Forma urbana y desempleo

Forma urbana y desempleo JUAN ANTONIO SANTANA JOSÉ LUIS ROIG Departament d’Economia Aplicada Universitat Autónoma de Barcelona [email protected] Papers, Regió Metropolitana de Barcelona núm, 40, novembre 2003, pàgs. 35-54 Abstract Es planteja una reflexió teòrica en relació amb la influència que la forma urbana (és a dir, l’organització espacial de les ciutats) pot tenir sobre el nivell d’atur d’un determinat territori. En concret, aquesta anàlisi s’aborda a partir de la comparació de les diferències interzonals de les taxes d’atur entre les dues àrees urbanes més importants d’Espanya: els territoris funcionals corresponents a les àrees metropolitanes de Barcelona i Madrid. Així, aquests dos casos permeten estudiar dues estructures significativament diferents: d’una banda, l’àrea de Barcelona, policèntrica i amb un patró d’accessibilitat espacial a l’ocupació considerablement uniforme; i d’altra banda, l’àrea de Madrid, caracteritzada per una forta concentració de l’ocupació en les seves àrees centrals. Se plantea una reflexión teórica en relación con la influencia que la forma urbana (es decir, la organización espacial de las ciudades) puede tener sobre el nivel de paro de un determinado territorio. En concreto, este análisis se aborda a partir de la comparación de las diferencias interzonales de las tasas de paro entre las dos áreas metropolitanas de Barcelona y Madrid. Así, estos dos casos permiten estudiar dos estructuras significativamente diferentes: por un lado, el área de Barcelona, policéntrica y con un patrón de accesibilidad espacial al empleo considerablemente uniforme; y por otro lado, el área de Madrid, caracterizada por una fuerte concentración del empleo en sus áreas centrales. A theoretical reflection is posed regarding the influence that the urban shape (so to say, the spatial organization of the cities) may have into the level of unemployment of a specific territory. In concrete, this analysis is treated from a comparation of the interzonal differences in unemployment rates between the two most important urban areas in Spain: the functional territories corresponding to the metropolitan areas of Barcelona and Madrid. Thus, these two cases allow the study of two structures significantly different: on the one side, the area of Barcelona, policentric and with an spatial accessibility pattern to employment considerably uniform; and on the other hand, the area of Madrid, characterized by a strong concentration of employment in the central locations. Une réflexion théorique est formulée en relation avec l’influence que la forme urbaine (c’est-à-dire, l’organisation spatiale des villes) peut avoir sur le niveau du chômage d’un territoire spécifique. Concrètement, cette analyse s’aborde à partir de la comparaison des différences interzonales des taux de chômage entre les deux secteurs urbains plus importants de l’État espagnol: les territoires fonctionnels correspondants aux zones métropolitaines de Barcelone et de Madrid. Ainsi, ces deux cas permettent l’étude de deux structures sensiblement différentes: d’une part, le secteur de Barcelone, polycentrique et avec un modèle d’accessibilité spatiale à l’emploi considérablement uniforme: et d’autre part, le secteur de Madrid, caractérisé par une forte concentration de l’emploi dans ses zones centrales. 36 Introducción 1Paro y ciudad: ¿Qué es territorial en la explicación del desempleo? 2Distribución espacial del paro, segregación residencial i forma urbana: una comparación de Madrid y Barcelona 3Características individuales, paro y forma urbana: un enfoque desagregado 4Conclusiones y consideraciones sobre las políticas locales de mercado de trabajo Bibliografía Sumari Forma urbana y desempleo JUAN ANTONIO SANTANA JOSÉ LUIS ROIG Introducción Una de las características del desempleo es su desigual distribución espacial. Esta desigualdad se refleja tanto en el ámbito interregional como en el intraurbano. La explicación de los diferenciales interregionales de paro ha dado lugar a una extensa literatura. No así el análisis de los diferenciales intraurbanos, cuya literatura tanto en Europa como en España es más bien escasa, especialmente si se compara con la norteamericana, en la que el estudio de los mercados urbanos de trabajo goza de una larga tradición. El objeto de estudio del presente trabajo es precisamente el análisis de estos diferenciales de paro en las ciudades, tanto en un ámbito agregado como individual. Una cuestión que la literatura urbana ha intentado responder, y que es el objetivo de estas líneas, es si existe relación entre la forma urbana y el desempleo urbano. Más concretamente intentamos responder a la siguiente pregunta: ¿afecta la organización espacial de las ciudades a los resultados de los individuos en el mercado de trabajo? En las ciudades norteamericanas encontramos un patrón espacial de desempleo definido muy claramente en el que las mayores tasas de paro se generan en las partes centrales de las áreas metropolitanas, donde también se concentran desproporcionadamente las minorías raciales más desfavorecidas, en especial la población de color. En las ciudades europeas parece que la pauta dominante es la contraria. No obstante, se debería considerar que las ciudades europeas han tendido hacia patrones residenciales más complejos y fragmentados. En consecuencia, las periferias no están tan definidas socialmente como en el caso norteamericano. La explicación del patrón espacial de paro norteamericano se desarrolla desde la perspectiva de lo que se conoce como la hipótesis de “desajuste ( mismatch ) espacial”, desarrollada inicialmente por Kain (1968), quien señala que debido a la relocalización de las empresas hacia la periferia de la ciudad, los trabajadores de color que residen en los centros se enfrentan a elevadas barreras geográficas para hallar buenos empleos. Por tanto, existe un “desajuste espacial” entre la residencia de los trabajadores y sus posibles lugares de trabajo que persiste debido a la discriminación sufrida en el mercado de la vivienda2. La cuestión que se debe dilucidar en esta hipótesis es si las menores tasas de empleo de la población de color en las zonas centrales es una pura cuestión de accesibilidad o tiene que ver con la discriminación racial ( race or space ). En definitiva, la hipótesis introduce la relación que pueda existir entre estructura urbana y paro. En consecuencia, la probabilidad de paro de un individuo en la ciudad no sólo es determinada por aspectos que tradicionalmente se tienen en cuenta según las distintas teorías disponibles. La