Repositorio Institucional de Documentos

Efectos de la evolución tecnológica sobre el empleo: un análisis del sector automovilístico español The effects of technological advances in employment: an analysis of the Spanish automotive industry Autor: Jesús Urriza Benedí Director: Javier Valbuena Gómez Facultad de Economía y Empresa Universidad de Zaragoza 2020 Trabajo Fin de Grado 2 Agradecimientos Pensar que un trabajo de fin de grado, así como lo que representa, el fin de una carrera y de una etapa, es cosa de uno, se aleja totalmente de la realidad. Aunque es imposible agradecer a todas las personas que han formado parte, sí que me gustaría tener un pequeño detalle con algunas de ellas. En primer lugar, siempre la familia, que llegando a casa tras un mal examen o con la frustración de no saber hacer un trabajo, siempre estaban para animar y hacerme seguir adelante. En segundo lugar, esto no habría sido posible sin algunos compañeros de clase y de la carrera que se han acabado convirtiendo en verdaderos amigos. Estos han conseguido despertar todavía más mi interés por la economía. En este ámbito me gustaría agradecer personalmente a Natalia por aguantarme desde primero, nuestros debates, nuestros quebraderos de cabeza en algunas asignaturas, nuestra particular forma de estudiar otras, siempre alguien con quien poder hablar y sentirme respaldado. Por otro lado, Alejandro ejerciendo como mi hermano mayor en la carrera, contándome su experiencia, ayudándome a preparar alguna asignatura, yendo a cursos y siempre aprendiendo juntos. No puedo olvidarme en ningún caso de profesores como Fernando Rodrigo y Javier Valbuena cuya docencia y confianza me ha ayudado a crecer mucho en el ámbito estudiantil Gracias a profesores como ellos la Universidad de Zaragoza es mucho más rica. Por último, el aprendizaje dentro de la facultad alberga mucho más que las clases y en ese sentido agradezco haber podido formar parte del laboratorio de economía social, así como de la junta de facultad y el claustro con el colectivo de estudiantes E.D.U. 3 Índice Pág. 1. Introducción…………………………………………………… 5 2. Revisión bibliográfica…………………………………………..8 3. Estudio 3.1 Preludio…………………………………………………….….12 3.2 Análisis descriptivo…………………………………………….13 3.3 Modelización……………………………………………….….21 4. Conclusión ……………………………………………………..28 5. Bibliografía……………………………………………………..32 4 Resumen Las repercusiones que tiene sobre el empleo el continuo crecimiento de la tecnología están en continuo debate. En particular, existen numerosos estudios que han intentado analizar cómo se verá afectado el mercado de trabajo en las próximas décadas. Mientras que algunos ofrecen una visión claramente positiva otros prevén una gran destrucción de empleo. Ante esta dicotomía, en este trabajo se analiza la evolución del empleo en el sector automovilístico español. El objetivo es apreciar si ya ha habido efectos sobre el empleo en un sector que destaca por su incorporación de robots, además de por su gran importancia dentro de la economía española. Los resultados sugieren que la mejora de la productividad, explicada en parte por la tecnología, supone pérdidas de empleo. Sin embargo, estos efectos no son estadísticamente significativos. Palabras clave: Empleo, tecnología, robots, automóviles, heterogeneidad, datos de panel Abstract There is an on-going debate regarding the employment effects associated to the implementation of technological advances. In particular, this literature analyses whether these effects will have a positive impact on labour market outcomes or will cause job destruction. In this regard, this study analyses the employment evolution in the Spanish automotive industry, a strategic sector within the Spanish economy. In an industry characterised by its incorporation of new technologies, such as robots, we aim to understand whether changes in employment are determined by the intensive use of technological developments. Our findings suggest that increases in productivity are associated to job destruction. However, the