Economische concentratie: de empirie

Economische concentratie: de empirie

© Hinloopen en van Marrewijk, 2003


JEROEN HINLOOPEN Universiteit van Amsterdam en Technische Universiteit Delft

en

CHARLES VAN MARREWIJK Erasmus Universiteit Rotterdam

Eerste versie: december 2002; deze versie: februari 2003

Samenvatting Gezien de veelheid aan mogelijke analyses betreffende de spreiding van economische activiteit, in termen van wat (bevolking, toegevoegde waarde, keuze van sectoren), waar (globale regio’s, landen, districten, steden) en hoe (structuur in spreiding en interactie) is er een verbluffende helderheid in uitkomst van die analyse, samengevat in de volgende zes gestileerde feiten (waarvan de laatste nieuw is): §

Er is ongelijkmatige spreiding ongeacht de soort economische activiteit.

§

Er is ongelijkmatige spreiding ongeacht het geografische aggregatieniveau.

§

Er is ongelijkmatige spreiding ongeacht het economische aggregatieniveau.

§

Er is een opmerkelijke regelmaat in de spreiding van economische activiteit.

§

Er is een opmerkelijke regelmaat in de interactie tussen economische centra.

§

Er is een opmerkelijke regelmaat in de verdeling van comparatief voordeel.

1 / 40



1. Inleiding In oktober 2002 benaderden Steven Brakman en Harry Garretsen ons voor dit preadvies met als hoofddoel “aannemelijk te maken dat economische activiteit niet homogeen over de ruimte is verdeeld.” Hoewel er ook een aantal andere onderzoeksvragen werden gesteld waaraan we in de loop van dit artikel aandacht zullen besteden, zal de lezer in eerste instantie op de hoofdvraag wellicht reageren met: “maar natuurlijk is economische activiteit niet homogeen over de ruimte verdeeld, dat weet toch iedereen!” Een wandeling langs de blaarkoppen in Friesland op woensdagochtend geeft een heel ander beeld van ‘economische activiteit’ dan een wandeling door de Rotterdamse “koopgoot” op zaterdagmiddag. Het is dus evident dat er sprake is van een ongelijkmatige verdeling. Toch is die directe reactie omtrent de evidentie van de ongelijkmatige verdeling om tenminste drie redenen niet terecht.

Ten eerste moeten we preciseren wat we bedoelen met ‘economische activiteit’. Uiteraard zijn dit activiteiten waarbij mensen betrokken zijn, zodat een eerste indicatie van de verdeling van economische activiteit gegeven wordt door te kijken naar de verdeling van mensen over de wereldbol. De ene mens is echter, bijvoorbeeld dankzij verschillen in opleiding of de ter beschikking staande hoeveelheden kapitaal, infrastructuur en communicatie, veel produktiever dan de andere mens wat leidt tot een hogere toegevoegde waarde, zodat bij een analyse van de verdeling van economische activiteit met de verschillen in produktiviteit rekening moet worden gehouden. Die correctie voor produktiviteit moeten we echter weer niet te ver doorvoeren, aangezien empirisch blijkt dat deze positief samenhangt met het prijspeil, waarvoor dus ook weer voor gecorrigeerd moet worden. Dit brengt ons uiteindelijk op voor koopkracht gecorrigeerde toegevoegde waarde als maatstaf.

Ten tweede moeten we het aggregatie niveau in beschouwing nemen, zowel geografisch als economisch. Het geografische aggregatie niveau kan zich richten op verschillen tussen globale regio’s, zoals bijvoorbeeld gedefinieerd door de Wereldbank (zie verder), op verschillen tussen landen, op verschillen in regio’s in landen, op verschillen tussen steden, en zelfs op verschillen in wijken binnen steden. Een en ander eventueel ingeperkt binnen een hoger aggregatie niveau. Het economische aggregatieniveau betreft de analyse van het type economische activiteit.

2 / 40



Dit kunnen alle geproduceerde goederen en diensten1 zijn, het kan zich beperken tot een groep van produkten, zoals de landbouwsector of de dienstensector, of men kan zich richten op de analyse van slechts één of enkele produkten, zoals de bloementeelt of de filmindustrie.

Ten derde kunnen we analyseren of er regelmatigheden te ondekken zijn, zowel in de (on)gelijkmatigheid van het spreidingspatroon als in de interactie tussen economische centra. We gaan dan dus verder dan de constatering dat de economische activiteit niet homogeen over de ruimte is verdeeld, maar proberen ook een eventuele structuur te ontdekken, die dan weer aanleiding geeft naar een verklaring voor die structuur te zoeken. Zo’n verklaring kan van het ‘first nature’ type zijn (exogeen van karakter: de houtindustrie is meestal gelokaliseerd in bosrijke omgeving; grote havens liggen meestal aan de monding van een bevaarbare rivier) of van het ‘second nature’ type (endogeen van karakter: computeractiviteiten zijn geconcentreerd in Silicon Valley om gebruik te kunnen maken van lokaal aanwezige kennis; er zijn veel broodjeszaken in New York omdat er veel mensen wonen). Inzicht in die verklaringen kan weer aanleiding geven tot beleidsanalyse. In dit artikel zullen we wel aandacht besteden aan de structuur van de spreiding van economische activiteit, maar niet aan de verklaringen voor die structuur en ook niet aan beleidsaanbevelingen, aangezien beide uitgebreid aan bod komen in de overige preadviezen.

Hoewel we aan de meeste van de boven genoemde aspecten aandacht besteden is er welbeschouwd een schier oneindige hoeveelheid combinaties die kunnen worden geanalyseerd betreffende type economische activiteit, verdeling- en spreiding, economische- en geografische aggregatie, interactie tussen economische centra, enzovoort. Het is dus des te opmerkelijker, en van belang voor de hierop volgende analyses, dat een aantal heldere en eenvoudige conclusies betreffende de spreiding van economische activiteit toch kan worden getrokken, zoals samengevat in de volgende zes gestileerde feiten (waarvan de laatste nieuw is): §


§


§


1

In het navolgende heeft de term ‘goederen’ ook betrekking op diensten.

3 / 40



§


§


§


2. Globale regio’s 2 Er zijn veel landen op de wereld. De Wereldbank onderscheidt op haar CD-ROM 207 verschillende landen, waarvan velen zo klein zijn dat u er wellicht nog nooit van gehoord heeft (Palau? Kiribati?). Door politieke strubbelingen is Taiwan, dat door China als een afvallige provincie wordt beschouwd, het enige significante land dat als aparte entiteit op dit databestand ontbreekt. Het is wel gegroepeerd opgenomen. De volgende paragraaf gaat wat dieper in op verschillen tussen landen. In deze paragraaf karakteriseren we groepen van landen gebaseerd op de indeling in globale regio’s van de Wereldbank, te weten3 : 1. EAP: East Asia and Pacific (incl. China en Indonesië) 2. ECA: (Oost) Europe and Central Asia (incl. Turkije en Rusland) 3. HIC: High Income Countries (incl. West Europa, Verenigde Staten en Japan) 4. LAC: Latin America and Caribbean (incl. Brazilië en Mexico) 5. MNA: Middle East and North Africa (incl. Egypte) 6. SAS: South Asia (incl. India) 7. SSA: Sub-Sahara Africa (incl. Nigeria en Zuid Afrika) Met uitzondering van de groep rijke landen (HIC) zijn dit geografisch min of meer coherente eenheden, hoewel de indeling van de Wereldbank ook is gebaseerd op sociale, politieke, economische en historische factoren. 4 Tabel 1 geeft basisinformatie betreffende bevolking, oppervlakte en produktie voor boven genoemde regio’s.

Volgens de Verenigde Naties lopen er sinds 12 oktober 1999 meer dan 6 miljard mensen rond op onze planeet, een verdubbeling in ongeveer 40 jaar. 5 Bijna een derde deel van die 6 miljard woont in Oost Azië (EAP; 1,85 miljard), meer dan 6 keer zoveel dan de 295 miljoen mensen in het Midden Oosten en Noord Afrika (MNA). De 2

Tenzij anders vermeld zijn alle data in paragraaf 2-4 afkomstig van de World Development Indicators CD-ROM 2002 en hebben betrekking op het jaar 2000. Data voor de rurale bevolkingsdichtheid zijn voor het jaar 1999. 3 Gemakshalve gebruiken we de engelstalige namen en afkortingen. De exacte indeling wordt gegeven in de Appendix. 4 Soms ligt een verdere indeling van de groep rijke landen dus voor de hand, zie paragraaf 6. 5 Zie http://www.popexpo.net/english.html, ook voor een veelheid aan andere bevolkingsweetjes.

4 / 40



andere globale regio’s zitten qua bevolkingsaantal tussen deze twee uitersten in. Uiteraard geven deze absolute getallen nog geen informatie over de verdeling van de bevolking aangezien de globale regio’s ook sterk verschillen in oppervlakte. Het totale aardoppervlak is ongeveer 130 miljoen km2 , wat betekent dat er gemiddeld zo’n 47 mensen per km2 wonen. De rijke landen vormen de grootste globale regio (HIC; 30,9 miljoen km2 ), gevolgd door (Oost) Europa en Centraal Azië (ECA; 23,8 miljoen km2 ). De kleinste regio is Zuid Azië (SAS; 4,8 miljoen km2 ). Aangezien er op dit aggregatieniveau een negatieve samenhang is tussen oppervlakte en bevolking, is de verdelingsmaatstaf bevolking per oppervlakte eenheid (hier: personen per km2 ) ongelijkmatiger verdeeld dan de absolute bevolkingsaantallen. De hoogste dichtheid (283) wordt gemeten in Zuid Azië (SAS). Dit is meer dan 14 keer zo veel als de laagste dichtheid (20) van (Oost) Europa en Centraal Azië (ECA).

Tabel 1 Basisinformatie globale regio’s (2000)

Bevolking Oppervlakte

EAP

ECA

HIC

LAC MNA

SAS

SSA Wereld

1.855

474

903

516

295 1.355

659

6.057

16,0

23,8

30,9

20,1

11,0

4,8

23,6

130,1

927 24.945 1.922

651

591

303 31.351

BNP

2.027

BNP, ppp

7.609 3.140 24.793 3.624 1.545 2.984 1.044 44.459

Bevolkingsdichtheid

116

20

29

26

27

283

28

47

BNP dichtheid

127

39

807

96

59

124

13

241

BNP, ppp dichtheid

476

132

802

181

141

624

44

342

Oppervlakte in miljoen km2 ; bevolking in miljoenen; BNP = Bruto Nationaal Product in $ miljard; ppp = purchasing power parity; BNP ppp in $ miljard, bevolkingsdichtheid in personen per km2 , BNP en BNP ppp dichtheid in $ 1000 per km2 ; data voor 2000

De ongelijke verdeling van mensen over de globale regio’s geeft slechts een beperkt inzicht in de verdeling van economische activiteit. De ene mens is immers veel produktiever dan de andere, bijvoorbeeld dankzij betere scholing, de beschikking over krachtige machines, goede (spoor/water-)wegen, efficiënte communicatie, een stabiel en veilig rechtssysteem, enzovoort. Teneinde deze economische produktie te kunnen vergelijken moeten we drie stappen nemen. Ten eerste moet een goed functionerend statistisch bureau accurate informatie verzamelen betreffende de waarde van miljoenen verschillende goederen die worden geleverd door alle bedrijven in een gebied. Dit gebeurt uiteraard in lokale valuta, dus euro’s in Nederland, dollars in

5 / 40



Amerika en peso’s op de Filippijnen. Ten tweede moeten we bepalen wat we gaan vergelijken tussen verschillende gebieden: de produktie van alle goederen, van bepaalde goederen, geproduceerd in het gebied (binnenlands produkt) of door produktiemiddelen in eigendom van de inwoners van een gebied (nationaal produkt). Ten derde moeten we bepalen hoe we de verzamelde informatie voor de verschillende gebieden gaan vergelijken.

