Tablas Input-Output | MODELOS INPUT OUTPUT

Función mteuro(T1,act,f,m)

«act» es la matriz de tasas de crecimiento de los VAB sectoriales, demanda final, exportaciones, PIB e importaciones, a que hay que ajustar la tabla «T1». Ambas son las que figuran en el ejemplo de la pagina 468 del «Eurostat Manual of Supply, Use and Input-Output Tables». Eurostat 2008.

«f» es la elasticidad de ajuste y «m» el numero de iteraciones

Función para iterar el método euro descrito en la pagina 461 del «Eurostat Manual of Supply, Use and Input-Output Tables». Eurostat 2008.

Este método de actualización ha sido desarrollado por Beutel (Beutel; 2002, Beutel et all; 1994, Penzkofer, Schmalholz, Scholz y Beutel; 1989) para Eurostat. El ME aplica el algoritmo RAS, pero a diferencia de este que requiere conocer previamente las sumas por filas y columnas de las matrices objeto de ajuste, este otro solo precisa como datos exógenos las previsiones macroeconómicas oficiales sobre crecimiento del VAB y las globales importaciones y de la demanda final (consumo, FBC y exportaciones). Los vectores columna y la fila para el consumo intermedio y la demanda final se derivan como variables endógenas, en vez de aceptarse como exógenas.
La idea básica es proyectar las tablas Input-Output de forma coherente con las estimaciones macroeconómicas oficiales, evitando ajustes arbitrarios de entrada para garantizar la coherencia de la oferta y la demanda.

Según Eurostat (2008), las principales ventajas del procedimiento de actualización de Euro son:
. Procedimiento de actualización robusta de bajo coste,
. Requisitos de datos limitados,
. Sólo fuentes oficiales se utilizan para la actualización,
. Estimación integrada de los cuatro cuadrantes de la tabla input-output,
. Sin cambios arbitrarios de coeficientes de insumo,
. Se obtienen filas y columnas totales de los consumos intermedios
. Se estima la composición estructural de la demanda final durante la iteración y
. La coherencia de la oferta y la demanda es proporcionado por el modelo de insumo-producto.

El ME no obstante tiene limitaciones; la composición estructural de los niveles de producción y de la demanda final en el procedimiento Euro no se basa en datos estadísticos, ya que es endógena, y en ocasiones se dispone de información estadística al respecto (encuestas sectoriales, encuestas de presupuestos familiares, comercio exterior, etc.) . Pereira et all (2010) apuntan el ME sólo se puede aplicar a matrices cuadradas y a veces no es convergente. Sin embargo, los requisitos de datos limitados, su fácil implementación y la posibilidad de un alto grado de automatización son las mayores ventajas del procedimiento.

«`{r}
mteuro <- function (T1,act,f,m) {
n <- length(act)-4
T1 <- as.matrix(T1)
act <- as.matrix(act)

primera iteracción

wo<- c(act[1:n],act[1:n],act[n+3]) # tasas 1 a n y tasa va
rm <- diag(wo)
T2 <- rm %*% T1
wi <- c(act[1:n],act[n+1],act[n+2]) # tasa 1 a n y tasa cons y export
cm <- diag(wi)
T3 <- T1 %*% cm
T4 <- (T3+T2)/2
T4 <- rbind(T4[1:(2*n),],T3[(2*n+1),])

Saca (r1:r3, c1:c3) Cear funcion inversa de leotief

coef=t(T4)/colSums(T4)
coef2=t(coef)
coef2[is.nan(coef2)]<-0
coef4<-coef2[1:n,1:n] # n sectores
i <- c(rep(1,n))
Id <- diag(i)
leontief=Id-coef4
inversa=solve(leontief)
inversa[is.nan(inversa)]<-0
Df <- T4[,(n+1)]+T4[,(n+2)]
Dfinal <- matrix(Df[1:n],ncol=1)
O <- inversa %*% Dfinal
O2 <- colSums(T4)
O3 <- c(O,O2[n+1],O2[n+2])
dou <- diag(O3)
MIO2 <- coef2 %*% dou

iteracciones

for (i in 1:m) {
sum1 <- colSums(T1)
sum2 <- colSums(MIO2)
sum3 <- rowSums(T1)
sum4 <- rowSums(MIO2)
pro <- c(MIO2[(2*n+1),1:n]/T1[(2*n+1),1:n],sum2[(n+1)]/sum1[(n+1)],sum2[(n+2)]/sum1[(n+2)],sum4[(2*n+1)]/sum3[(2*n+1)],
sum(sum4[(n+1):(n+n)])/sum(sum3[(n+1):(n+n)]))
pro[is.nan(pro)]<-0
desv <- act/pro
desv[is.nan(desv)]<-1
delta <- desv-1
coef <- ifelse(delta<0,1-(((1-desv)*100)^f)/100,1+(((desv-1)*100)^f)/100)
rev1 <- c(coef[1:n],rep(coef[(n+4)],n),coef[(n+3)])
wo <- rev1*wo
rm <- diag(wo)
IOW1 <- rm %*% T1
rev2 <- c(coef[1:(n+2)])
wi <- wi*rev2
cm <- diag(wi)
IOW2 <- T1 %*% cm
IOW3 <- 0.5*IOW2+0.5*IOW1
IOW4 <- rbind(IOW3[1:(2*n),],IOW2[(2*n+1),])
IOW4[is.nan(IOW4)]<-0
coef=t(IOW4)/colSums(IOW4)
coef2=t(coef)
coef2[is.nan(coef2)]<-0
coef4<-coef2[1:n,1:n]
i <- c(rep(1,n))
Id <- diag(i)
leontief=Id-coef4
inversa=solve(leontief)
inversa[is.nan(inversa)]<-0
Df <- IOW4[,(n+1)]+IOW4[,(n+2)]
Dfinal <- matrix(Df[1:n], ncol=1)
O <- inversa %*% Dfinal
O2 <- colSums(IOW4)
O3 <- c(O,O2[n+1],O2[n+2])
dOu <- diag(O3)
MIO2 <- coef2 %*% dOu}
write.csv(MIO2,’mio2.csv’)
act <- c(t(act))
desv <- c(t(desv))
print(cbind(act,pro,desv))}

«`

Datos para la actualiación por el metodo euro

«`{r}
act<- c(0.9500,1.0200,1.0700,1.0525, 1.0164,1.0293,1.0483) # Tasas

MIO <- c(16.00,28.00,6.00,15.00,35.00,
12.00, 144.00, 24.00, 90.00, 130.00,
9.00, 64.00, 16.00, 45.00, 66.00,
4.00, 6.00, 4.00, 15.00, 0.00,
8.00, 8.00, 16.00, 90.00, 0.00,
1.00, 8.00, 4.00, 45.00, 0.00,
50.00, 142.00, 130.00, 0.00, 0.00)
MIO1 <- matrix(MIO, ncol=7)
T1 <- t(MIO1)
«`

Metodología:

Analisis input_output R

En R-Pub:

Analisis input_output R

#leontief, #marco-input-output, #modelos-input-output