Economische concentratie: de empirie concentrat… · In oktober 2002 benaderden Steven Brakman en...

Economische concentratie: de empirie © Hinloopen en van Marrewijk, 2003

1 / 40

Economische concentratie: de empirie

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.


2 / 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.


3 / 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.


4 / 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.


5 / 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)

EAP ECA HIC LAC MNA SAS SSA Wereld

Bevolking 1.855 474 903 516 295 1.355 659 6.057

Oppervlakte 16,0 23,8 30,9 20,1 11,0 4,8 23,6 130,1

BNP 2.027 927 24.945 1.922 651 591 303 31.351

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


6 / 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.


7 / 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 produktiviteits-

verschillen 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


8 / 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

0

10

20

30

40

50

25 50 75 100

125

150

175

200

225

250

275

300

325

350

375

400

meer

De Wereldbank geeft voor 195 landen informatie betreffende de bevolkingsdichtheid.

Gemiddeld wonen er 47 mensen per km2. Dit varieert op landen-niveau echter van

6587 voor Singapore (maar liefst 140 keer het wereldgemiddelde) tot 0,16 voor


9 / 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)

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-

Bevolkingsdichtheid (inw/km2)120 to 6,590 (55)

70 to 120 (34)50 to 70 (20)30 to 50 (26)

0 to 30 (52)


10 / 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)

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)

W o r l d C o u n t r i e s


11 / 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.


12 / 40

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

Gemiddelde dichtheid

gebied popdens gebied bnpdens

SSA 28 SSA 44

Hoogste dichtheid


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


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

* popdens = bevolkingsdichtheid (personen per km2); 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 produktie-

dichtheid 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.


13 / 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.


14 / 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 force

NL1 Noord-Nederland 144 2786

NL11 Groningen 188 4725

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

NL12 Friesland 107 1758

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

NL13 Drenthe 173 2832

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

NL2 Oost-Nederland 309 5377

NL21 Overijssel 310 5444

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

NL22 Gelderland 368 6560

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

NL23 Flevoland 149 2090 45.7 45.8 51.9 53.4

NL3 West-Nederland 615 13257

NL31 Utrecht 756 17013 36.7 36.6 35.7 37.6

NL32 Noord-Holland 614 13883


15 / 40

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

dichtheid periferie index

pop. prod. 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

NL33 Zuid-Holland 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

NL34 Zeeland 126 2419

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

NL4 Zuid-Nederland 473 9232

NL41 Noord-Brabant 455 9141

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

NL42 Limburg (NL) 515 9446

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.


16 / 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 van 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) ∑= jij

ji D

MP , waarbij

iP potentieel voor regio i

jM economische massa in regio j

ijD 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


17 / 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.


18 / 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).


19 / 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 van 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.


20 / 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 Midden-

en 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)

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 mega-

steden 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.

Urbane populatie (% van totaal)

0

10

20

30

40

50

60

70

80

90

1960 1970 1980 1990 2000

Wereld HIC SSA MNA

HIC

MNA

Wereld

SSA


21 / 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).


22 / 40

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

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 Brinkhoff9 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.

De Wet van Zipf voor agglomeraties in de wereld; 2002

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

0

1

2

3

4

5

6

7

13.7 14.7 15.7 16.7

ln(grootte)

ln(r

ang)

TokyoNew York

Seoul

Moskou

Amsterdam

Rotterdam


23 / 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.


24 / 40

Figuur 7 Regelmaat in de spreiding van stedelijke agglomeraties voor Europa

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.

De Wet van Zipf voor Agglomeraties in Europa; 2002


0

1

2

3

4

13.5 14.5 15.5 16.5

ln(grootte)

ln(r

ang)

Moskou

Amsterdam

Rotterdam

Istanbul

Londen

Parijs


25 / 40

Figuur 8 Regelmaat in de spreiding van stedelijke agglomeraties voor Duitsland

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.

