Actualizacin de matrices origen-destino.

Un anlisis de alternativas a travs de MonteCarlo

Actualizacin de matrices origen-destino. Un anlisis

de alternativas a travs de MonteCarlo.
Bernardi Cabrer (Bernardi.Cabrer@uv.es), Julia Olmos,
Jose Manuel Pavia (pavia@uv.es), Ramon Sala (sala@uv.es)
Universidad de Valencia

RESUMEN

El estudio de los mtodos de estimacin de matrices biproporcionales presenta un gran

inters dada la necesidad de encontrar modelos de estimacin indirecta que ofrezcan una
alternativa fiable a unos modelos directos que resultan muy costosos. El mtodo RAS, ha sido
considerado en economa desde hace aos en la literatura como el mtodo biproporcional
preferido para la estimacin de matrices input-output, sin embargo existen otros modelos
matemticos vlidos para poder realizar estas actualizaciones. Por ello, en este documento, se
realiza un anlisis de los modelos a travs de un experimento MonteCarlo, utilizando distintas
matrices con el fin de elegir qu mtodo se ajusta ms a la realidad.

Palabras claves: RAS; estimacin; biproporcionalidad, input-output.

Clasificacin JEL: C01, C15, C67.
rea temtica: Aspectos cuantitativos del fenmeno econmico.

XV Jornadas de ASEPUMA y III Encuentro Internacional 1

Cabrer, Olmos, Pavia y Sala

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

Ante la existencia de todas estas posibilidades y mtodos capaces de ofrecer

estimaciones ms o menos fiables, un estudio comparativo de los diferentes mtodos
resulta oportuno. En esta lnea cabe destacar la aportacin de Jackson y Murray (2004),
que presentan el anlisis de 11 mtodos de estimacin diferentes, entre ellos el RAS y el
GRAS, con el fin de evaluar, a travs de 4 estadsticos distintos, cual de estos modelos
genera una matriz input-output que ms se aproxima a la realidad. Entre los mtodos
utilizados para estimar las matrices de los dos periodos sometidos a estudio, se pueden
distinguir aquellos que conservan el signo de los elementos de la matriz origen, y
aquellos que no preservan el signo. Para una matriz origen compuesta por valores
positivos, Jackson y Murray eligen el mtodo RAS, sin embargo, para una matriz
iniciales que contiene valores negativos, el modelo de diferencias al cuadrado
preservando el signo es el elegido ya que realiza la mejor estimacin y actualizacin de
la matriz input-output. Aunque el mtodo RAS es el ms utilizado y es considerado
como una eleccin racional para la estimacin de matrices, hay mtodos alternativos
que pueden incluso mejorar sus estimaciones.
El algoritmo RAS, que fue propuesto cuando el clculo computacional era caro y
ha sido usado casi de forma exclusiva desde los aos 60. Los avances computacionales
de hoy en da y el desarrollo de algoritmos no lineales posibilitan la definicin y
utilizacin de nuevos mtodos alternativos.
En este documento se trata de comparar el poder de prediccin de las diferentes
alternativas o procedimientos de actualizacin de matrices biproporcionales a travs de
un experimento MonteCarlo, con el fin de decidir cual de los diferentes mtodos de
estimacin de la matriz biproporcional es el ptimo.
Los resultados muestran que el mtodo RAS no siempre es la mejor opcin, por
lo tanto se deberan de considerar otras alternativas para la de actualizacin de matrices
biproporcionales. Por ello, se realizarn distintas simulaciones utilizando diferentes
mtodos y modelos matemticos con el fin de estimar y actualizar una serie de matrices
elegidas de forma aleatoria. As pues, tras analizar la bondad de los diferentes
estadsticos, se podr determinar cual de los mtodos se ajusta mejor a la realidad.
El resto del documento est estructurado de la forma siguiente: en la seccin 2 se
definen los 7 modelos de estimacin sobre los cuales se efectuar el anlisis, y se
presentarn en su forma lineal, en los casos en que es posible. En la seccin 3 se
realizar un ejercicio de simulacin, cuyos resultados sern analizados en la seccin 4.