In deze paragraaf concentreren we ons op een vergelijking van het bruto nationaal product (BNP) aangezien dit de beste indicatie geeft van alle mogelijke soorten economische activiteit. 6 Het BNP geeft de marktwaarde van alle goederen geproduceerd door produktiemiddelen in handen van de inwoners van een gebied. Daarbij worden dus letterlijk appels met peren vergeleken, uitgedrukt in eenzelfde binnenlandse waarde-eenheid. Voor een internationale vergelijking kunnen we dan gebruik maken van de gemiddelde wisselkoers die in de desbetreffende periode op de valutamarkt tot stand kwam. Op deze manier gemeten produceerde de wereld in 2000 een totale waarde van $ 31.351 miljard aan goederen, een waarlijk astronomisch getal. Uiteraard is die produktie met $ 24.945 miljard het grootst in de rijke landen (HIC). Dit is meer dan 82 keer zo veel als de produktie van $ 303 miljard in Sub-Sahara Afrika (SSA). Meestal concentreert de aandacht binnen de economie zich op verschillen in produktie per hoofd van de bevolking. Zoals boven gememoreerd zijn die verschillen ook hier van belang en het moge duidelijk zijn dat ze substantieel zijn. Voor de mate van spreiding van economische activiteit is echter de interactie tussen bevolkingsdichtheid en per capita produktiviteitsverschillen van belang, zodat we direct naar de dichtheidsmaatstaf produktie per oppervlakte eenheid (hier: BNP $1000 per km2 ) gaan. Dan blijkt dat de produktie dichtheid met $ 807 duizend per km2 voor de rijke landen (HIC) meer dan 62 keer zo groot is als voor hekkesluiter Afrika (SSA) met $ 13 duizend per km2 .

Het lijkt, naar aanleiding van bovenstaande, dat de verdeling van economische activiteit beduidend schever is dan de verdeling van de bevolking. Daar past echter een kanttekening bij aangezien de manier van vergelijken (gebruik maken van de gemiddelde wisselkoers in de desbetreffende periode) leidt tot een overschatting van

6

Op dit aggregatieniveau is er vrijwel geen verschil tussen binnenlands- en nationaal produkt.

6 / 40



de waarde van de produktie in de rijke landen ten opzichte van de arme landen. Daarbij is het onderscheid verhandelbare / niet- verhandelbare goederen van belang. Aangezien verhandelbare goederen, zoals de naam aangeeft, getransporteerd kunnen worden of op een andere manier in een ander gebied kunnen worden aangeboden (hoewel soms tegen aanzienlijke kosten), concurreren aanbieders van verhandelbare goederen min of meer direct met elkaar op de markt op basis van de gangbare wisselkoers op de valutamarkt, die mede daardoor wordt bepaald. Niet-verhandelbare goederen daarentegen worden lokaal geproduceerd en geconsumeerd, zodat van internationale concurrentie niet echt sprake is. Aangezien (i) de verschillende sectoren in de economie concurreren voor dezelfde arbeider, zodat (ii) de loonvoet in de economie de gemiddelde arbeidsproduktiviteit weerspiegelt en (iii) de produktiviteitsverschillen tussen landen voor niet- verhandelbare goederen kleiner zijn dan voor verhandelbare goederen, leidt een convertering van de waarde van de produktie van niet-verhandelbare goederen op basis van de reguliere wisselkoers tot een onderschatting van die waarde voor minder ontwikkelde landen. Op basis van de reguliere wisselkoers kost het je wellicht $15 om je haar te laten knippen in Chicago tegen maar $1 in Tanzania voor dezelfde knipbeurt. Ga je naar James Bond’s “Die Another Day” in Rotterdam dan kost dat $8, terwijl dezelfde film op de Filippijnen $1.50 kost.

Om voor bovengenoemde prijsverschillen voor met name niet-verhandelbare goederen te corrigeren verzamelt het International Comparison Project (ICP) van de Verenigde Naties data over de prijzen van goederen voor vrijwel alle landen van de wereld. Op basis daarvan berekent ze voor koopkracht gecorrigeerde (purchasing power parity = ppp) wisselkoersen. Tabel 1 geeft ook een overzicht van het BNP ppp van de diverse globale regio’s, waarbij dus voor koopkrachtverschillen van de reguliere wisselkoers is gecorrigeerd. Dit geeft een beter beeld van de daadwerkelijke economische activiteit in een gebied. De totale wereldproduktie is dan $ 44.459 miljard, waarvan de rijke landen (HIC) $24.793 voor hun rekening nemen, ofwel meer dan 23 keer zo veel als de $ 1.044 van Afrika (SSA). Berekenen we nu de produktiedichtheid in $ duizend per km2 , dan zijn de rijke landen met $ 802 duizend nog steeds koploper. Dit is meer dan 18 keer zo veel als de $ 44 duizend per km2 van Afrika (SSA). Hoewel de verschillen in produktiedichtheid dus aanzienlijk kleiner

7 / 40



zijn na correctie voor koopkrachtverschillen is nog steeds sprake van een ongelijkmatige verdeling.

Conclusie Voor de hier besproken globale regio’s bestaan er grote verschillen in verdeling van economische activiteit. De relatieve dichtheidsverschillen (hoogste dichtheid / laagste dichtheid) zijn groot voor zowel de bevolkingsdichtheid (meer dan 14 keer), de BNP dichtheid (meer dan 62 keer) en de voor koopkracht gecorrigeerde BNP dichtheid (meer dan 18 keer).

3. Landelijke concentratie Nadat we in de vorige paragraaf de ongelijkmatigheid van de verdeling van economische activiteit hebben ge ïllustreerd voor globale regio’s, besteden we in deze paragraaf aandacht aan de verschillen tussen landen, initieel voor alle landen van de wereld en aan het eind van de paragraaf voor de landen van Sub-Sahara Afrika (SSA), één van de globale regio’s van paragraaf 2.

Figuur 1 Variatie in bevolkingsdichtheid; 195 landen (2000) Histogram bevolkingsdichtheid (inw./km2); 195 landen 50 40 30 20 10

75 10 0 12 5 15 0 17 5 20 0 22 5 25 0 27 5 30 0 32 5 35 0 37 5 40 0 m ee r

50

25

0

De Wereldbank geeft voor 195 landen informatie betreffende de bevolkingsdichtheid. Gemiddeld wonen er 47 mensen per km2 . Dit varieert op landenniveau echter van 6587 voor Singapore (maar liefst 140 keer het wereldgemiddelde) tot 0,16 voor

8 / 40



Groenland (behorend bij Denemarken) of, indien we alleen “echte” landen bekijken, tot 1,53 voor Mongolië. De verschillen tussen landen zijn dus enorm, zie ook Figuur 1. Daarbij merken we op dat de dichtheid van de stadstaat Singapore een forse uitschieter is, namelijk 5 keer zo hoog als de dichtheid van 1260 inwoners per km2 van de nummer twee Bermuda. Tabel 2 geeft een overzicht van de 15 landen met de hoogste bevolkingsdichtheid. Dit zijn allen geografisch kleine gebieden, met uitzondering van Bangladesh (nummer 4), Zuid Korea (nummer 10) en Nederland (nummer 11). Het is derhalve niet verwonderlijk dat slechts een minderheid van het aantal landen, zo’n 40%, een bevolkingsdichtheid onder het wereldgemiddelde heeft. Zoals geïllustreerd in Figuur 2 zijn de dichtsbevolkte landen ter wereld geografisch sterk geconcentreerd in Zuidoost Azië en Europa, met hier en daar regionale uitschieters in Afrika en Midden Amerika.

Figuur 2 Geografische spreiding van bevolkingsdichtheid; 195 landen (2000)

Bevolkingsdichtheid (inw/km2) 120 70 50 30 0

to 6,590 (55) to 120 (34) to 70 (20) to 50 (26) to 30 (52)

Zoals uiteen gezet in paragraaf 2 is het voor een adequaat beeld van de spreiding van economische activiteit beter te corrigeren voor de produktiviteit van de inwoners van een land en de verschillen in koopkracht. De Wereldbank rapporteert de relevante informatie voor 160 landen, met een gemiddelde voor koopkracht gecorrigeerde geschatte produktiewaarde van $ 342 duizend per km2 in 2000. Tabel 2 geeft ook de 15 landen met de hoogste produktiedichtheid. Koploper is wederom Singapore met een produktiewaarde van $164,05 miljoen per km2 , maar liefst 480 keer het wereld-

9 / 40



gemiddelde, 8 keer zo hoog als de $20,15 miljoen van nummer twee Malta en bijna 14 keer zo hoog als de $12,5 miljoen van nummer drie Nederland. In de top 15 staan ook grotere landen zoals Japan (nummer 4), Zuid Korea (nummer 7), het Verenigd Koninkrijk (nummer 9), Duitsland (nummer 11) en Italië (nummer 13), met als gevolg dat zo’n 57% van de landen een produktiedichtheid onder het wereldgemiddelde heeft. Zeven landen behoren zowel tot de top 15 in bevolkingsdichtheid als tot de top 15 in produktiedichtheid. Er is dan ook, zoals verwacht en gesuggereerd door de stevige eerste plaats van Singapore in beide gevallen, op landen niveau een positieve samenhang tussen bevolkingsdichtheid en produktiedichtheid: de correlatiecoëfficiënt is 0,73. In geografisch opzicht is er ook sprake van clustering van produktiedichtheid rond de drie kernen van rijke landen: Europa, Japan en de Verenigde Staten, zie Figuur 3. Van de minder ontwikkelde landen valt de hoge produktiedichtheid van Bangladesh (nummer 26), de Filippijnen (nummer 39) en Sri Lanka (nummer 41) op. Inderdaad, allemaal landen met een hoge bevolkingsdichtheid, respectievelijk 4e, 32e en 23e op de ranglijst van 195 landen.