De Wet van Zipf voor agglomeraties in Duitsland (1996)


0

1

2

3

4

11 12 13 14 15 16

ln(grootte)

ln(r

ang)

EssenBerlijn

Stuttgart


26 / 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 sub-

groepen: 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 intra-

regionale (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


27 / 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 intra-

regionale 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


28 / 40

Figuur 9 Visualisatie van wereldhandelsstromen (% van wereld totaal)

Zuid Azie (SAS)

L.Amerika &Caribisch geb. (LAC)

Sub-Sahara Africa (SSA)

Midden Oosten en Noord Africa (MNA)

AustralAzie(AAs)

Noord Amerika(NAm)

Oost Azie en Pacific (EAP)

West Europa(EUR)

Oost Europa en Centraal Azie (ECA)

28

6

1

1

1

4

Export in richting gesloten pijl(Export in richting open pijl)

1 (2) 1 (2)

4 (5)

2 (3)

3 (3) 3 (4)

1 (1)

1

1 (1)

1 (1)

3 (4)

3 (3)

(1)

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.


29 / 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 + coëfficiënt1×ln(BBP) + coëfficiënt2×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 Alleen voor de VS is de kortste afstand tot twee centra (New York en Los Angeles) genomen. 12 De berekende t-waarden zijn consistent onder heteroskedasticiteit (White [1980]).


30 / 40

Tabel 6 Geschatte graviteitsrelatie, 1996; deel I Africa income t-stat distance t-stat adj. R2 # obs. 1 South Africa 0.957 11.87 -2.886 -7.39 0.67 129 2 Algeria 0.194 1.35 -1.256 -3.57 0.16 53 3 Morocco 0.552 6.63 -1.860 -6.48 0.40 99 4 Tunisia 0.471 5.43 -1.698 -6.84 0.39 93 5 Egypt 0.519 6.41 -1.771 -8.02 0.51 104 6 Cameroon 0.600 4.67 -2.873 -8.34 0.41 70 7 Gabon 0.680 4.40 -2.009 -4.96 0.28 64 8 Zaire 0.500 2.05 -1.171 -1.77 0.12 53 9 Ethiopia 0.483 2.86 -1.047 -2.12 0.17 55 10 Ghana 0.824 4.04 -1.399 -3.18 0.30 57 11 Cote D'ivoire 0.528 4.43 -2.167 -5.31 0.38 58 12 Kenya 0.497 4.78 -2.199 -7.24 0.29 94 13 Madagascar 0.529 3.51 -0.792 -1.10 0.16 73 14 Malawi 0.516 4.99 -1.490 -4.18 0.28 58 15 Mauritius 0.500 4.50 -1.448 -2.44 0.17 80 16 Nigeria 0.666 4.27 -1.325 -2.68 0.27 67 17 Senegal 0.559 4.26 -1.647 -2.64 0.23 50 18 Zimbabwe 0.820 6.41 -2.239 -6.44 0.42 90 19 Untd Rp Tanzania 0.618 3.47 -1.221 -2.08 0.22 59 North America 20 Canada 0.673 9.60 -0.946 -2.44 0.58 132 21 USA 0.345 6.79 -0.749 -3.42 0.39 133 South America 22 Argentina 0.821 11.12 -1.612 -5.90 0.51 119 23 Bolivia 0.785 3.64 -2.341 -7.01 0.45 60 24 Brazil 0.564 9.02 -2.037 -7.74 0.47 125 25 Chile 0.761 10.44 -2.394 -7.81 0.55 111 26 Colombia 0.661 7.71 -1.901 -10.43 0.51 101 27 Ecuador 0.553 4.53 -1.608 -7.04 0.37 80 28 Mexico 0.609 8.83 -1.892 -10.53 0.56 113 29 Peru 0.955 7.95 -1.935 -6.28 0.50 97 30 Uruguay 0.831 7.11 -1.560 -4.62 0.49 88 31 Venezuela 0.615 4.85 -2.744 -9.81 0.46 77 32 Costa Rica 0.491 5.12 -2.155 -11.11 0.51 88 33 El Salvador 0.595 5.52 -1.992 -9.96 0.52 50 34 Guatemala 0.414 3.24 -1.828 -8.77 0.41 78 35 Honduras 0.579 6.08 -1.756 -10.58 0.47 60 36 Nicaragua 0.518 3.00 -1.732 -5.74 0.32 51 37 Bahamas 0.519 3.14 -0.340 -1.01 0.18 62 38 Barbados -0.000 -0.00 -1.165 -3.12 0.12 51 39 Dominican Rp 0.368 2.39 -1.608 -5.28 0.27 65 40 Jamaica -0.007 -0.04 -1.217 -2.99 0.15 58 41 Neth Antilles 0.343 1.75 -1.701 -5.97 0.28 65 42 Trinidad-Tobago 0.380 2.15 -2.146 -7.47 0.31 68 43 Panama 0.319 3.04 -1.433 -6.61 0.32 61 Middle East 44 Israel 0.657 10.72 -0.531 -3.10 0.53 111 45 Japan 0.398 8.40 -0.276 -1.34 0.42 133 46 Bahrain 0.522 5.88 -1.565 -7.66 0.36 68 47 Cyprus 0.667 9.28 -1.613 -8.56 0.59 103 48 Iran 0.508 3.27 -1.651 -5.24 0.41 71


