{"id":1405,"date":"2022-07-12T09:15:34","date_gmt":"2022-07-12T12:15:34","guid":{"rendered":"http:\/\/datamining.dc.uba.ar\/predictivos\/?p=1405"},"modified":"2022-07-18T10:20:16","modified_gmt":"2022-07-18T13:20:16","slug":"flujos-de-empleo-y-entramados-productivos","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1405","title":{"rendered":"Flujos de empleo y entramados productivos"},"content":{"rendered":"

Por Sergio A. De Raco<\/strong> (Mag\u00edster en Explotaci\u00f3n de Datos y Descubrimiento del Conocimiento-UBA).<\/p>\n

RESUMEN: La movilidad laboral resume aspectos din\u00e1micos 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 informaci\u00f3n 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 per\u00edodo 1995-2020 a gran nivel de detalle, se plante\u00f3 un an\u00e1lisis sistem\u00e1tico de estos microdatos mediante metodolog\u00edas de redes complejas, naturalmente aptas para el an\u00e1lisis de datos relacionales, para comprender las principales caracter\u00edsticas y la evoluci\u00f3n del mercado laboral argentino de las \u00faltimas d\u00e9cadas.[1]<\/strong><\/a><\/em> Al analizar los flujos de empleo con m\u00e9todos de redes complejas se encontr\u00f3 que las redes extra\u00eddas 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 encontr\u00f3 que la evoluci\u00f3n temporal de las propiedades asociadas a estas redes permite caracterizar reg\u00edmenes de conectividad del sector productivo en t\u00e9rminos de flujos de empleo.<\/em><\/p>\n

Las personas que cambian de empleo (en rigor, de empleador) pueden hacerlo hacia empresas que se dedican a la misma actividad econ\u00f3mica que su empleador anterior o a una actividad distinta (Fig. 1, celdas fuera de la diagonal principal de la matriz de transici\u00f3n). El primer caso no llama particularmente la atenci\u00f3n: el nuevo trabajo se mantiene en el mismo \u201crubro\u201d.\u00a0 En cambio, cuando en la transici\u00f3n de empleo cambia la actividad principal del empleador<\/em> hay un reconocimiento impl\u00edcito 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 \u201cparecido\u201d 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\u00a0estos flujos de empleo entre distintas actividades productivas<\/strong> genera una compleja red de interrelaciones<\/strong> que caracteriza el sistema productivo a trav\u00e9s del uso de un factor productivo clave como es el trabajo. Neffke et al (2017) es un antecedente relevante de la aplicaci\u00f3n de m\u00e9todos de redes complejas al an\u00e1lisis de los flujos. De Raco y Semeshenko (2019a, 2019b) realizaron aportes para el caso de Argentina. Los m\u00e9todos de redes complejas se apoyan en la teor\u00eda matem\u00e1tica de grafos que parte de la abstracci\u00f3n de considerar un conjunto de elementos (nodos) conectados por un conjunto de relaciones (lazos), cuyo origen se rastrea al c\u00e9lebre trabajo de Euler (1736).<\/p>\n

Al pensar en la estructura de los flujos de empleo surgen naturalmente varias preguntas: (P1) \u00bfQu\u00e9 informaci\u00f3n <\/strong>podemos extraer de los flujos de personas que cambian de empleo?; (P2) \u00bfQu\u00e9 caracter\u00edsticas estructurales <\/strong>develan estos intercambios de empleo entre distintos \u201csectores\u201d econ\u00f3micos?;\u00a0 (P3) \u00bfCu\u00e1n estables<\/strong> son estas caracter\u00edsticas en el tiempo?; (P4) \u00bfEs posible identificar agrupamientos sectoriales relevantes<\/strong> a partir de estos flujos?<\/p>\n

Para responderlas resulta clave la definici\u00f3n de \u201csector\u201d o \u201cactividad productiva\u201d<\/strong> que se quiere analizar. En estas redes los nodos representan a los sectores y los lazos (binarios o ponderados, seg\u00fan la pregunta a responder) a los flujos de empleo (Fig. 1). Los clasificadores sectoriales estandarizados (CIIU)[2]<\/a><\/strong> agrupan jer\u00e1rquicamente sectores a distinto nivel de detalle seg\u00fan criterios econ\u00f3micos de afinidad. Usualmente para analizar variables econ\u00f3micas sectoriales (p.ej.: empleo, firmas, actividad),\u00a0 se utilizan clasificaciones agregadas a nivel de \u201cletra\u201d o dos d\u00edgitos CIIU, que presentan una cantidad y variedad de categor\u00edas comprensible que facilita su interpretaci\u00f3n econ\u00f3mica. Sin embargo, en el registro administrativo se identifica la actividad econ\u00f3mica de las firmas a un gran nivel de detalle, lo que impone un desaf\u00edo para el an\u00e1lisis de los datos desagregados debido la dificultad de manejar la gran cantidad de categor\u00edas sectoriales (aproximadamente 300 sectores) as\u00ed como de su interpretaci\u00f3n. En la Fig. 2 se visualiza la complejidad que impone al an\u00e1lisis de los datos (en este caso de dotaci\u00f3n de empleo) agregados en 14 categor\u00edas a nivel de \u201cletra\u201d en comparaci\u00f3n con las 300 categor\u00edas requeridas para el an\u00e1lisis a 4 d\u00edgitos CIIU utilizada en esta tesis. En particular se observa la \u201cexplosi\u00f3n\u201d de la categor\u00eda D – Industria manufacturera (21% del empleo total) en 129 sectores a 4 d\u00edgitos (en promedio 0.5% del empleo total).<\/p>\n

