura delle interazioni spaziali
wij* (k )  0
 *
2
wij (k )  1 / d ij
 *
wij (k )  0
se i  j , k
se d ij  D(k )
se d ij  D(k )
e
wij  wij* /  j wij*
per
k  1, ..., 3
La matrice dei pesi spaziali
• Attraverso la matrice dei pesi spaziali (W) si
mette in relazione una variabile osservata con
le osservazioni di quella stessa variabile in altre
unità spaziali.
• Ciò avviene tramite l’operatore spatial lag
(ritardo spaziale):

w

x

W
x
ij
j
i
j
I Dati
L’analisi si concentra su
196 regioni di livello
NUTS 2 (Eurostat),
di 15 Paesi europei.
Periodo di riferimento:
1980-2006
Fonte dei dati
Cambridge Econometrics Regional Database
http://www.camecon.com/
Dati – variabile dipendente
Il reddito delle regioni è misurato in termini di PIL
pro capite (Euro a prezzi 2000), espresso in
logaritmi ed in scarti rispetto alla media dell’UE-15:
ln( yi )  ln( y EU )
Variabile dipendente (y): it   it   UE ,t
dove
e
 it  [ln( yit )  ln( yit )] / 
0
 UE ,t  [ln( yUE ,t )  ln( yUE ,t )] / 
0
•Coerente con il criterio di eleggibilità ai fondi dell’Ob. 1
•Limita gli effetti del ciclo economico eliminando i trend comuni
•Rende minimo l’impatto di eventuali outliers.
Dati – Variabili condizionanti
• TOT_EMP
Tasso di occupazione regionale (1980)
Occupati totali (migliaia) / Popolazione totale (migliaia) * 100
• AGR_EMP
Quota di occupazione agricola (1980)
Occupati in agricoltura (migliaia) / Occupati totali (migliaia) * 100
Exploratory Spatial Data Analysis
Evidenza di eterogeneità spaziale
Exploratory Spatial Data Analysis
L’indice I di Moran
rileva una dipendenza
spaziale positiva nella
distribuzione del PIL
pro capite iniziale
E(I)=-0.0051 and
p-value=0.000
Il Moran Scatterplot
mostra due gruppi di
regioni (rich-rich; poorn
n
poor)
Modello con due
regimi spaziali
Moran ' s I 
w ( y  y )( y

n
i 1 j 1
S
ij
n
i
2
(
y

y
)
 i
i 1
j
 y)
Exploratory Spatial Data Analysis
Regioni Obiettivo 1
1994 - 1999
Regioni non Obiettivo 1
1994 - 1999
Ipotesi:
Coincidenza tra periferia geografica ed economica
Costruzione di due club di convergenza
Specificazione del modello
1. Stima OLS di un
modello di β-convergenza
condizionata
2. Test di autocorrelazione
spaziale sui residui
3. Eventuale stima ML di
un modello di β-converg.
condizionata con effetti
spaziali
Fonte: Anselin, 2005
Passo 1: Stima OLS
it  a  bGDPit0   1TOT _ EMPit0   2 AGR _ EMPit0   it
Costante (a)
-0,00904 (0,003)
GDP (b)
-0,01917 (0,000)
TOT_EMP (ψ1)
0,00032 (0,000)
AGR_EMP (ψ2)
-0,00039 (0,000)
Tasso di convergenza (β) %
2,7
Half life (anni)
36
R2
0,2995
Adjusted R2
0,2886
Jarque-Bera test
248,75 (0,000)
Breusch-Pagan test
3,1162 (0,374)
ˆ   ln( 1  bˆ ) / 
Half life  ln( 2) / 
Passo 2: Test sui residui
Test
Q(1)=554 km
Mdn=1044 km
(p-value)
Q(3)=1597 km
(p-value)
(p-value)
Test I di
Moran
(sui residui)
0,1142
(0,017)
0,0996
(0,001)
0,0903
(0,000)
LM-Lag
test
6,3514
(0,012)
10,352
(0,001)
12,1379
(0,000)
LM-Error
test
3,4991
(0,061)
7,3779
(0,007)
8,026
(0,005)
Robust LMLag test
3,9643
(0,046)
2,9777
(0,084)
4,1439
(0,042)
Robust LMError test
1,1120
(0,292)
0,0036
(0,953)
0,032
(0,858)
Passo 3: stima ML di un modello
spaziale autoregressivo
4 modelli diversi sono stati inizialmente stimati:
1)Modello SAR
2)Modello SAR con lag spaziali di tutti i regressori
(GDP, AGR_EMP, TOT_EMP)
3)Modello SAR con lag spaziale di GDP e TOT_EMP
4)Modello SAR con lag spaziale di GDP
Criterio di scelta:
valore minimo di AIC, valore massimo di loglikelihood, maggiore significatività dei parametri
Passo 3: stima ML di un modello
spaziale autoregressivo
it  a OB1 DiOB1  a NN 1 DiNN 1  (bOB1 DiOB1  b NN 1 DiNN 1 )GDPi 0 
 ( 1
OB1
 ( 2
DiOB1  1
OB1
NN 1
DiOB1  2
DiNN 1 )TOT _ EMPi 0 
NN 1
DiNN 1 ) AGR _ EMPi 0 
 ( OB1 DiOB1   NN 1 DiNN 1 )WGDPi 0  Wit   it
g
•Di è una variabile dummy che identifica le regioni
Obiettivo 1 e non Obiettivo 1;
•WΓi
è il lag spaziale della crescita economica
dell’i-esima regione nel periodo 1980-2006;
•WGDPi è il lag spaziale del PIL dell’i-esima
regione nel 1980.
Risultati e conclusioni
Obiettivo 1
(p-value)
non Obiettivo 1
(p-value)
Costante (a)
-0,00312
(0,426)
-0,01505
(0,000)
GDP (b)
-0,02824
(0,000)
-0,01569
(0,000)
TOT_EMP (ψ1)
-0,00002
(0,846)
0,00043
(0,000)
AGR_EMP (ψ2)
-0,00029
(0,000)
-0,00019
(0,037)
0,02282
(0,000)
-0,00521
(0,089)
WGDP (φ)
Spatial par. (ρ)
0,35186
(0,001)
Conv. rate (β) %
5,3
1,6
Half life (years)
24,5
44
Risultati e conclusioni
Obiettivo 1
(p-value)
non Obiettivo 1
(p-value)
TOT_EMP (ψ1)
-0,00002
(0,846)
0,00043
(0,000)
AGR_EMP (ψ2)
-0,00029
(0,000)
-0,00019
(0,037)
0,02282
(0,000)
-0,00521
(0,089)
WGDP (φ)
Obiettivo 1
• Maggiore significatività:
– Occupazione agricola
– Lag del PIL pro capite
non Obiettivo 1
• Maggiore significatività:
– Occupazione totale
Risultati e conclusioni
• Polarizzazione
dello sviluppo:
permanenti di reddito pro capite
disparità
• Velocità di convergenza più alta per le Regioni
OB1