organización espacial de la ciudad en términos de la localización de la residencia y el empleo junto con las infraestructuras de transporte pueden afectar a los resultados del individuo en el mercado de trabajo. El objeto de este artículo es indagar y obtener algunas respuestas sobre la relación entre distribución intraurbana del paro y estructura. Para ello, en la siguiente sección se establece un mínimo marco teórico de referencia de las relaciones entre ambas. Posteriormente, esto da lugar en una tercera sección a un análisis de diferenciales interzonales de tasas de paro, en el que se comparan los resultados obtenidos en dos áreas metropolitanas con estructuras urbanas muy diferenciadas: el área de Barcelona aparece como un buen ejemplo de área policéntrica con un patrón de accesibilidad espacial al empleo considerablemente uniforme a lo largo de su territorio, mientras que el área de Madrid ilustra el caso de un área monocéntrica en el sentido de una desproporcionada concentración del empleo en el centro del área. En la cuarta sección se entra en un análisis desarrollado con una base de datos individual en la que se explica el efecto de la estructura sobre las probabilidades de paro de los individuos de la muestra. En una última sección se derivan las principales conclusiones del trabajo. 1Paro y ciudad: ¿qué es territorial en la explicación del desempleo? ¿Cuáles son las vías mediante las cuales el territorio urbano actúa sobre el desempleo? En primer lugar, la eficiencia de los procesos de búsqueda de empleo se encuentra asociada negativamente a la distancia que separa a las vacantes de la localización residencial de los desempleados. Este efecto se debe a que el flujo de información relevante de oportunidades de empleo decrece con la distancia física. Esto afecta especialmente a los parados de menor cualificación, que 37 1Una reciente evaluación de la evidencia disponible puede encontrarse en Ihlanfeldt y Sjoquist (1998). utilizan con mayor frecuencia métodos informales de búsqueda. En consecuencia, la eficiencia de los procesos de búsqueda de empleo decrece con la distancia, pero a una tasa diferente según la cualificación del individuo. Esta es una de las razones que se aducen para explicar tanto el mayor radio de búsqueda de empleo que normalmente se observa en desempleados de mayor cualificación como la más amplia utilización por parte de éstos de redes de información formales en la búsqueda de empleo, cuyo alcance espacial es superior al de las redes de información de naturaleza informal. Los trabajadores menos cualificados muestran una mayor dependencia respecto a estas últimas, y ello restringe su área de búsqueda, o reduce sensiblemente la eficiencia de la búsqueda de empleo (y aumenta, en consecuencia, el coste de ésta) a medida que se amplía el radio del área de búsqueda. En segundo lugar, los costes de commuting de los desempleados son crecientes con la distancia y, dados el stock y la dotación de servicios de infraestructura existente en el área urbana, aumentan la dificultad de acceder físicamente a los puestos de trabajo. Este aspecto condiciona y determina de manera directa el radio del área de búsqueda de empleo y el resultado de los procesos de búsqueda, tanto en términos de eficiencia como de intensidad. En la medida que los costes de movilidad e información varíen, también lo harán las áreas de búsqueda potencial de los trabajadores y las empresas. Esta circunstancia deriva en el hecho de que se observe una reducción de la probabilidad de aceptación de oportunidades a medida que aumenta la distancia entre la localización de tales oportunidades y la residencia del desempleado, a la espera de recibir ofertas de empleo más próximas al domicilio. Este principio se basa en los modelos de migración que conjugan las teorías de capital humano y de búsqueda de empleo para explicar la elección espacial de residencia y empleo. De acuerdo con estos modelos, el coste de la migración se encuentra relacionado, entre otros aspectos, con la distancia y es posible, por tanto, el ajuste de los costes de accesibilidad al empleo modificando tanto la localización de la residencia como la del empleo o ambas. Estos no son los únicos mecanismos mediante los cuales la estructura urbana puede influir en la situación del individuo en el mercado de trabajo. La segregación residencial en términos socioeconómicos puede tener varias consecuencias. Dos de ellas son relevantes para nuestros propósitos. Primero, la segregación residencial puede deteriorar las redes sociales en las zonas desaventajadas. Esto es crucial si los contactos personales son una forma habitual de encontrar empleo, y este es especialmente el caso de los grupos de población más débiles en el mercado. En particular, la tasa de paro local en barrios desaventajados donde se concentran estos grupos es más elevada, de modo que los residentes tienen menores oportunidades de entrar en contacto con ocupados que suministren información relevante sobre potenciales empleos. Finalmente, la segregación puede inducir efectos negativos cuando los empleadores sean reacios a contratar a trabajadores residentes en barrios degradados. La estigmatización de estos barrios puede llevar a una discriminación contra sus residentes en el mercado de trabajo. El conjunto de mecanismos que se han descrito aproxima los efectos que el territorio pueda tener sobre la accesibilidad al empleo. En todos los casos, la existencia de restricciones a la movilidad diaria, la dificultad de transición en el régimen de tenencia en el mercado de vivienda, el número de centros de empleo y su distribución geográfica (en consecuencia, formas urbanas con mayor o menor policentrismo), así como el grado de conectividad de estos centros con la residencia son los elementos que determinan la distribución del desempleo urbano. Tras exponer las formas mediante las cuales la organización espacial de la ciudad puede influir en la situación de empleo de los individuos en el mercado de trabajo, exploraremos sus implicaciones empíricas por dos vías. En la primera, objeto de la próxima sección, se establecerá la relación entre los diferenciales intraurbanos de tasa de paro y los condicionantes de la estructura urbana: accesibilidad al empleo y segregación residencial. En la segunda vía, desarrollada en la sección cuarta, el análisis será individual y se derivará de un modelo de probabilidad individual de paro en el que se introducirán los condicionantes de forma más compleja. 