XV Jornadas de ASEPUMA y III Encuentro Internacional 3

Cabrer, Olmos, Pavia y Sala

En la ltima seccin se concluir cual de estos mtodos ofrece unas estimaciones ms

fiables y acordes con la realidad.

2. MODELOS DE ESTIMACIN

En este epgrafe vamos a representar matemticamente cada uno de los 7

modelos que posteriormente sern sometidos a anlisis en la prxima seccin.
Asimismo, aquellos modelos que lo permitan sern presentados en su versin lineal.
Sealar que los cuatro ltimos modelos, esto es MDC, MDCP, MDCN y el mtodo
RAS son procedimientos no lineales (NLP).
Cabra definir algunos de los smbolos que vamos a emplear para representar los
modelos en su forma matemtica. La variable aij describe el valor de los coeficientes de las

matrices originales o de referencia, mientras que se denota qij como el valor de los coeficientes

que se pretenden estimar. Los vectores de agregacin vienen representados por x j , ui , v j y

se definen como el vector total de recursos, el vector de agregacin fila y el vector de

agregacin columna respectivamente.

2.1. Modelo 1: Modelo de Diferencias Absolutas. (DA): el objetivo del Modelo 1 es

minimizar la suma de la distancia absoluta entre los elementos de la matriz de referencia
aij , y los elementos de la matriz estimada qij . As se representa matemticamente:

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

En su versin lineal es:

Min Z = t +ij t ij ( )
j i

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

matriz original y los coeficientes de la matriz estimada cuando el valor de la estimacin es

superior al de referencia.

2.2. Modelo 2: Modelo de Diferencias Absolutas Ponderadas (DAP): A diferencia

del modelo 1 en el que asignamos el mismo peso a todos los coeficientes, el modelo
pondera las diferencias absolutas por el coeficiente de la matriz de referencia. De este
modo, se asignar un mayor peso a aquellas diferencias cuyo valor del coeficiente sea
mayor.

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

En su versin lineal es:

(
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

2.3. Modelo 3: Modelo de Diferencias Absolutas Normalizadas (DAN)

(Matuszewski, 1964): se trata de una normalizacin del Modelo 1. De esta manera, las
diferencias en los coeficientes altos contribuirn menos al valor de la funcin objetivo
que las diferencias producidas entre coeficientes con un valor bajo.

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

En su versin lineal es:

XV Jornadas de ASEPUMA y III Encuentro Internacional 5

Cabrer, Olmos, Pavia y Sala

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

2.4. Modelo 4: Modelo de Diferencias al Cuadrado (DC): se trata de la versin

cuadrtica del Modelo 1. No hay ninguna ponderacin ligada al tamao del coeficiente.
Este modelo no puede expresarse en forma lineal.

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

2.5. Modelo 5: Modelo de Diferencias al Cuadrado Ponderadas (DCP): este modelo

pondera las diferencias cuadrticas multiplicndolas por el valor del coeficiente de
referencia correspondiente. Se trata de un modelo que no se puede escribir en forma
lineal y que pondera ms las desviaciones en coeficientes con un alto valor que aquellos
coeficientes cuyo valor es ms pequeo. As tenemos

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

2.6. Modelo 6: Modelo de Diferencias al Cuadrado Normalizadas (DCN): se trata

de una normalizacin del Modelo 4, y es un modelo que debe de ser resuelto con
procedimientos no lineales.

(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

6 XV Jornadas de ASEPUMA y III Encuentro Internacional

Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo

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.