31 / 40

Tabel 6 Geschatte graviteitsrelatie, 1996; deel II income t-stat distance t-stat adj. R2 # obs. 49 Jordan 0.588 4.52 -1.224 -3.36 0.36 62 50 Kuwait 0.645 7.20 -1.980 -7.97 0.49 78 51 Lebanon 0.489 4.16 -1.264 -6.10 0.36 66 52 Oman 0.205 1.81 -1.498 -4.11 0.15 81 53 Saudi Arabia 0.636 4.49 -1.579 -5.40 0.43 70 54 Syrn Arab Rp 0.481 4.69 -1.734 -6.51 0.45 67 55 Untd Arab Em 0.508 3.68 -2.218 -4.36 0.33 73 56 Turkey 0.578 9.21 -1.214 -9.52 0.62 125 Asia 57 Afghanistan 0.366 2.77 -0.508 -1.45 0.12 53 58 Bangladesh 0.771 8.79 -0.234 -0.96 0.44 102 59 Myanmar (Burma) 0.599 2.86 -1.824 -3.48 0.32 52 60 Sri Lanka 0.597 6.08 -1.843 -5.18 0.50 79 61 Hong Kong 0.199 5.01 -0.078 -0.44 0.17 131 62 India 0.381 7.22 -0.756 -4.24 0.34 132 63 Indonesia 0.439 8.61 -1.119 -4.75 0.44 114 64 Malaysia 0.406 7.27 -1.083 -6.80 0.39 129 65 Pakistan 0.444 6.83 -1.079 -4.24 0.38 128 66 Philippines 0.723 8.05 -1.568 -6.49 0.52 109 67 Singapore 0.306 4.86 -1.118 -3.91 0.38 107 68 Taiwan 0.308 3.55 0.041 0.22 0.17 83 69 China 0.402 7.49 -0.413 -1.31 0.39 133 70 Vietnam 0.829 5.25 -1.062 -2.40 0.46 72 Western Europe 71 Belgium-Lux. 0.383 7.05 -0.371 -2.83 0.41 133 72 Denmark 0.447 7.74 -0.723 -5.40 0.56 133 73 France 0.263 5.22 -0.228 -2.19 0.27 133 74 Germany 0.274 6.99 -0.367 -3.76 0.47 133 75 Greece 0.706 10.14 -1.278 -6.35 0.53 127 76 Ireland 0.539 10.03 -0.495 -3.13 0.58 131 77 Italy 0.280 7.29 -0.305 -3.70 0.44 133 78 Netherlands 0.406 6.97 -0.373 -2.48 0.46 133 79 Portugal 0.599 9.03 -0.960 -4.76 0.51 128 80 Spain 0.419 7.99 -0.269 -2.24 0.40 129 81 United Kingdom 0.227 5.90 -0.175 -2.18 0.24 133 82 Austria 0.705 10.63 -0.806 -6.53 0.68 129 83 Finland 0.609 10.24 -0.933 -5.28 0.61 126 84 Iceland 0.547 4.10 -1.708 -3.82 0.40 63 85 Norway 0.655 8.73 -0.615 -3.34 0.54 131 86 Sweden 0.477 7.43 -0.402 -3.31 0.47 133 87 Switzerland 0.541 8.15 -0.239 -1.49 0.48 133 88 Malta 0.499 5.83 -1.019 -4.34 0.33 88 Eastern Europe 89 Bulgaria 0.639 5.95 -1.366 -8.17 0.60 74 90 Czechoslovakia 0.592 8.43 -0.938 -5.73 0.54 128 91 Hungary 0.686 9.25 -1.164 -6.98 0.60 119 92 Poland 0.782 9.20 -0.932 -4.61 0.66 115 93 Romania 0.606 7.82 -1.584 -8.62 0.51 120 94 Fm USSR 0.598 6.35 -1.563 -7.50 0.52 109 Oceania 95 Australia 0.727 10.07 -2.802 -7.20 0.56 132 96 New Zealand 0.631 6.54 -2.696 -5.66 0.40 109