Figuur 3 Geografische spreiding van produktiedichtheid; 160 landen (2000)

W

o

r

l

d

C

o

u

n

t

r

i

e

s

Produktiedichtheid (miljoen US $ ppp / km2) 4 to 165 (13) 3 to 4 (2) 2 to 3 (5) 1 to 2 (20) 0 to 1 (148)

10 / 40



Tabel 2 Top 15 dichtheid economische activiteit (2000)* land

popdens

land

bnpdens

1 Singapore

6.587

Singapore

164,05

2 Bermuda

1.260

Malta

20,15

3 Malta

1.219

Nederland

12,15

4 Bangladesh

1.007

Japan

9,43

5 Bahrain

1.001

Barbados

9,33

6 Malediven

920

Belgium

8,58

7 Barbados

621

Zuid Korea

8,28

8 Mauritius

584

Israel

5,84

9 Aruba

532

Ver. Koninkrijk

5,84

10 Zuid Korea

479

Mauritius

5,81

11 Nederland

470

Duitsland

5,74

12 San Marino

450

Zwitserland

5,53

13 Puerto Rico

442

Italië

4,60

14 Libanon

423

Malediven

3,90

15 Virgin eil.

356

Denemarken

3,43

* popdens = bevolkingsdichtheid (personen per km2 ); bnpdens = BNP ppp dichtheid ($ miljoen per km2 )

Als we de globale regio’s van paragraaf 2 verdelen in alle samenstellende landen, zoals we hierboven hebben gedaan, is het aan de ene kant niet verwonderlijk dat de ongelijkheid van de verdeling toeneemt. Zoals we hebben gezien is de mate waarin de ongelijkheid van de verdeling toeneemt weer wel verwonderlijk. We kunnen echter ook op een andere manier geografisch desaggregeren. Na de constatering dat economische activiteit ongelijkmatig gespreid is op het niveau van globale regio’s kunnen we ook “inzoomen” op één van die regio’s en de mate van spreiding binnen die regio bekijken. Als voorbeeld nemen we Sub-Sahara Afrika, een vrij coherente geografische regio die samengesteld is uit een behoorlijk aantal (48) individuele landen. Tabel 3 geeft een overzicht van de landen in Sub-Sahara Afrika met de hoogste en laagste bevolkingsdichtheid en de hoogste en laagste produktie-dichtheid, alsmede van het gemiddelde van beide variabelen voor Sub-Sahara Afrika als geheel.

11 / 40



Tabel 3 Variatie in dichtheid binnen Sub-Sahara Afrika (SSA; 2000)* Gemiddelde dichtheid gebied SSA

popdens 28

gebied SSA

bnpdens 44

Hoogste dichtheid land

popdens

land

bnpdens

Mauritius

584

Mauritius

5.809

Rwanda

345

Kaap Verdië

525

Burundi

265

Comoren

444

Comoren

250

Zuid Afrika

321

Seychellen

181

Rwanda

317

Laagste dichtheid land

popdens

land

bnpdens

Centr. Afr. Rep.

6,0

Centr. Afr. Rep.

6,9

Gabon

4,8

Niger

6,3

Botswana

2,8

Tsjaad

5,3

Mauretanië

2,6

Congo, Rep.

5,1

Namibië

2,1

Mauretanië

4,2

2

* popdens = bevolkingsdichtheid (personen per km ); bnpdens = BNP ppp dichtheid ($ duizend per km2 )

De gemiddelde bevolkingsdichtheid in Sub-Sahara Afrika is 28 inwoners per km2 . Dit varieert echter van een dichtheid van 584 voor Mauritius, meer dan 20 keer het gemiddelde, tot 2,1 voor Namibië, nog geen 10% van het gemiddelde. De produktiedichtheid varieert op een soortgelijke manier van het gemiddelde van $44 duizend ppp per km2 in 2000, met een hoogste dichtheid van $5.809 duizend voor Mauritius, meer dan 130 keer het gemiddelde, tot een laagste dichtheid van $4,2 duizend voor Mauretanië, nog geen 10% van het gemiddelde. Voor beide spreidingsmaatstaven zijn de verschillen binnen de globale regio Sub-Sahara Afrika dus enorm. Ook dit keer is er een duidelijke samenhang tussen bevolkingsdichtheid en produktiedichtheid: voor de 42 landen waarvoor data beschikbaar zijn is de correlatiecoëfficiënt tussen beide variabelen 0,79.

12 / 40



Conclusie Op een lager geografisch aggregatieniveau, in dit geval op landelijk niveau, is sprake van een versterking van de ongelijkmatige spreiding van economische activiteit, zowel voor bevolking als voor produktie (gemeten in toegevoegde waarde, ook na correctie voor koopkrachtverschillen).

4. Nog dieper, regionale periferie en urbane concentratie In deze paragraaf zullen we eerst de procedure die we gebruikten aan het eind van paragraaf 3 (in meer detail kijken naar de samenstellende landen van de globale regio Sub-Sahara Afrika) nog een keer toepassen op de samenstellende regio’s van een land (in dit geval Nederland). Vervolgens illustreren we de centrum – periferie structuur van Europa op regionaal niveau op basis van een periferie index. Tot slot illustreren we de dynamische tendens van toenemende economische concentratie op stedelijk niveau voor de wereld als geheel.

De regionale indeling binnen de Europese Unie heeft drie detaillerings niveau’s, te weten NUTS I, NUTS II en NUTS III. Op NUTS I niveau wordt Nederland in 4 regio’s opgedeeld (Noord, Oost, West en Zuid). Die worden op NUTS II niveau opgesplitst in 12 delen (de 12 provincies), die op hun beurt op NUTS III niveau worden onderverdeeld in 40 samenstellende regio’s, zie Tabel 4 (voor de periferie indices in de tabel: zie verder). In 1997 was de gemiddelde bevolkingsdichtheid in Nederland is 380 inwoners per km2 . Op NUTS III niveau varieerde dit van 86 voor Zuidwest Friesland (23% van het gemiddelde) tot 2.815 voor de agglomeratie ’s Gravenhage (740%

van

het

gemiddelde).

In

1996

was

de

gemiddelde

produktiedichtheid in Nederland 7.620 ECU per km2 . Dit varieerde van 1.261 voor Zuidwest Friesland (17% van het gemiddelde) tot 63.899 voor de agglomeratie ’s Gravenhage (839% van het gemiddelde). Zoals gesuggereerd door de stabiele eerste en laatste plaats van dezelfde regio in beide lijsten is de samenhang tussen de hier gemeten dichtheden groot: op NUTS III niveau is de correlatiecoëfficiënt tussen de dichtheid van de bevolking en de dichtheid van de produktie in Nederland 0,981.

13 / 40



Tabel 4 Economische activiteit in Nederland en periferie indices* ; deel I dichtheid

periferie index

pop.

prod.

gdp gdp pop labour

Nederland

380

7620

ecu pps

NL1

144

2786

188

4725

NL11

Noord-Nederland Groningen

force

NL111

Oost-Groningen

168

2083

50.4 50.9 58.8

59.8

NL112

Delfzijl e.o.

147

2497

52.7 53.2 62.2

63.2

NL113

Overig Groningen

208

6619

49.9 50.2 58.4

59.5

107

1758

NL12

Friesland

NL121

Noord-Friesland

94

1638

51.9 52.2 60.8

62.1

NL122

Zuidwest-Friesland

86

1261

50.5 50.7 58.6

60.0

NL123

Zuidoost-Friesland

168

2599

49.7 50.0 57.7

59.0

173

2832

NL13

Drenthe

NL131

Noord-Drenthe

183

2888

49.4 49.7 57.3

58.5

NL132

Zuidoost-Drenthe

191

3388

48.9 49.3 56.4

57.7

NL133

Zuidwest-Drenthe

148

2318

46.2 46.5 51.9

53.5

309

5377

310

5444

NL2 NL21

Oost-Nederland Overijssel

NL211

Noord-Overijssel

214

3857

44.2 44.5 48.5

50.2

NL212

Zuidwest-Overijssel

330

6300

40.8 41.1 42.2

44.1

NL213

Twente

411

6952

42.5 43.1 46.0

47.9

368

6560

NL22

Gelderland

NL221

Veluwe

333

5999

39.7 40.0 40.6

42.6

NL222

Achterhoek

244

4093

40.9 41.3 42.7

44.7

NL223

Arnhem/Nijmegen

685

12760

38.0 38.2 37.5

39.6

NL224

Zuidwest-Gelderland

287

4812

38.9 39.0 39.4

41.6

149

2090

45.7 45.8 51.9

53.4

36.7 36.6 35.7

37.6

NL23

Flevoland

NL3

West-Nederland

615

13257

NL31

Utrecht

756

17013

NL32

Noord-Holland

614

13883

14 / 40



Tabel 4 Economische activiteit in Nederland en periferie indices* ; deel II dichtheid pop.

prod.

periferie index gdp gdp pop labour ecu pps

force

NL321

Kop van Noord-Holland

163

2395

52.4 52.6 61.9

63.3

NL322

Alkmaar e.o.

697

11115

44.8 44.9 50.3

51.8

NL323

IJmond

983

19482

48.8 48.9 56.9

58.5

NL324

Agglom. Haarlem

1363

27291

39.5 39.4 41.7

43.2

NL325

Zaanstreek

1164

19606

39.7 39.7 42.0

43.2

NL326

Groot-Amsterdam

1295

37120

37.6 37.4 38.3

39.7

NL327

Het Gooi en Vechtstreek

983

19302

37.3 37.2 36.7

38.5

973

20179

NL331

Aggl. Leiden & bollenst. 1375

24658

40.7 40.6 43.4

45.0

NL332

Agglom.'s-Gravenhage

2815

63899

39.3 39.1 41.3

43.1

NL333

Delft en Westland

1121

28051

37.9 37.7 38.6

40.4

NL334

Oost Zuid-Holland

579

9811

39.7 39.6 41.2

43.0

NL335

Groot-Rijnmond

823

17537

41.2 41.1 44.2

46.1

NL336

Zuidoost Zuid-Holland

713

13385

40.1 40.0 41.9

44.2

126

2419

NL33

NL34

Zuid-Holland

Zeeland

NL341

Zeeuwsch-Vlaanderen

123

2862

44.3 43.9 49.3

52.3

NL342

Overig Zeeland

127

2231

44.6 44.3 49.8

52.6

473

9232

455

9141

NL4 NL41

Zuid-Nederland Noord-Brabant

NL411

West-Noord-Brabant

426

8622

37.6 37.4 37.5

40.2

NL412

Midden-Noord-Brabant

410

7351

37.1 37.0 36.3

38.9

NL413

Noordoost-Noord-brabant

464

9507

37.4 37.4 36.9

39.2

NL414

Zuidoost-noord-brabant

509

10729

35.1 35.2 32.8

35.4

515

9446

NL42

Limbur g (NL)

NL421

Noord-Limburg

316

6230

33.3 34.0 30.3

33.3

NL422

Midden-Limburg

327

6133

34.8 35.3 32.9

35.8

NL423

Zuid-Limburg

941

16620

35.1 35.4 32.8

36.3

* Bevolkingsdichtheid in personen per km2 (1997); produktiedichtheid in ECU duizend per km2 (1996). Bronnen: dichtheid: berekeningen op basis van Eurostat data; periferie indices: Copus (1999), zie tekst.