\"\"<\/a>

Fig. 01<\/p><\/div>\n

\"\"<\/a>

Fig. 02<\/p><\/div>\n

Los cambios de empleo y la actividad econ\u00f3mica agregada en el per\u00edodo analizado presentan una correlaci\u00f3n (lineal) marcadamente positiva: en bonanza (recesi\u00f3n) hay m\u00e1s (menos) oportunidades de empleo y las personas aventuran (evitan) cambiar de empleo, lo cual resulta esperable (Fig. 3). Durante el per\u00edodo 1996-2020 en la evoluci\u00f3n\u00a0 de la econom\u00eda se identifican etapas hist\u00f3ricas en el ciclo econ\u00f3mico que tuvieron su correlato en la movilidad laboral. En esta tesis se evaluaron las redes interanuales y redes promedio para per\u00edodos seleccionados, de relativa estabilidad macroecon\u00f3mica (Fig. 4).<\/p>\n

\"\"<\/a>

Fig. 03<\/p><\/div>\n

\"\"<\/a>

Fig. 04<\/p><\/div>\n

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 (di\u00e1metro reducido). Mediante simulaci\u00f3n se obtienen redes aleatorias de caracter\u00edsticas estructurales similares a las observadas y se encuentra que las redes observadas presentan caracter\u00edsticas de \u201cmundo peque\u00f1o\u201d, como en otras redes sociales reales. Esto significa que en pocos pasos (m\u00e1ximo de 3 en estas redes) se puede conectar cualquier par de sectores mediante sucesivos cambios de empleo[3]<\/a><\/strong>, o lo que es relevante al\u00a0problema del mercado laboral: no hay (habitualmente) sectores desconectados en los cambios de empleo.<\/p>\n

Otra caracter\u00edstica de estas redes es la organizaci\u00f3n de sectores en grupos seg\u00fan dos patrones de conectividad, centro y periferia, que refieren a componentes cualitativamente distintos: un \u00abcentro\u00bb denso de nodos estrechamente interconectados y una \u00abperiferia\u00bb de nodos conectados a nodos del n\u00facleo y muy poco entre s\u00ed. En las redes analizadas se observa claramente esta estructura, con dos grupos \u201ccentro\u201d seg\u00fan niveles de interconexi\u00f3n, que var\u00edan en el tiempo (Fig. 5).<\/p>\n

\"\"<\/a>

Fig. 05<\/p><\/div>\n

La evoluci\u00f3n temporal de las redes observadas se analiz\u00f3 mediante t\u00e9cnicas de comparaci\u00f3n de redes del mismo tama\u00f1o (igual cantidad de nodos), para lo cual se utiliz\u00f3 parcialmente el enfoque desarrollado en Donnat y Holmes (2018).\u00a0 A partir de las matrices de adyacencias de los grafos asociados a las redes se calculan distintas m\u00e9tricas y disimilitudes para comparar a diferentes escalas (local, meso y global) sus estructuras topol\u00f3gicas de interconexi\u00f3n. En los resultados se identificaron \u201creg\u00edmenes\u201d temporales de conectividad que aportan nueva informaci\u00f3n para caracterizar la evoluci\u00f3n de las estructuras de las redes de flujos de empleo (Fig. 6).<\/p>\n

\"\"<\/a>

Fig. 06<\/p><\/div>\n

En cuanto a la estructura de grupos de sectores, adem\u00e1s de la organizaci\u00f3n en centro y periferia se realiz\u00f3 un an\u00e1lisis de comunidades con el algoritmo de Leiden (Traag et al, 2019) en base a los flujos originales (Fig. 7). En los per\u00edodos promedio analizados se detectaron entre 6 y 7 comunidades en orden decreciente de conectividad. Las primeras dos grandes comunidades capturan m\u00e1s del 50% del total de los sectores y aproximadamente 50% del total de flujos. Estos grupos representan centros o \u201cn\u00facleos\u201d: el primero incluye actividades productivas y servicios vinculados a la producci\u00f3n 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 n\u00facleos es estable en el tiempo. En las dem\u00e1s comunidades se encontraron subgrupos de actividades productivas y servicios vinculados que a lo largo del tiempo cambiaron de comunidad de pertenencia\u00a0 aunque movi\u00e9ndose en bloque por lo que se podr\u00edan considerar afines o relacionadas entre s\u00ed, como el caso de servicios de seguridad y de limpieza, actividades vinculadas a sectores agropecuarios, y actividad pesquera en general.<\/p>\n

