Un análisis de la movilidad laboral basado en la Muestra Continua de Vidas Laborales

Equation Chapter 1 Section 1 Trabajo Fin de Máster Máster Universitario en Organización Industrial y Gestión de Empresas Un análisis de la movilidad laboral basado en la Muestra Continua de Vidas Laborales Autor: Eva Mª Rodríguez Guerrero Tutor: Fernando Núñez Hernández Dpto. Organización Industrial y Gestión de Empresas I Universidad de Sevilla Sevilla, 2022 2 3 Trabajo Fin de Máster Máster Universitario en Organización Industrial y Gestión de Empresas Un análisis de la movilidad laboral basado en la Muestra Continua de Vidas Laborales Autor: Eva Mª Rodríguez Guerrero Tutor: Fernando Núñez Hernández Profesor Titular de Universidad Dpto. Organización Industrial y Gestión de Empresas I Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2022 4 5 Trabajo Fin de Máster: Un análisis de la movilidad laboral basado en la Muestra Continua de Vidas Laborales Autor: Eva Mª Rodríguez Guerrero Tutor: Fernando Núñez Hernández El tribunal nombrado para juzgar el Proyecto arriba indicado, compuesto por los siguientes miembros: Presidente: Vocales: Secretario: Acuerdan otorgarle la calificación de: Sevilla, 2022 6 El Secretario del Tribunal 7 A mi familia y pareja A mis profesores 8 9 Agradecimientos Gracias Fernando Núñez Hernández, tutor de este Trabajo Fin de Máster por haber sido mi guía y mi estímulo tanto en la investigación como durante su redacción A Pablo Álvarez de Toledo por su acompañamiento, su energía y su apoyo durante la elaboración de este Trabajo Gracias a mis padres, a mi hermana y a mi pareja, sólo puedo expresar mi sincero agradecimiento por apoyarme durante la etapa académica que hoy culmina. 16 3.1.5.1 Rendimientos privados de la educación ................................................................... 37 3.1.5.2 Rendimientos privados de la educación no pecuniarios .......................................... 39 3.1.5.3 Rendimientos sociales de la educación .................................................................... 39 3.1.5.4 ¿Qué realmente es importante en la educación? .................................................... 39 4 METODOLOGÍA ESTADÍSTICA. TABLAS DE CONTINGENCIA Y MAPAS DE CALOR ..... 43 5 ORIGEN DE LOS DATOS. LA MUESTRA CONTINUA DE VIDAS LABORALES ................ 49 6 APLICACIÓN ............................................................................................................. 53 6.1 Secuencias de Actividades .............................................................................................. 54 6.2 Secuencias de Ocupaciones ............................................................................................ 63 6.3 Secuencias de Provincias ................................................................................................ 70 7 CONCLUSIONES ........................................................................................................ 79 REFERENCIAS .............................................................................................................. 81 ANEXOS ...................................................................................................................... 85 17 Índice de Tablas Tabla 1. Tabla de contingencia ................................................................................................................... 43 Tabla 2. Ejemplo de mapa de calor y factor de asociación entre distintos sectores ................................ 47 Tabla 3. Tabla total colocaciones de secuencias de actividades ............................................................... 55 Tabla 4. Mapa de calor de actividades económicas .................................................................................. 56 Tabla 5. Análisis celdas educación y sanidad ............................................................................................ 58 Tabla 6. Análisis celdas AAPP y agricultura ............................................................................................. 60 Tabla 7. Análisis celdas agricultura y construcción .................................................................................. 61 Tabla 8. Análisis celdas construcción y suministros .................................................................................. 62 Tabla 9. Tabla total colocaciones de secuencias de ocupaciones ............................................................. 63 Tabla 10. Mapa de calor de ocupaciones ................................................................................................... 65 Tabla 11. Análisis celdas ingenieros, licenciados, alta dirección y ingenieros técnicos, ayudantes titulados .............................................................................................................................................. 66 Tabla 12. Análisis celdas ingenieros, licenciados, alta dirección y jefes administrativos y de taller ..... 68 Tabla 13. Análisis celdas ingenieros licenciados, ingenieros técnicos y jefes administrativos y de taller ............................................................................................................................................................ 69 Tabla 14. Tabla total colocaciones de secuencias de provincias .............................................................. 70 Tabla 15. Mapa de calor de provincias ...................................................................................................... 72 Tabla 16. Análisis celdas Madrid y Barcelona .......................................................................................... 74 Tabla 17. Análisis celdas Almería y Murcia .............................................................................................. 