2Distribución espacial del paro, segregación residencial y forma urbana: una comparación de Madrid y Barcelona Los mecanismos que relacionan la estructura urbana y la accesibilidad al empleo influyen de forma distinta entre individuos con diferentes restricciones a la movilidad en los mercados de trabajo y de vivienda. Una de 38 las características diferenciales de los mercados locales de trabajo es su apertura a los flujos laborales, sea en términos de movilidad diaria como de migraciones. Esta permeabilidad confiere a la movilidad un protagonismo fundamental como mecanismo de corrección de esos desequilibrios, desde una lectura keynesiana2. La presencia de esas restricciones permite a la movilidad una menor eficiencia como mecanismo de ajuste en los desequilibrios entre oferta (población) y demanda (empleo) de los mercados locales de trabajo. Esta menor eficiencia tiene como resultado la generación de concentraciones de desempleo en las áreas urbanas. En definitiva, se está planteando que una misma forma urbana, definida como la distribución espacial de población y empleo, puede imponer restricciones diferentes a la accesibilidad al empleo a individuos con diferente capacidad de ajuste en términos de movilidad o de mercado de vivienda. Esta diferente capacidad de ajuste estará vinculada a características personales (sexo, edad, nivel educativo) y a características adquiridas en el mercado de trabajo derivadas de la historia laboral. Pero también nos podemos preguntar si individuos de idénticos perfiles en términos de estas características estarán sujetos a distintos grados de restricción de accesibilidad al empleo en diferentes estructuras urbanas. En este sentido, en áreas de carácter policéntrico, la distribución de los centros de empleo, y en consecuencia de las vacantes de empleo, es más homogénea que en estructuras más próximas al tipo monocéntrico. Cuando existen restricciones a la movilidad y desventajas o menor capacidad de ajuste en el mercado de vivienda, la menor dispersión de las oportunidades de empleo puede limitar la accesibilidad efectiva a la ocupación de los colectivos con mayor riesgo de paro. Si es así, la distribución geográfica del desempleo urbano debería ser a priori más segregada en áreas monocéntricas que en multicéntricas. La comparación de dos áreas metropolitanas con estructuras urbanas diferentes debiera permitirnos contrastar los extremos anteriores. En el caso español, las áreas de Madrid y Barcelona nos brindan la oportunidad de tal comparación. La monocentricidad del área metropolitana de Madrid contrasta con el carácter policéntrico de la de Barcelona. El hecho de que las dos áreas metropolitanas sean similares en términos de tamaño de población (tabla 1) facilita la comparación, puesto que en este caso las diferencias de estructura urbana pueden adscribirse a la localización relativa de empleo y población y en menor grado a diferencias de tamaño demográfico. En los datos comparativos relativos a los totales metropolitanos referidos a 1996, puede apreciarse que la población en edad potencialmente activa oscila en ambas áreas en el entorno de los tres millones de habitantes. Pero todavía es más interesante comprobar que las tasas de actividad y paro son prácticamente idénticas. 39 Datos comparativos de las áreas metropolitanas de Barcelona y Madrid. 1996Tabla 1 Totales metropolitanos Población Tasa de Tasa de Área Metropolit. 16-64 años Activos Ocupados Empleos Parados actividad paro de Barcelona 2.948.525 1.913.094 1.502.420 1.517.186 410.674 64,9 21,5 Área Metropolit. de Madrid 3.469.308 2.230.772 1.742.582 1.748.234 488.189 64,3 21,9 Medias por zona Nº de zonas Pobl.16-64 Activos Ocupados Parados Área Metropolit. de Barcelona 578 5.101 3.309 2.599 710 Área Metropolit. de Madrid 634 5.472 3.518 2.748 770 Ciudades centrales Empleo % A.M Pobl.16-64 años % A.M Emp/Pobl Emp/Pobl (Resto A.M.) BBaarrcceelloonnaa11889.282 58 1.628.542 55,2 0,54 0,47 MMaaddrriidd1.171.875 67 1.952.910 56,3 0,60 0,38 1. En Barcelona, además del municipio central, se incluyen 10 localidades que conforman una área comparable al municipio de Madrid: Badalona, Cornellà, Esplugues, l’Hospitalet, Montcada i Reixac, el Prat, Sant Adrià, Sant Joan Despí, Sant Just Desvern y Santa Coloma de Gramenet. 2Véanse en este sentido Evans y Richardson (1981) o Gordon (1989). Los datos de las ciudades centrales intentan aproximar el peso que tienen las mismas en el conjunto metropolitano de cada área en términos de población y de empleo. Tanto Madrid como Barcelona3representan porcentajes muy similares de población. No así en relación con los puestos de trabajo localizados en cada ciudad, ya que el peso de Madrid en su área es nueve puntos superior al de Barcelona en la suya. Una forma sintética de ver las diferencias de estructura urbana como localización relativa de empleo y población, es el cálculo de la ratio entre puestos de trabajo y población en edad de trabajar. En las dos últimas columnas de los datos referidos a las ciudades centrales se muestra la ratio , primero para la ciudad central y segundo, para el resto del área metropolitana. El carácter no monocéntrico del área de Barcelona se refleja en la pequeña diferencia de densidad de empleo entre Barcelona y el resto de su área. Por el contrario, la densidad de empleo de la ciudad de Madrid es casi el doble que la del resto de su área metropolitana. Para poder llevar a cabo un análisis comparativo más profundo de las dos áreas se ha utilizado para cada una de ellas una división zonal cuyas características se detallan en la tabla 1. En el caso de Madrid, las zonas utilizadas provienen de la Encuesta domiciliaria de movilidad en día laborable de 1996 en la Comunidad de Madrid (EDM-96), elaborada por el Consorcio de Transportes de Madrid. La EDM-96 permite calcular los puestos de trabajo localizados para cada zona. Por su parte, las zonas del área de Barcelona provienen de la Enquesta de Mobilitat Quotidiana de 1996, de la ATM. Se ha asignado a estos dos conjuntos de zonas los datos de puestos de trabajo localizados4y los de población en relación con la actividad correspondiente al Padrón de 1996. A partir de estos datos se han podido calcular para cada zona las siguientes variables: Potempi= Potencial de empleo de la zona i, definido de la siguiente manera: Potemp i =  j , donde Ej = Empleos localizados en la zona j. dij = Distancia euclidiana entre las zonas i y j. Potpari= Potencial de parados de la zona i, definido del mismo modo que potemp pero con el número de parados en lugar del número de empleos. Potenciali= PotempiPotpari Seprimi= Porcentaje de población entre 16 y 64 años residente en la zona i sin estudios o con estudios