32 / 40

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 ijX de

export van produkt j uit land i is, is de Balassa index ijBI :

(3) [ ][ ]

∑∑∑∑

=

=

=

=

i jj

i

ij

ij

jj

ii

j

ij

iji

XX

XX

XX

waarbijXX

XXBI ;

Daarbij is iX dus gelijk aan de totale export van land i, jX 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.


33 / 40

Tabel 7 Geschatte regelmaat in comparatief voordeel, 1996; deel I Africa coëfficiënt t-stat adj. R2 # obs. 1 South Africa -0.58 -28.60 0.89 450 2 Algeria -0.48 -20.34 0.95 96 3 Morocco -0.41 -26.42 0.90 264 4 Tunisia -0.49 -29.02 0.91 323 5 Egypt -0.45 -23.74 0.88 273 6 Cameroon -0.45 -28.04 0.97 146 7 Gabon -0.49 -36.50 0.99 69 8 Zaire -0.36 -18.90 0.94 92 9 Ethiopia -0.36 -26.22 0.97 111 10 Ghana -0.40 -37.22 0.98 130 11 Cote D'ivoire -0.45 -34.25 0.98 197 12 Kenya -0.43 -29.40 0.91 319 13 Madagascar -0.39 -24.76 0.94 167 14 Malawi -0.39 -50.49 0.97 139 15 Mauritius -0.42 -30.94 0.95 120 16 Nigeria -0.42 -19.51 0.93 101 17 Senegal -0.37 -23.21 0.94 165 18 Zimbabwe -0.47 -31.17 0.91 352 19 Untd Rp Tanzania -0.34 -19.27 0.90 142 North America 20 Canada -0.63 -20.86 0.78 462 21 USA -0.78 -14.90 0.64 469 South America 22 Argentina -0.50 -30.99 0.91 417 23 Bolivia -0.40 -27.65 0.95 192 24 Brazil -0.57 -25.56 0.86 424 25 Chile -0.47 -32.25 0.93 359 26 Colombia -0.54 -27.15 0.88 370 27 Ecuador -0.49 -28.15 0.94 230 28 Mexico -0.60 -19.62 0.73 427 29 Peru -0.43 -34.60 0.95 283 30 Uruguay -0.41 -25.22 0.89 295 31 Venezuela -0.55 -33.42 0.94 300 32 Costa Rica -0.45 -27.31 0.90 289 33 El Salvador -0.45 -29.01 0.90 256 34 Guatemala -0.46 -28.62 0.90 312 35 Honduras -0.47 -31.45 0.94 275 36 Nicaragua -0.42 -23.66 0.92 183 37 Bahamas -0.44 -39.43 0.98 166 38 Barbados -0.46 -37.59 0.96 228 39 Dominican Rp -0.41 -22.10 0.89 200 40 Jamaica -0.46 -29.69 0.94 173 41 Neth Antilles -0.49 -39.60 0.98 194 42 Trinidad-Tobago -0.48 -30.40 0.93 248 43 Panama -0.45 -18.34 0.88 145 Middle East 44 Israel -0.50 -23.35 0.84 343 45 Japan -0.54 -21.07 0.71 375 46 Bahrain -0.45 -69.09 0.98 231 47 Cyprus -0.55 -30.41 0.91 332 48 Iran -0.48 -44.95 0.98 200