75 Tabla 18. Análisis celdas Murcia y Alicante .............................................................................................. 76 Tabla 19. Análisis celdas Cáceres y Badajoz ............................................................................................. 77 Anexo 1. Lista de agrupaciones de actividades económicas (CNAE-09) ................................................. 85 Anexo 2. Mapa de calor de actividades económicas 2019 ........................................................................ 86 Anexo 3. Mapa de calor de ocupaciones 2019 ........................................................................................... 86 Anexo 4. Mapa de calor de provincias 2019 .............................................................................................. 87 18 19 Índice de Figuras Figura 1 Aumentos de salarios medios en graduados de instituto o universidad en EE. UU. en 1996 .. 32 Figura 2 La ley del movimiento del tiempo dedicado (a la izquierda), stock de capital humano (derecha) ............................................................................................................................................................ 33 Figura 3. Trimestre de nacimiento y años de educación completa para los hombres nacidos en 1930- 1939 .................................................................................................................................................... 35 Figura 4.Tasas interna de retorno .............................................................................................................. 38 Figura 5. Tasa de rendimiento de la inversión en capital humano por edad ........................................... 40 Figura 6. Ejemplo de obtención de un bicluster con estructura diagonal ................................................ 46 Figura 7. Histograma de rendimientos de trabajo ..................................................................................... 51 Figura 8. Dendrograma de actividades ...................................................................................................... 55 Figura 9. Dendrograma de ocupaciones .................................................................................................... 64 Figura 10. Dendrograma de provincias ..................................................................................................... 71 20 21 1 INTRODUCCIÓN El presente Trabajo Fin de Máster busca aportar otra visión al análisis de las movilidades laborales que se producen en el mercado laboral español. El estudio se ha limitado a las movilidades entre actividades económicas, entre ocupaciones y entre provincias en España en el año 2020, aunque también analizaremos el año 2019 a efectos comparativos. Esta investigación laboral pretende dar información sobre la realidad del mercado laboral en la actualidad. El análisis tiene como objetivo identificar las movilidades laborales (regionales, de actividad y ocupacionales) más habituales y describirlas en términos del trabajador y de los puestos que este ocupa (tanto el de origen como el de destino) –contamos incluso con una proxy de la retribución del individuo–. Esperamos que esta fotografía de la movilidad laboral en España pueda orientar a los buscadores de empleo sobre las condiciones en que se produce de cada tipo de movilidad. Los algoritmos propuestos se van a aplicar a los datos procedentes de la Muestra Continua de Vida Laboral (MCVL). La MCVL contiene un conjunto de datos individuales anonimados, procedentes de las bases de datos de la Seguridad Social, a los que se añaden otros datos procedentes del Padrón Continuo Municipal (INE) y del resumen anual de retenciones e ingresos a cuenta del IRPF (Modelo 190) de la Agencia Tributaria. Los datos corresponden a una muestra aleatoria simple de personas que fueron afiliados o pensionistas de la Seguridad Social durante el año de referencia. Para cada persona se incluyen tanto datos sobre su relación con la Seguridad Social en dicho año como datos históricos, en la medida en que se conserven en registros informatizados. Para los individuos que obtienen rendimientos del trabajo conocemos ciertas características suyas (como su género, edad, nivel de estudios o renta bruta) y del puesto que ocupan (como el grupo de ocupación y la provincia del puesto o el sector de actividad económica de la empresa). Conociendo estas características de los empleos, podemos obtener una visión global sobre las trayectorias laborales de los individuos de la Muestra que cambian de empleo dentro del año natural. La metodología empleada se basa en la utilización de tablas de contingencia (TC), que son matrices que permiten tabular el cruce de categorías de dos o más variables nominales. En nuestro caso, emplearemos la TC para tratar de relacionar los sucesivos episodios de empleo de un trabajador en los que ha habido algún tipo de movilidad laboral. Es decir, nuestra TC sitúa en las filas la actividad o la ocupación o la provincia del empleo anterior y en las columnas la actividad o la ocupación o la provincia del empleo actual; estas tres TC (una para cada variable: actividad, ocupación, provincia) se convierten en matrices origen-destino que permiten contar cuántos tipos de movilidad (o cruce de categorías) se observan en la muestra –los tres tipos de movilidad se van a analizar por separado–. A partir de la TC, empleamos dos medidas que son el centro de nuestro análisis categórico: la similitud entre dos categoríasfila (o dos categorías-columna) y el factor de asociación entre una categoría-fila y una categoría-columna. 