primarios incompletos. Tparfi= Tasa de paro femenino de la zona i. Tparhi= Tasa de paro masculino de la zona i. La variable de potencial de empleo, Potemp, aproxima la estructura urbana como relación entre las localizaciones del empleo y la población estableciendo una medida de la accesibilidad de cada zona al conjunto del empleo del área metropolitana, de modo que a mayor potencial mayor accesibilidad. Como ya se ha mencionado anteriormente, el patrón de accesibilidad al empleo diferirá entre áreas monocéntricas y policéntricas, de tal modo que en las primeras esperamos una concentración de elevadas accesibilidades en pocas zonas, mientras que en las segundas la distribución debiera tender a ser más uniforme. Para poner de manifiesto las diferencias en los patrones de accesibilidad entre ambas áreas se ha estimado un kernel de densidad. Esta metodología permite aproximar de forma continua lo que de otro modo sería expresado por un histograma de frecuencias. Es decir, el kernel alisa el histograma convirtiendo la distribución de la variable en cuestión en continua. La figura 1 muestra los resultados de estimar la distribución de frecuencias de la diferencia entre el potencial de empleo de cada zona y el potencial medio del área metropolitana expresado en porcentaje respecto a esa media. Por tanto, en el eje de abscisas, el valor 0 se corresponde con el valor medio metropolitano del potencial de empleo, mientras que +50 indica diferenciales positivos respecto a la media que representan el 50% de la misma. El eje de ordenadas señala la proporción (en tanto por 1) de zonas del área cuyo diferencial de potencial se corresponde con el del eje de abscisas. La comparación de las distribuciones de los diferenciales de potencial de empleo pone claramente de manifiesto las diferentes formas urbanas de Madrid y Barcelona. Se puede apreciar que ambas áreas poseen un número relativamente similar de zonas con muy bajas accesibilidades al empleo, que alcanza un máximo en torno a diferenciales que representan el 50% por debajo de la media. A partir de este punto, en el área de E j d ij 40 3Véase la nota en la tabla 1. 4Los puestos de trabajo localizados no están desagregados por sexo ni por nivel educativo. Madrid la frecuencia (el porcentaje) de zonas disminuye de manera continua con el aumento de potencial, especialmente cuando se alcanzan potenciales superiores a la media. Este es el tipo de comportamiento que sería esperable en un área monocéntrica. En sentido contrario, en el área de Barcelona se advierte un comportamiento considerablemente homogéneo, en términos del porcentaje de zonas, en el rango de diferenciales que se mueve entre –50% y +50%. En consecuencia, lo esperable es que la localización de la zona de residencia condicione en mayor medida la capacidad de ajuste espacial en Madrid que en Barcelona. Por consiguiente, los diferenciales interzonales de potencial debieran influir en mayor medida en la explicación de las diferencias interzonales de tasas de paro de Madrid. La variable Seprim, que es el porcentaje de población potencialmente activa de la zona sin estudios o con primaria incompleta, aproxima la segregación residencial mediante la concentración de la población por niveles educativos. La composición socioeconómica de la población zonal permite explicar los diferenciales de paro en la medida que el mercado de vivienda refleja las desventajas del mercado de trabajo. La concentración de individuos con características socioeconómicas asociadas con una mayor probabilidad de desempleo llevará a mayores tasas de paro. En este punto no es posible distinguir entre las posibles vías mediante las cuales la segregación residencial influye en el desempleo zonal. Se ha efectuado el mismo ejercicio de estimación de la distribución de frecuencias zonales para la variable Seprim, expresada igualmente como diferencial zonal respecto a la media del área en porcentaje sobre esta última, tal como aparece en la figura 2. En este caso, las diferencias entre las dos distribuciones nos permiten inferir la existencia de diferencias significativas en el grado de segregación entre ambas áreas. La comparación de las dos distribuciones indica una clara diferencia entre ellas. Las dos áreas son muy similares en la distribución de zonas con porcentajes muy reducidos de población con nivel de estudios bajo o bien sin estudios. A partir de un determinado punto, la distribución de Madrid está notablemente desplazada hacia la derecha. En otras palabras, en el área de Madrid hay un mayor porcentaje de zonas con proporción de población con estudios bajos superior a la media. La mayor dispersión de la distribución de Madrid permite concluir que el grado de segregación residencial del área de Madrid es superior al de Barcelona. De nuevo, los condicionantes espaciales y, por tanto, la localización debieran tener mayor influencia en Madrid que en Barcelona sobre la distribución espacial del paro. Finalmente, la distribución de las tasas de paro femenino y masculino (Tparf y Tparh), en los gráficos 3 y 4, ilustran la distribución territorial de desempleo en las dos áreas5. Una primera constatación de la comparación de ambos gráficos es que en cada ciudad la dispersión territorial del desempleo femenino es superior a la del masculino. En segundo lugar, las distribuciones femeninas son más similares que las masculinas, aunque en ambas la distribución de Madrid contiene a la de Barcelona. A partir de esto último puede estable41 Barcelona Madrid -100 -50 050 100 0 .002 .004 .006 .008 Figura 1 Diferenciales zonales de potencial de empleo Barcelona Madrid -200 0 200 400 0 .002 .004 .006 Figura 2 Diferenciales de porcentaje de población zonal sin estudios o con primaria incompleta 5Nótese que al igual que las otras variables, las tasas de paro se expresan como diferencia respecto a la media en porcentaje de la misma. cerse que la dispersión de tasas de paro zonales es menor en Barcelona que en Madrid, aunque la diferencia es mayor en el caso del paro masculino. Adicionalmente, algunos comportamientos diferenciales entre las distribuciones de las dos áreas, que se manifiestan en las colas, merecen ser reseñados. En la cola izquierda (diferenciales por debajo de la media) se puede percibir que tanto para el paro masculino como para el femenino del área de Madrid existe un porcentaje de zonas con tasas de paro muy por debajo de la media superior al de Barcelona. En sentido contrario, pero esta vez sólo perceptible en el paro masculino, la cola derecha indica la existencia en Madrid de un número relativo de zonas notablemente