effects are not statistically significant. Keywords: Employment, technology, robots, automobiles, heterogeneity, panel data 5 1. Introducción El mercado laboral en general, y en particular el español, es una de las mayores fuentes de discusión dentro del panorama económico, político y social. Entre los factores que más debate han generado encontramos la incorporación de tecnología, así como robots, sustituyendo a la mano de obra. La disputa, que a lo largo de los años ha dado la razón a los apólogos de la tecnología, queda en entredicho al observar la desaceleración que ha sufrido la productividad desde 2007 en las economías avanzadas (World Bank Group, 2020). El hecho de que los puestos de trabajo sustituidos ya no sean solo los más manuales y repetitivos genera dudas sobre el futuro laboral. La mejora de los robots e inteligencia artificial hace que empleos relacionados con la abogacía, la banca o incluso la medicina puedan ser reemplazados (AECOC). Algunos estudios de los últimos años incluso llegan a afirmar que se va a producir en el mundo, debido a estos factores, una destrucción de hasta 7.1 millones de empleos. Estos números implican que la creación de 2.1 millones de puestos de trabajo, por la implementación tecnológica, serán insuficientes, generando una pérdida neta de 5 millones de empleos (Foro económico Mundial, 2018). El posible aumento en la tasa de paro es solo una de las múltiples consecuencias de la evolución tecnológica. Junto a esta, algunos expertos ponen su atención en la polarización de los puestos de trabajo. Esta se produce por dos vías. Por una parte, los trabajadores que se dedican a labores más precarias y fáciles de sustituir tienen que competir contra máquinas que cuentan con una mayor productividad. En este contexto, para poder mantener su puesto, los trabajadores deben ser remunerados con un salario a la baja. Por otra parte, trabajadores más especializados, así como propietarios de industrias, pueden ver incrementado de forma significativa su capital. Como consecuencia, el proceso descrito supondría un aumento de la desigualdad social (Montoya Medina, D., 2019). La formación como solución para adaptarse a las nuevas necesidades de la economía no es sencilla (Rocha Sánchez, F., 2017). Este hecho se pone de manifiesto en la proporción de parados de larga duración sobre el número total de parados. Este porcentaje ha subido para los hombres de entre 50 y 59 años, del 30,4 % en 2009 al 49.2% en 2019 (Instituto Nacional de Estadística). Por otro lado, el ajuste en la demanda de 6 trabajo cubriendo las vacantes generadas es lento, como afirman las encuestas a las grandes empresas. Estas muestran numerosos puestos sin cubrir pese al alto nivel de paro en la economía (ver anexo: Encuesta grandes empresas encontrar empleados cualificados). Un ejemplo es la encuesta de la patronal de empresas tecnológicas Digitales, según la cual, el sector tecnológico español cuenta con al menos 10.000 puestos de trabajo sin cubrir por falta de cualificación. Este problema no es únicamente español, se estima que los puestos de trabajos sin cubrir por infra cualificación en la U.E ascienden a más de 900.000 (Digitales, 2018). La importancia del debate entre tecnología y empleo es visible en los programas políticos. En este sentido, los principales grupos políticos españoles consideran la mejora de la tecnología cómo necesaria para el desarrollo. Sin embargo, las propuestas son distintas. Estas oscilan entre la adaptación promoviendo la flexibilización y regulación laboral (“Adaptaremos nuestro mercado de trabajo a la Cuarta Revolución Industrial. En este contexto se impulsará el equilibrio entre flexibilidad y seguridad de los trabajadores. Partido popular, 2019, p. 20”), y la reducción de la jornada de trabajo (“jornada laboral de 34 horas”. Podemos, 2016, p. 29). En definitiva, se puede hablar haciendo referencia a dos términos. Por un lado, la visión tecnoptimista, que alberga tanto opiniones que confían en la productividad que implica la