22 La primera medida, la de proximidad entre dos categorías de una variable, nos va a permitir generar clusters de categorías cuya representación gráfica recibe el nombre de dendrograma. La segunda medida, el factor de asociación, va a medir el grado de correspondencia o vinculación entre una determinada fila y una determinada columna de la tabla de contingencia, generando así un mapa de calor o heatmap. Con dicho factor, medimos el grado de asociación entre la actividad económica del empleo de origen (filas de la TC y del heatmap) y la actividad del empleo de destino (columnas de la TC y del heatmap) del individuo, y análogamente hacemos con las provincias y los grupos de ocupación de los puestos de origen y destino. Ofrecemos por tanto un análisis secuencial, que tiene un carácter dinámico, por cuanto analizamos sucesivos episodios de empleo de un mismo individuo a lo largo del tiempo, en concreto dentro de un año determinado. Asimismo, es importante tener presente que la base de cada dendrograma (actividades, ocupaciones y provincias) va a ser tomada como referencia para ordenar las filas y las columnas de la TC y del mapa de calor. Téngase en cuenta que dos elementos contiguos en la base del cluster o dendrograma se parecen más entre sí que dos elementos lejanos. Dicha similitud se basa en la forma en que esos dos elementos o categorías (provincias de origen, por ejemplo) se asocian o emparejan con las categorías de destino (provincias de destino). Por ejemplo, si las provincias de origen (provincias de la colocación anterior), Sevilla y Cádiz, hacen correspondencia fundamentalmente con las mismas provincias de destino (provincias de la colocación actual), pensemos en Sevilla, Cádiz, Madrid y Barcelona, dichas provincias de origen (Sevilla y Cádiz) se parecerán más entre sí en el cluster de provincias que Sevilla (o Cádiz) con otra provincia de origen (Álava, por ejemplo) que no muestra correspondencias fuertes con las cuatro provincias de destino indicadas. Entre los resultados obtenidos en este Trabajo, destacamos el papel de Madrid como centro receptor de las movilidades regionales; esto es, la mayoría de las provincias tiene una mayor o menor tendencia a emparejarse con esta provincia a la hora de un traslado laboral. Por otro lado, en este estudio se dará a conocer qué tipo de movilidades de sectores se están produciendo, como es el caso de la educación a la sanidad. Además, en cuanto a la movilidad ocupacional, se verá la alta relación de movilidad entre los más altos cargos dentro del mercado laboral. El resto del trabajo se estructura como sigue. En el segundo capítulo se lleva a cabo la revisión de la bibliografía, donde se sitúa este trabajo dentro de las investigaciones ya realizadas en este campo. En el tercer capítulo, se desarrolla el marco teórico que sirve de fundamento al trabajo. El modelo del capital humano parte de la premisa de que toda inversión educativa generará unas ganancias monetarias (privadas y sociales) en el futuro. Posteriormente en el capítulo 4, se describes las herramientas metodológicas que se van a utilizar para el estudio empírico propuesto, concretamente explicaremos las tablas de contingencias y los mapas de calor. En el capítulo quinto, se describe el origen de los datos empleados y se realiza una breve introducción a la Muestra Continua de Vidas Laborales. Posteriormente, en el capítulo 6 se lleva a cabo la aplicación del estudio: el análisis de las movilidades laborales. Se analizan (por separado) tres secuencias de movilidad distintas, secuencias de actividad, de ocupación y de provincia. Dentro de cada una se analizarán los casos más destacables, es decir, las combinaciones origen-destino 23 con un mayor grado de asociación. Finalmente, en el capítulo 7 se recopilan las conclusiones a las que los resultados de esta investigación han llegado. Además de las referencias bibliográficas, al final del Trabajo de Fin de Máster, en un Anexo, se han añadido los mapas de calor pertenecientes al año 2019 (a efectos comparativos con el año de estudio, 2020). 24 25 2 REVISIÓN DE LA LITERATURA Para realizar la revisión bibliográfica del presente Trabajo Final de Máster sobre el estudio de movilidades en cuanto a sectores de actividad, ocupación o provincias, se analizarán investigaciones actuales sobre el tema para situar este trabajo dentro de los artículos más relevantes ya publicados. Se destacarán aquellos requisitos que potencian a los egresados a un mejor acceso a empleos más cualificados. Se da la casualidad de que las economías española y andaluza poseen un mercado laboral que presenta un problema caracterizado por un nivel de desempleo relativamente alto y persistente en le tiempo (García-Cintado et al., 2014, Usabiaga y Hernández-Salmerón, 2021). Como comentan autores como Usabiaga (2004) y López-Bazo y Motellón (2013), la economía andaluza presenta un dato de desempleo desfavorable frente a otras regiones del país y a su vez, muestra una estructura laboral parcialmente segmentada. Por su parte, se estima que existe un tipo de segmentación aplicable al mercado laboral descrito por el enfoque insider-outsider–mercado laboral dual– (Davia y Hernanz, 2004; Bentolila et al., 2012), que permite distinguir entre trabajadores permanentes y temporales/desempleados, así como, permite evidenciar otros tipos de segmentación como es el caso de las aplicables en el caso andaluz nativos versus inmigrantes, segregación por género, etc.). El mercado andaluz se caracteriza por poseer diferentes tipos de desajustes, como es el caso de los términos de formación (y competencias) o de movilidad geográfica y ocupacional. Es en este punto, donde se debe destacar el problema que acontece a la sobre-cualificación/sobre-educación de los jóvenes de hoy en día, como comentan Nieto y Ramos (2017) y que será