mayor que en Barcelona, soportando tasas de paro muy por encima de la media metropolitana. En definitiva, a la mayor dispersión de las distribuciones de paro del área de Madrid hay que añadir comportamientos extremos más acentuados. Los dos indicadores de condicionantes espaciales de la distribución espacial del desempleo, potencial de empleo y porcentaje de población con bajo nivel de estudios, están suministrando señales de una mayor desigualdad en Madrid tanto de accesibilidad al empleo como de segregación residencial. En consonancia, es esperable que las dos distribuciones de tasas de paro de Madrid reflejen esta mayor desigualdad en forma de una mayor dispersión de las tasas de paro que en Barcelona. En definitiva, las características zonales parecen condicionar el resultado de paro en mayor medida en Madrid que en Barcelona. No obstante, los gráficos muestran que las diferencias de comportamiento son claramente superiores en el paro masculino, donde la distribución de Barcelona no sólo tiene una menor varianza, sino que está desplazada respecto a la de Madrid hacia una mayor masa de zonas con tasas de paro por debajo de la media. Las zonas utilizadas como unidad de análisis son de un tamaño demográfico y físico suficientemente reducido como para suponer que su grado de apertura a los movimientos diarios residencia-trabajo es muy elevado. En consecuencia, cualquier crecimiento diferencial del empleo, respecto a su entorno en estas zonas, será absorbido rápidamente por el commuting , lo cual resultará en un efecto prácticamente nulo sobre la tasa de paro local. Si la composición socioeconómica de la población de estas zonas fuese idéntica, el efecto de la movilidad diaria sería la práctica eliminación de los diferenciales de tasa de paro. Sin embargo, la existencia de diferencias de composición, resultado de procesos que explican la segregación residencial, conduce a concentraciones diferenciales a lo largo del área metropolitana de grupos de población con características asociadas a elevadas probabilidades de desempleo. De aquí que cuanto menores sean las restricciones de la población a la movilidad diaria, en mayor medida la distribución del desempleo será reflejo de la distribución residencial de los grupos de población más vulnerables en el mercado de trabajo. Si las mujeres, por término medio, están sujetas a mayores restricciones a la movilidad que los hombres, las diferencias de accesibilidad, y en consecuencia la localización residencial, tienen que resultar más determinantes al explicar la distribución territorial del desempleo femenino. Por 42 Madrid Barcelona -20 020 40 0 .02 .04 .06 Figura 3 Diferenciales zonales de tasa de paro femenino Barcelona Madrid - 20 020 40 0 .1 .05 Figura 4 Diferenciales zonales de tasa de paro masculino otra parte, si, como se ha mostrado, las diferencias de accesibilidad y la segregación residencial son mayores en Madrid, las tasas de paro zonales en esta área serán más dependientes de estos factores que en el caso de Barcelona. Para contrastar estas hipótesis de comportamiento se han estimado las ecuaciones (1) y (2), donde las variables que se explican son las tasas de paro zonales masculinas y femeninas, respectivamente. Por su parte, las variables explicativas son las mismas en ambas ecuaciones, Potencial y Seprim. La segunda variable ya se ha descrito anteriormente. Con respecto a la primera debe hacerse una acotación. Anteriormente se ha de - finido Potencial como la diferencia entre el potencial de empleo, Potemp, y el potencial de parados, Potpar. La localización de una zona determina su accesibilidad relativa respecto a la demanda de trabajo, como hemos visto, pero también respecto a la oferta de trabajo. Esto significa que la población de una zona tiene un determinado nivel de accesibilidad al empleo, pero también a la potencial competencia en el mercado en la ocupación de los puestos de trabajo. Si sólo incluyésemos la variable Potemp correríamos el peligro de que esta variable recogiese a la vez ambos efectos. Por esta razón, el potencial de empleo tiene que matizarse con el efecto de la oferta de trabajo que compite por esos empleos. De ahí que se utilice la variable Potencial que tiene en cuenta este efecto. Tparh i =  h +  h * Potencial i +  h * Seprim i +  i (1) Tparf i =  f +  f * Potencial i +  f * Seprim i +  i (2) Los resultados de las estimaciones se muestran en la tabla 2. Una primera constatación es que en cada área la capacidad explicativa del modelo (R2-aj) es considerablemente superior en el paro femenino. Las dos variables son capaces de explicar el 32%, en Barcelona, y el 43%, en Madrid, de la variación de las tasas de paro femenino en ambas áreas. La variación explicada en los modelos de paro masculino no alcanza el 20%. Por tanto y como se esperaba, el paro de la población activa femenina está condicionado en mayor medida que el de los hombres por las características de la localización de la residencia, tanto por lo que se refiere a la accesibilidad al empleo como a la composición socioeconómica de la población zonal. Nótese que la capacidad explicativa del modelo es superior en el área de Madrid, que era la expectativa debido a su carácter monocéntrico y, en consecuencia, con mayores desigualdades en la accesibilidad al empleo. Por otra parte, de los resultados puede inferirse que la accesibilidad presenta una mayor influencia para explicar el desempleo que la segregación en las mujeres que en los hombres, si atendemos a los valores de los estadísticos t . Es decir, a pesar de que el efecto de la segregación (Seprim) es mayor en el paro femenino, si nos atenemos a los coeficientes, el peso relativo de la accesibilidad en la explicación del desempleo es superior en las mujeres, y adicionalmente es mayor en Madrid que en Barcelona. La accesibilidad es más relevante para el colectivo con mayores restricciones a la movilidad y, por tanto, con menor capacidad de ajuste. Consiguientemente, los diferenciales de paro masculino parecen depender del nivel de segregación en mayor medida. No obstante, los coeficientes de Potencial son mayores en los modelos de Barcelona si se compara cada género. Este mayor efecto implica que el beneficio marginal de una mejora de la accesibilidad al empleo es más elevado en la ciudad policéntrica que en la monocéntrica y para las mujeres que para los hombres. 