Obiettivo 1 ( =5,3%)
• Coincidenza tra periferia
arretratezza economica
geografica
e
• Importanza degli effetti di spillover spaziali
(ρ=0.35), specialmente in relazione alle regioni
Obiettivo 1 (φ=0.023)
Implicazioni di politica economica
• Valutazione indiretta positiva della Politica di
Coesione regionale
• Necessità di tenere in considerazione l’importanza
degli effetti di spillover spaziali, attraverso:
– Un approccio “di area” (non solo regionale) alla
Politica Strutturale europea;
– Investimenti specifici;
– Forte coordinamento tra vicini che hanno
caratteristiche strutturali simili;
– Individuazione e valorizzazione dei punti di forza di
ciascuna Regione, per stimolare gli effetti di
spillover.
Sviluppi futuri
• Sviluppo dell’analisi di convergenza attraverso il
condizionamento del modello ai dai relativi ai
Fondi Strutturali regionali;
• Tema della multicollinearità nelle stime;
• Approccio con dati panel;
• Studio di nuove specificazioni della matrice dei
pesi spaziali.
Bibliografia
•
•
•
•
•
•
•
•
ABREU M., DE GROOT H. L. F., and FLORAX R. J. G. M. (2005). Space and growth: a survey
of empirical evidence and methods, Région et Développement 21, 13-44.
ANSELIN L. (1988). Spatial Econometrics: Methods and Models. Dordrecht, Boston, London:
Kluwer Academic Publishers.
BAUMONT C., ERTUR C., LE GALLO J. (2001). “A Spatial Econometric Analysis of
Geographic Spillovers and Growth for European Regions, 1980-1995”, Working Paper n.200104, LATEC UMR-CNRS 5118, Université de Bourgogne.
BRASILI C., (2005) (a cura di). Cambiamenti strutturali e convergenza economica nelle regioni
dell’Unione Europea. CLUEB.
DALL’ERBA S., LE GALLO J., (2007). “Regional Convergence and the Impact of European
Structural Funds over 1989-1999: A Spatial Econometric Analysis”, Discussion Paper 01-07,
Regional Economics Applications Laboratory, University of Illinois.
ERTUR C., LE GALLO J., BAUMONT C., (2006). “The European Regional Convergence
Process, 1980-1995: Do Spatial Regimes and Spatial Dependence Matter?”, International
Regional Science Review, vol. 29, pp. 3-34.
LÓPEZ-BAZO E., VAYÀ E., ARTIS M. (2004). “Regional Externalities and Growth: Evidence
from European Regions”, Journal of Regional Science, 44, pp. 43-73.
RAMAJO J., MARQUEZ M. A., HEWINGS G. J. D., SALINAS M. M., (2008). “Spatial
Heterogeneity and Regional Spillovers in the European Union: Do cohesion policies encourage
convergence across regions?”, European Economic Review, n. 52, pp. 551-567.
Scarica

un`analisi spaziale - Dipartimento di Scienze Statistiche