Begoña Guirao Abad

Profesora Titular de Universidad Departamento de Ingeniería del Transporte, Territorio y Urbanismo Universidad Politécnica de Madrid

El concepto del commuting como una migración "parcial" favorecida por mejoras en la infraestructura de transporte no es nuevo. La literatura existente sobre la relación entre las características de los mercados de trabajo y los movimientos migratorios (incluida la migración por commuting) es muy extensa. Es evidente que las disparidades regionales (incluidas las tasas de desempleo y los niveles salariales) conducen a una mayor movilidad laboral, y que la infraestructura de transporte puede ser la clave para definir los límites regionales de los mercados laborales. Otras razones para la movilidad laboral incluyen restricciones familiares y otros factores potenciales que son difíciles de cuantificar (como el sentimiento de identidad local o la antipatía hacia las grandes ciudades). La última crisis financiera mundial de 2008, previa a la del COVID-19 en la que estamos inmersos actualmente, ya aumentó las tasas de desempleo, disminuyó los niveles salariales medios en la mayoría de los países europeos, y también provocó cambios en la evolución de otras variables vinculadas indirectamente a los mercados laborales (como los mercados de vivienda y alquiler). Cualquier efecto sobre los mercados de trabajo generado por los movimientos migratorios debe ser analizado por la comunidad científica, y este es el enfoque adoptado en este estudio. La alta velocidad proporciona un tipo muy específico y nuevo de commuting: las distancias de viaje están en el rango de 100-200 km, lo que implica tiempos de viaje de unos 60 minutos, y cambios reales de región administrativa entre el origen y el destino (Tabla 1). Se trata de un nuevo enfoque de la visión tradicional del commuting urbano y, por lo tanto, hasta la fecha se han publicado pocos estudios sobre la migración laboral derivada del commuting interregional. Se trata de una migración provocada por la existencia de alta velocidad ferroviaria entre un par de ciudades cuando se ofrecen servicios con elevadas frecuencias adaptados a los horarios laborales (lanzaderas de alta velocidad).

1 Begoña Guirao fue profesora en la Escuela de Caminos de la Universidad de Castilla-La Mancha en el período 2000- 2006, años en los que coincidió con el Profesor José María de Ureña Francés, siendo éste el primer director y fundador del Centro. Durante este período, tuvo la oportunidad de participar en el proceso de creación de una Escuela con un plan de estudios alternativo a los que hasta entonces se habían implementado en España para la docencia de la Ingeniería de Caminos, con una enseñanza en grupos reducidos de alumnos y aplicando la metodología del “aprendizaje por proyectos”. Begoña Guirao fue Subdirectora Académica de esta Escuela de Caminos durante el período 2000-2006 y también esta etapa representó para ella la oportunidad de trabajar con el Prof. Ureña en proyectos de investigación liderados por él y que, en gran parte, estuvieron dedicados al análisis de la alta velocidad ferroviaria y su impacto socioeconómico y territorial en ciudades de tamaño pequeño y mediano. Begoña Guirao ha continuado trabajando en esta línea de investigación desde 2006, ya como Profesora Titular de la Universidad Politécnica de Madrid. Este artículo sintetiza una investigación dirigida por ella, en el período 2016 -2018, ya como profesora de la UPM, y pretende rendir tributo a la figura de José María en este libro de homenaje.