tecnología, como las que defienden que puede llevar a una reducción de las horas trabajadas. Por otro lado, la visión tecnopesimista que se centra en la destrucción de empleo y que afecta fundamentalmente, pero no únicamente, a la clase baja. Ante esta problemática, se ha considerado al sector automovilístico español, como un sector idóneo a partir del cual ver hasta qué punto se ha visto afectada la economía española en los últimos años. Por una parte, este sector es adecuado por su gran importancia, suponiendo el 18% de las exportaciones y el 10 % del PIB español, incluyendo distribución y actividades anexas (ANFAC, 2020). Por otra, porque es un sector que destaca por su elevada implementación de robótica. Respecto a esto último, las plantas de producción españolas se encuentran entre las más automatizadas de Europa. Estas cuentan con una media de cerca de 1.000 robots por cada 10.000 trabajadores (Investinspain, 2019). Además, presentan uno de los mayores índices de inversión en modernización, automatización e I+D+i entre los Sectores Industriales (1.500 robots adicionales al año). 7 A lo largo del trabajo se analiza la evolución del empleo en el sector automovilístico español. En particular, se investigan desde un enfoque empírico las siguientes hipótesis: 1) El sector es muy grande y variado, por tanto, su evolución es distinta según las empresas y es necesario analizarlo teniendo en cuenta esta heterogeneidad. 2) Ha habido una pérdida estructural de empleo en el sector durante los últimos 24 años asociada a la mejora de la productividad. 3) La crisis supuso un gran impacto en el sector. 8 2. Revisión bibliográfica En este apartado, previo al estudio, se hará una pequeña revisión de algunas de las numerosas investigaciones que tratan el impacto de la tecnología sobre el empleo. UGT hace una recopilación de estas, tanto a nivel nacional como internacional (UGT, 2018). Entre las investigaciones mencionadas en el recopilatorio se encuentra El trabajo del futuro, elaborada por el observatorio ADEI y Google. En este estudio se observa una visión tecnoptimista sostenida por dos aspectos claves: una convergencia de España con el resto de los países tecnológicamente más desarrollados en ocupaciones avanzadas y el envejecimiento natural de la población, que lleva a una reducción de la población en edad de trabajar. (Ver anexo: conversión de ocupaciones avanzadas). Basándose en estos dos supuestos, afirman que en 2030 la tasa de paro estructural española bajará a entorno el 7 % (la actual ronda el 15%) y se crearán unos dos millones de empleos netos. En el estudio también tratan la importancia de la polarización de los puestos de trabajo, acentuando cómo algunos se van a ver mucho más perjudicados. Además, divide entre los efectos sobre el empleo en un corto plazo (menos positivos) y los beneficiosos en el largo plazo. Sin embargo, en el estudio afirman que para que esta visión positiva se produzca deben desarrollarse políticas educativas y de empleo (“Acomodar el proceso de cambio tecnológico, …, exige replantear los esquemas de incentivos actuales en una serie de ámbitos con influencia en el desempeño del mercado laboral: la educación, las políticas de empleo, de innovación y de defensa de la competencia” (Observatorio ADEI y Google, 2017, p.3)). Otra investigación es la llevada a cabo por Frey y Osborne de la universidad de Oxford, esta se centra en analizar la probabilidad que tienen 702 profesiones en Estados Unidos de ser informatizadas. El estudio utiliza la base de datos O*NET la cual contiene numerosas variables para caracterizar el mercado de trabajo. Resulta de interés como en el apéndice clasifican por probabilidad las 702 ocupaciones, siendo la que menos probabilidades tiene de ser informatizada el trabajo de terapeuta y la que más los vendedores telefónicos. 