analizado en el presente estudio. En otro orden de cosas, deberá de ser analizada también la rigidez salarial y la baja movilidad geográfica existente y documentada en la economía andaluza y española, respectivamente (Jimeno y Bentolila, 1998; Liu, 2018). Como se observa se desarrollan numerosas fricciones y desajustes que finalmente se acaban reflejando de manera negativa en la curva Beveridge (relación vacantes-desempleo), así como, en la función de emparejamiento laboral de la economía de la región andaluza. Estas relaciones macroeconómicas tienen su fundamento teórico en el modelo de búsqueda y emparejamiento laboral – sobre estos modelos, véanse, por ejemplo, los trabajos de Pissarides (2000, 2011), Petrongolo y Pissarides (2001) y Shimer (2007)–. Según dichos estudios, la presencia de fricciones en el mercado laboral, y más concretamente, la ausencia de información perfecta o la heterogeneidad de trabajadores y de puestos libres, provocan que el emparejamiento laboral no se realice de forma instantánea. Dicho emparejamiento, se desarrolla por tanto como un proceso de búsqueda con información errática y con bastante lentitud y costes para ambas partes, empresas e individuos trabajadores. Al desarrollar los modelos microeconómicos que se desarrollan en el campo del emparejamiento laboral, el presente estudio ayuda a relacionar al menos dos tipos de modelos: los que parten de 32 El salario aumenta con la eficiencia de la inversión educativa. Cada período de educación aumenta el stock de capital humano en mayor medida, cuanto más eficiente es el individuo, y por otro, los individuos más eficientes estudian más tiempo. También el capital humano inicial influye en las ganancias del trabajo. 3.1.2.3 Educación, formación y retribuciones a lo largo del ciclo de vida Por lo general, en todos los países desarrollados, para todas las profesiones, la relación entre la edad y los ingresos anuales del empleo a lo largo del ciclo vital presenta las mismas características, representado en el siguiente gráfico, ‘Life-Cycle-Earning’, el ciclo de vida de las ganancias. Figura 1 Aumentos de salarios medios en graduados de instituto o universidad en EE. UU. en 1996 Fuente: Ashenfelter and Rouse (1999). Tras un periodo inicial de formación en el que no se perciben ingresos salariales, esta curva es cóncava y alcanza un máximo entre los 45 y los 60 años, antes de reducirse gradualmente. 2.3.1 Modelo con formación a lo largo del ciclo vital Este modelo permite replicar ingresos salariales a lo largo del ciclo de vida similares a los observados generalmente en la realidad. El modelo se calibra con datos anuales con un factor de descuento r que vale el 5%. El horizonte de 60 años de vida se justifica por la edad de jubilación, que es de 65 años en muchos países en el contexto temporal del modelo de Cahuc, y el inicio de la escolarización, que normalmente se produce a alrededor de los 5 años. 33 Figura 2 La ley del movimiento del tiempo dedicado (a la izquierda), stock de capital humano (derecha) Fuente: P. Cahuc, 2004. Estos gráficos reproducen la duración de la escolarización y la evolución de los ingresos salariales de los titulares de un título universitario en Estados Unidos. Estos resultados muestran que, en este modelo de capital humano, la heterogeneidad en las habilidades explica en gran medida tanto el comportamiento educativo como los ingresos laborales que se derivan de él. Cahuc demuestra que los individuos estudian a tiempo completo durante 16 años, pero después invierten cada vez menos en formación. El perfil de los ingresos salariales es creciente y cóncavo alcanzando un máximo de 60.000$ unos 10 años antes de la jubilación. Curiosamente, es posible representar la diferencia entre los comportamientos y los ingresos de los titulados universitarios y de los de secundaria modificando exclusivamente el valor del parámetro de eficiencia. El modelo de capital humano en el que los individuos eligen el tiempo que desean dedicar a la formación reproduce muy bien la trayectoria temporal de los ingresos a lo largo del ciclo de vida. La teoría del capital humano se basa en la hipótesis de que las diferencias salariales reflejan las diferencias de productividad, que a su vez están influidas por la adquisición de competencias por parte de los trabajadores. 3.1.3 La educación como señal Se puede proponer la idea de que la educación sirve también para seleccionar a los individuos, sin tener seguridad realmente en la eficiencia productiva que mostrarán en su futura vida profesional. La premisa de la teoría de señalización que toma Cahuc de Spence (1973) es que las personas que rinden más en la vida activa son también las que rinden mejor mientras estudian. Si la eficiencia productiva no es observable por los posibles empleadores, entonces el éxito como estudiante simplemente sirve para señalar la presencia de tales características productivas. Desde este punto de vista, una persona persigue la educación para señalar su eficiencia, sin que sus estudios modifiquen realmente esta eficiencia. Si la educación sólo sirve para señalar las cualidades intrínsecas del individuo, entonces el verdadero 34 significado de la correlación positiva entre la duración de los estudios y los ingresos es simplemente que los individuos más eficientes tienen mayores ingresos. El punto de vista de la teoría del capital humano está en total desacuerdo con el de la teoría de la señalización, ya que para esta última la prolongación de los estudios no contribuye en absoluto a aumentar la capacidad productiva de la persona; lo único que hace es enviar una señal a los empresarios. La teoría de la señalización también llega a conclusiones muy diferentes en cuanto a la eficiencia de las inversiones en educación. Mientras que la teoría del capital humano indica que las decisiones individuales con respecto a la educación son socialmente eficientes en condiciones de competencia perfecta, Spence (1973) muestra que los trabajadores tienden a sobre-educarse con respecto al estándar de eficiencia social, si la educación sirve para señalar sus capacidades productivas a los empresarios. Los numerosos estudios empíricos dedicados al problema sugieren que la educación sí mejora la eficiencia individual. 