15 / 40



In het bovenstaande is afdoende gebleken dat economische activiteit, op verschillende manieren gemeten en voor diverse aggregatieniveau’s, ongelijkmatig verdeeld is. In de regionale economie ontstond al geruime tijd geleden de behoefte de mate van ongelijke verdeling vorm te geven, met daaraan gekoppeld de identificatie en analyse van centrum – periferie structuren. Aan de basis va n dit onderzoek ligt de “markt potentie” benadering van Harris (1954), die voor lokaties (counties) in de Verenigde Staten een indicator voor de potentiële marktomvang berekende door rekening te houden met de omvang van economische markten in de omgeving, gecorrigeerd voor afstand tot die markt. De vraag van beleidsmakers naar de economische gevolgen van centrum – periferie structuren leidde Keeble, Owens en Thompson (1981) ertoe de benadering van Harris te gebruiken voor de constructie van een periferiteitsindex voor de regio’s van de Europese Unie op NUTS I niveau. In de loop der jaren zijn de procedures voor het berekenen van zo’n periferiteitsindex steeds gedetailleerder geworden en steeds verder verfijnd, met als voorlopig eindresultaat de studie van Andrew Copus (1999) van 1105 europese regio’s (NUTS III niveau voor de Europese Unie, aangevuld met 19 europese landen).

Voor iedere regio definieert Copus een “centrum” (meestal de grootste stad, soms het geometrische centrum), en berekent zeer gedetailleerde reistijden naar de andere centra, rekening houdend met het type weg, veerdiensten, wachttijden voor veerdiensten en bij het passeren van de grens van een land, rijsnelheden in gebergte en drukke stedelijke centra, verplichte rusttijden voor chauffeurs, enzovoort.7 Vervolgens berekent hij het potentieel voor iedere regio op basis van vergelijking (1).

(1)

Pi = ∑ j

Mj Dij

, waarbij

Pi

potentieel voor regio i

Mj

economische massa in regio j

Dij

afstand tussen regio i en regio j

Een adequate economisch-theoretische verklaring voor de structuur van vergelijking (1) is niet zo eenvoudig te geven, wat heeft geleid tot veel economisch onderzoek

16 / 40



resulterend in de “nieuwe economische geografie” of “geografische economie” benadering, zie Fujita, Krugman en Venables (1999) en Brakman, Garretsen en van Marrewijk (2001). Voor de afstanden tussen de regio’s in vergelijking (1) gebruikt Copus de boven beschreven reistijden. Voor de economische massa van de regio gebruikt hij vier indicatoren: §

gdp ecu

bruto regionaal produkt

§

gdp pps

bruto regionaal produkt met correctie voor koopkracht

§

pop

bevolkingsomvang

§

labour force

omvang van de beroepsbevolking

Tot slot berekent hij op basis van de uitkomst een periferie index van 0 voor de meest centrale regio (met het hoogste potentieel) tot 100 voor de meest afgelegen regio (met het laagste potentieel). Welke maatstaf gebruikt wordt als indicator voor “economische massa” blijkt nauwelijks van belang, zie tabel 5.

Tabel 5 Correlatiecoëfficiënten voor Copus periferie indices gdp ecu gdp pps pop labor force gdp ecu 1 0.996 0.978 0.977 gdp pps 0.996 1 0.980 0.975 pop 0.978 0.980 1 0.995 labour force 0.977 0.975 0.995 1 Tabel 4 geeft ook de uitkomst van de Copus (1999) periferie berekeningen voor de 40 NUTS III regio’s van Nederland. Ook hier maakt de gebruikte indicator voor economische massa nauwelijks verschil (de laagste correlatiecoëfficiënt is 0,996). In alle gevallen is de meest “centraal” gelegen regio Noord Limburg. In drie van de vier gevallen wordt Delfzijl e.o. gekwalificeerd als de meest perifeer gelegen regio in Nederland, alleen op basis van de omvang van de beroepsbevolking wordt de Kop van Noord Holland als zodanig aangemerkt. Het valt direct op dat de regio met de hoogste economische dichtheid (de agglomeratie ’s Gravenhage) niet wordt gekenschetst als de meest “centrale” regio van Nederland (namelijk, afhankelijk van de index, op een 14e of 16e plaats). De belangrijkste reden is uiteraard dat de Copus periferie indices de centrum – periferie structuren op Europees niveau identificeren, en dus rekening houden met de ligging van de Nederlandse regio’s ten opzichte van alle andere regio’s binnen Europa, gecorrigeerd voor afstanden. De drie Limburgse regio’s vormen 7

De afstand van de regio naar zichzelf is 1/3 van de as van de kleinste rechthoek die de regio omvat.

17 / 40



tesamen met Zuidoost Noord-Brabant dankzij hun ligging in de nabijheid van de Randstad én het Ruhrgebied én Brussel én enzovoort dan ook altijd de top vier van meest centraal gelegen regio’s in Nederland. De eerste regio in de Randstad is Utrecht (op de 5e plaats). De regio’s in Groningen, Friesland en Drente plus de Kop van Noord Holland zijn vanuit een Nederlandse optiek meer perifeer gelegen.

Figuur 4 Centrum – periferie structuren in Europa (o.b.v. GDP pps)

Bron: berekeningen op basis van Copus (1999).

18 / 40



Op Europees niveau wordt echter geen van de Nederlandse regio’s in de periferie gerangschikt, aangezien ook Delfzijl e.o. altijd in de bovenste helft van de rangschikking te vinden is. Om dit op niet al te gedetailleerd niveau te illustreren, maar wel gebruik te maken van de gedetailleerde berekeningen van Andrew Copus, geeft Figuur 4 een beeld van de Europese centrum – periferie structuur op NUTS I niveau, gebaseerd op de gemiddelde score van de samenstellende delen va n de regio op NUTS III niveau (bruto regionaal produkt, voor koopkracht gecorrigeerd). In een Europese context vormt Zuid Nederland deel van een uitgestrekte kern, waarvan ook Vlaanderen, Brussel, Noordrijn-Westfalen, Hessen en Rijnland-Palts deel uitmaken. In het verlengde daarvan ligt Londen, en als losse identiteit maakt ook Parijs deel uit van de kern. Vrijwel geheel België, Nederland en West Duitsland zijn economisch zeer centraal gelegen. Meer op zichzelf staande economisch centraal gelegen gebieden worden naast Parijs gevormd door Lombardije (Milaan), Berlijn en Madrid. Ook is duidelijk dat sommige aanstaande EU leden, met name Polen, Tsjechië en Slowakije, gunstiger gelegen zijn ten opzichte van de Europese economische kern dan een aantal huidige EU leden, met name Griekenland, Finland, Zweden, Portugal, Spanje, Ierland, Schotland en delen van Italië.

Kijken we gedetailleerder naar de ruimtelijke verdeling van economische activiteit binnen de regio van een land, dan zijn we aangeland bij de verdeling van dorpen en steden in die regio. Wereldwijd is al lange tijd een voortgaand proces van verstedelijking gaande. Van de 3021 miljoen mensen die in 1960 op de aarde rondliepen leefden er 1017 miljoen, dat wil zeggen bijna 34%, in de stad. 8 In de daarop volgende 40 jaar verdubbelde het aantal inwoners van de aarde tot 6057 miljoen in 2000, maar steeg het aantal inwoners in urbane gebieden met 180% tot 2848 miljoen, ofwel 47% van de totale bevolking. Dit betekent dus niet dat de rurale gebieden ontvolkt raken, aangezien het aantal inwoners daar in de periode 1960-2000 steeg met 60% van 2004 miljoen tot 3210 miljoen, maar wel dat het aantal inwoners in de stad sneller stijgt. Op basis van dit groeitempo leven er in 2009 meer mensen in de stad dan op het platteland.

8

De bevolking die leeft in als stedelijk aangeduid gebied. Daarbij zij opgemerkt dat deze definitie per land kan verschillen. Dit leidt tot een onderschatting van verstedelijking in met name China en India.

19 / 40



Het proces van verstedelijking heeft zich in veel landen al veel eerder voltrokken. In Nederland, bijvoorbeeld, steeg de urbane bevolking slechts 4,4%, van 85,0% in 1960 tot 89,4% in 2000. Van de in paragraaf 2 genoemde globale regio’s is de verstedelijking in de periode 1960-2000 in procenten het sterkst gestegen in Middenen Zuid-Amerika (LAC; van 49,3% tot 75,4%) en in relatieve termen in Sub-Sahara Afrika (SSA; van 14,5% tot 34,4%). Aangezien het verstedelijkingsproces in de rijke landen in 1960 al grotendeels voorbij was is de stijging in absolute en relatieve termen in die periode het laagst in de rijke landen (HIC; van 67,8% tot 78,9%). Dit verstedelijkingsproces is geïllustreerd in Figuur 5.

Figuur 5 Verstedelijking in de wereld; globale regio’s (1960-2000) Urbane populatie (% van totaal) 90 HIC

80 70

MNA

60 50 40

Wereld

30

SSA

20 10 0 1960

1970 Wereld

1980 HIC

1990 SSA

2000

MNA

Het is overigens niet zo dat binnen een land het merendeel van de bevolking in slechts een paar mega-steden leeft. Volgens de Wereldbank (2000) leefde het merendeel (63,5%) van de urbane populatie in 1995 in kleine of middelgrote steden (bevolking kleiner dan 1 miljoen), tegen 21,4% in grote steden (bevolking 1 tot 5 miljoen) en “slechts” 15,1% in mega-steden (bevolking boven de 5 miljoen). Het aantal megasteden is in de loop van de 20e eeuw echter wel sterk gestegen; in 1900 was Londen (met 6,5 miljoen inwoners) de enige mega-stad, terwijl in 2000 maar liefst 16 steden zelfs meer dan 10 miljoen inwoners hebben. De ongelijke spreiding van economische activiteit is dus ook binnen steden enorm, zie paragraaf 5. 20 / 40



Conclusie Een “fractale dimensie” van de ongelijke verdeling van economische activiteit wordt duidelijk nu ook op regionaal gebied binnen landen en voor steden de economische activiteit zeer ongelijk verdeeld blijkt. Dit maakt het mogelijk op regionaal niveau centrum – periferie structuren te identificeren. De mate van verstedelijking, die sterk verschilt van land tot land, neemt wereldwijd nog steeds toe.

5. De fractale dimensie van regelmaat in concentratie Nu we de mate van ongelijke verdeling van economische activiteit afdoende hebben geïllustreerd wordt het tijd aandacht te besteden aan de onderliggende empirische structuur van die ongelijkmatige verdeling. Dit doen we op twee manieren. In deze paragraaf gaan we dieper in op de opmerkelijke regelmatigheid in de ruimtelijke verdeling van economische activiteit zelf (de Pareto verdeling, of populairder De Wet van Zipf). In de volgende paragraaf gaan we dieper in op de even opmerkelijke regelmaat van de interactie tussen economische centra (de graviteitsrelatie). Beide overduidelijke empirische wetmatigheden hebben aanleiding gegeven tot uitgebreid theoretisch onderzoek ter onderbouwing van die wetmatigheden. Zoals uiteen gezet in de inleiding van dit artikel laten we de ontwikkelingen in die theoretische onderbouwing hier verder buiten beschouwing.

De regelmaat in de spreiding van economische activiteit is het meest efficiënt te illustreren aan de hand van de verdeling van de grootte van stedelijke agglomeraties. Deze komen in vele soorten en maten; het merendeel is relatief klein, of in ieder geval van min of meer overzienbare omvang. Een aantal steden is echt groot, met ettelijke miljoenen inwoners. Overigens is het begrip “groot” door de groeiende wereldbevolking wel aan inflatie onderhevig. Bij het begin van onze jaartelling was de stad Rome qua aantal inwoners uitzonderlijk groot, volgens de Nieuw Zeelandse classicus Art Pomeroy in ieder geval 500.000, maar gezien het gebrek aan betrouwbare data zouden het er ook 1 miljoen hebben kunnen zijn. Tegenwoordig zijn er daarentegen meer dan 400 steden met meer dan 1 miljoen inwoners (zie onder).