3Características individuales, paro y forma urbana: un enfoque desagregado Hasta aquí se ha analizado la relación entre forma urbana y desempleo desde un punto de vista agregado. De los resultados obtenidos puede establecerse que la estructura urbana influye en la distribución espacial del desempleo. Diferentes formas urbanas afectan en distinto grado a esta distribución. En esta sección nos centraremos en un análisis de nivel individual que nos permitirá deslindar de forma bien definida los 43 Resultados de la estimación de las ecuaciones (1) y (2) en cada área metropolitana Tabla 2 Variable dependiente: tasa de paro zonal Barcelona Madrid Hombres Mujeres Hombres Mujeres Potencial –0,1167 –0,195 –0,0195 –0,1264 t-est –8,8 –13,6 –2,3 –16,9 Seprim 0,0198 0,0349 0,0237 0,0254 t-est 7,2 9,3 9,1 8,7 Constante –0,2283 –0,4389 –0,008 –0,0129 t-est –1,07 –1,6 –0,04 –0,006 R2-aj 0,177 0,322 0,1989 0,4359 F73,92 174,43 76,91 333,44 N578 578 634 634 Errores estándar robustos de distancia y los residuos de la ecuación de probabilidad de cambio. La significación de para ambas ecuaciones está indicando la falta de independencia entre la decisión de cambiar de zona y la determinación de la distancia de viaje al trabajo. De ahí que el coeficiente de resulte significativo en ambas ecuaciones. El comportamiento de las variables de control de sector de actividad y modo de transporte es muy similar entre ambas ecuaciones. Es en las variables de carácter espacial donde surgen diferencias entre las ecuaciones, y en ellas nos centraremos. Las variables de estructura urbana, potemp y densemp , resultan significativas y con los signos esperados para la determinación de la distancia de los individuos que cambiaron de residencia, pero no en el caso de los que no cambiaron. Esto obedece al hecho de que dentro del conjunto de individuos que no cambiaron de residencia encontraremos los individuos que, por una parte, ya se encontraban en equilibrio en relación con su residencia porque ya habían realizado anteriormente un movimiento de ajuste o bien individuos cuyas características comportan que los condicionamientos que impone el territorio sean menos relevantes para ellos. Por otra parte, tendremos los individuos que han quedado atrás debido a las restricciones que sufren en términos de su capacidad de ajuste en términos territoriales. En este último caso, otros factores pueden estar compensando las ventajas de una mejor accesibilidad o mayor densidad de empleos. En cambio, para los individuos que variaron de localización residencial esta decisión de cambio puede haber implicado la búsqueda de localizaciones más accesibles al empleo, en parte, al menos, como reflejo de un cierto acercamiento al lugar de trabajo. Las otras variables territoriales, estprim y estsup , obtienen también los signos esperados, pero –y esto complementa la anterior explicación– con diferente significación y coeficiente en cada ecuación en el caso de la primera de las dos variables. La concentración zonal de individuos con bajo nivel de estudios afecta significativamente a la distancia de los que no cambiaron, pero no a la de los que cambiaron. Los efectos negativos de la segregación residencial pueden estar compensando los efectos de la accesibilidad en los individuos menos cualificados, que sufren mayores restricciones en su capacidad de mover su residencia. Finalmente, la variable camemp no resulta significativa en la ecuación de los que cambiaron de residencia. Es decir, el haber cambiado de empleador durante los cinco años anteriores no afecta significativamente a la distancia. Sí aumenta la distancia en el caso de los individuos que no cambiaron de residencia, lo cual resalta la mayor dificultad de ajuste de los individuos que conforman este colectivo. Finalmente, en la tabla 5 se muestra el resultado de la estimación de la ecuación final de probabilidad de paro, en el que se incorpora como variable explicativa la distancia imputada a todos los individuos de la muestra procedente de las ecuaciones de distancia comentadas. La variable explicada es la probabilidad de paro y toma valor 1 si el individuo está parado y 0 en caso contrario. Por consiguiente, las variables con coeficiente positivo aumentan la probabilidad de paro y lo contrario ocurre con las variables con signo negativo. Todas las variables adoptan los signos esperados. Los activos masculinos tienen una menor probabilidad de paro, los individuos con estudios medios y superiores 50 Resultados de la estimación de paro Tabla 5 Ecuación final de probabilidad de paro z sexo –0,4160288 –5,87 priminc –0,0252044 –0,20 medios –0,3265015 –3,98 sup –0,5985026 –4,29 nc 0,1005672 1,26 cm 0,0278864 0,29 ptpd –0,7383572 –6,93 edad1 0,3386701 3,83 edad3 –0,4269767 –5,18 edad4 –0,1932824 –1,69 tenalq 0,2006865 2,72 super60 0,1695021 2,07 ind –0,1742766 –2,15 contruc 0,0781805 0,55 scom –0,5696422 –6,04 semp –0,2386415 –2,05 crempot –0,0177933 –1,94 crepobact 0,0177933 0,82 crepobactbcn 0,1112299 2,32 distimp 0,0738502 4,85 Const. –0,895486 –4,81 Log (L) –1156,45 N2680 tienen una menor probabilidad de paro y la edad mantiene el efecto no lineal sobre la probabilidad de paro que ya se ha comentado en la ecuación inicial. En esta ecuación se ha introducido adicionalmente el nivel ocupacional del individuo. Los resultados indican que son los individuos adscritos a la categoría de profesionales, técnicos y personal directivo los que disfrutan de una significativamente menor probabilidad de paro respecto al resto de categorías. Los resultados están señalando que un perfil de individuo joven y mujer, que no ha alcanzado educación posobligatoria y con una ocupación poco cualificada tiene asociadas las más elevadas probabilidades de paro en términos de características personales9. A lo largo del artículo se ha estado resaltando el efecto de la correlación de la desventaja en el mercado de trabajo y el mercado de vivienda. En este sentido es interesante inferir si variables que aproximan la desventaja en el mercado de vivienda afectan la probabilidad de paro. Como ya se ha explicado, se han introducido dos variables en el modelo para recoger este efecto. La primera, tenalq , toma valor 1 si el individuo vive en vivienda en régimen de alquiler y 0 en caso contrario. La segunda, super60 , tiene valor unitario si la vivienda del individuo tiene una superficie máxima de 60 m2y 0 si es mayor que esa superficie. Ambas variables aumentan significativamente la probabilidad de paro, y el efecto de alquiler es ligeramente superior al de superficie. Respecto a los efectos del sector de actividad, la menor probabilidad de paro se asocia con los servicios comunitarios ( scom ), seguidos de la industria ( ind ) y los servicios empresariales ( semp ). Por su parte, la variable de crecimiento de la demanda de trabajo ( crempot ), cuya