9 Para poder clasificar las profesiones han elaborado un algoritmo basado en una función de probabilidad en la cual se define “y” (entre 0 y 1) condicionada a una función latente “f” (discrimintaion function). Esta es considerada como una variable de "automatizabilidad" de valor continuo: cuanto mayor es su valor, mayor es la probabilidad de informatización (Frey y Osborne, 2013, p. 32-34). El estudio concluye afirmando que en torno al 47 % de los empleos están en alto riesgo de ser informatizados (“According to our estimates around 47 percent of total US employment is in the high risk category (Frey y Osborne, 2013, p. 44)”). Aprovechando los datos de Frey y Osborne, CaixaBank Research publica su propia interpretación para el caso español. Frente a las 702 ocupaciones se consideran en torno a 485. Entre estas destacan como poco probables de ser automatizados trabajos como la medicina o el arte, intermedios los de economista y transportista y muy probables trabajos como los de contabilidad y telemarketing. Ambos estudios se centran en la destrucción de algunas profesiones, lo que no esclarece lo que ocurre con la variación neta de empleo. Es llamativo también, tal y como afirmaba AECOC, que los puestos poco cualificados no son los únicos en riesgo. La OCDE cuenta con un estudio propio. En él dedica un apartado al trabajo de Frey y Osborne, considerando que los cálculos están sobreestimados dado que hay actividades que todavía son muy difíciles de automatizar (“They (Frey y Osborne) assume that whole occupations rather than single job-tasks are automated by technology. As we argue, this might lead to an overestimation of job automatibility, as occupations labelled as high-risk occupations often still contain a substantial share of tasks that are hard to automate. (Arntz, Gregory y Zierahn, 2016, p.4)”). Por tanto, en este estudio se aprecia una visión más optimista. Frente a las ocupaciones, la investigación se centra en las labores que realizan los trabajadores y que se pueden sustituir (job-tasks). Una riqueza que aporta es que tiene en cuenta la heterogeneidad de la población, manifestando las diferencias de cómo afectan estos cambios tecnológicos según el nivel de estudios y el salario. Finalmente, el estudio determina que en torno al 9% de media de los trabajos son automatizables, sin embargo, hay diferencias entre países (ver anexo: Población en riesgo por la automatización por países OCDE). España está entre los países con más riego con un 12%. 16 Endeudamiento Gráfico 3. Endeudamiento de las 7 empresas durante el periodo 1995-2018. Fuente: Elaboración propia a partir de datos de SABI Acorde con lo visto en el resultado del ejercicio vemos que las diferencias entre empresas son significativas, en especial destaca la grave situación de la OPEL que la llevará a ser traspasada. En la crisis financiera que se da entre 2008 y 2013, vemos como se incrementa el endeudamiento en Nissan, SEAT y sobre todo en OPEL. Sin embargo, empresas como PSA o Volkswagen llegan incluso a reducirlo. Es reseñable cómo entre 2006 y 2008 4 empresas (Nissan, Renault, PSA y Ford) reducen significativamente su endeudamiento. • Empleados Número de empleados Se observan distintas tendencias en el número de empleados. Mientras Opel y PSA siguen un rumbo decreciente continuo, en el resto de las empresas se aprecia un movimiento más cíclico con repuntes tras la crisis. Volkswagen es la excepción, permaneciendo relativamente constante durante todo el periodo. -15,00 5,00 25,00 45,00 65,00 85,00 105,00 125,00 145,00 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 Endeudamiento (%) OPEL Renault PSA SEAT Ford Nissan Volkswagen 17 Gráfico 4. Número de empleados durante el periodo 1995-2018 Fuente: Elaboración propia a partir de datos de SABI Gráfico 5. Incremento de empleados por empresa entre 1995 y 2018 Fuente: Elaboración propia a partir de datos de SABI Viendo la variable en incremento resulta llamativo Nissan. Esta empresa incrementa más de un 50 % el número de empleado en 2005. Nuevamente queda de Opel (1) Ford (4) Volkswagen (7) PSA (2) Renault (5) SEAT (3) Nissan (6) 2 000 4 000 6 000 8 000 10 000 12 000 14 000 16 000 Número de empleados OPEL Renault PSA