21 / 40



Figuur 6 Regelmaat in de spreiding van stedelijke agglomeraties voor de wereld

De Wet van Zipf voor agglomeraties in de wereld; 2002 7 6

Rotterdam Amsterdam

ln(rang)

5 4 3

Moskou

2 1 0 13.7

Seoul ln(rang) = -1.3591*ln(grootte) + 24.895 R2 = 0.9832

14.7

New York

15.7

Tokyo

16.7

ln(grootte)

Een bekend probleem bij het vergelijken of meten van de grootte van steden is het onderscheid tussen de stedelijke agglomeratie en de gemeentegrenzen. De laatste zijn meestal ontstaan via een complex proces van historische evolutie, annexatie en toeval. De rangschikking van grootte van steden strikt op basis van gemeentegrenzen geeft derhalve meestal een slecht beeld van de economisch relevante grootte. De gemeente Rotterdam had bijvoorbeeld op 1 november 2002 volgens het Centraal Bureau voor de Statistiek 599.463 inwoners. Direkt onder de rook van Rotterdam (soms letterlijk) liggen bijvoorbeeld ook de gemeenten Schiedam met 75.901 inwoners en Capelle aan den IJssel met 65.304 inwoners. In economisch opzicht zijn die twee gemeenten (en anderen) in zo sterke mate vervlochten met de economie van Rotterdam dat het beter is te spreken van één stedelijke agglomeratie. De hier gebruikte data van de toonaangevende website van Thomas Brinkhoff 9 baseert de grootte van de stedelijke

9

Alle data in deze paragraaf komen van die website, zie Th. Brinkhoff: Principal Agglomerations and Cities of the World, http://www.citypopulation.de ; gegevens dateren van 12 november 2002.

22 / 40



agglomeratie dan ook voor alle landen van de wereld op een zo consistent mogelijke berekening van de centrale stad (of soms centrale steden, zoals bij het Ruhrgebied) en daar economisch bij behorende gemeenten.

Volgens Thomas Brinkhoff waren er 408 agglomeraties in de wereld met meer dan 1 miljoen inwoners in 2002, waarvan Tokyo (inclusief Yokohama en Kawasaki) met 35,1 miljoen inwoners de grootste was, gevolgd door New York (21,65 miljoen) en Seoul (21,35 miljoen). Op de 15e plaats staat Moskou (13,2 miljoen), de grootste Europese agglomeratie. Ook Amsterdam (170e plaats: 2,1 miljoen) en Rotterdam (350e plaats: 1,175 miljoen) komen op de lijst voor, waaruit meteen blijkt dat de aangrenzende gemeenten geacht worden mede deel uit te maken van de agglomeratie.

Om de regelmaat in spreiding van economische activiteit te illustreren rangschikken we de steden naar grootte. De grootste stad (Tokyo) geven we rangnummer 1. De op één na grootste stad (New York) geven we rangnummer 2, enzovoort. We nemen nu van iedere stad de natuurlijke logaritme van het rangnummer van de stad en de natuurlijke logaritme van de grootte van de stad. Als we een plot maken van de op deze wijze berekende 408 datapunten is het resultaat Figuur 6. Met uitzondering van de allergrootste steden (een bekend fenomeen in deze literatuur, zie Brakman, Garretsen en van Marrewijk (2001), hoofdstuk 7) liggen de datapunten vrijwel exact op een rechte lijn. Een eenvoudige regressie verklaart 98,32% van de variantie (zie Figuur 6). Op basis van haar grootte is het voorspelde rangnummer voor Amsterdam bijvoorbeeld 166, akelig dicht bij het werkelijke rangnummer van 170 (voor Rotterdam is de voorspelde rang 365 en de werkelijke rang 350). De negatieve relatie tussen rangnummer en grootte geldt, uiteraard, door de manier waarop de data geconstrueerd zijn. Bijzonder opmerkelijk is echter de bijna perfecte log-lineaire relatie tussen deze twee grootheden, die een sterke mate van regelmaat en voorspelbaarheid van de spreiding van economische activiteit illustreert. De wat excentrieke wetenschapper George Kingsley Zipf is de eerste die systematisch dit soort verbanden onderzocht (Zipf, 1949), zodat we wel spreken van de Wet van Zipf.

23 / 40



Figuur 7 Regelmaat in de spreiding van stedelijke agglomeraties voor Europa De Wet van Zipf voor Agglomeraties in Europa; 2002

Rotterdam

4 Amsterdam

ln(rang)

3

2 Parijs Istanbul

1 Londen

ln(rang) = -1.4825*ln(grootte) + 24.817 R2 = 0.9876

0 13.5

14.5

Moskou

15.5

16.5

ln(grootte)

Het fractale karakter van de regelmaat in de spreiding van economische activiteit zullen we op een soortgelijke wijze illustreren als bij de ongelijkheid van die spreiding. Ten eerste door te laten zien dat die regelmaat zich ook voordoet als we ons beperken tot een globale regio van de wereld, in dit geval het werelddeel Europa. Ten tweede door deze exercitie te herhalen voor één van de landen van Europa, in dit geval Duitsland. Met 13,2 miljoen inwoners is Moskou de grootste agglomeratie van Europa, gevolgd door Londen (11,85 miljoen), Istanbul (10,65 miljoen) en Parijs (9,8 miljoen). Binnen Europa komt Amsterdam op de 25e plaats en Rotterdam op de 61e plaats. Soortgelijke berekeningen als eerder verricht op globaal niveau leiden wederom tot de Wet van Zipf, zie Figuur 7 (het “probleem” met de grootste steden is minder opmerkelijk dan bij Figuur 6). Een simpele regressie verklaar 98,76% van de variantie: de data liggen wederom bijna perfect op een log- lineaire lijn. De krachten die een rol spelen op globaal niveau om “orde in de chaos” te scheppen, spelen blijkbaar een soortgelijke rol op Europees niveau.

24 / 40



Figuur 8 Regelmaat in de spreiding van stedelijke agglomeraties voor Duitsland De Wet van Zipf voor agglomeraties in Duitsland (1996)

4

ln(rang)

3

2

Stuttgart

1 ln(rang) = -0.9175*ln(grootte) + 15.006 R2 = 0.9762

Berlijn Essen

0 11

12

13

14

15

16

ln(grootte)

In 1996 was in Duitsland Essen (5,93 miljoen inwoners) de grootste agglomeratie, gevolgd door Berlijn (4,06 miljoen), Stuttgart (2,52 miljoen), Hamburg (2,46 miljoen) en Frankfurt (1,87 miljoen). Het resultaat van de berekeningen is geïllustreerd in Figuur 8. Wederom liggen de steden bijna exact op een log- lineaire lijn. Een eenvoudige regressie verklaart 97,62% van de variantie. Ook op landelijk niveau spelen dus soortgelijke regulerende economische krachten een rol als op europees en wereld niveau. Brakman, Garretsen en van Marrewijk (2001, hoofdstuk 7) en Soo (2002) geven een gedetailleerd overzicht van de Wet van Zipf voor alle landen waarvoor de data beschikbaar zijn. In het algemeen geldt dat ongeacht de grootte van een land, haar politieke systeem, de culturele, sociale of etnische achtergrond de Wet van Zipf met opmerkelijke strengheid regeert: ze gaat bijvoorbeeld vrijwel perfect op voor de Verenigde Staten, Brazilië, Frankrijk, India, Rusland, China, enzovoort.

Conclusie Er is een “fractale dimensie” in de regelmaat van de spreiding van economische activiteit, kortheidshalve aangeduid met de Wet van Zipf. Deze empirische wetmatigheid gaat op voor de wereld als geheel, voor werelddelen en voor landen. 25 / 40



6. Regelmaat in interactie Niet alleen de geografische spreiding van economische activiteit is opmerkelijk regelmatig in haar ongelijkheid, ook de interactie tussen economische centra in de vorm van internationale handelsstromen is dit. In deze paragraaf geven we eerst een beeld van de structuur van die interactie op het niveau van de globale wereldregio’s die besproken zijn in paragraaf 2. Vervolgens gaan we dieper in op de regelmaat van de interactie op landelijk niveau.

Het is wenselijk de groep rijke landen (HIC) verder onder te verdelen in drie subgroepen: West Europa, Noord Amerika en AustralAzië. Zodoende ontstaan, in combinatie met de 6 ontwikkelingsregio’s, 9 globale regio’s. Ons overzicht is gebaseerd op de handelsdata die recentelijk verzameld zijn door het Centre for International Data van de Universiteit van Californië. 10 Dit betreft een overzicht van bilaterale handelsstromen tussen 170 landen op jaarbasis, opgesplitst naar een kleine 1200 4-digit sectoren volgens de Standard Industrial Trade Classification (SITC). Eerst zijn alle handelsstromen geaggreerd tot landenniveau om vervolgens de intraregionale (tussen landen binnen een regio) en inter-regionale (tussen regio’s) handelsstromen te bepalen.

Met een gecombineerd totaal van meer dan 75% van de wereldhandelsstromen zijn de drie ontwikkelde regio’s de drie grootste handelsregio’s. Dit beeld wordt bovendien versterkt als bedacht wordt dat deze drie regio’s tesamen slechts 16% van de totale wereldbevolking uitmaken. Verreweg de belangrijkste regio binnen deze groep is West Europa, met bijna 42% van de wereldexporten (en ruim 40% van de wereldimporten). Dit is meer dan twee keer zo veel als de andere twee ontwikkelde regio’s (Noord Amerika en AustralAzië) die beide ongeveer 17% van de wereldexporten voor hun rekening nemen. Van de ontwikkelingsregio’s is Zuidoost Azië de belangrijkste, met bijna 10% van de wereldexporten, gevolgd door Latijns Amerika, met ruim 5% van de wereldexporten. Opvallend klein zijn de aandelen van Zuid Azië (minder dan 1%) en Sub-Sahara Afrika (iets meer dan 1%).

10

Meer informatie is verkrijgbaar op: http://data.econ.ucdavis.edu/international . De gegevens zijn beschikbaar voor de jaren 1970 tot en met 1997. Om een zo up-to-date mogelijk beeld te geven

26 / 40



Voor de hier onderscheiden 9 regio’s als geheel geldt dat maar liefst 41,4% van de wereldhandel intra-regionale handel is. Er is echter een groot verschil tussen de diverse regio’s voor wat betreft de mate van intra-regionale handel. Zuid Azië (SAS; 2%), het Midden Oosten en Noord Afrika (MNA; 3%) en Sub-Sahara Afrika (SSA; 4%) hebben een uitgesproken laag intra-regionaal handelsniveau. Deze regio’s zijn voor hun exporten aangewezen op de (verder weg gelegen) andere delen van de wereld. Oost Europa en Centraal Azië (ECA; 31%) en Noord Amerika (Nam; 35%) hebben een vrij hoog percentage intra-regionale handel. Alle regio’s worden in dit opzicht echter ruimschoots overschaduwd door West Europa, dat tweederde van haar handel realiseert binnen haar regiogrenzen. West Europa is niet alleen verreweg de belangrijkste handelsregio in de wereld, het is ook de enige regio die boven het wereldgemiddelde intra-regionale handelsniveau uitsteekt.

