Por Sergio A. De Raco (Magíster en Explotación de Datos y Descubrimiento del Conocimiento-UBA).

RESUMEN: La movilidad laboral resume aspectos dinámicos y estructurales del funcionamiento de los mercados de trabajo. En particular, la movilidad laboral de las personas que transitan desde un empleo hacia otro conlleva intercambios de capacidades y habilidades entre sectores de actividad. Al observar estos movimientos es posible extraer información valiosa que permite caracterizar aspectos subyacentes de la estructura productiva nacional. A partir de datos de registros administrativos (AFIP-SIPA), que resumen cambios de empleo entre empresas para el período 1995-2020 a gran nivel de detalle, se planteó un análisis sistemático de estos microdatos mediante metodologías de redes complejas, naturalmente aptas para el análisis de datos relacionales, para comprender las principales características y la evolución del mercado laboral argentino de las últimas décadas.[1] Al analizar los flujos de empleo con métodos de redes complejas se encontró que las redes extraídas presentan una estructura densa con un gran componente conexo y caminos cortos, que evidencian meso-estructuras de centro periferia y agrupamientos sectoriales en comunidades. A su vez se encontró que la evolución temporal de las propiedades asociadas a estas redes permite caracterizar regímenes de conectividad del sector productivo en términos de flujos de empleo.

Las personas que cambian de empleo (en rigor, de empleador) pueden hacerlo hacia empresas que se dedican a la misma actividad económica que su empleador anterior o a una actividad distinta (Fig. 1, celdas fuera de la diagonal principal de la matriz de transición). El primer caso no llama particularmente la atención: el nuevo trabajo se mantiene en el mismo “rubro”.  En cambio, cuando en la transición de empleo cambia la actividad principal del empleador hay un reconocimiento implícito por parte de los nuevos empleadores del valor de las habilidades y la experiencia laboral adquirida en actividades en otros sectores de actividad. En algunos casos puede resultar “parecido” y en otros, muy distinto. Por ejemplo: Ana trabajaba en un supermercado y ahora trabaja en una empresa productora de comestibles; Blas era empleado de una inmobiliaria y ahora trabaja en una empresa de publicidad. La estructura que surge de estos flujos de empleo entre distintas actividades productivas genera una compleja red de interrelaciones que caracteriza el sistema productivo a través del uso de un factor productivo clave como es el trabajo. Neffke et al (2017) es un antecedente relevante de la aplicación de métodos de redes complejas al análisis de los flujos. De Raco y Semeshenko (2019a, 2019b) realizaron aportes para el caso de Argentina. Los métodos de redes complejas se apoyan en la teoría matemática de grafos que parte de la abstracción de considerar un conjunto de elementos (nodos) conectados por un conjunto de relaciones (lazos), cuyo origen se rastrea al célebre trabajo de Euler (1736).

Al pensar en la estructura de los flujos de empleo surgen naturalmente varias preguntas: (P1) ¿Qué información podemos extraer de los flujos de personas que cambian de empleo?; (P2) ¿Qué características estructurales develan estos intercambios de empleo entre distintos “sectores” económicos?;  (P3) ¿Cuán estables son estas características en el tiempo?; (P4) ¿Es posible identificar agrupamientos sectoriales relevantes a partir de estos flujos?

Para responderlas resulta clave la definición de “sector” o “actividad productiva” que se quiere analizar. En estas redes los nodos representan a los sectores y los lazos (binarios o ponderados, según la pregunta a responder) a los flujos de empleo (Fig. 1). Los clasificadores sectoriales estandarizados (CIIU)[2] agrupan jerárquicamente sectores a distinto nivel de detalle según criterios económicos de afinidad. Usualmente para analizar variables económicas sectoriales (p.ej.: empleo, firmas, actividad),  se utilizan clasificaciones agregadas a nivel de “letra” o dos dígitos CIIU, que presentan una cantidad y variedad de categorías comprensible que facilita su interpretación económica. Sin embargo, en el registro administrativo se identifica la actividad económica de las firmas a un gran nivel de detalle, lo que impone un desafío para el análisis de los datos desagregados debido la dificultad de manejar la gran cantidad de categorías sectoriales (aproximadamente 300 sectores) así como de su interpretación. En la Fig. 2 se visualiza la complejidad que impone al análisis de los datos (en este caso de dotación de empleo) agregados en 14 categorías a nivel de “letra” en comparación con las 300 categorías requeridas para el análisis a 4 dígitos CIIU utilizada en esta tesis. En particular se observa la “explosión” de la categoría D – Industria manufacturera (21% del empleo total) en 129 sectores a 4 dígitos (en promedio 0.5% del empleo total).

Fig. 01

Fig. 02

Los cambios de empleo y la actividad económica agregada en el período analizado presentan una correlación (lineal) marcadamente positiva: en bonanza (recesión) hay más (menos) oportunidades de empleo y las personas aventuran (evitan) cambiar de empleo, lo cual resulta esperable (Fig. 3). Durante el período 1996-2020 en la evolución  de la economía se identifican etapas históricas en el ciclo económico que tuvieron su correlato en la movilidad laboral. En esta tesis se evaluaron las redes interanuales y redes promedio para períodos seleccionados, de relativa estabilidad macroeconómica (Fig. 4).