SEAT Ford Nissan Volkswagen 18 manifiesto cómo, mientras algunas empresas varían significativamente el número de su plantilla, otras como SEAT prefieren hacer cambios menos bruscos. Esta heterogeneidad de las empresas puede deberse a factores internos como son la política de contratación, así como el éxito de un modelo de coche concreto por el cual se requiera un gran incremento de la producción. Sin embargo, respecto a esto último, si analizamos la repercusión del mencionado SEAT Ateca de 2016 observamos un incremento de empleados de un 10 %. Este dato, aun siendo algo elevado, no parece determinar que los incrementos de empleados dependan únicamente de una mayor demanda de turismos. Gasto de personal deflactado Gráfico 6. Gasto en empleados deflactado por empresa de 1996 a 2017. Fuente: Elaboración propia a partir de datos de SABI y el INE Los gastos de personal deflactados reflejan una tendencia muy similar a la del número de trabajadores. En ese sentido, no se aprecian aumentos salariales que lleven consigo un menor número de trabajadores. 50000 150000 250000 350000 450000 550000 650000 750000 850000 Gasto en empleados deflactado OPEL Renault PSA SEAT Ford Nissan Volkswagen 19 Gasto real por empleado Gráfico 7. Gasto real (en miles) al año por empleado de 1995 a 2018. Fuente: Elaboración propia a partir de datos de SABI El gasto por empleado muestra las grandes diferencias que hay entre empresas. Cabría esperar que, aunque las empresas tengan distinto número de trabajadores y por tanto distinto gasto en personal, los gastos por trabajador fueran más homogéneos, sin embargo, en el gráfico 7 se aprecia como esto no sucede. Tasa de paro Aparentemente, la tasa de paro de la región en la que se encuentran las distintas empresas no tiene mucha relación con la mayor o menor destrucción de empleo en dichas fábricas. Por ejemplo, la mayor caída de OPEL se opone a la región con menos paro de las supuestas (Aragón). Algunas tasas de paro, como las de la PSA, que se encuentra en distintas CCAA, están ponderadas por lo que hay que tener precaución a la hora de analizarla (ver anexo: tasa de paro por CCAA). Este suceso está muy relacionado con la demanda. Esta no procede de la localidad, sino que proviene en gran parte de países como Francia o Alemania, además del resto de 30 35 40 45 50 55 60 65 70 75 Gasto real por empleado OPEL Renault PSA SEAT Ford Nissan Volkswagen 20 CCAA. Además, las empresas son filiales de grandes empresas multinacionales, por tanto, tienen una gran dependencia de las situaciones que vivan estas. Vehículos fabricados por trabajador Gráfico 9. Número de vehículos fabricados por trabajador en España al año durante el periodo 1995-2018. La variable vehículos (turismos) fabricados por trabajador es una aproximación de la productividad, recogiendo elementos importantes para el estudio como la implementación de tecnología. La variable, como muestra el gráfico 9, tiene una tendencia creciente, sin embargo se ve muy afectada por los ciclos. Por último, no podemos olvidar la importancia que tienen para el sector automovilístico las crisis. En estas observamos significativas caídas en la demanda de vehículos debido a que los automóviles suelen financiarse en un gran porcentaje con endeudamiento de los hogares. Estos por motivo renta, precaución o la disminución de los préstamos bancarios compran menos vehículos. Este hecho se aprecia claramente en el gráfico 9 mostrando la crisis en forma de w. Por tanto, será una variable importante en el estudio. 