De informatie over de structuur van de internationale handelsstromen kan op een zeer doeltreffende manier worden gevisualiseerd. Aangezien er 9 globale regio’s onderscheiden worden, zijn er in principe 9×8 = 72 inter-regionale en 9 intraregionale handelsstromen. Indien we de getallen echter afronden naar het dichtsbijzijnde gehele percentage blijken er van die 81 waarnemingen slechts 30 een waarde van 1 of hoger te hebben. Door deze overgebleven waarnemingen gestructureerd weer te geven ontstaat een overzichtelijk en inzichtelijk beeld van de structuur van de wereldhandelsstromen, zie figuur 9. Onmiddellijk valt op dat Zuid Azië nauwelijks deel uitmaakt van de mondiale economie: geen van haar handelsstromen is groot genoeg om figuur 9 te halen. Ook de centrale rol van West Europa (wellicht mede gebaseerd op haar koloniale verleden) en het regionale karakter van de handelsstromen valt op: de intra-regionale handelsstromen (met landen in de buurt) zijn groot en de inter-regionale handelsstromen richten zich ook met name op naburige globale regio’s. Dit lokale aspect van de interactie tussen economische centra, dat wil zeggen de relatief grote handelsstromen naar naburige centra, staat centraal in de eerder genoemde regelmaat in interactie waar we ons nu op gaan richten, bekend als de “graviteitsrelatie”.

beperken wij ons in dit artikel tot de gegevens uit 1996 omdat de gegevens voor 1997 nog te veel

27 / 40



Figuur 9 Visualisatie van wereldhandelsstromen (% van wereld totaal) Noord Amerika (NAm)

AustralAzie (AAs)

3 (4) (1)

6

4 3 (3)

3 (4)

3 (3)

1

L.Amerika & Caribisch geb. (LAC)

1 (1)

West Europa (EUR)

28

1 1 (1) 1 (2)

Midden Oosten 1 (1) en Noord Africa (MNA)

Sub-Sahara Africa (SSA)

4 (5) 2 (3) Oost Europa en Centraal Azie (ECA) 1

1 (2)

Oost Azie en Pacific (EAP) 1

Zuid Azie (SAS)

Export in richting gesloten pijl (Export in richting open pijl) Intra-regionale export

Bron: C. van Marrewijk (2002, Ch. 1).

De tweede wet van Newton, die stelt dat de aantrekking tussen twee objecten rechtevenredig is met hun respectievelijke massa’s en omgekeerd evenredig met het kwadraat van hun onderlinge afstand, blijkt een empirische evenknie te hebben in de economische wetenschap. Objecten worden dan landen, afstand blijft afstand, aantrekking wordt gezien als de omvang van handelsstromen, en voor massa worden maatstaven genomen die iets zeggen over de (economische) omvang van een land, zoals het BBP of het aantal inwoners. Het zal niemand verbazen dat het van oorsprong een natuurkundige is geweest die het idee kreeg om Newton’s tweede wet toe te passen op internationale handel tussen landen, namelijk de Nederlandse

ontbrekende waarnemingen bevatten.

28 / 40



Nobelprijswinnaar economie Jan Tinbergen (1962). Tal van empirisch onderzoek heeft sindsdien bevestigd dat de graviteitsrelatie inderdaad ook opgaat in de economie. De basisspecificatie blijkt een econometrisch zeer robuuste vergelijking te zijn die bilaterale handelsstromen tussen verschillende landen goed verklaart.

Ter illustratie van deze regelmaat in interactie tussen landen zijn in Tabel 6 de schattingsresultaten opgenomen van een basis graviteitsvergelijking voor een groep van 96 landen, gelijkelijk verdeeld over de wereld. De schattingen zijn gedaan voor het jaar 1996 en beschikbaar voor 170 landen. In tabel 6 beperken we ons tot die landen die tenminste 50 verschillende bilaterale handelsstromen hadden in het desbetreffende jaar. De handelsdata die voor deze schattingen zijn gebruikt, zijn afkomstig van de importstatistieken van het Centre for International Data van de University of California. De gegevens over inkomen komen van de World Development Indicators CD-ROM (2002; GNI, current $). De afstanden zijn bepaald door op basis van de lengte- en breedtegraden uit de Britannica Atlas van het belangrijkste economische centrum van een land (meestal de hoofdstad) en de veronderstelling dat de aarde een perfecte bol is de afstand tot de andere landen te berekenen. 11 De geschatte vergelijking is: (2)

ln(export) = constante + coëfficiënt 1 ×ln(BBP) + coëfficiënt 2 ×ln(afstand)

Behalve voor Barbados en Jamaica blijkt voor alle landen de geschatte coëfficiënt van de inkomensvariabele het juiste teken te hebben en statistisch (zeer) significant te zijn. 12 De omvang van de geschatte coëfficiënten blijkt ook dicht bij elkaar in de buurt te liggen, variërend van 0,194 voor Algerije to 0,957 voor Zuid Africa, met een gemiddelde over de landen van 0,545 (een mediane waarde van 0,544) en een variantie van slechts 0,027. Voor alle landen behalve Taiwan heeft de geschatte coëfficiënt van de afstandsvariabele het juiste teken. Voor de ove rgrote meerderheid van de steekproef is deze geschatte coëfficiënt statistisch (zeer) significant. De spreiding in de geschatte coëfficiënten loopt van –2,886 voor Zuid Africa tot –0,078 voor Hong Kong. De gemiddelde schatting over de landen is –1,354 (een mediane waarde van –1,399), en een variantie in de geschatte afstandscoëfficiënt van 0,468.

11 12

Alleen voor de VS is de kortste afstand tot twee centra (New York en Los Angeles) genomen. De berekende t-waarden zijn consistent onder heteroskedasticiteit (White [1980]).

29 / 40



Tabel 6 Geschatte graviteitsrelatie, 1996; deel I 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

Africa South Africa Algeria Morocco Tunisia Egypt Cameroon Gabon Zaire Ethiopia Ghana Cote D'ivoire Kenya Madagascar Malawi Mauritius Nigeria Senegal Zimbabwe Untd Rp Tanzania North America Canada USA South America Argentina Bolivia Brazil Chile Colombia Ecuador Mexico Peru Uruguay Venezuela Costa Rica El Salvador Guatemala Honduras Nicaragua Bahamas Barbados Dominican Rp Jamaica Neth Antilles Trinidad-Tobago Panama Middle East Israel Japan Bahrain Cyprus Iran

income 0.957 0.194 0.552 0.471 0.519 0.600 0.680 0.500 0.483 0.824 0.528 0.497 0.529 0.516 0.500 0.666 0.559 0.820 0.618

t-stat 11.87 1.35 6.63 5.43 6.41 4.67 4.40 2.05 2.86 4.04 4.43 4.78 3.51 4.99 4.50 4.27 4.26 6.41 3.47

distance -2.886 -1.256 -1.860 -1.698 -1.771 -2.873 -2.009 -1.171 -1.047 -1.399 -2.167 -2.199 -0.792 -1.490 -1.448 -1.325 -1.647 -2.239 -1.221

t-stat -7.39 -3.57 -6.48 -6.84 -8.02 -8.34 -4.96 -1.77 -2.12 -3.18 -5.31 -7.24 -1.10 -4.18 -2.44 -2.68 -2.64 -6.44 -2.08

adj. R2 0.67 0.16 0.40 0.39 0.51 0.41 0.28 0.12 0.17 0.30 0.38 0.29 0.16 0.28 0.17 0.27 0.23 0.42 0.22

# obs. 129 53 99 93 104 70 64 53 55 57 58 94 73 58 80 67 50 90 59

0.673 0.345

9.60 6.79

-0.946 -0.749

-2.44 -3.42

0.58 0.39

132 133

0.821 0.785 0.564 0.761 0.661 0.553 0.609 0.955 0.831 0.615 0.491 0.595 0.414 0.579 0.518 0.519 -0.000 0.368 -0.007 0.343 0.380 0.319

11.12 3.64 9.02 10.44 7.71 4.53 8.83 7.95 7.11 4.85 5.12 5.52 3.24 6.08 3.00 3.14 -0.00 2.39 -0.04 1.75 2.15 3.04

-1.612 -2.341 -2.037 -2.394 -1.901 -1.608 -1.892 -1.935 -1.560 -2.744 -2.155 -1.992 -1.828 -1.756 -1.732 -0.340 -1.165 -1.608 -1.217 -1.701 -2.146 -1.433

-5.90 -7.01 -7.74 -7.81 -10.43 -7.04 -10.53 -6.28 -4.62 -9.81 -11.11 -9.96 -8.77 -10.58 -5.74 -1.01 -3.12 -5.28 -2.99 -5.97 -7.47 -6.61

0.51 0.45 0.47 0.55 0.51 0.37 0.56 0.50 0.49 0.46 0.51 0.52 0.41 0.47 0.32 0.18 0.12 0.27 0.15 0.28 0.31 0.32

119 60 125 111 101 80 113 97 88 77 88 50 78 60 51 62 51 65 58 65 68 61

0.657 0.398 0.522 0.667 0.508

10.72 8.40 5.88 9.28 3.27

-0.531 -0.276 -1.565 -1.613 -1.651

-3.10 -1.34 -7.66 -8.56 -5.24

0.53 0.42 0.36 0.59 0.41

111 133 68 103 71

30 / 40



Tabel 6 Geschatte graviteitsrelatie, 1996; deel II income t-stat 49 Jordan 0.588 4.52 50 Kuwait 0.645 7.20 51 Lebanon 0.489 4.16 52 Oman 0.205 1.81 53 Saudi Arabia 0.636 4.49 54 Syrn Arab Rp 0.481 4.69 55 Untd Arab Em 0.508 3.68 56 Turkey 0.578 9.21 Asia 57 Afghanistan 0.366 2.77 58 Bangladesh 0.771 8.79 59 Myanmar (Burma) 0.599 2.86 60 Sri Lanka 0.597 6.08 61 Hong Kong 0.199 5.01 62 India 0.381 7.22 63 Indonesia 0.439 8.61 64 Malaysia 0.406 7.27 65 Pakistan 0.444 6.83 66 Philippines 0.723 8.05 67 Singapore 0.306 4.86 68 Taiwan 0.308 3.55 69 China 0.402 7.49 70 Vietnam 0.829 5.25 Western Europe 71 Belgium-Lux. 0.383 7.05 72 Denmark 0.447 7.74 73 France 0.263 5.22 74 Germany 0.274 6.99 75 Greece 0.706 10.14 76 Ireland 0.539 10.03 77 Italy 0.280 7.29 78 Netherlands 0.406 6.97 79 Portugal 0.599 9.03 80 Spain 0.419 7.99 81 United Kingdom 0.227 5.90 82 Austria 0.705 10.63 83 Finland 0.609 10.24 84 Iceland 0.547 4.10 85 Norway 0.655 8.73 86 Sweden 0.477 7.43 87 Switzerland 0.541 8.15 88 Malta 0.499 5.83 Eastern Europe 89 Bulgaria 0.639 5.95 90 Czechoslovakia 0.592 8.43 91 Hungary 0.686 9.25 92 Poland 0.782 9.20 93 Romania 0.606 7.82 94 Fm USSR 0.598 6.35 Oceania 95 Australia 0.727 10.07 96 New Zealand 0.631 6.54