elaboración ya se ha explicado, resulta significativa10. Es decir, a mayor crecimiento del empleo en el área de viaje al trabajo del municipio donde vive el individuo, menor probabilidad de paro. Por su parte, la variable de crecimiento natural de la población activa ( crepobact ) no resulta significativa, aunque sí lo es su interacción con una variable ficticia que toma valor 1 si el individuo vive en Barcelona. No obstante, la variable de mayor interés en términos del objetivo del modelo es la distancia imputada ( distimp ). El resultado de la estimación indica que existe una relación positiva y significativa entre la distancia imputada, resultado de la predicción de las ecuaciones de distancia, y la probabilidad de paro. Es decir, a mayor distancia implícita a las vacantes de empleo relevantes para los desempleados, mayor es la probabilidad de que el salario neto sea inferior al salario de reserva del individuo y, en consecuencia, es mayor la probabilidad de paro. La figura 5 permite captar visualmente el efecto de la distancia sobre la probabilidad de paro. Concretamente, en él se muestra la probabilidad teórica que predice la ecuación de probabilidad de paro de la tabla 5 para dos perfiles de individuos: por una parte, el individuo modal de la muestra ( probmodal ), y por otra, este mismo perfil de individuo pero con educación superior y ocupación de profesional y técnico ( probsup ). El individuo modal reúne las siguientes características: hombre, educación obligatoria completada, ocupación de cualificado no manual ( cnm ), edad entre 35 y 54 años ( edad3 ), vivienda en propiedad, superficie superior a 60 m2, trabaja en construcción, comercio o restauración, y vive en Barcelona. En la figura, la línea continua muestra la probabilidad de paro que predice el modelo (eje de ordenadas) para distancias de 0 a 12 kilómetros (eje de abscisas). La línea discontinua indica lo mismo para un individuo con las mismas características pero con estudios universitarios, que trabaja o trabajaba como profesional o técnico. 51 9En sentido estricto, sería incorrecto considerar la categoría ocupacional como una característica personal. 10 En la definición de la variable no se incluye el crecimiento del empleo del propio municipio de residencia. No obstante, la introducción del crecimiento del empleo municipal resulttó en un coeficiente no significativo. 0 5 10 15 20 25 0 2 4 6 8 10 12 DISTANCIA PROBMODAL PROBSUP Figura 5 Probabilidad teórica de paro y distancia 4Conclusiones y consideraciones sobre las políticas locales del mercado de trabajo Como se planteaba al principio del trabajo, el objetivo del mismo era explorar la relación entre la estructura o forma urbana y el desempleo. Todos los resultados obtenidos han confirmado que la organización espacial de las áreas metropolitanas, en términos de la localización relativa de empleos y residencias, no es neutral respecto a los resultados de mercado de trabajo. En primer lugar, en la comparación de dos áreas con formas urbanas diferentes, Barcelona y Madrid, encontramos que el efecto de la forma urbana difiere entre ambas ciudades para grupos similares de población. Esta comparación tiene la virtud que se produce entre áreas muy similares en tamaño y con marcos institucionales respecto al mercado de trabajo y el territorio prácticamente idénticos. Los resultados señalaban una distribución del desempleo más desigual en el área monocéntrica, Madrid. En segundo lugar, el análisis de los resultados individuales en el área de Barcelona también muestra que la localización del individuo respecto a la localización del empleo condiciona las decisiones de búsqueda y, por consiguiente, las probabilidades de desempleo. Pero el condicionamiento que impone la localización no es idéntico para toda la población. Las restricciones a que están sujetas distintos grupos, sea por la vía del género o por la de la cualificación, son también diferentes. En consecuencia, la capacidad de ajuste frente a las fricciones impuestas por el espacio urbano difiere y concede ventajas diferenciales a unos grupos respecto a otros. Por consiguiente, políticas que reduzcan los costes diferenciales que impone el territorio a estos grupos parecen una buena vía, complementaria, de compensar las desventajas. Pero los resultados han mostrado de forma clara que la localización influye en el desempleo mediante dos vías. La primera, y más obvia, es la accesibilidad relativa al empleo desde el lugar de residencia. La segunda, mediante los efectos negativos que se derivan de la segregación residencial. Los resultados del análisis individual mostraban el carácter socialmente selectivo de las decisiones de movilidad residencial, que pueden incrementar el grado de segregación. La concentración espacial de grupos de población desaventajados en ambos mercados, trabajo y vivienda, tiene efectos sobre los resultados individuales de paro en esas zonas11. Estos efectos aparecen más acentuados en el colectivo de población que no cambió de residencia. Es en este colectivo en el que las variables de accesibilidad no resultaban significativas al explicar la distancia. Esto nos lleva a plantear que medidas dirigidas a la mejora de accesibilidad tienen que ir acompañadas de medidas que relajen las restricciones sobre la decisión de localización residencial12. 52 11 Es importante resaltar que los coeficientes de las variables de nivel educativo zonal en las ecuaciones de distancia resultaron muy robustos en distintas especificaciones. Adicionalmente, hay que señalar que estas variables no resultaban significativas si se incluían en la ecuación final de probabilidad de desempleo. Por otra parte, tampoco eran significativas cuando se definían tomando como unidad de análisis el municipio y no zonas. 