29 31 33 35 37 39 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 Vehículos fabricados por trabajador Fuente: Elaboración propia a partir de datos SABI y de datosmacro.com 21 3.3 Modelización A continuación, con objeto de estudiar el incremento del número de empleados, se mostrarán distintos modelos con sus correspondientes estimaciones. Además, se incluirá una breve explicación de las ventajas e inconvenientes de cada tipo de modelización. Variables utilizadas: 1. Modelo agrupado (pool de datos) En este primer tipo de modelo se considera a todas las empresas automovilísticas como si fueran una sola. No tendrá el carácter longitudinal de los datos, ni tampoco la potencial heterogeneidad entre las empresas incluidas en el estudio, y por lo tanto las conclusiones a sacar de su estimación serán mucho más limitadas. Es decir, con este tipo de modelización se está ignorando la estructura de datos de panel. Encontraremos problemas de autocorrelación entre las perturbaciones debido a que estas son diferentes tanto entre individuos como a lo largo de los periodos. Además de esto, tendremos problemas de heterocedasticidad que solucionamos aplicando desviaciones típicas robustas. 𝑌𝑌𝑌𝑌 =𝛽𝛽0+𝛽𝛽1𝑋𝑋1+𝛽𝛽2𝑋𝑋2+𝛽𝛽3𝑋𝑋3+𝛽𝛽4𝑋𝑋4+𝐷𝐷𝑖𝑖+𝛽𝛽5𝑋𝑋5+𝛽𝛽6𝑋𝑋6+𝑢𝑢𝑡𝑡 𝑌𝑌𝑌𝑌 Incremento número de empleados 𝑋𝑋1 Gasto en empleados (deflactado IPC) 𝑋𝑋2 Rentabilidad económica de las empresas 𝑋𝑋3 Endeudamiento (%) 𝑋𝑋4 PIB real 𝑋𝑋5 Tasa de paro española (Total nacional) 𝑋𝑋6 Incremento Vehículos fabricados por trabajador al año (Proxytecnviajer) 𝐷𝐷𝑌𝑌 Variable ficticia que toma valor uno entre 2008 y 2013 (Crisis) 22 Estimación del modelo agrupado (Tabla 1) Se observan dos variables significativas : el gasto de empleados y la rentabilidad económica. La primera se relaciona positivamente, mostrando el resultado esperado según lo visto en el análisis descriptivo, entre un mayor número de empleados y un aumento en el gasto laboral de la empresa. Esta relación podría no darse y es interesante estudiarlo en periodos concretos, ante políticas como un aumento del salario mínimo. Este podría llevar a la empresa a decidir disminuir su personal viendose aumentado su gasto laboral. Sin embargo, en una serie temporal relativamente larga, y con grandes efectos cíclicos que implican gran creación y destrucción de empleo, este efecto no se aprecia. Además, el sector analizado no presenta casi puestos de trabajo que cobren este tipo de salarios. De hecho destaca por una media salarial superior a la media española, siendo en el año 2015 de 1.831,7 euros (Cinco Días, 2015) En lo que respecta a la rentabilidad económica, la conclusión a sacar es clara. La empresa cuando tiene beneficios, lo cual viene relacionado directamente con una mayor demanda de su producto, contrata a más trabajadores. Por otra parte, si nos fijamos en los signos, sorprende el PIB real afectando de forma negativa. El paro nacional extrañamente afecta de forma positiva. Estos efectos pueden deberse a la elevada demanda exterior. Finalmente, aunque no de forma significativa, la productividad medida como número de vehículos fabricados por trabajador se relaciona de forma negativa. Es decir, una mejora de la productividad está asociada a una mayor destrucción de empleo. 2. Modelos de efectos fijos y aleatorios Frente al modelo agrupado, con el objetivo de estimar teniendo en cuenta la existencia de heterogeneidad transversal no observada, existen dos tipos de modelos. La utilización de uno u otro dependerá de la clase de datos con la que se trabaje. 2.1 Modelo de efectos aleatorios En primer lugar, se encuentran los modelos de efectos aleatorios. Estos recogen la heterogeneidad inobservable mediante la incorporación de la variable aleatoria 𝑎𝑎𝑖𝑖. Son adecuados cuando se trabaja con una muestra aleatoria. Por tanto, dado que no se trabaja 23 en este estudio con este tipo de muestra, sino directamente con los datos de todas las empresas, se descarta esta modelización. Este razonamiento se puede confirmar con la prueba de Hausman: Contraste de Hausman Estadístico de contraste Chi-cuadrado (3) = 442,001 Valor p p= 1,76364e-95 Nota: Contraste bajo la hipótesis nula de estimadores MCG consistentes La hipótesis nula implica que los Efectos Aleatorios son correctos (efecto “𝑎𝑎𝑖𝑖” incorrelacionado con las variables explicativas). Esta se rechaza confirmando el uso de efectos fijos. 