La literatura muestra que cualquier estudio sobre la migración laboral debe integrar indicadores del mercado de la vivienda y variables del mercado laboral (tasas de desempleo y salarios), aunque la mayoría de las experiencias publicadas se centran en las tres variables de forma independiente y, en general, aisladas (Haas & Osland, 2014). La variable del precio de la vivienda vinculada a la propiedad se ha utilizado normalmente como indicador de vivienda, pero publicaciones recientes (Kemp, 2015; Pareja-Eastaway & Sánchez-Martínez, 2016) también confirman que los precios del alquiler están alcanzando una importancia estratégica a la hora de evaluar los mercados laborales. En este sentido, los trabajos previos de Guirao et al (2017a) en el área de influencia de Madrid, también han desvelado que la variable del precio de la vivienda no era determinante, en períodos de recesión económica, como indicador clave para justificar el uso de la alta velocidad con fines de movilidad laboral. Guirao et al (2017a) habían modelizado la movilidad laboral vinculada a la alta velocidad ferroviaria, aprovechando la disponibilidad (desde 2002) de datos públicos sobre movilidad geográfica de trabajo a nivel provincial (Observatorio de las Ocupaciones, Ministerio de Empleo y Seguridad Social). Los primeros estudios se habían centrado en las relaciones de commuting de Madrid (Madrid-Ciudad Real-Puertollano, MadridToledo y Madrid-Segovia-Valladolid), utilizando tasas de desempleo y precios de la vivienda como variables socioeconómicas, y posteriormente en el resto de las áreas de commuting españolas (Guirao et al, 2017b). En la investigación descrita en este artículo, los autores han testado nuevas variables, esta vez vinculadas a los precios de alquiler de viviendas y a las diferencias salariales regionales, utilizando modelos de análisis multivariante con datos panel (multivariate panel analysis) y aplicados a una base de datos que abarca el período 2002-2014 para las tres principales zonas de commuting españolas (Madrid, Barcelona y Andalucía), capturando así el impacto a nivel nacional. Con arreglo a este nuevo enfoque territorial, la base de datos considerada por los autores en la modelización abarca un período de 13 años y 18 pares origen-destino, con una muestra final válida de 222 observaciones.

La movilidad laboral puede implicar cambios de la ciudad de residencia o de la región (migración), o simplemente un cambio en el tiempo de viaje diario al trabajo (commuting). El commuting (término inglés asociado al desplazamiento pendular frecuente) se asocia generalmente a zonas urbanas e implica un viaje entre el lugar de residencia de las personas y su lugar de trabajo diario o frecuente (3-4 veces/semana). Este concepto surgió a gran escala durante la Revolución Industrial cuando, por primera vez, los lugares de trabajo se concentraron en fábricas y se distanciaron de los lugares de residencia de los trabajadores. El commuting y cualquier tipo de migración está condicionada por los precios de la vivienda, la tasa de desempleo y los niveles salariales, pero el uso simultaneo de estas 3 variables es muy complejo, por las relaciones causales que se establecen entre ellas (Haas & Osland, 2014; Hincks & Wong, 2010). Hoy en día, las mejoras en la accesibilidad al trabajo proporcionadas por el transporte han ampliado los límites espaciales de los mercados laborales locales (Johansson & Klaesson, 2007; Fujita & Thisse, 2002) y el commuting puede implicar un viaje interregional. Un ejemplo de commuting interregional lo podemos encontrar después de la reunificación alemana, con la movilidad laboral entre los trabajadores de Alemania Oriental y Occidental (Burda & Hunt, 2001; Niebuhr et al., 2012). Para los trabajadores que vivían en regiones cercanas a las fronteras anteriores, el commuting era una manera de evitar el coste inherente a la migración tradicional (alquilar o comprar una casa nueva), mientras se beneficiaban de salarios más altos; y en este caso la migración podía sustituirse por un commuting interregional. En todos estos estudios anteriores sobre commuting interregional, la distancia máxima de desplazamiento apenas alcanza los 100

km porque sólo se tenían en cuenta los modos de transporte convencionales. Pero la aparición de la alta velocidad ferroviaria puede favorecer mayores distancias de commuting interregional, en el entorno de 200 km.

Figura 1. Red de alta velocidad Española y principales áreas de commuting de alta velocidad ferroviaria.

Hay muy pocos estudios en el mundo que hayan analizado las relaciones de dependencia entre la alta velocidad ferroviaria y el mercado de la vivienda y el mercado laboral. En Alemania, Heuermann y Schmieder (2014) utilizaron una muestra de la historia laboral de trabajadores y un conjunto de datos de panel de sus tiempos de viaje entre estaciones antes y después de la inauguración de los trenes de alta velocidad. Los resultados confirmaron un efecto positivo: una reducción del 16% en los tiempos medios de viaje y un aumento del 3% en los salarios después de la implementación del tren de alta velocidad, concluyendo que los nuevos servicios ferroviarios habían aumentado los "retornos de escala" (returns to scale) en los mercados laborales locales. En España, la UCLM (2002) llevó a cabo una campaña de encuestas a los commuters de la relación