12 En este sentido se debe pensar en el futuro (y ya presente) en la problemática asociada a las restricciones en la elección residencial de los inmigrantes. Bibliografía Börsch-Supan, A. (1990); “Education and its doubleedged impact on mobility”, Economics of Education Review , nº 9, págs. 39-53. Crampton, G. R. (1999); “Urban labour markets”, en E. S. Mills y P. C. Cheshire (eds.), Handbook of Regional and Urban Economics, vol. III. North-Holland. Duncan, R. P. y C. C. Perucci (1976); “Dual Occupation Families and Migration”, American Sociological Review , nº 41, págs. 252-261. Evans, A. W. y R. Richardson (1981); “Urban unemployment; interpretation and additional evidence”, Scottish Journal of Political Economy , nº 28, págs. 107-124. Gordon, I. (1989); “Urban unemployment”, en D. T. Herbert y D. M. Smith (eds.) Social problems and the city; new perspectives . Oxford University Press. Heckman, J. (1979); “Sample selection bias as a specification error”, Econométrica , nº 47, págs. 153-162. Ihlanfeldt, K. R. (1997); “Information on the spatial distribution of job opportunities within metropolitan areas”, Journal Of Urban Economics , nº 41, págs. 218-242. Ihlanfeldt, K. R. y D. L. Sjoquist (1998); “The Spatial Mismatch Hypothesis; a review of recent studies and their implications for welfare reform”, Housing Policy Debate , 9, 4, págs. 849-892. Kain, J. F. (1968); “Housing segregation, negro employment and metropolitan decentralization”, Quarterly Journal of Economics , nº 85, págs. 175-197. Kloosterman, R. C. (1994); “Amsterdamned; the rise of unemployment in Amsterdam in the 1980s”, Urban Studies , 31, 8, págs. 1.325-1.344. Madden, J. F. (1981); “Why women work closer to home”, Urban Studies , nº 18, págs. 181-194. Polachek, S. W. y F. W. Horvath (1977); “A life cycle approach to migration; analysis of the perspicacious peregrinator en R. G. Ehrenberg (ed.), Research in Labor Economics; An annual compilation of research (volume 1), págs. 103-150, JAI Press. Simpson, W. (1992); Urban structure and the labour market , Clarendon Press. Vickerman, R. (1984); “Urban and regional change. The dynamics of workplace, residence and transport choice”, Urban Studies , nº 21, págs. 15-29. Zenou, Y. (2000), “Urban unemployment, agglomeration and transportation policies”, Journal of Public Economics , nº 77, págs. 97-133. 53 54 Descripción de las variables de la sección 4Tabla A.1 Variable Descripción Sexo variable dummy: 1 si el entrevistado es hombre; 0 en caso contrario Edad1 variable dummy: 1 si el individuo tiene entre 16 y 24 años; 0 en caso contrario Edad2 variable dummy: 1 si el individuo tiene entre 25 y 34 años; 0 en caso contrario Edad3 variable dummy: 1 si el individuo tiene entre 35 y 54 años; 0 en caso contrario Edad4 variable dummy: 1 si el individuo tiene entre 55 y 64 años, 0 en caso contrario Edad1c variable dummy: 1 si el cabeza de familia tiene entre 16 y 24 años; 0 en caso contrario Edad2c variable dummy: 1 si el cabeza de familia tiene entre 25 y 34 años; 0 en caso contrario Edad3c variable dummy: 1 si el cabeza de familia tiene entre 35 y 54 años; 0 en caso contrario Edad4c variable dummy: 1 si el cabeza de familia tiene entre 55 y 64 años; 0 en caso contrario Priminc variable dummy: 1 si el individuo tiene estudios primarios; 0 en caso contrario Pi variable dummy: 1 si el individuo posee un nivel de estudios máximo de obligatoria incompleta; 0 en caso contrario E1 variable dummy: 1 si el individuo posee un nivel de estudios máximo de obligatoria completa; 0 en caso contrario Med variable dummy: 1 si el individuo posee, como máximo, nivel de estudios medios; 0 en caso contrario Sup variable dummy: 1 si el individuo posee nivel de estudios superiores; 0 en caso contrario Primincc variable dummy: 1 si el cabeza de familia tiene estudios primarios; 0 en caso contrario Mediosc variable dummy: 1 si el cabeza de familia posee, como máximo, nivel de estudios medios; 0 en caso contrario Supc variable dummy: 1 si el cabeza de familia posee nivel de estudios superiores; 0 en caso contrario Nc variable dummy: 1 si la categoría ocupacional del individuo es la de no cualificados; 0 en caso contrario (agrupa las ocupaciones 57 a 65) Cm variable dummy: 1 si la categoría ocupacional del individuo es la de cualificados manuales; 0 en caso contrario (agrupa las ocupaciones 25 a 35) Cnm variable dummy: 1 si la categoría ocupacional del individuo es la de cualificados manuales; 0 en caso contrario (agrupa las ocupaciones 36 a 56) Ptpd variable dummy: 1 si la categoría ocupacional del individuo es la de profesionales, técnicos y personal directivo; 0 en caso contrario (agrupa las ocupaciones 1 a 24) Ind variable dummy: 1 si el individuo trabaja en el sector industrial; 0 en caso contrario (agrupa los sectores 3 a 19) Construc variable dummy: 1 si el individuo trabaja en el sector construcción; 0 en caso contrario Scom variable dummy: 1 si el individuo trabaja en actividades que se circunscriben a lo que hemos clasificado como servicios comunitarios; 0 en caso contrario (agrupa los sectores 26 a 31) Semp variable dummy: 1 si el individuo trabaja en actividades que se circunscriben a lo que hemos clasificado como servicios a las empresas; 0 en caso contrario (agrupa los sectores 24 y 25) Pie variable dummy: 1 si el individuo se desplaza a pie para cubrir la distancia diaria residencia-empleo; 0 en caso contrario Priv variable dummy: 1 si el individuo utiliza el transporte privado como modo preferente para desplazarse al empleo; 0 en caso contrario Public variable dummy: 1 si el individuo utiliza el transporte público como modo preferente para desplazarse al empleo; 0 en caso contrario Crempot variable continua: tasa de crecimiento ponderada de los puestos de trabajo localizados del área de viaje al trabajo entre 1991 y 1996. El área de viaje al trabajo queda determinada por todos los municipios que reciben flujos de commuters desde el municipio de residencia del individuo. Cada uno de estos flujos (salidas) se encuentra ponderado por la proporción que representa con relación al total de salidas del municipio Potemp variable continua: accesibilidad física a la ocupación o de potencial de empleo. Densemp variable continua: densidad de empleo definida como empleos municipales sobre población municipal entre 16 y 64 años Estprim variable continua: porcentaje de población zonal entre 16 y 64 años con educación hasta primaria incompleta Estsup variable continua: porcentaje de población zonal entre 16 y 64 años con educación superior Camemp variable dummy: 1 si el individuo ha cambiado de empleador en los últimos cinco años; 0 en caso contrario  variable continua: inversa de la ratio de Mills procedente de la estimación de la ecuación inicial de paro, con el objetivo de predecir una distancia teórica para los individuos de la muestra  variable continua: factor de corrección de cambio residencial en la ecuación de distancia Tenalq variable dummy: 1 si el individuo se encuentra en régimen de alquiler en el mercado de la vivienda; 0 en caso contrario Sup60 variable dummy: 1 si la superficie de la vivienda del entrevistado es igual o inferior a 60m2; 0 en caso contrario Crepobact variable continua: tasa de crecimiento natural de la población en el municipio de residencia del individuo Distimp variable continua: predicción de la esperanza de distribución de distancias de viaje al trabajo para los individuos de la muestra