XV Jornadas de ASEPUMA y III Encuentro Internacional 7

Cabrer, Olmos, Pavia y Sala

Adems de los anteriores elementos, cuatro estrategias distintas han sido consideradas
para definir las varianzas, 2 (vij ) , de las variaciones vij . En concreto:

- 2 (vij ) = aleatoria Varianza aleatoria en cada celda (A)

- 2 (vij ) 1 / aij Varianza inversamente proporcional en cada celda (I)

- 2 (vij ) = cte Misma varianza en todas las celdas (M)

- 2 (vij ) aij Varianza proporcional en cada celda (P)

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

( aij ) semilla correspondiente y de los vectores de agregacin que se obtienen de las

matrices simuladas se han estimado las matrices Q ( q ij ) siguiendo cada uno de los siete

modelos presentado en la seccin anterior.

Se han estimado diferentes estadsticos para medir la proximidad de Q a Q . En
el apartado siguiente se ofrece el resultado de uno de estos estadsticos.

4. ANLISIS DE LOS RESULTADOS

En este apartado se presenta algunos de los resultados obtenidos tras las

simulaciones realizadas en todos los escenarios previamente descritos. Estos resultados
corresponden con las medias del estadstico U1 de Theil (U1) organizados por grupos
de escenarios para los modelos propuestos. Sin embargo, se han utilizado muchos
estadsticos por lo que las tablas que a continuacin se presentan son una pequea parte
8 XV Jornadas de ASEPUMA y III Encuentro Internacional
Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo

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 2: Medias U1 para variaciones Normales con varianza inversamente proporcional.

DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
ANI 0,3643 0,3587 0,4484 0,2269* 0,3269 0,3628 0,3651
NNI 0,2873 0,2834 0,3621 0,1832* 0,2548 0,3229 0,2452
PNI 0,3416 0,3393 0,4102 0,2219* 0,2510 0,3166 0,2704
SNI 0,3489 0,3549 0,3960 0,2320* 0,2391 0,2607 0,2826
TNI 0,3467 0,3419 0,3806 0,2348* 0,2369 0,2618 0,2855
UNI 0,3668 0,3606 0,4045 0,2480* 0,2646 0,2933 0,2875
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 6: Medias de U1 para variaciones Uniforme con varianza inversamente proporcional.

DA (M1) DAP (M2) DAN (M3) DC (M4) DCP (M5) DCN (M6) RAS (M7)
AUI 0,3873 0,3698 0,4461 0,2264* 0,3471 0,3700 0,3696
NUI 0,3480 0,3373 0,4257 0,2139* 0,2970 0,3769 0,3009
PUI 0,3545 0,3462 0,4160 0,2226* 0,2500 0,3202 0,2799
SUI 0,3554 0,3467 0,3977 0,2320* 0,2366 0,2647 0,2864
TUI 0,3666 0,3573 0,4077 0,2342* 0,2386 0,2663 0,2850
UUI 0,3817 0,3759 0,4063 0,2484* 0,2670 0,2959 0,2967
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

Tras el anlisis de los resultados presentados previamente, se puede afirmar que

el Modelo 4, es decir el modelo de diferencias al cuadrado (DC), es el que mejor
funciona en la mayora de los casos. Sin embargo, cuando la variabilidad del coeficiente
es proporcional al valor del mismo (es decir, los coeficientes ms grandes son los que

10 XV Jornadas de ASEPUMA y III Encuentro Internacional

Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo

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

Histricamente el mtodo RAS ha sido utilizado prcticamente como nica

alternativa para la actualizacin de matrices biproporcionales. Sin embargo, a la luz de
los resultados proporcionados en el presente estudio, tal estrategia no es siempre la ms
adecuada. De hecho, de los cuatro tipos de posibilidades de variaciones analizadas, el
RAS solo se muestra superior en uno de ellos mientras que el modelo de diferencias al
cuadrado (DC) que calcula la mnima diferencia cuadrtica entre la matriz de referencia
y la matriz origen es el que mejor funciona en los otros tres casos.
Los resultados que aqu se presentan han sido obtenidos utilizando distintas
matrices 17x17 de movimientos migratorios. Aunque parecen bastante robustos
independientemente de la matriz empleada, sera interesante extender los anlisis
cuando se utilicen matrices de otros tamaos y de otros conceptos, por ejemplo matrices
Input-Output de sectores econmicos. Asimismo, otra posible extensin consistira en
estudiar qu mtodo ser el ms potente cuando las variaciones que puedan afectar a los
coeficientes sean distintas. Por ejemplo seleccionar aleatoriamente unos coeficientes
que variasen inversamente proporcional a su tamao y otros directamente proporcional
a su tamao.