Madrid-Ciudad Real-Puertollano, obteniendo interesantes resultados 2 . Moyano (2016) analizó la eficiencia del commuting en alta velocidad en España, en términos de adaptación de los servicios ferroviarios a los horarios laborales, teniendo en cuenta todos los posibles servicios disponibles. Aunque los estudios españoles son escasos, y no permiten extrapolar resultados al ámbito nacional o a las redes de alta velocidad de otros países, cuentan con un laboratorio de ensayos excepcional: una red de alta velocidad densa (Figura 1) con tres áreas funcionales de commuting (Tabla 1). Hasta ahora, el commuting suele ser más barato (euros/km) que los viajes de larga distancia en alta velocidad, pero esta tendencia ha cambiado en España en los próximos meses, ya que algunos operadores (generalmente, empresas ferroviarias estatales como RENFE) se están preocupando cada vez más por la competencia y la bajada de tarifas, especialmente para las rutas de larga distancia. Un ejemplo reciente es Francia con la empresa SNCF y los precios especiales del servicio « Ouigo » que representa un caso real de alta velocidad “low cost” (Delaplace y Dobruskes, 2015).

Madrid

Ciudad Real (74,798)

171 1,992 L 50 696,692 704,634 (+1)

Madrid Puertollano (52,200)

Madrid Toledo (83108) Madrid Segovia (55,220) 209 1,992 C 65 242,942 241, 331 (-0.7)

75 2,005 L 30 1,472,768 1,535,008 (+ 4.2) 70 2,008 O 35 779,571 816,297 (+4.7)

Madrid

Seville Valladolid (313,437) Cordoba 328,547 180 2,007 C 56 767,435 854,574 (+11.4) 127 2,004 C 45 474,233 493.855 (+4.1)

Cordoba Malaga (568,030)

Barcelona Tarragona (140.323) 296 2,008 C 65 168,982 183,605 (+8.7)

98 2,008 O 35 100,988 106,958 (+5.9%)

Lérida (138,416) 206 2,008 C 70 276,119 270,883 (- 1.9%)

Gerona 102 2,013 C 38 422,485 471,471 (96,722) (11.6%) &&HQWUDO//DWHUDO22XWO\LQJSHULSKHUDO

Tabla 1. Servicios de lanzaderas de alta velocidad. Fuente: Observatorio del Ferrocarril en España. 2015

La alta inversión del Gobierno español en infraestructuras (líneas, material rodante, nuevos edificios de estaciones) y los gastos de operación y mantenimiento de la red contrasta con la evolución del mercado laboral, especialmente en términos de empleo: durante la recesión, el mercado laboral español generó desempleo a un ritmo más rápido que otros países de la OCDE. Hoy en día, la tasa de desempleo española (casi 20%) y su crecimiento es una cuestión de gran preocupación para la Comisión Europea. Según

2 Universidad de Castilla-La Mancha (2002). Cuadernos de Ingeniería y Territorio 2. El AVE en Ciudad Real y Puertollano. Notas sobre su incidencia en la movilidad y el territorio. http://www.uclm.es/cr/caminos/Publicaciones/Cuaderno_Ing_Territorio/Libros/cuaderno2/cuadernos2_72.pdf 86