2.2 Modelo de efectos fijos Mediante la modelización de efectos fijos se tiene en cuenta la heterogeneidad no observada a través de los términos independientes. En concreto se introduce 𝑎𝑎𝑖𝑖 (intercepto) para recoger las diferencias entre individuos provenientes de variables omitidas, que varían entre los individuos, pero no cambian a lo largo del tiempo (E. Fijos individuales). Otra posibilidad es la modelización de efectos fijos temporales. En estos, mediante la ficticia 𝑎𝑎𝑡𝑡, se recogen los efectos provenientes de variables omitidas que afectan a todas las empresas a la vez a lo largo del tiempo. Por lo general, se combinan modelizando por efectos fijos individuales y temporales (𝑎𝑎𝑖𝑖𝑡𝑡). Regresión (individuales): 𝑌𝑌 𝑖𝑖𝑡𝑡 =𝛽𝛽0+𝛽𝛽1𝑋𝑋1𝑖𝑖𝑡𝑡 +𝛽𝛽2𝑋𝑋2𝑖𝑖𝑡𝑡+⋯+𝛽𝛽𝑘𝑘𝑋𝑋𝑘𝑘𝑖𝑖𝑡𝑡 +𝑎𝑎𝑖𝑖+𝑢𝑢𝑖𝑖𝑡𝑡 Regresión(temporales): 𝑌𝑌 𝑖𝑖𝑡𝑡 =𝛽𝛽0+𝛽𝛽1𝑋𝑋1𝑖𝑖𝑡𝑡 +𝛽𝛽2𝑋𝑋2𝑖𝑖𝑡𝑡+⋯+𝛽𝛽𝑘𝑘𝑋𝑋𝑘𝑘𝑖𝑖𝑡𝑡 +𝑎𝑎𝑡𝑡+𝑢𝑢𝑖𝑖𝑡𝑡 Regresión (temporales e individuales): 𝑌𝑌 𝑖𝑖𝑡𝑡 =𝛽𝛽0+𝛽𝛽1𝑋𝑋1𝑖𝑖𝑡𝑡+⋯+𝛽𝛽𝑘𝑘𝑋𝑋𝑘𝑘𝑖𝑖𝑡𝑡 +𝑎𝑎𝑖𝑖𝑡𝑡 +𝑢𝑢𝑖𝑖𝑡𝑡 En este tipo de modelización se considera que el intercepto está correlacionado con las variables explicativas. Estas a su vez no deben estar correlacionadas con el error. 24 La estimación de estos modelos tiene ciertas limitaciones. Una de ellas es la imposibilidad de estimar variables constantes en el tiempo, por ejemplo una variable que recoja si la empresa es PYME o multinacional. Otro problema es que no se identifica la causa de las diferencias entre individuos. Por último, al aumentar el número de parámetros se están perdiendo grados de libertad. El gráfico 10 muestra como la existencia de heterogeneidad no observada hace que la estimación por MCO sea errónea, a diferencia de si consideramos que la constante cambia para cada individuo. Gráfico 10. Diferencia estimación MCO y uso de efectos fijos (within). Fuente: P. Albarrán Pérez, Universidad de Alicante (2011) 2.2.1 Estimación de efectos fijos individuales (Tabla 1) Existen distintas formas de estimar los modelos de efectos fijos. La primera consiste en añadir una variable ficticia a todas menos una de las unidades de sección cruzada, permitiendo que varíe el intercepto de la regresión en cada unidad. Este procedimiento es el llamado Least Squares Dummy Variables (LSDV). Otra forma es la estimación del modelo en diferencias haciendo desaparecer con esto el intercepto, al igual que ocurre con las variables constantes en el tiempo. Los dos procesos son numéricamente equivalentes. Gretl ante series con pocas variables de sección cruzada y mayores periodos de tiempo utiliza la primera estimación. Al igual que ocurría en la estimación del modelo agrupado, observamos las mismas dos variables significativas al 95 %: la rentabilidad económica y el gasto en 25 empleados deflactado. Ambas afectan nuevamente de manera positiva al incremento de empleados. En lo referente a la mayor capacidad de fabricación de automóviles por empleado, vemos que afecta negativamente, aunque no de forma significativa. De acuerdo con el modelo estimado si se fabrica un coche más por trabajador el empleo caerá en un 0.33%. Si observamos el 𝑅𝑅2, comparándolo con el del modelo agrupado, podemos ver que este es mayor, aunque sigue siendo bajo (0.1647 frente al 0.0623 del modelo “pool”). En este tipo de estimación, además del 𝑅𝑅2 habitual, se puede obtener el 𝑅𝑅2 intragrupal. Este mide la correlación de las variables diferenciadas respecto de su media entre los datos observados y los datos predichos del modelo. En la estimación su valor es de 0.1289. 2.2.2 Estimación de efectos fijos individuales y temporales (Tabla 1) En esta estimación el único cambio procede de la inclusión de ficticias de tiempo, junto a las ya incluidas de unidad. Con esto se recoge, como ya se ha adelantado, además de las variables omitidas que son constantes en el tiempo, pero que varían entre las empresas, aquellos factores que afectan a todas las empresas a la vez a lo largo del tiempo. En la estimación. el gasto en empleados es la única variable significativa, aunque en este caso al 99%. Volvemos a ver como la productividad afecta de forma negativa al empleo y la rentabilidad económica de forma positiva. En lo que respecta al 𝑅𝑅2, nos encontramos con el valor más alto de las tres estimaciones con un valor de 0.2495. Lo mismo ocurre con el 𝑅𝑅2 intragrupal cuyo valor asciende a 0.2173. 