31 / 40

distance -1.224 -1.980 -1.264 -1.498 -1.579 -1.734 -2.218 -1.214

t-stat -3.36 -7.97 -6.10 -4.11 -5.40 -6.51 -4.36 -9.52

adj. R2 0.36 0.49 0.36 0.15 0.43 0.45 0.33 0.62

# obs. 62 78 66 81 70 67 73 125

-0.508 -0.234 -1.824 -1.843 -0.078 -0.756 -1.119 -1.083 -1.079 -1.568 -1.118 0.041 -0.413 -1.062

-1.45 -0.96 -3.48 -5.18 -0.44 -4.24 -4.75 -6.80 -4.24 -6.49 -3.91 0.22 -1.31 -2.40

0.12 0.44 0.32 0.50 0.17 0.34 0.44 0.39 0.38 0.52 0.38 0.17 0.39 0.46

53 102 52 79 131 132 114 129 128 109 107 83 133 72

-0.371 -0.723 -0.228 -0.367 -1.278 -0.495 -0.305 -0.373 -0.960 -0.269 -0.175 -0.806 -0.933 -1.708 -0.615 -0.402 -0.239 -1.019

-2.83 -5.40 -2.19 -3.76 -6.35 -3.13 -3.70 -2.48 -4.76 -2.24 -2.18 -6.53 -5.28 -3.82 -3.34 -3.31 -1.49 -4.34

0.41 0.56 0.27 0.47 0.53 0.58 0.44 0.46 0.51 0.40 0.24 0.68 0.61 0.40 0.54 0.47 0.48 0.33

133 133 133 133 127 131 133 133 128 129 133 129 126 63 131 133 133 88

-1.366 -0.938 -1.164 -0.932 -1.584 -1.563

-8.17 -5.73 -6.98 -4.61 -8.62 -7.50

0.60 0.54 0.60 0.66 0.51 0.52

74 128 119 115 120 109

-2.802 -2.696

-7.20 -5.66

0.56 0.40

132 109



Conclusie Er is een opmerkelijke regelmaat in de interactie tussen economische centra. Aangezien deze regelmaat rechtevenredig is met de economische “massa” en omgekeerd evenredig met de afstand, staat ze bekend als de graviteitsrelatie.

7. Regelmaat in comparatief voordeel; de verdeling van interactie Tot slot besteden we aandacht in dit artikel aan een niet eerder opgemerkte regelmaat in de interactie tussen economische centra. In de internationale economie kan een veelheid van onderliggende theoretische factoren, zoals een technologisch voordeel of een overvloedig aanwezige produktiefactor, aanleiding geven tot een competititief voordeel op de markt, en daarmee tot een sterke export positie. Empirisch georiënteerde internationaal economen, onder aanvoering van Bela Balassa (1965), hebben zich reeds lang geleden toegelegd op het meten van “klaarblijkelijk” comparatief voordeel, door indices te berekenen die aantonen welk land relatief veel van welk produkt exporteert. De meest gebruikte methode staat bekend als de “Balassa index” en berekent in feite genormaliseerde export aandelen. Als X ij de export van produkt j uit land i is, is de Balassa index BI ij :

(3)

BI ij =

[X [X

j i j

Xi X

]

];

X i = ∑ j X ij waarbij

X j = ∑i X i j

X = ∑∑ X ij i j

Daarbij is X i dus gelijk aan de totale export van land i, X j is de totale wereldexport van goed j en X is de totale wereldexport. Een Balassa index groter dan 1 geeft aan dat het land relatief veel van dat goed exporteert, zodat het een klaarblijkelijk comparatief voordeel in de produktie en export van dat goed heeft. Uit empirisch onderzoek blijkt dat de regel “een waarde van de Balassa index groter dan 1” gemiddeld genomen over landen ongeveer één-derde van alle industrieën selecteert, zie Hinloopen en van Marrewijk (2001). Tegelijkertijd blijkt dat voor individuele landen dit percentage flink kan verschillen. Dit zou erop kunnen duiden dat de verdeling van comparatief voordeel wisselt tussen landen. Niets blijkt echter minder waar.

32 / 40



Tabel 7 Geschatte regelmaat in comparatief voordeel, 1996; deel I 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

Africa South Africa Algeria Morocco Tunisia Egypt Cameroon Gabon Zaire Ethiopia Ghana Cote D'ivoire Kenya Madagascar Malawi Mauritius Nigeria Senegal Zimbabwe Untd Rp Tanzania North America Canada USA South America Argentina Bolivia Brazil Chile Colombia Ecuador Mexico Peru Uruguay Venezuela Costa Rica El Salvador Guatemala Honduras Nicaragua Bahamas Barbados Dominican Rp Jamaica Neth Antilles Trinidad-Tobago Panama Middle East Israel Japan Bahrain Cyprus Iran

coëfficiënt -0.58 -0.48 -0.41 -0.49 -0.45 -0.45 -0.49 -0.36 -0.36 -0.40 -0.45 -0.43 -0.39 -0.39 -0.42 -0.42 -0.37 -0.47 -0.34

t-stat -28.60 -20.34 -26.42 -29.02 -23.74 -28.04 -36.50 -18.90 -26.22 -37.22 -34.25 -29.40 -24.76 -50.49 -30.94 -19.51 -23.21 -31.17 -19.27

adj. R2 0.89 0.95 0.90 0.91 0.88 0.97 0.99 0.94 0.97 0.98 0.98 0.91 0.94 0.97 0.95 0.93 0.94 0.91 0.90

# obs. 450 96 264 323 273 146 69 92 111 130 197 319 167 139 120 101 165 352 142

-0.63 -0.78

-20.86 -14.90

0.78 0.64

462 469

-0.50 -0.40 -0.57 -0.47 -0.54 -0.49 -0.60 -0.43 -0.41 -0.55 -0.45 -0.45 -0.46 -0.47 -0.42 -0.44 -0.46 -0.41 -0.46 -0.49 -0.48 -0.45

-30.99 -27.65 -25.56 -32.25 -27.15 -28.15 -19.62 -34.60 -25.22 -33.42 -27.31 -29.01 -28.62 -31.45 -23.66 -39.43 -37.59 -22.10 -29.69 -39.60 -30.40 -18.34

0.91 0.95 0.86 0.93 0.88 0.94 0.73 0.95 0.89 0.94 0.90 0.90 0.90 0.94 0.92 0.98 0.96 0.89 0.94 0.98 0.93 0.88

417 192 424 359 370 230 427 283 295 300 289 256 312 275 183 166 228 200 173 194 248 145

-0.50 -0.54 -0.45 -0.55 -0.48

-23.35 -21.07 -69.09 -30.41 -44.95

0.84 0.71 0.98 0.91 0.98

343 375 231 332 200

33 / 40



Tabel 7 Geschatte regelmaat in comparatief voordeel, 1996; deel II coëfficiënt t-stat adj. R2 49 Jordan -0.48 -67.56 0.99 50 Kuwait -0.53 -23.20 0.97 51 Lebanon -0.48 -36.57 0.95 52 Oman -0.57 -27.07 0.92 53 Saudi Arabia -0.54 -49.58 0.98 54 Syrn Arab Rp -0.47 -31.46 0.96 55 Untd Arab Em -0.59 -43.05 0.95 56 Turkey -0.49 -24.03 0.83 Asia 57 Afghanistan -0.43 -44.10 0.99 58 Bangladesh -0.36 -16.79 0.90 59 Myanmar (Burma) -0.39 -25.98 0.94 60 Sri Lanka -0.41 -24.65 0.90 61 Hong Kong -0.55 -20.90 0.76 62 India -0.52 -25.51 0.86 63 Indonesia -0.51 -23.68 0.83 64 Malaysia -0.58 -25.44 0.85 65 Pakistan -0.40 -23.10 0.91 66 Philippines -0.53 -24.15 0.86 67 Singapore -0.64 -20.22 0.76 68 Taiwan -0.55 -22.82 0.80 69 China -0.55 -22.04 0.76 70 Vietnam -0.44 -25.95 0.88 Western Europe 71 Belgium-Lux. -0.75 -18.69 0.75 72 Denmark -0.56 -22.17 0.81 73 France -0.77 -14.64 0.65 74 Germany -0.71 -16.68 0.67 75 Greece -0.51 -26.79 0.87 76 Ireland -0.54 -24.83 0.84 77 Italy -0.58 -18.36 0.67 78 Netherlands -0.68 -18.14 0.75 79 Portugal -0.53 -28.56 0.87 80 Spain -0.72 -17.18 0.73 81 United Kingdom -0.67 -16.81 0.71 82 Austria -0.61 -20.56 0.77 83 Finland -0.56 -23.59 0.83 84 Iceland -0.36 -22.67 0.96 85 Norway -0.56 -29.80 0.90 86 Sweden -0.59 -21.05 0.77 87 Switzerland -0.54 -21.91 0.79 88 Malta -0.52 -26.75 0.91 Eastern Europe 89 Bulgaria -0.51 -29.75 0.87 90 Czechoslovakia -0.55 -17.48 0.69 91 Hungary -0.58 -19.16 0.78 92 Poland -0.59 -19.05 0.76 93 Romania -0.49 -23.73 0.82 94 Fm USSR -0.52 -29.81 0.89 Oceania 95 Australia -0.59 -29.99 0.90 96 New Zealand -0.50 -32.63 0.92

34 / 40

# obs. 253 145 307 193 244 177 376 419 185 87 181 263 414 419 381 403 199 319 423 425 455 307 466 431 471 478 415 397 446 465 436 462 476 453 403 105 382 436 397 253 442 442 403 436 381 426 462 397



Om de regelmaat in interactie tussen economische centra te illustreren gaan we op een soortgelijke manier te werk als in paragraaf 5. Ten eerste berekenen we voor iedere sector (op 4-digit niveau) van ieder land de Balassa index, op basis van vergelijking (3). Dat geeft een indicatie van de sterke exportsectoren het land. Ten tweede rangschikken we de aldus berekende Ballassa indices naar grootte. De sterkste export sector (met hoogste Balassa index) geven we rangnummer 1. De op één na sterkste geven we rangnummer 2, enzovoort. Ten derde nemen we het natuurlijk logaritme van het rangnummer en het natuurlijk logaritme van de Balassa index. Tot slot schatten we voor ieder land een regressie voor de op deze wijze berekende data:

(4)

ln(rang) = constante + coëfficiënt3 ×ln(Balassa index)

In tabel 7 staan de schattingsresultaten voor de Balassa index op basis van vergelijking (4) voor dezelfde groep van landen waarvoor eerder de graviteitsvergelijking is geschat. 13 Hieruit blijkt dat er een grote regelmaat zit in de verdeling van comparatief voordeel. De geschatte coëfficiënt van de Balassa- index beweegt zich tussen de –0,78 en –0,34 (met een variantie van slechts 0,01) en is statistisch altijd zeer significant. Ook de mate waarin de variantie in de (logaritme van) de rang wordt verklaard door de (logarithme van) de Balassa index is over het geheel genomen (erg) hoog.