Bande et al. (2012), otras dos características importantes han marcado al mercado laboral español en las últimas décadas: la alta volatilidad del empleo y la existencia de grandes y persistentes disparidades regionales en la tasa de desempleo. Las inversiones en infraestructura de transporte deberían ayudar a mejorar el desarrollo económico de un país, y la movilidad laboral también debería verse favorecida por mejoras en la accesibilidad. Estamos de acuerdo en que las disparidades en el desempleo regional pueden fomentar el commuting interregional de alta velocidad y esta variable debe estudiarse como un factor causal en nuestra investigación. Sin embargo, también deben tenerse en cuenta algunas características específicas del desempleo español. Según Jansen et al (2016), las tasas de desempleo españolas disminuyen a medida que aumentan los niveles educativos, y los trabajadores altamente cualificados están estrechamente relacionados con la educación que han recibido (generalmente Educación Superior). Así, el 60% de los desempleados de larga duración (más de dos años) no tienen más que educación básica/obligatoria, y muchos trabajaron anteriormente en el sector de la construcción. Dado que el perfil del viajero de alta velocidad es un trabajador altamente cualificado, esta variable puede no ser la más adecuada para modelizar la movilidad laboral fomentada por la alta velocidad y podría conducir a malinterpretar el comportamiento de los commuters (Guirao et al., 2017). Otro argumento para evitar esta variable (tasa de desempleo) es la cantidad de empleos no declarados en España, que sigue siendo difícil de estimar en términos cuantitativos desde el punto de vista científico. Aunque no se refleja en las estadísticas oficiales, el “empleo sumergido” puede representar hasta el 20 por ciento del empleo real y se centra en los sectores de la construcción, agricultura, restauración y hostelería, industria textil y PYMES (pequeñas y medianas empresas). En la Figura 2 se puede ver la evolución de los salarios medios provinciales en las tres áreas funcionales de commuting de alta velocidad y el efecto de la crisis financiera de 2008. En las provincias de Madrid y Barcelona, las diferencias con las provincias adyacentes se acentúan, y puede justificar los movimientos interprovinciales por motivo laboral. En el caso de Andalucía, apenas existen diferencias salariales entre las provincias de Málaga, Sevilla y Córdoba. Esta variable se ha utilizado en lugar de la tasa de desempleo, en esta investigación, por las razones explicadas anteriormente. Buscando nuevas variables que fomenten la movilidad laboral, como ya se ha mencionado, las diferencias de precios de la vivienda han sido reconocidas como un indicador clave para explicar la migración laboral interregional. Sin embargo, durante la crisis, los precios de la vivienda disminuyeron o se estabilizaron, haciendo que el estudio de la relación entre la migración laboral y el mercado de la vivienda durante este período fuera una tarea compleja. Los resultados obtenidos por Guirao et al (2017a) en la modelización de la movilidad laboral en el área funcional de Madrid muestran que la crisis financiera ha reducido el protagonismo del precio de la vivienda como variable significativa, debido a su estabilización (o caída) durante este periodo. Otras variables alternativas, como las asociadas al mercado de alquiler privado han sido menos estudiadas durante los períodos de recesión. La Figura 3 muestra, a nivel provincial, el precio medio de alquiler por metro cuadrado en España antes, durante y después de la crisis (2002, 2017 y 2015). Barcelona encabeza el ranking, con precios un 40% más altos en 2017 que en 2012, mientras que los precios de alquiler en Madrid aumentaron durante la crisis, pero a un ritmo más bajo. En el caso de la zona funcional de Madrid, el resto de provincias adyacentes (Toledo, Ciudad Real, Segovia y Valladolid) muestran diferencias significativas en los precios de alquiler en relación a Madrid, mientras que en Barcelona estas diferencias son menores.

Figura 2. Evolución de las disparidades regionales en los salarios medios y los precios de la vivienda de alquiler (a nivel provincial) en las tres áreas de desplazamiento del HSR. Fuente: Elaboración propia con datos del Observatorio del Suelo y la Vivienda.

En el caso de Andalucía, apenas hay diferencias en los precios de alquiler entre las provincias de Málaga, Sevilla y Córdoba. En conclusión, las diferencias regionales en cuanto a salarios y precios de alquiler de viviendas son más altas en las zona de commuting de Madrid que en el resto de las áreas de commuting de alta velocidad españolas. En el siguiente apartado, se describe el proceso de elaboración de los modelos para analizar empíricamente el impacto de la existencia de servicios de commuting de alta velocidad en la movilidad laboral, así como la influencia de otros factores socioeconómicos importantes asociados al mercado laboral y de alquiler de vivienda. Estos modelos constituyen una continuación y mejora de las investigaciones que Guirao et al (2017a) desarrollaron para el área de commuting de Madrid.

Figura 3. Evolución de los precios del alquiler de viviendas a nivel provincial (antes, durante y después de la recesión financiera). Fuente: Elaboración propia con datos del Ministerio de Fomento (Observatorio de Vivienda y Suelo)