Fig. 03

Fig. 04

Al evaluar las redes de flujos de empleo observadas se identifica la presencia de una gran cantidad de lazos intersectoriales (redes relativamente densas), organizados en un gran componente conexo con predominio de flujos que ocurren en ambas direcciones (alta reciprocidad), elevado coeficiente de clustering y distancias cortas de interconexiones entre cualquier par de sectores (diámetro reducido). Mediante simulación se obtienen redes aleatorias de características estructurales similares a las observadas y se encuentra que las redes observadas presentan características de “mundo pequeño”, como en otras redes sociales reales. Esto significa que en pocos pasos (máximo de 3 en estas redes) se puede conectar cualquier par de sectores mediante sucesivos cambios de empleo[3], o lo que es relevante al problema del mercado laboral: no hay (habitualmente) sectores desconectados en los cambios de empleo.

Otra característica de estas redes es la organización de sectores en grupos según dos patrones de conectividad, centro y periferia, que refieren a componentes cualitativamente distintos: un «centro» denso de nodos estrechamente interconectados y una «periferia» de nodos conectados a nodos del núcleo y muy poco entre sí. En las redes analizadas se observa claramente esta estructura, con dos grupos “centro” según niveles de interconexión, que varían en el tiempo (Fig. 5).

Fig. 05

La evolución temporal de las redes observadas se analizó mediante técnicas de comparación de redes del mismo tamaño (igual cantidad de nodos), para lo cual se utilizó parcialmente el enfoque desarrollado en Donnat y Holmes (2018).  A partir de las matrices de adyacencias de los grafos asociados a las redes se calculan distintas métricas y disimilitudes para comparar a diferentes escalas (local, meso y global) sus estructuras topológicas de interconexión. En los resultados se identificaron “regímenes” temporales de conectividad que aportan nueva información para caracterizar la evolución de las estructuras de las redes de flujos de empleo (Fig. 6).

Fig. 06

En cuanto a la estructura de grupos de sectores, además de la organización en centro y periferia se realizó un análisis de comunidades con el algoritmo de Leiden (Traag et al, 2019) en base a los flujos originales (Fig. 7). En los períodos promedio analizados se detectaron entre 6 y 7 comunidades en orden decreciente de conectividad. Las primeras dos grandes comunidades capturan más del 50% del total de los sectores y aproximadamente 50% del total de flujos. Estos grupos representan centros o “núcleos”: el primero incluye actividades productivas y servicios vinculados a la producción industrial de base y el segundo un variado conjunto de servicios utilizados en buena parte del espectro de actividades productivas, y en ambos casos la pertenencia a estos núcleos es estable en el tiempo. En las demás comunidades se encontraron subgrupos de actividades productivas y servicios vinculados que a lo largo del tiempo cambiaron de comunidad de pertenencia  aunque moviéndose en bloque por lo que se podrían considerar afines o relacionadas entre sí, como el caso de servicios de seguridad y de limpieza, actividades vinculadas a sectores agropecuarios, y actividad pesquera en general.

Fig. 07

Concluyendo, en esta tesis se encuentra que el análisis de los datos de flujos de empleo de registros administrativos a gran nivel de detalle utilizando métodos de redes complejas permite extraer información novedosa y relevante acerca de la conectividad y los entramados productivos que surgen a la luz de intercambios de empleo. Se aporta un marco de análisis para el estudio de estas redes y abre nuevos interrogantes hacia adelante, por ejemplo: explorar métodos de reducción de estas redes para caracterizar corredores de empleo y estudiar su evolución, y análisis de las comunidades y las interrelaciones de cada sector con el resto, entre otros. En suma, se encuentra que el abordaje del análisis de flujos de empleo entre industrias a partir de la conectividad provista por metodologías de redes complejas enriquece el estudio del fenómeno de la movilidad laboral aportando nuevas analogías y métricas para su mejor comprensión. Desde el punto de vista de la minería de datos se logra extraer conocimiento original y útil, y aportar métodos accesibles y replicables para reproducir, mejorar y extender el análisis aquí propuesto.

NOTAS DEL AUTOR

[1] En este trabajo se pone énfasis en los cambios de empleo registrado (formal) del sector privado entre empresas de diferente actividad principal según consta en su registro fiscal.

[2] https://unstats.un.org/unsd/classifications/Family/Detail/2.

[3] Sin considerar aspectos potencialmente relevantes como formación, ocupación, edad, entre otros, que podrían condicionar estos tránsitos.

REFERENCIAS

De Raco, Sergio A., and Viktoriya Semeshenko. 2019a. “Labor Mobility and Industrial Space in Argentina.” Journal of Dynamics & Games 6 (2): 107. https://doi.org/10.3934/jdg.2019008.

De Raco, S. y Viktoriya Semeshenko, 2019b. The Network Structure of Labor Mobility in Argentina. Working paper presented at the 6th Regulating for Decent Work Conference, 8-10 July 2019, Geneve.

Donnat, Claire, and Susan Holmes. 2018. “Tracking Network Dynamics: A Survey Using Graph Distances.” The Annals of Applied Statistics 12 (2): 971–1012. https://doi.org/10.1214/18-AOAS1176.

Euler, Leonhard (1736). «Solutio problematis ad geometriam situs pertinentis». Comment. Acad. Sci. U. Petrop 8, 128–40.

Neffke, Frank, Anne Otto, and Antje Weyh. 2017. “Inter-Industry Labor Flows.” Journal of Economic Behavior & Organization 142 (Oct): 275–92. https://doi.org/10.1016/j.jebo.2017.07.003.

Traag, V. A., L. Waltman, and N. J. van Eck. 2019. “From Louvain to Leiden: Guaranteeing Well-Connected Communities.” Scientific Reports 9 (1): 5233. https://doi.org/10.1038/s41598-019-41695-z.