Professional Documents
Culture Documents
RESUMEN
1. INTRODUCCIN
Dentro de la literatura econmica son frecuentes los trabajos que tienen como
objetivo la estimacin de una matriz de flujos o bien de entrada-salida, basta recordar en
este punto las estimaciones de las tablas input-output, las matrices de flujos comerciales
entre regiones, las matrices de origen destino de los movimientos migratorios. Debido al
coste que supone la realizacin de estimaciones directas de las matrices
tradicionalmente se ha optado por actualizarlas mediante el mtodo RAS. Una ventaja
de esta estimacin indirecta es su sencillez y bajo coste computacional como bien
sealan Lahr y deMesnard (2004). El mtodo RAS es una tcnica de ajuste
biproporcional que fue propuesta por Stone (1961), y Stone y Brown (1962). Se pueden
encontrar muchas referencias sobre este procedimiento que ha ido ganando popularidad,
vase Bacharach (1970), Allen y Lecomber (1975), Szyrmer (1989), deMesnard (2002),
Callealta y Lpez (2005). A destacar Polenske (1997) que revis los avances realizados
en el desarrollo del mtodo RAS como aplicacin para el ajuste de tablas input-output.
De acuerdo con Okuyama et al. (2000) el RAS se puede usar como mtodo para ajustar
una matriz de un periodo de tiempo a otra matriz nueva referida a un periodo de tiempo
posterior, o bien para ajustar tablas input-output nacionales para estimar tablas
regionales. El mtodo RAS es un algoritmo simple cuyo objetivo es el equilibrado de
matrices mediante la multiplicacin iterativa de filas y columnas de una matriz inicial
por valores constantes y positivos que derivarn en la solucin final que se caracteriza
por soluciones no negativas. Para superar esta limitacin, se han desarrollado otros
algoritmos de escala a partir del mtodo RAS como por ejemplo el propuesto por Junius
y Oosterhaven (2003) (GRAS), que se trata de una generalizacin del RAS que ofrece la
posibilidad de obtener soluciones negativas.
Frente a estos mtodos iterativos encontramos otros procedimientos derivados
del mtodo RAS pero formulados estrictamente como desarrollos matemticos, se trata
de algoritmos de optimizacin, que se basan en la bsqueda de una funcin objetivo que
minimice la distancia entre la matriz inicial y la matriz candidata a ser solucin,
verificando las restricciones correspondientes. Los trabajos de Bachem y Korte (1979a,
1979b) y Bachem (1983) utilizan la programacin matemtica para estimar tablas de
entrada-salida. Existen muchos tipos de restricciones aplicables a un problema de
optimizacin, por ejemplo, minimizar distancias absolutas, distancias ponderadas,
distancias normalizadas, etc., como explican Jackson y Murray (2004).
2 XV Jornadas de ASEPUMA y III Encuentro Internacional
Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo
2. MODELOS DE ESTIMACIN
matrices originales o de referencia, mientras que se denota qij como el valor de los coeficientes
Min Z = a ij q ij
j i
s.a. [M1]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
s.a.
[M1L]
q x
i
ij j = v j j, q x
j
ij j = u i i,
t a ij q ij i, j, t ij q ij a ij i, j, q ij , t +ij , t ij 0 i, j
+
ij
Donde tij+ representa la distancia entre los coeficientes de la matriz original y los
coeficientes de la matriz estimada cuando el valor de la estimacin se encuentra por debajo del
4 XV Jornadas de ASEPUMA y III Encuentro Internacional
Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo
valor de referencia. Del mismo modo se denota tij a la distancia entre los coeficientes de la
Min Z = a ij a ij q ij
j i
s.a. [M2]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
(
Min Z = a ij t +ij t ij )
j i
s.a.