3.1.4 Identificación de la relación causal entre educación y retribuciones 3.1.4.1 La teoría del capital humano: del modelo a las estimaciones La principal predicción de la teoría del capital humano es que la educación es la fuente de una acumulación de competencias que permite aumentar los ingresos. La evaluación de este resultado se realiza mediante la estimación de funciones de ingresos, que relacionan los salarios con la inversión en educación A partir del modelo teórico de capital humano se llega a una estimación de la tasa interna de retorno de la inversión educativa. El tiempo de permanencia en la escuela tiene un efecto positivo significativo en los ingresos. La tasa de rendimiento de un año adicional de escolarización es del 7%. La precisión de estas estimaciones aumenta notablemente al tener en cuenta la experiencia profesional y la acumulación de capital humano que tiene lugar después de dejar atrás la educación formal. 3.1.4.2 El problema de la selección En efecto, el modelo de capital humano muestra que las capacidades individuales influyen tanto en los salarios como en la duración de los estudios. Además, según la teoría de la señalización, anteriormente comentada, la educación desempeña un papel de filtro, ya que sirve para seleccionar a aquellos trabajadores que son innatamente eficientes y para señalar características productivas de los trabajadores que los empresarios no pueden observar directamente. Así pues, la correlación entre la duración de la escolaridad y los ingresos se derivaría del hecho de que los individuos más eficientes tienen mayores ingresos y permanecen más tiempo en la escuela. Tanto la teoría del capital humano como la teoría de la señalización predicen que los individuos más productivos tienen interés en estudiar durante más tiempo. Esto conlleva la posibilidad del llamado sesgo de capacidad, es decir, el rendimiento atribuido a la educación puede provenir de las capacidades 35 individuales. En estas circunstancias, los rendimientos de la educación estimados con el método de mínimos cuadrados ordinarios (MCO o OLS, Ordinary Least Squares) pueden estar sobreestimados. La estimación se basa en la hipótesis de independencia entre el término de error y la duración de los estudios que es muy poco probable que se verifique, ya que, según los modelos de capital humano y de señales, las personas más capaces tienen un incentivo para cursar estudios más largos. Este problema de selección, que tiene un carácter clásico en la econometría, ha sido abordado en numerosas contribuciones destinadas a evaluar el impacto causal de la educación sobre los ingresos. A continuación, se presenta una estimación basada en el método común de variables instrumentales. En él se observa que los individuos nacidos a principios del año natural tienen una duración de la escolarización más corta que los nacidos más tarde. Este efecto se debe a que, en Estados Unidos, los distritos escolares suelen exigir que el alumno haya cumplido los 6 años el 1 de enero del año en que entra en la escuela. Además, las leyes de escolarización obligan a los alumnos a permanecer en la escuela hasta que cumplan 16 o 17 años. Por lo tanto, dos personas nacidas en el mismo año empiezan la escuela en la misma fecha, pero la que ha nacido antes está autorizada a dejar la escuela antes que la otra. Si suponemos que la fecha de nacimiento es independiente de los factores que influyen en las capacidades y las preferencias, este fenómeno puede suponer una variación exógena de la duración de la escolarización, que puede utilizarse como variable instrumental. Figura 3. Trimestre de nacimiento y años de educación completa para los hombres nacidos en 1930- 1939 Fuente: Angrist and Krueger (1991) conjunto de datos. Este gráfico muestra que los individuos nacidos a principios de año y que estudian durante períodos más cortos, menos de 12 años, abandonan la escuela antes que los individuos nacidos a finales de año. En cambio, esta relación no se observa para los individuos que estudian más de 12 años. Esto sugiere que la 36 relación entre el trimestre de nacimiento y la duración de la escolarización está efectivamente inducida por la normativa que regula la asistencia obligatoria a la escuela y no por otros factores. En promedio, si la fecha de nacimiento de un individuo cae en el último trimestre y no en los tres primeros, su probabilidad de completar 12 años de estudio aumenta. Las personas nacidas después del mes de septiembre deciden continuar sus estudios hasta el final del duodécimo año, correspondiente al final del bachillerato, sólo si el coste de hacerlo es suficientemente bajo. Las personas para las que este coste es demasiado elevado terminan sus estudios cuando alcanzan la edad legal, es decir, antes de terminar el 11º año. Los individuos cuyo comportamiento se ve modificado por el instrumento son los que prolongan sus estudios hasta el 12º año si han nacido después del mes de septiembre, y que los habrían interrumpido antes del 12º año si hubieran nacido antes del mes de septiembre. Así, el hecho de nacer en el primer trimestre en lugar de en los tres últimos puede reducir la duración de los estudios para ciertas personas, o no tener ningún impacto, pero