El objetivo principal de la metodología fue cuantificar el impacto de la existencia de servicios de commuting de alta velocidad en la movilidad laboral. La movilidad laboral se define como variable dependiente del modelo, Contracts AB, utilizando datos provinciales de contratación vinculados al lugar de residencia, es decir, el número de contratos en la provincia B relacionados con personas que residen en la provincia A. Las tres áreas funcionales incluidas en este estudio (Figura 1) proporcionaron un conjunto de O-D para configurar el tamaño de la muestra, con 222 observaciones. El servicio de commuting más antiguo (Madrid-Ciudad Real) fue inaugurado en 1992, pero otros servicios son muy recientes y sólo habían estado operando durante un corto período tiempo (a fecha de elaboración de esta investigación). Por ejemplo, BarcelonaGerona empezó a operar como una relación de commuting sólo desde 2013, pero está incluida en el período de estudio. La muestra cubre sólo las relaciones donde hay lanzaderas disponibles. Guadalajara es un caso especial y no está incluida en la muestra, ya que a su estación de alta velocidad (ubicada en las afueras de la ciudad) no llegan lanzaderas de alta velocidad, y sólo paran trenes de largo recorrido. Por el contrario, la antigua estación (en el centro de la ciudad) sigue ofreciendo una buena conexión ferroviaria de servicio de Cercanías a Madrid a precios bajos y con altas frecuencias. Hay otras relaciones en las que donde los desplazamientos pendulares son posibles utilizando trenes de larga distancia (como Calatayud y Zaragoza), pero el tráfico de commuting es muy bajo y, siguiendo los criterios generales, no se incluyeron en este estudio Las variables independientes que reflejan el impacto del commuting en la contratación se han agrupado en cuatro tipos (existencia de conexión de alta velocidad, variables de tiempo de viaje, variables del mercado laboral y variables socioeconómicas): - Existencia de alta velocidad ferroviaria (HSR). Esta variable clave cuantifica el efecto de la alta velocidad ferroviaria (High Speed Rail-HSR) en el número de contratos en la provincia B relacionados con individuos que residen en la provincia A. HSR es una variable dummy que es igual a uno para el año y la provincia con servicio de alta velocidad, y cero en caso contrario. - Variables de tiempo de viaje (D AB , Loc HSR). La distancia de tiempo de viaje puerta a puerta incluye dos conceptos: el tiempo de viaje entre las capitales de provincia (D AB ) y el tiempo de acceso y dispersión hacia y desde la estación de alta velocidad, estimado utilizando una variable relacionada con la ubicación de la estación (Loc HSR). Esto significa que en cada par AB, Loc HSR será igual a 1 para el año en el que la alta velocidad conecta dos estaciones laterales o centrales (dos centrales, dos laterales o mixtas) y cero, en caso contrario (othewise). Las situaciones "otherwise" incluyen la existencia de servicios de commuting de alta velocidad cuando una de las dos estaciones conectadas es periférica, o simplemente no existe todavía conexión de alta velocidad. - Variables del mercado laboral (Wage B/A, Cap B). Con relación a los salarios medios, en España la base de datos oficial facilitada por la Agencia Tributaria sólo se desagrega a nivel provincial para el período 2006-2016, y los datos regionales (por comunidad autónoma) sólo están disponibles para el período 2006-2016. Como resultado, sólo se incluyeron los salarios provinciales medios en el modelo, y los datos para el período 2002-2006 se reconstruyeron de acuerdo con la tendencia lineal observada. En el cálculo de Contracts AB , la variable empleada para representar las disparidades de salario fue el cociente entre el salario medio en la provincia B y el salario de la provincia A (Wage B/A). Otra variable a considerar es la importancia de las ciudades conectadas como capitales de comunidad autónoma (Romero et al., 2014). Nuestro caso de estudio incluye tres áreas funcionales, y sólo una de ellas contiene tres capitales de diferentes regiones (área funcional de Madrid). Se ha utilizado una variable