3. Efectos antes y después de la crisis Otra cuestión que puede suscitar interés es ver si la situación es distinta antes y después del inicio de la crisis. En este caso únicamente se mostrará la estimación por efectos fijos, que como hemos descrito es más adecuada dada la presencia de heterogeneidad inobservada. Las estimaciones (tabla 2) muestran que la tecnología afecta de forma negativa tanto en el periodo anterior como posterior a la crisis. En concreto después de la crisis los 32 Bibliografía AECOC Innovation HUB. Estos son los trabajos que serán reemplazados por robots. Recuperado de https://www.aecoc.es/innovation-hub-noticias/estos-son-los-trabajosque-seran-reemplazados-por-robots/ Aláez Aller, R., Bilbao Ubillos, J., Camino Beldarrain, V., Longás García J. C. (2009), Reflexiones sobre la crisis de la industria española del automóvil y sus perspectivas. Andrés, J., Doménech, R. BBVA Research (2020, 27 de febrero), Empleo y equidad en la era de la disrupción digital. Recuperado de https://www.bbvaresearch.com/publicaciones/empleo-y-equidad-en-laera-de-la-disrupcion-digital/. ANFAC. (Marzo, 2020). Automoción 2020-2040. Arntz, M., Gregory, T. y Zierahn, U. (Junio, 2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. Benedikt Frey, C. y A. Osborne, A. (2013, 17 de septiembre). The future of employment: How susceptible are Jobs to computerisation? Cinco Días, (2015, 22 de junio). Los sueldos en las fábricas de coches crecieron un 16% en la crisis. Digitales. (julio, 2018). 10.000 empleos en el sector tecnológico están vacantes en España por falta de cualificación. Recuperado de: https://www.digitales.es/nota-de-prensa/10-000-empleos-en-el-sectortecnologico-estan-vacantes-en-espana-por-falta-de-cualificacion/ Foro Económico Mundial. (2018, 17 de septiembre) The Future of Jobs Report 2018 (p.7-21). Investinspain. (2019, 24 de octubre). Industria de automoción en España Recuperado de: https://www.investinspain.org/invest/es/sectores/automocion/descripcion/index.html Manyika, J. et al. Mckinsey Global Institute. (Enero, 2017). A future that Works: automation, employment and productivity. 33 Montoya Medina, D. (2019), Nuevas relaciones de trabajo, disrupción tecnológica y su impacto en las condiciones de trabajo y de empleo. Revista de Treball, economía i societat, Nº92-enero. 1-10. Morron Salmeron, A. Departamento de Macroeconomía, Área de Planificación Estratégica y Estudios, CaixaBank. (Febrero, 2016). ¿Llegará la Cuarta Revolución Industrial a España? Observatorio ADEI y Google. (Julio, 2017). El trabajo del futuro. Partido Popular (2019). Por todo lo que nos une (p.20). Peiró JM., Soler A. Instituto Valenciano de Investigaciones Económicas y Universidad de Valencia. (Mayo, 2020). El impulso al teletrabajo durante la COVID-19 y los retos que plantea. Podemos (2016). Las razones siguen intactas (p.29). Rocha Sánchez, F: (2017), La Digitalización y el Empleo Decente en España Retos y propuestas de actuación. Rodríguez Fernández, M. Luz, Pérez del Prado, D. Fundación para el diálogo social. (2017). Economía digital: su impacto sobre las condiciones de trabajo y empleo. UGT. Recopilación y traslación de los principales estudios. (Octubre, 2018). Impacto en la automatización en el empleo en España. . 34 Anexo: Mapa de España y las fábricas de automóviles Motor.es, (14 de febrero, 2020). ¿Qué coches se fabrican en España? Encuesta grandes empresas encontrar empleados cualificados Fuente: J. M. Serrano, (febrero 2020), la economía española hoy. El punto de partida (figura 41, p.22) 35 Conversión de ocupaciones avanzadas (Google y ADEI) 36 Población en riesgo por la automatización por países OCDE Tasa de paro por empresa (CCAA en la que se encuentra) Fuente: elaboración propia a partir de datos INE 0,00 5,00 10,00 15,00 20,00 25,00 30,00 35,00 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 Opel PSA SEAT Ford Renault Nissan Volkswagen