no debe aumentarla para nadie. Otro método utilizado para evaluar los rendimientos de la educación consiste en utilizar datos sobre individuos cuyas capacidades son lo más parecidas posible. Desde esta perspectiva, varias contribuciones estiman los rendimientos de la educación para los hermanos, e incluso algunos estudios han utilizado poblaciones formadas por gemelos homocigóticos. Los gemelos perfectamente idénticos deberían, por definición, estudiar durante el mismo tiempo. Para que sus duraciones de estudio varíen, debe haber eventos que diferencien a estos gemelos de alguna manera. Debemos suponer que las razones por las que los gemelos no estudian durante el mismo tiempo no están correlacionadas con sus ganancias futuras. Esta hipótesis es bastante dudosa, por lo que es poco probable que la utilización de datos relativos a los gemelos conduzca a estimaciones sólidas del impacto causal de la educación sobre los ingresos. Si se acepta la premisa de que los gemelos homocigóticos tienen capacidades idénticas y que las diferencias en su duración de la escolaridad se deben a eventos aleatorios que no modifican sus capacidades, estos resultados muestran que los sesgos de capacidad y selección tienen poco peso. Cahuc muestra los resultados de Oreopoulos y Salvanes (2011) que utilizaron registros administrativos noruegos que proporcionan información sobre las trayectorias educativas y profesionales de todas las personas nacidas en ese país desde 1920. A partir de estos registros, construyeron una muestra muy amplia compuesta exclusivamente por hermanos y gemelos, lo que les permitió examinar las correlaciones entre la duración de los estudios y los ingresos futuros. En igualdad de condiciones, se constata que los hermanos (o gemelos, respectivamente) con un año más de estudios tienen, por término medio, un 5,2% (o un 4,8%, respectivamente) más de ingresos anuales que sus hermanos (o gemelos) con menos estudios. 37 3.1.5 Los rendimientos de la educación Para conocer en rendimiento de la educación, Cahuc se basa en el método de Mincer que utiliza una simple relación entre los logaritmos de los salarios y la duración de los estudios para estimar la tasa de los rendimientos internos de la educación. 3.1.5.1 Rendimientos privados de la educación El modelo de Mincer se basa en un conjunto de hipótesis muy restrictivas, que lleva a estimar los rendimientos de la educación sobre la base de una regresión de los ingresos logarítmicos sobre los años de escolaridad, a los que a veces se añade la antigüedad. Las hipótesis necesarias para derivar la ecuación de Mincer, son las siguientes. (1) La tasa de rendimiento de un año de escolaridad añadido es independiente de la duración de los estudios; (2) el coste de un año de escolaridad añadido es proporcional al salario; (3) la duración de la carrera es suficientemente larga (lo que corresponde a la hipótesis T → ∞ ; (4) la duración de la carrera es independiente de la duración de la escolaridad. Además, cuando se tiene en cuenta la experiencia, la ecuación de ganancias de Mincer se basa en la hipótesis de que las funciones de ganancias son separables multiplicativamente en experiencia y escolaridad. Es posible calcular los rendimientos de la educación en un marco de hipótesis menos restrictivo. En general, estos resultados indican que los supuestos de forma funcional que implican las estimaciones de las tasas de retorno basadas en Mincer conducen a sesgos muy grandes. Conduce a rendimientos notablemente superiores para los años de educación que cumplen los requisitos para obtener un diploma. Los resultados obtenidos indican que los impuestos y las tasas de matrícula reducen sustancialmente los rendimientos de la educación para los titulados universitarios, pero tienen un impacto menor en los rendimientos de la educación para los individuos con bajos niveles de escolaridad. Este resultado es coherente con la progresividad de los impuestos y las tasas de matrícula, que aumentan con el nivel de educación. La magnitud de estos rendimientos estimados de la educación al final del duodécimo año plantea cuestiones importantes, en la medida en que más del 15% de las nuevas cohortes de jóvenes estadounidenses no obtienen un título de enseñanza secundaria, a pesar de su elevado rendimiento estimado. La estimación de un rendimiento medio de la educación oculta probablemente una fuerte heterogeneidad, cuya naturaleza exacta está aún por especificar. 38 Figura 4.Tasas interna de retorno Fuente: P. Cahuc, 2004. Estos gráficos muestran las estimaciones de las tasas internas de retorno privado de la educación secundaria y superior en 2005-2008 en 21 países de la OCDE (OCDE, 2012). Las tasas internas de retorno de la educación se calculan como los beneficios netos de obtener más educación. Estas cifras dan una idea de los incentivos para educarse a diferentes niveles. Los costes directos de la educación se basan en el gasto privado por año y la duración de la educación en cada país. Los ingresos medios se ajustan para tener en cuenta los impuestos y las transferencias sociales, así como el riesgo de desempleo para cada nivel educativo. Sin embargo, en los cálculos no se tienen en cuenta las becas y los préstamos subvencionados que a veces se reciben al principio de la educación, ni las diferencias de las pensiones después de la jubilación. Por término medio, en la OCDE la tasa de retorno de la educación secundaria es bastante considerable, un 13%, un poco más alta que la de la educación universitaria (12%). Por supuesto, a medida que aumenta el desempleo, disminuye el coste de oportunidad de seguir formándose, mientras que aumentan las ganancias relativas de la educación universitaria. Las diferencias entre países pueden