dummy, capital regional (Cap B) para medir la importancia administrativa de la "capitalidad". - Variables socioeconómicas (Pop A/B, GDP B/A, Rprice B/A). Las disparidades de población (Pop) y del Producto Interior Bruto provincial (GDP) se han tenido en cuenta incorporando las variables relativas Pop A/B y GDP B/A, que se obtienen calculando los cocientes correspondientes a cada par A-B. Según la definición de la variable dependiente de contratación, Contracts AB , B es la provincia donde se registran los contratos laborales AB, y cuanto mayor sea la población de la provincia B en comparación con A, más empleos ofrecerá B para atraer a las personas que viven en la provincia A. Para la mayoría de las ciudades consideradas en este caso de estudio, existe una relación lineal entre el tamaño poblacional y los precios de la vivienda (propiedad y alquiler), por ello se ha evitado el uso simultáneo de estas 2 variables en los modelos. De igual manera, el producto interior bruto provincial tiene una relación directa con los niveles salariales, por ello se ha evitado el uso simultáneo de GDP B/A y Wage B/A. El precio de alquiler de una vivienda (en términos de euros por metro cuadrado de vivienda alquilada) es una variable alternativa a tener en cuenta (R price ). Hay pocos datos oficiales de esta variable, y los estudios científicos se basan generalmente (como en el caso de los precios de la vivienda) en la información de las empresas inmobiliarias. En España, los datos oficiales sobre los precios de alquiler a nivel provincial y para las capitales de provincia han estado disponibles únicamente desde 2016 (Observatorio de Vivienda y Suelo, Ministerio de Fomento). Se ha hecho un gran esfuerzo en esta investigación por elaborar una base de datos de la variable Rprice para el período 2002-2014. Utilizando la evolución del IPC (índice de precios al consumo) derivado de la actividad de alquiler de vivienda, proporcionado a nivel provincial por el INE, los valores de 2016 se han extrapolado al período 2002-2014. Desafortunadamente, sólo se extrapolaron los valores provinciales, ya que la evolución de este IPC no está disponible a nivel municipal, lo que supone una limitación para el modelo. Nuestra metodología sería mucho más representativa si este dato estuviese disponible, pero el uso del dato provincial ya supone una primera estimación de los precios del alquiler y un mejor conocimiento del comportamiento de esta variable. - Variable de tiempo (Year). La variable de tiempo (año), al igual que en otros análisis multivariantes de datos de panel, se ha utilizado para agrupar la secuencia de observaciones a lo largo del tiempo y para medir las tendencias temporales. Con las variables independientes arriba consideradas (tiempo de viaje, indicadores del mercado laboral e indicadores socioeconómicos), se testaron finalmente tres modelos de regresión multivariante con datos panel. La ecuación (1) utiliza criterios de tamaño de población en lugar de criterios de precio de alquiler de viviendas para evitar la correlación entre variables. El software STATA/SE 12.0 se utilizó para aplicar técnicas de efectos aleatorios (Random Effects RE), de manera que se estimaran los coeficientes y determinantes de las tres ecuaciones. El modelo 3 difiere del modelo 2 en el uso del PIB en lugar de las diferencias salariales regionales. STATA/SE 12.0 se utilizó para obtener los principales determinantes de los modelos

Contracts t AB D   E  D AB  E  Pop t B

A  E  Wage t B

A  E  HSR  E  Cap B  E  Year  E Loc HSR   H ABt (1)

Contracts t AB D   E  D AB  E  Rprice t B

A E  Wage t B

A  E  HSR  E  Cap B  E  Year E  Loc HSR  H ABt (2)

Contracts t AB D   E  D AB  E  Rprice t B

 E  GDP t B

 E  HSR  E  Cap B  E  Year  E  Loc HSR  H ABt (3)

Los coeficientes obtenidos para cada uno de los tres modelos, junto con la significancia de cada variable han sido publicados recientemente 3 (Guirao et at, 2020). El resultado principal de esta investigación es que tanto la existencia de servicios de alta velocidad (HSR) como la ubicación de la estación (Loc HSR) son las variables con el nivel máximo de significancia (1%) en los tres modelos calibrados (1, 2, 3), subrayando la influencia de HSR como indicador clave para explicar la variable de output Contracts AB . Con relación a las significancias obtenidas, la importancia de la ubicación de la estación es ligeramente mayor que la existencia de los servicios de alta velocidad, y este hallazgo pone de relieve el papel que juega la ubicación de la estación. El tiempo de viaje, definido en el modelo por Loc HSR y D AB , es crucial para los viajeros, y la distancia entre ciudades (D AB ) también tiene el nivel máximo de significancia (1%) en todos los casos (modelos 1, 2, 3). Los tiempos de viaje del HSR en esta muestra oscilan entre 30 min (Toledo-Madrid) y 70 min (Madrid-Lérida), pero estas cifras pueden estar penalizadas por una estación periférica (como Tarragona o Segovia) si añadimos tiempos de acceso y dispersión, por lo que las variables de tiempo de viaje son consistentes en el modelo y permiten entender cada una de las relaciones O-D dentro de las áreas funcionales de commuting. En cuanto a los indicadores del mercado laboral, la variable asociada a las disparidades salariales entre regiones muestra una mayor importancia (nivel máximo de importancia del 1%) modelos en comparación con la variable de tasa de desempleo utilizada en estudios anteriores por Guirao et al (2017a). Dado que los viajeros de HSR suelen ser trabajadores altamente calificados (que no se ven afectados por las tasas de desempleo), y teniendo en cuenta que la tasa de desempleo no es exacta debido al trabajo no declarado (ilegal, que no tributa cotización a la Seguridad Social), los resultados del modelo son más consistentes con el uso de esta variable de desigualdad salarial entre provincias. Lamentablemente, la variable de output Contracts AB no se ha podido desagregar por tipo de contrato, y esta limitación no nos permite establecer una metodología para la estimación futura de los costes marginales de desplazamiento del HSR de los trabajadores. Además, la flexibilidad laboral, en términos de horarios, es bastante interesante para los commuters, y el tipo de trabajador que utiliza el tren de alta velocidad se está volviendo cada vez más heterogéneo. Las campañas de encuestas periódicas a los commuters podrían ayudar a establecer diferentes perfiles de trabajadores, su representatividad sobre el total de commuters y su evolución en el tiempo de acuerdo a las nuevas tendencias laborales (incremento del teletrabajo, del trabajo a tiempo parcial, o del trabajo como autónomo). La variable para la "Capitalidad" de la provincia, dentro de su CCAA, no es relevante en ninguno de los 3 modelos, destacando la heterogeneidad de la muestra utilizada para calibrar el modelo: sólo el área funcional de Madrid contiene tres capitales regionales (Madrid, Valladolid y Toledo). Este indicador probablemente sería más significativo cuando la muestra sólo se limita a la zona funcional de Madrid (Guirao et al, 2017a).