\"\"<\/a>

Fig. 07<\/p><\/div>\n

Concluyendo, en esta tesis se encuentra que el an\u00e1lisis de los datos de flujos de empleo de registros administrativos a gran nivel de detalle utilizando m\u00e9todos de redes complejas permite extraer informaci\u00f3n 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 an\u00e1lisis para el estudio de estas redes y abre nuevos interrogantes hacia adelante, por ejemplo: explorar m\u00e9todos de reducci\u00f3n de estas redes para caracterizar corredores de empleo y estudiar su evoluci\u00f3n, y an\u00e1lisis de las comunidades y las interrelaciones de cada sector con el resto, entre otros. En suma, se encuentra que el abordaje del an\u00e1lisis de flujos de empleo entre industrias a partir de la conectividad provista por metodolog\u00edas de redes complejas enriquece el estudio del fen\u00f3meno de la movilidad laboral aportando nuevas analog\u00edas y m\u00e9tricas para su mejor comprensi\u00f3n. Desde el punto de vista de la miner\u00eda de datos se logra extraer conocimiento original y \u00fatil, y aportar m\u00e9todos accesibles y replicables para reproducir, mejorar y extender el an\u00e1lisis aqu\u00ed propuesto.<\/p>\n

NOTAS DEL AUTOR<\/p>\n

[1]<\/a> En este trabajo se pone \u00e9nfasis en los cambios de empleo registrado (formal) del sector privado entre empresas de diferente actividad principal<\/strong> seg\u00fan consta en su registro fiscal.<\/p>\n

[2]<\/a> https:\/\/unstats.un.org\/unsd\/classifications\/Family\/Detail\/2<\/a>.<\/p>\n

[3]<\/a> Sin considerar aspectos potencialmente relevantes como formaci\u00f3n, ocupaci\u00f3n, edad, entre otros, que podr\u00edan condicionar estos tr\u00e1nsitos.<\/p>\n

REFERENCIAS<\/p>\n

De Raco, Sergio A., and Viktoriya Semeshenko. 2019a. \u201cLabor Mobility and Industrial Space in Argentina.\u201d Journal of Dynamics & Games 6 (2): 107. https:\/\/doi.org\/10.3934\/jdg.2019008<\/a>.<\/p>\n

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.<\/p>\n

Donnat, Claire, and Susan Holmes. 2018. \u201cTracking Network Dynamics: A Survey Using Graph Distances.\u201d The Annals of Applied Statistics 12 (2): 971\u20131012. https:\/\/doi.org\/10.1214\/18-AOAS1176<\/a>.<\/p>\n

Euler, Leonhard (1736). \u00abSolutio problematis ad geometriam situs pertinentis\u00bb<\/a>. Comment. Acad. Sci. U. Petrop 8, 128\u201340.<\/p>\n

Neffke, Frank, Anne Otto, and Antje Weyh. 2017. \u201cInter-Industry Labor Flows.\u201d Journal of Economic Behavior & Organization 142 (Oct): 275\u201392. https:\/\/doi.org\/10.1016\/j.jebo.2017.07.003<\/a>.<\/p>\n

Traag, V. A., L. Waltman, and N. J. van Eck. 2019. \u201cFrom Louvain to Leiden: Guaranteeing Well-Connected Communities.\u201d Scientific Reports 9 (1): 5233. https:\/\/doi.org\/10.1038\/s41598-019-41695-z<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"

Por Sergio A. De Raco – La movilidad laboral resume aspectos din\u00e1micos y estructurales del funcionamiento de los mercados de trabajo. Al analizar los flujos de empleo con m\u00e9todos de redes complejas se encontr\u00f3 que las redes extra\u00eddas presentan una estructura densa con un gran componente conexo y caminos cortos, que evidencian meso-estructuras de centro periferia y agrupamientos sectoriales en comunidades. <\/p>\n","protected":false},"author":4,"featured_media":1406,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[24,25,29],"tags":[21,30],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1405"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1405"}],"version-history":[{"count":14,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1405\/revisions"}],"predecessor-version":[{"id":1434,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1405\/revisions\/1434"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1406"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1405"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1405"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1405"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}