derivarse de una discrepancia entre la demanda y la oferta de mano de obra cualificada. Por ejemplo, en los países en los que hay una fuerte demanda de mano de obra altamente cualificada, pero todavía hay una gran parte de la población que carece de educación universitaria, esta última puede generar importantes beneficios. Por supuesto, esta situación tenderá a invertirse a medida que aumente progresivamente la proporción de la población con cualificaciones. Otro factor es la dispersión salarial general, una estructura salarial comprimida, típica de los países nórdicos, suele generar menores rendimientos de la educación superior. Esta es una de las razones por las que la educación superior es básicamente gratuita en estos países, con muchas subvenciones y becas para los estudiantes. Por el contrario, en los países con una desigualdad general de ingresos sustancialmente mayor, como Estados Unidos, las tasas de rendimiento tenderán a ser más altas. 39 3.1.5.2 Rendimientos privados de la educación no pecuniarios Otros beneficios repercutidos de los años de estudio son influidos por la mejora en la toma de decisiones en materia de salud, elección de pareja y escolarización de los hijos. También puede modificar los estilos de consumo y el interés por el trabajo. 3.1.5.3 Rendimientos sociales de la educación Los estudios empíricos dedicados a los rendimientos sociales de la educación tienden a mostrar que la educación ejerce efectivamente externalidades positivas y que los rendimientos sociales de la educación son superiores a los privados. En esencia, la educación mejora las capacidades de socialización de los individuos. La educación enseña a comunicarse con los demás y a comprenderlos, a aprender de ellos y a instruirlos. De ahí que la educación reduzca la delincuencia, mejore la participación en actividades cívicas como el voto y la participación en asociaciones, y promueva la difusión del conocimiento. En general, los trabajos empíricos sugieren que los rendimientos sociales de la educación superan a los privados. Esta observación justifica hasta cierto punto el papel preponderante del Estado en el gasto en educación, un problema que debe investigarse más a fondo. 3.1.5.4 ¿Qué realmente es importante en la educación? La duración de los estudios es uno de los ingredientes que permiten a los individuos acumular capital humano. Pero no es el único ingrediente y quizás ni siquiera sea el más importante. A continuación, Cahuc repasa los factores, además de la duración de los estudios, que más influyen en la acumulación de capital humano. En primer lugar, los estudios empíricos suelen constatar que las personas que obtienen las mejores puntuaciones en las pruebas que miden los conocimientos obtienen mayores ingresos en el mercado laboral. Estas habilidades se miden con mayor precisión mediante pruebas que evalúan la capacidad cognitiva, como la prueba de cociente intelectual (CI), y los conocimientos generales, o mediante pruebas que evalúan las capacidades no cognitivas, como la perseverancia, la fiabilidad y la constancia. Estos resultados sugieren que es importante tener en cuenta la calidad de la escolarización, y no solo su duración, a la hora de evaluar los rendimientos de la educación. Además, algunos estudios también constatan que la relación profesor/alumno, el gasto por alumno y los salarios de los profesores parecen tener un impacto positivo en los ingresos obtenidos por los estudiantes cuando abandonan la escuela. Estiman que reducir la ratio alumnos/profesor en 10 aumenta la tasa de rendimiento de la educación en unos 9 puntos porcentuales. Muestran que una reducción del tamaño de las clases durante la escuela primaria aumenta el nivel de éxito en las pruebas de rendimiento y la probabilidad de permanecer más tiempo en la escuela 40 La adquisición de conocimientos, cuando es satisfactoria, se suele recompensar con un título capaz de influir en los beneficios derivados de un año más de estudio. En Francia, los trabajos de Goux y Maurin demuestran que los años de estudio no reconocidos por un título conllevan variaciones significativas en la remuneración (+3,2% al año), pero que, sin embargo, tienen un impacto de dos a tres veces más débil que los años que sí son reconocidos. Un título de ingeniero de una "grande école" (una institución postsecundaria de élite) da lugar a salarios un 25% superiores a los del título otorgado al finalizar el "deuxième cycle" en la universidad (el equivalente a un máster), aunque los períodos de estudio son de duración comparable. La calidad del profesorado parece desempeñar un papel fundamental en el rendimiento de los alumnos. Se estima que, si pasa de un profesor situado en el cuartil inferior a otro situado en el cuartil superior, un alumno del percentil 50 (la mediana) en la distribución de los resultados obtenidos en matemáticas se encontrará al año siguiente en el percentil 58. Hanushek y Rivkin señalan que esta mejora de los resultados es mayor que la que se obtiene con las estimaciones de una reducción de 10 alumnos, en el tamaño de las clases. También afecta a factores no cognitivos como la motivación, la personalidad, las preferencias temporales, la capacidad de cooperación, la concienciación, la extraversión, la estabilidad emocional y la sociabilidad. La consciencia del carácter es un predictor de las notas que obtendrá un estudiante en la universidad, tanto como el éxito en las pruebas de admisión a la universidad (Cunha et al., 2006). Se demuestra que los niveles altos de capacidad cognitiva y no cognitiva se asocian con menores tasas de abandono de la escuela secundaria. En igualdad de condiciones, la tasa de retorno de un euro invertido en la educación de un joven supera la tasa de retorno de un euro invertido en la educación de una persona mayor. Para un coste de oportunidad dado (y constante) de las sumas invertidas igual a r, la curva óptima de inversión en educación dicta la mayor inversión cuando un individuo es joven, o incluso muy joven, ya que la tasa de rendimiento es visiblemente más alta para los programas preescolares. Figura 5. Tasa de rendimiento de la inversión en capital humano por edad Fuente: Cunha et al. (2006). 