34 / 40

Tabel 7 Geschatte regelmaat in comparatief voordeel, 1996; deel II coëfficiënt t-stat adj. R2 # obs. 49 Jordan -0.48 -67.56 0.99 253 50 Kuwait -0.53 -23.20 0.97 145 51 Lebanon -0.48 -36.57 0.95 307 52 Oman -0.57 -27.07 0.92 193 53 Saudi Arabia -0.54 -49.58 0.98 244 54 Syrn Arab Rp -0.47 -31.46 0.96 177 55 Untd Arab Em -0.59 -43.05 0.95 376 56 Turkey -0.49 -24.03 0.83 419 Asia 57 Afghanistan -0.43 -44.10 0.99 185 58 Bangladesh -0.36 -16.79 0.90 87 59 Myanmar (Burma) -0.39 -25.98 0.94 181 60 Sri Lanka -0.41 -24.65 0.90 263 61 Hong Kong -0.55 -20.90 0.76 414 62 India -0.52 -25.51 0.86 419 63 Indonesia -0.51 -23.68 0.83 381 64 Malaysia -0.58 -25.44 0.85 403 65 Pakistan -0.40 -23.10 0.91 199 66 Philippines -0.53 -24.15 0.86 319 67 Singapore -0.64 -20.22 0.76 423 68 Taiwan -0.55 -22.82 0.80 425 69 China -0.55 -22.04 0.76 455 70 Vietnam -0.44 -25.95 0.88 307 Western Europe 71 Belgium-Lux. -0.75 -18.69 0.75 466 72 Denmark -0.56 -22.17 0.81 431 73 France -0.77 -14.64 0.65 471 74 Germany -0.71 -16.68 0.67 478 75 Greece -0.51 -26.79 0.87 415 76 Ireland -0.54 -24.83 0.84 397 77 Italy -0.58 -18.36 0.67 446 78 Netherlands -0.68 -18.14 0.75 465 79 Portugal -0.53 -28.56 0.87 436 80 Spain -0.72 -17.18 0.73 462 81 United Kingdom -0.67 -16.81 0.71 476 82 Austria -0.61 -20.56 0.77 453 83 Finland -0.56 -23.59 0.83 403 84 Iceland -0.36 -22.67 0.96 105 85 Norway -0.56 -29.80 0.90 382 86 Sweden -0.59 -21.05 0.77 436 87 Switzerland -0.54 -21.91 0.79 397 88 Malta -0.52 -26.75 0.91 253 Eastern Europe 89 Bulgaria -0.51 -29.75 0.87 442 90 Czechoslovakia -0.55 -17.48 0.69 442 91 Hungary -0.58 -19.16 0.78 403 92 Poland -0.59 -19.05 0.76 436 93 Romania -0.49 -23.73 0.82 381 94 Fm USSR -0.52 -29.81 0.89 426 Oceania 95 Australia -0.59 -29.99 0.90 462 96 New Zealand -0.50 -32.63 0.92 397


35 / 40

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 graviteits-

vergelijking 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).


36 / 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

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),

Regelmaat in comparatief voordeel; Argentinie, 1996

y = -0.6375x + 4.5774R2 = 0.9603

y = -0.0642x2 - 0.58x + 4.734R2 = 0.9973

-1

1

3

5

7

-3 0 3 6

ln(Balassa index)

ln(r

ang)

mate

paardevleesolie residusojaboon olie


37 / 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 werelddelen 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:








38 / 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) ..


39 / 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


40 / 40

Honduras Jamaica Mexico Nicaragua Panama Paraguay Peru Puerto Rico St. Kitts and Nevis St. Lucia St. Vincent & the Grenadines Suriname Trinidad and Tobago Uruguay 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

Economische concentratie: de empirie concentrat… · In oktober 2002 benaderden Steven Brakman en...

Documents

Transcript of Economische concentratie: de empirie concentrat… · In oktober 2002 benaderden Steven Brakman en...