[M2L]
q x
i
ij j = v j j, q xj
ij j = u i i,
t a ij q ij i, j, t ij q ij a ij i, j, q ij , t +ij , t ij 0 i, j
+
ij
a ij q ij
Min Z =
j i a ij
s.a. [M3]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
Min Z =
(t +
ij t ij )
j i a ij
s.a. [M3L]
q x
i
ij j = v j j, q x j
ij j = u i i,
t +ij a ij q ij i, j, t ij q ij a ij i, j, q ij , t +ij , t ij 0 i, j
Min Z = ( a ij q ij )
2
j i
s.a. [M4]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
Min Z = a ij ( a ij q ij )
2
j i
s.a. [M5]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
(a )
2
q ij
Min Z =
ij
j i a ij
s.a. [M6]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
2.7. Modelo 7: RAS: Este modelo penaliza ms las desviaciones que se producen en
coeficientes con una valor ms alto que aquellas diferencias entre coeficientes con
valores menores. En nuestro caso, algunos coeficientes de las matrices utilizadas son
nulos. Por ello, hemos utilizado el mtodo RAS de estimacin clsico que puede ser
expresado como Q = f(A,u,v,x) donde la matriz Q se estima a partir de la matriz origen
A y de los vectores de agregacin antes descritos. Se trata de un proceso iterativo en el
cual se van realizando aproximaciones a la matriz de flujos teniendo en cuenta las
restricciones por filas, y posteriormente las restricciones por columnas, y as
sucesivamente hasta que la diferencia entre las matrices de flujos inicial y la estimada es
menor a una cantidad determinada. No obstante, tambin admite una expresin similar a
las anteriores.
q ij
Min Z = q ij ln
a ij
j i
s.a. [M7]
q x
i
ij j = v j j, q x
j
ij j = u i i, q ij 0 i, j
3. EJERCICIO DE SIMULACIN
Con el fin de estudiar la adecuacin del mtodo de estimacin en cada una de las
situaciones reales se han planteado distintos escenarios. Concretamente, el primer paso
ha sido comprobar la independencia de los resultados con respecto al tipo de matriz
utilizada. Por ello, se han tenido en cuenta seis tipos de matrices de coeficientes
tcnicos. El tipo de matriz utilizada corresponde con el primer dgito del cdigo de los
escenarios (analfabetos (A), sin estudios (N), estudios primarios (P), estudios
secundarios (S), estudios terciarios (S), total (T)). Asimismo, hemos simulado con dos
posibles modelos para la variacin de los coeficientes de las matrices excepto para la
diagonal principal que toma siempre valores nulos. Esta variacin de los coeficientes
puede seguir una distribucin Normal (N) o Uniforme (U), y se supone su media nula,
es decir que el valor esperado es cero. Cada nuevo coeficiente se obtendra como:
qij = aij + vij , donde vij es la variacin aleatoria.
Adems de los anteriores elementos, cuatro estrategias distintas han sido consideradas
para definir las varianzas, 2 (vij ) , de las variaciones vij . En concreto:
Ello define 48 escenarios (ANA, ANI, ANM, ANP, AUA, AUI, AUM, AUP, NNA,
NNI, NNM, NNP, NUA, NUI, NUM, NUP, PNA, PNI, PNM, PNP, PUA, PUI, PUM,
PUP, SNA, SNI, SNM, SNP, SUA, SUI, SUM, SUP, TNA, TNI, TNM, TNP, TUA,
TUI, TUM, TUP, UNA, UNI, UNM, UNP, UUA, UUI, UUM, UUP), por ejemplo, el
escenario ANA emplea como matriz semilla la matriz de coeficientes tcnicos de
analfabetos, usa una distribucin normal para las variaciones aleatorias con varianza
aleatoria en cada celda; mientras, el escenario UUP parte de la matriz de coeficientes
tcnicos de estudios terciarios, considera distribucin uniforme y emplea varianza
proporcional al valor de cada celda.
Sobre cada uno de los escenarios se han realizado 25 rplicas, obtenindose un
conjunto de matrices Q ( qij ) simuladas. Para posteriormente, a partir de la matrices A
del estudio que nos permite alcanzar ciertas conclusiones acerca de qu modelo realiza
mejores estimaciones.