Zoals eerder opgemerkt is deze gevonden regulariteit nieuw en derhalve onderwerp van nadere studie, zie Hinloopen en van Marrewijk (2003). Ter illustratie is in Figuur 10 de relatie opgenomen zoals deze geldt voor Argentinië. De sterkste export industrie van Argentinië is “mate”, een soort kruidenthee die in Zuid Amerika veel gedronken wordt (BI = 91; aandeel in de Argentijnse export is 0,13%, in de wereldexport 0,00%). Op de tweede plaats komt olie van soja bonen (BI = 61), op de derde plaats olie residues (BI = 48), op de vierde plaats vlees van paarden en ezels (BI = 43), enzovoort. Uit de figuur blijkt dat, in ieder geval voor Argentinië, een lineaire schatting, zoals gerapporteerd in Tabel 7, statistisch gezien wel goede resultaten geeft, 13

Hierbij hebben we ons beperkt tot de industrieën met een waarde voor de Balassa index die boven de 0,01 ligt; hele kleine waarden geven immers grote uitschieters. Nog steeds blijkt er een statistisch sterk significant verband te bestaan tussen het aantal waarnemingen en de aangepaste R2 . De vasts telling van de (endogene) ondergrens aan de Balassa index waarden zodat dit verband verdwijnt is onderdeel van lopend onderzoek, zie Hinloopen en van Marrewijk (2003).

35 / 40



maar een gebogen lijn beter het onderliggende verband weerspiegelt. Dit lijkt ook bevestigd door het gemiddeld genomen negatieve verband tussen het aantal waarnemingen en de verklaringskracht van de schatting. In welke mate dit ook voor andere landen het geval is, or er een breuk ligt op het scheidingspunt tussen comparatief voordeel – comparatief nadeel, wat de onderliggende krachten zijn van de gevonden regulariteit, en dergelijke vragen zijn, zoals gezegd, onderwerp van nadere studie.

Figuur 10 Regelmaat in comparatief voordeel; Argentinië, 1996 Regelmaat in comparatief voordeel; Argentinie, 1996 7 y = -0.0642x 2 - 0.58x + 4.734 R2 = 0.9973

ln(rang)

5

3

paardevlees olie residu sojaboon olie

1

y = -0.6375x + 4.5774 R2 = 0.9603

-3

0

3

mate 6

-1 ln(Balassa index)

Conclusie Analoog aan de opmerkelijke regelmaat in de spreiding van economische activiteit (de Wet van Zipf) en de regelmaat in interactie tussen economische centra (de graviteitsrelatie) is er een opmerkelijke regelmaat in economische specialisatie doordat de Pareto verdeling ook van toepassing is op klaarblijkelijk comparatief voordeel.

8. Samenvatting en conclusie Er is een grote verscheidenheid aan mogelijke analyses betreffende economische concentratie in termen van wat (bevolking, toegevoegde waarde, keuze van sectoren), 36 / 40



waar (globale regio’s, landen, districten, steden) en hoe (structuur in spreiding en interactie). Op het niveau van de door de Wereldbank onderscheiden globale regio’s bestaan er grote verschillen in verdeling van economische activiteit. De relatieve dichtheidsverschillen (hoogste dichtheid / laagste dichtheid) zijn groot voor zowel de bevolkingsdichtheid (meer dan 14 keer), de BNP dichtheid (meer dan 62 keer) en de voor koopkracht gecorrigeerde BNP dichtheid (meer dan 18 keer). Op een lager geografisch aggregatieniveau (op landelijk niveau) is sprake van een versterking van de ongelijkmatige spreiding van economische activiteit, zowel voor bevolking als voor produktie (gemeten in toegevoegde waarde, ook na correctie voor koopkrachtverschillen). Een “fractale dimensie” van de ongelijke verdeling van economische activiteit dringt zich op doordat ook op regionaal gebied binnen landen en voor steden de economische activiteit zeer ongelijk verdeeld is, zodat we op regionaal niveau centrum – periferie structuren kunnen identificeren.

Er is sprake van opmerkelijke regelmatigheden in de spreiding van economische activiteit, zowel voor de verdeling zelf, voor de interactie tussen economische centra en voor de mate van economische specialisatie. De mate van verstedelijking, die sterk verschilt van land tot land, neemt wereldwijd nog steeds toe. Er is een fractale dimensie in de regelmaat van de spreiding van economische activiteit op stedelijk niveau, kortheidshalve aangeduid met de Wet van Zipf, aangezien deze empirische wetmatigheid geldt voor de wereld als geheel, voor werelddele n en voor landen. De regelmaat in interactie tussen economische centra is rechtevenredig met de economische massa en omgekeerd evenredig met de afstand, en staat derhalve bekend als de graviteitsrelatie. Analoog aan deze wetmatigheden vonden we een nieuwe opmerkelijke regelmaat in economische specialisatie, doordat de Pareto verdeling ook van toepassing is op klaarblijkelijk comparatief voordeel. Samengevat resulteert een en ander dus in de volgende zes gestileerde feiten: §


§


§


§


§


§


37 / 40



Referenties Balassa, B. (1965), “Trade liberalization and “revealed” comparative advantage,” Manchester School of Economic and Social Studies 33: 92-123. Brakman, S., H. Garretsen en C. van Marrewijk (2001), An introduction to geographical economics, Cambridge University Press, Cambridge, U.K. Copus, A.K. (1999), “A new peripherality index for the NUTS III regions of the European Union,” ERDF/FEDER Study 98/00/27/130, A Report for the European Commission, Directorate General XVI.A.4 (Regional Policy and Cohesion). Fujita, M., P.R. Krugman en A.J. Venables (1999), The spatial economy: cities, regions, and international trade, MIT Press, Cambridge, MA. Harris (1954), “The market as a factor in the localization of industry in the United States,” Annals of the Association of American Geographers, 64: 315-348. Hinloopen, J. en C. van Marrewijk (2003), “On the distribution of comparative advantage,” mimeo, University of Amsterdam and Erasmus University Rotterdam. Hinloopen, J. en C. van Marrewijk (2001), “On the empirical distribution of the Balassa Index, Weltwirtschaftliches Archiv, 137: 1-35. Keeble, D., P.L. Owens, en C. Thompson (1981), The influence of peripheral and central locations on the relative development of regions, Department of Geography, Cambridge University. Marrewijk, C. van (2002), International trade & the world economy, Oxford University Press, Oxford, U.K. Quigley, J.M. (1998), “Urban diversity and economic growth,” Journal of Economic Perspectives, vol. 12, no. 2: 127-138. Rivera-Batiz, F.L, en L.A. Rivera-Batiz (1998), “Agglomeration externalities, geography, and the labor market: theory and evidence,” artikel gepresenteerd bij de Trade, Location, and Technology Conference, gesponsoord bij het Centre for Economic Policy Research (CEPR). Soo, Kwok Tong (2002), “Zipf’s Law for cities: a cross country investigation,” mimeo, London School of Economics. Tinbergen, J. (1962), Shaping the World Economy, Twentieth Century Fund, New York. Wereldbank, De (2000), World Development Report 1999, Washington DC. White (1980) ..

38 / 40



Zipf, G.K. (1949), Human behavior and the principle of least effort, Addison-Wesley, New York.

Appendix Wereldbank regionale indeling, 2002 East Asia & Pacific (EAP) regional aggregate (does not include high-income economies); the 23 economies included are: American Samoa Cambodia China Fiji Indonesia Kiribati Korea, Dem. Rep. Korea, Rep. Lao PDR Malaysia Marshall Islands Micronesia, Fed. Sts. Mongolia Myanmar Palau Papua New Guinea Philippines Samoa Solomon Islands Thailand Tonga Vanuatu Vietnam Europe & Central Asia (ECA) regional aggregate (does not include high-income economies); The 28 economies included are: Albania Armenia Azerbaijan Belarus Bosnia and Herzegovina Bulgaria Croatia Czech Republic Estonia Georgia Hungary Isle of Man Kazakhstan Kyrgyz Republic Latvia Lithuania Macedonia, FYR Moldova Poland Romania Russian Federation Slovak Republic Tajikistan Turkey Turkmenistan Ukraine Uzbekistan Yugoslavia, Fed. Rep. High income (HIC) group aggregate. High-income economies are those in which 2000 GNI per capita was $9,266 or more. The 52 economies included (plus Taiwan) are: Andorra Aruba Australia Austria Bahamas, The Barbados Belgium Bermuda Brunei Canada Cayman Islands Channel Islands Cyprus Denmark Faeroe Islands Finland France French Polynesia Germany Greece Greenland Guam Hong Kong, China Iceland Ireland Israel Italy Japan Kuwait Liechtenstein Luxembourg Macao, China Malta Monaco Netherlands Netherlands Antilles New Caledonia New Zealand Northern Mariana Islands Norway Portugal Qatar San Marino Singapore Slovenia Spain Sweden Switzerland United Arab Emirates United Kingdom United States Virgin Islands (U.S.) Latin America & Caribbean (LAC) regional aggregate (does not include high-income economies). The 32 economies included are: Antigua and Barbuda Argentina Belize Bolivia Brazil Chile Colombia Costa Rica Cuba Dominica Dominican Republic Ecuador El Salvador Grenada Guadeloupe Guatemala Guyana Haiti

39 / 40


Honduras Nicaragua Peru St. Lucia Trinidad and Tobago


Jamaica Panama Puerto Rico St. Vincent & the Grenadines Uruguay

Mexico Paraguay St. Kitts and Nevis Suriname Venezuela, RB

Middle East & North Africa (MNA) regional aggregate (does not include high-income economies). The 16 economies included are: Algeria Bahrain Djibouti Egypt, Arab Rep. Iran, Islamic Rep. Iraq Jordan Lebanon Libya Morocco Oman Saudi Arabia Syrian Arab Republic Tunisia West Bank and Gaza Yemen, Rep. South Asia (SAS) regional aggregate. There are no economies in South Asia classified as high income. The 8 economies included are: Afghanistan Bangladesh Bhutan India Maldives Nepal Pakistan Sri Lanka Sub-Saharan Africa (SSA) regional aggregate. There are no economies in Sub-Saharan Africa classified as high income. The 48 economies included are: Angola Benin Botswana Burkina Faso Burundi Cameroon Cape Verde Central African Republic Chad Comoros Congo, Dem. Rep. Congo, Rep. Côte d'Ivoire Equatorial Guinea Eritrea Ethiopia Gabon Gambia, The Ghana Guinea Guinea-Bissau Kenya Lesotho Liberia Madagascar Malawi Mali Mauritania Mauritius Mayotte Mozambique Namibia Niger Nigeria Rwanda São Tomé and Principe Senegal Seychelles Sierra Leone Somalia South Africa Sudan Swaziland Tanzania Togo Uganda Zambia Zimbabwe

40 / 40

Economische concentratie: de empirie

Recommend Documents