Con relación al resto de variables, los resultados obtenidos para la variable de alquiler de vivienda denotan coeficientes significativos en el nivel del 5%, más altos que los obtenidos al utilizar el precio de la vivienda directamente, y revelan la tendencia creciente del alquiler de vivienda, que comenzó con la recesión de 2008, y que ha supuesto un ascenso medio generalizado en los precios de alquiler. Cabe señalar que el indicador asociado a las disparidades salariales (Wage B/A) siempre es más significativo (1%) en los modelos que el nuevo indicador del mercado de la vivienda (Rprice B/A).

3 Por la naturaleza de este artículo se ha preferido incluir solamente aquellas figuras y tablas más relevantes para la comprensión de la investigación. Más detalles sobre las variables empleadas, un análisis exploratorio de las mismas previo a la modelización y los coeficientes obtenidos en los 3 modelos, pueden consultarse en un artículo de la revista Regional Studies de 2020, en concreto al número especial dedicado a Mobility, housing and labour markets in times of economic crises (DOI: 10.1080/00343404.2018.1530751)

Finalmente, en las áreas funcionales de Madrid y Barcelona, las disparidades son más acusadas que el área funcional de Andalucía.

El elevado coste de la construcción, la operación y el mantenimiento de líneas de alta velocidad ha hecho imperativo, para los nuevos proyectos, establecer procesos de priorización no sólo de corredores físicos sino también de servicios (frecuencias, horarios, tarifas). En cuanto a los servicios de commuting, la apertura de nuevas líneas convierte a ciertas ciudades en candidatas para las lanzaderas de alta velocidad, creando así una necesidad urgente de criterios de priorización para evitar la discriminación regional en la provisión de infraestructuras de transporte. Este documento ha puesto de manifiesto el papel de la alta velocidad y su impacto en la oferta laboral, ampliando la accesibilidad a potenciales puestos de trabajo. Se trata de un impacto que requiere más investigación, especialmente en un país como España, con tasas de desempleo elevadas, disparidades regionales sustanciales y persistentes en el ámbito del mercado laboral, y una población que tiene una “resistencia tradicional” hacia la movilidad laboral interregional, y sobre todo a los cambios de residencia habitual. Después de las crisis financieras, tenemos que hacer un seguimiento de la estabilidad de las tendencias de movilidad laboral detectadas, estudiando los futuros impactos que la nueva regulación del mercado de alquiler, la renta mínima vital (que se implementará en España 2020), ó el salario mínimo puedan generar sobre la movilidad laboral. El papel de las infraestructuras de transporte españolas, en este impulso de la movilidad laboral, puede ser muy positivo. Desde el punto de vista de la política de transportes, la decisión de establecer nuevos servicios de commuting de alta velocidad debe basarse en objetivos vinculados a la promoción de un empleo flexible pero no volátil. Las limitaciones de las bases de datos oficiales sobre movilidad laboral interregional podrían reducirse con ayuda de campañas periódicas de encuestas a los usuarios de lanzaderas de alta velocidad. Las empresas operadoras podrían promover estas campañas y compilar una base de datos más sólida para probar nuevas variables en modelos similares a los utilizados en esta investigación y, de esta manera, mejorar la metodología. Los planificadores y responsables de la toma de decisiones en este ámbito necesitan de este tipo de herramientas para priorizar qué tipo de servicio de alta velocidad implementar, no sólo en Europa, sino también en los países asiáticos con redes emergentes de alta velocidad (considerando el gran número de ciudades conectadas por líneas de alta velocidad en Japón, Corea, Taiwán y China). La transformación y evolución del mercado de trabajo, junto con las escalas salariales y la flexibilidad de horarios promovida por el teletrabajo, serán cruciales en estos modelos de priorización de servicios de commuting.