(q
i j
ij q ij ) 2
U1= (U1)
q + q
2 2
ij ij
i j i j
Tabla 1: Medias del estadstico U1 de Theil para variaciones Normales con varianza aleatoria.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
ANA 0,0433 0,0453 0,0600 0,0302* 0,0424 0,0442 0,0423
NNA 0,0411 0,0419 0,0720 0,0315* 0,0377 0,0405 0,0396
PNA 0,0399 0,0422 0,0549 0,0317* 0,0348 0,0362 0,0371
SNA 0,0399 0,0415 0,0523 0,0313* 0,0329 0,0327 0,0351
TNA 0,0395 0,0404 0,0513 0,0309* 0,0323 0,0325 0,0349
UNA 0,0387 0,0410 0,0482 0,0307* 0,0329 0,0330 0,0338
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
Tabla 3: Medias del estadstico U1 de Theil para variaciones Normales con varianza constante.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
ANM 0,0500 0,0512 0,0712 0,0346* 0,0485 0,0499 0,0499
NNM 0,0473 0,0485 0,0826 0,0363* 0,0444 0,0472 0,0446
PNM 0,0469 0,0488 0,0632 0,0367* 0,0399 0,0416 0,0420
SNM 0,0501 0,0516 0,0663 0,0394* 0,0413 0,0413 0,0448
TNM 0,0459 0,0475 0,0566 0,0358* 0,0374 0,0375 0,0396
UNM 0,0447 0,0459 0,0559 0,0354* 0,0374 0,0375 0,0390
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
Tabla 4: Medias del estadstico U1 para variaciones Normales con varianza proporcional.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
ANP 0,0544 0,0639 0,0480 0,0455 0,0578 0,0457 0,0354*
NNP 0,0520 0,0634 0,0438 0,0456 0,0556 0,0402 0,0351*
PNP 0,0537 0,0633 0,0374 0,0464 0,0537 0,0360* 0,0361
SNP 0,0532 0,0620 0,0378 0,0460 0,0512 0,0367* 0,0373
TNP 0,0541 0,0618 0,0394 0,0450 0,0502 0,0367* 0,0368
UNP 0,0553 0,0648 0,0445 0,0474 0,0530 0,0400 0,0400*
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
XV Jornadas de ASEPUMA y III Encuentro Internacional 9
Cabrer, Olmos, Pavia y Sala
Tabla 5: Medias del estadstico U1 de Theil para variaciones Uniforme con varianza aleatoria.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
AUA 0,2588 0,2598 0,3182 0,1546* 0,2423 0,2529 0,2376
NUA 0,2756 0,2772 0,3423 0,1724* 0,2412 0,2858 0,2254
PUA 0,2603 0,2668 0,3134 0,1763* 0,1998 0,2346 0,2089
SUA 0,2514 0,2580 0,3111 0,1801* 0,1906 0,1939 0,2097
TUA 0,2516 0,2531 0,2775 0,1747* 0,1842 0,1857 0,2018
UUA 0,2469 0,2562 0,2781 0,1735* 0,1923 0,1958 0,1991
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
Tabla 7: Medias del estadstico U1 de Theil para variaciones Uniforme con varianza constante.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
AUM 0,2158 0,2179 0,2667 0,1335* 0,2077 0,2119 0,1987
NUM 0,2018 0,2093 0,2615 0,1393* 0,1826 0,2071 0,1769
PUM 0,2019 0,2073 0,2604 0,1452* 0,1612 0,1867 0,1702
SUM 0,2129 0,2168 0,2546 0,1546* 0,1634 0,1633 0,1780
TUM 0,0475 0,0494 0,0592 0,0367* 0,0386 0,0386 0,0424
UUM 0,2434 0,2505 0,2758 0,1735* 0,1889 0,1925 0,1962
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
Tabla 8: Medias del estadstico U1 para variaciones Uniforme con varianza proporcional.
DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
AUP 0,0558 0,0666 0,0489 0,0462 0,0598 0,0456 0,0349*
NUP 0,0528 0,0613 0,0444 0,0439 0,0540 0,0404 0,0349*
PUP 0,0539 0,0634 0,0375 0,0457 0,0532 0,0355 0,0351*
SUP 0,0539 0,0618 0,0397 0,0455 0,0508 0,0363* 0,0365
TUP 0,0551 0,0651 0,0404 0,0472 0,0530 0,0378* 0,0380
UUP 0,0577 0,0666 0,0463 0,0478 0,0535 0,0410 0,0408*
Fuente: Elaboracin propia. Nota: El smbolo * seala el modelo de mnimo error
ms pueden variar y los ms pequeos los que menos), el mtodo RAS (M7) junto con
el mtodo DCN (M6) son los que presentan menores errores.
5. CONCLUSIONES
6. REFERENCIAS BIBLIOGRFICAS
POLENSKE, K.R (1997), Current uses of the RAS technique: a critical review, en
Simonovits, A. y Steenge, A.E. (eds.) Proportions, Growth and Cycles, London,
McMillan, pp.58-88.