6. REFERENCIAS BIBLIOGRFICAS

ALLEN, R.I.G Y LECOMBER, J.R.C (1975) Some test on a generalized version

of RAS, en Allen, R.I.G y Gossling, W.F. (eds.) Estimating and Projecting Input-
Output Coefficients, Input-Output Publishing Company, London.

BACHARACH, M (1970) Biproportional matrices and input-output change,

Cambridge University Press, Cambridge.

BACHEM, A. Y KORTE, B. (1979a), Estimating Input-Output Matrices, 7th

International Conference on Input-Output Techniques, Innsbruck, abril.

XV Jornadas de ASEPUMA y III Encuentro Internacional 11

Cabrer, Olmos, Pavia y Sala

BACHEM, A. Y KORTE, B. (1979b), On the RAS- algorithm, Computing, 23,

pp. 189-198.

BACHEM, A., GROTSCHEL, M Y KORTE, B.EDS. (1983), Mathematical

Programming: The State of the Art, Springer-Verlag, Berlin.

CABRER B. Y PAVA J.M. (2003) Flujos demogrficos regionales: un anlisis

input-output. Estadstica Espaola, 45 (154) pp.407-429.

CALLEALTA BARROSO F.J. Y LPEZ GARCA A.M. (2005) Predicciones

armonizadas del crecimiento regional: diseo de un modelo de congruencia,
Estadstica espaola Vol.47, Nm.159, 2005, pgs 219-251.

CHENERY H. Y WATANABE T. (1958) International Comparisons of the

Structure of Production Econometrica Vol 26 (4) pp.487-521.

JACKSON Y MURRAY (2004), Alternative Input-Output Matrix Updating

formulations, Economic System Research, Vol 16, No.2, June 2004, pp.135-148.

JUNIUS, T. & OOSTERHAVEN, J. (2003) The solution of updating or

regionalizing a matrix with both positive and negative entries, Economic System
Research, 15, pp.87-96.

LAHR, M.L. Y MESNARD, L. DE (2004), Biproportional techniques in input-

output anlisis: table updating and structural anlisis, Economic System Research,
volume 16, nmero 2, junio, pp.115-134.

MESNARD, L. DE (2002), Normalizing biproportional methods, The Annals of

Regional Science, volume 36, nmero 1, febrero, pp. 139-144.

OKUYAMA, Y HEWWINGS, G.J.D., SONIS, M. E ISRAILEVICH, P.R. (2000),

An econometric analysis of bi-proportional properties in a economic input-output
modelling system, Regional Economics Applications Laboratory (REAL),
University of Illinois y Federal Reserve Bank of Chicago, Discussuin Paper REAL
98-T-12, revisin junio 2000.

PAVA J.M. Y CABRER B. (2004) Espacio y comercio interregional en Espaa.

Estudios de Economa Aplicada Vol.22-23 pp.517-538.

12 XV Jornadas de ASEPUMA y III Encuentro Internacional

Actualizacin de matrices origen-destino. Un anlisis de alternativas a travs de MonteCarlo

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.

STONE, R.A (1961) Input-Output and Nacional Accounts, Organisation for

European Economic Cooperation, Paris.

STONE, R.A. Y BROWN, A. (1962) A computable model of economic growth,

vol 1, a programme for growth, Chapman and Hall, London.

SZYRMER, J. (1989) Trade-off between error and information in the RAS

procedure en Miller, R.E., Polenske, K.R y Rose, A.Z. (eds.) Frontiers of input-
output analysis, Oxford University Press, New York, pp. 258-278.

XV Jornadas de ASEPUMA y III Encuentro Internacional 13