Bande, R., Fernández, M. & Montuenga, V. (2012). Wage flexibility and local labour markets: a test on the homogeneity of the wage curve in Spain. Investigaciones Regionales, 24, 175-198. Burda, M. & Hunt, J. (2001). From reunification to economic integration: productivity and the labor market in East Germany. Brookings Papers on Economic Activity, 2, 1-71. Delaplace, M. and Dobruszkes, F. (2015). From low-cost airlines to low-cost high-speed rail? The French case. Transport Policy, vol 38, pp 73-85. Fujita M. & Thisse J-F. (2002). Economics of agglomeration: Cities, industrial location and regional growth. Cambridge: Cambridge University Press.

Guirao, B., Casado-Sanz, N.. & Campa. J .L. (2017b). Labour mobility between cities and metropolitan integration: The role of high speed rail commuting in Spain. Cities, 78, 140- 154

Guirao, B., Lara-Galera, A. & Campa. J .L. (2017a). High Speed Rail commuting impacts on labour migration: The case of the concentration of metropolis in the Madrid functional area. Land Use Policy, 66, 131-140 Guirao,B.; Casado-Sanz, N & Campa. J .L (2020). Labour opportunities provided by Spanish high-speed rail (HSR) commuting services in a period of financial crisis: an approach based on regional wage disparities and housing rental prices, Volume 54, 2020, pp539-549 - Issue 4: Mobility, housing and labour markets in times of economic crises. Haas, A. & Osland, L. (2014) Commuting, migration, housing and labour markets: Complex interactions. Urban Studies, 51(3), 463–476. Heuermann, D. F. & Schmieder, J. F. (2014). Warping space: High-speed rail and returns to scale in local labor markets, Beiträge zur Jahrestagung des Vereins für Socialpolitik 2014: Evidenzbasierte Wirtschaftspolitik - Session: Local Labour Markets, No. A13-V1. Hincks, S. & Wong, C. (2010). The spatial interaction of housing and labour markets: commuting flow analysis of North West England. Urban Studies, 47(3), 620–649. Jansen, J., Jiménez-Martín, S. & Gorjón, L. (2016). The legacy of the crisis: The Spanish labour market in the aftermath of the great recession. Studies on the Spanish Economy, FEDEA.

Johansson B. & Klaesson J. (2007). Infrastructure, labour market accessibility and economic development. In C. Karlsson, W. Anderson, B. Johansson and K. Kobayashi (eds), The Management and Measurement of Infrastructure – Performance, efficiency and innovation, Edward Elgar, Cheltenham. Kemp, P. (2015). Private Renting after the Global Financial Crisis. Housing Studies, 30(4), 601-620.

Moyano, A. (2016). High Speed Rail Commuting: Efficiency Analysis of the Spanish HSR Links. Transportation Research Procedia, 18, 212-219. Niebuhr, A., Granato, N., Haas, A. & Hamann, S. (2012). Does Labour Mobility Reduce Disparities between Regional Labour Markets in Germany?. Regional Studies, 46(7), 841-858.

Pareja-Eastaway, M. & Sánchez-Martínez, T. (2016). Social housing in Spain: what role does the private rented market play?. Journal of Housing and the Built Environment, 32(2), 377–395.

Romero, V., Solís, E. & Ureña, J. M. (2014). Beyond the metropolis: new employment centers and historic administrative cities in the Madrid global city region. Urban Geography, 35(6), 889-915.