41 Hay muchos estudios que demuestran que la intervención dirigida desde una edad temprana tiene efectos fuertes y duraderos. Un análisis coste-beneficio de estos experimentos, con los beneficios descontados al 3%. Muestra que el Programa Preescolar Perry permitió a los padres reducir su gasto en atención infantil. Cada dólar invertido en el programa genera un rendimiento colectivo total de 9,11 dólares. Así que, además de su impacto positivo en el bienestar de los beneficiarios y la reducción de la desigualdad social, el dinero gastado en el Programa de Preescolar de Alta Calidad supone una contribución positiva sustancial al presupuesto del Estado. 3.1.6 Resumen y conclusiones En conclusión, la teoría del capital humano justifica las opciones educativas asumiendo que la educación favorece la acumulación de competencias y aumenta los ingresos salariales. Este modelo predice que los individuos tienen interés, una vez completada su escolaridad, en reducir gradualmente el tiempo que dedican a la formación a lo largo del ciclo vital. El perfil de los salarios debería ser, pues, cóncavo con respecto a la edad. Si las características productivas de los individuos son inobservables, la educación puede considerarse como una actividad de señalización, que permite a los trabajadores más productivos darse a conocer a las empresas. La actividad de señalización puede conducir a un exceso de educación, que puede reducirse mediante subvenciones cruzadas destinadas a limitar el gasto en educación. La estimación de los rendimientos de la educación debe hacer frente a la existencia de un sesgo de selección. Los estudios empíricos tienen muchas dificultades para detectar cualquier influencia sistemática del gasto en educación en el rendimiento de los estudiantes. La estimación de las funciones de ingresos que vinculan los ingresos con la duración de la escolaridad y la experiencia profesional permite evaluar el rendimiento de un año de educación adicional. En general, la investigación en este campo encuentra que este rendimiento se sitúa por término medio en la franja del 6-15%. A este respecto, también hay que señalar que los rendimientos de la educación son heterogéneos entre los individuos y entre los años de educación. Los estudios empíricos disponibles indican que la educación mejora la implicación social, reduce la criminalidad, mejora la movilidad laboral y favorece la transmisión de conocimientos. Esto implica que los rendimientos sociales de la educación son mayores que los rendimientos privados de la misma. El tamaño de la clase y la calidad del profesorado influyen significativamente en el rendimiento de los alumnos y en su probabilidad de permanecer más tiempo en la escuela. Los rendimientos privados y sociales de la inversión en educación son mayores cuando se invierte en los jóvenes y en los que proceden de entornos desfavorecidos. 48 49 5 ORIGEN DE LOS DATOS. LA MUESTRA CONTINUA DE VIDAS LABORALES En este apartado se llevará a cabo la descripción de los datos necesarios para el análisis de las movilidades entre actividades, ocupaciones y provincias. Esta información ha sido extraída a partir de la Muestra Continua de Vidas Laborales (MCVL), donde aparece de forma muy detallada todos los episodios laborales e información personal sobre cada individuo de la muestra. Se usarán para el estudio y trabajo los datos provenientes del año 2020 pero se tomarán algunos datos de referencia del 2019 sólo a título comparativo. Además, se explicará el proceso de selección de la MCVL, su estructura y su contenido. La MCVL que se utiliza concretamente es la versión con los datos fiscales de los individuos de la muestra (MCVL-CDF) que añade a la información de la Muestra Sin Datos Fiscales, los rendimientos brutos anuales (dinerarios y en especie) de cada individuo. Esta última variable es importante en nuestro estudio porque, de alguna forma, nos va a permitir aproximar lo rentable que son las diferentes movilidades ocupacionales y geográficas detectadas. La Muestra Continua de Vidas Laborales es una recopilación de datos individuales y anónimos. Estos son obtenidos de las bases de datos de la Seguridad Social, del Padrón Continuo Municipal (INE) y del resumen anual de retenciones e ingresos a cuenta del IRPF (Modelo 190) de la Agencia Estatal de Administración Tributaria de España (AEAT). Esta estadística ofrece anualmente un conjunto organizado de microdatos que están referidos a algo más de un millón de personas; se trata de una muestra representativa de todas las personas que tuvieron relación con la Seguridad Social en un determinado año. El conjunto de los datos es recogido de una muestra de personas escogidas de forma azarosa de los que han sido afiliados o pensionistas de la Seguridad Social durante el año natural, ya sea 2020 o 2019, en nuestro caso. Los datos de cada individuo son los correspondientes a toda su vida laboral, incluyendo el cobro de pensiones y prestaciones en el caso de que los hubiere. En concreto, para el año de análisis, el 2020, la población de referencia eran 31.424.464 personas y para la muestra participan 1.255.522 individuos, es decir el porcentaje que la muestra representa sobre dicha población alcanza el 4%. Toda esta información confidencial está sólo a disposición de investigadores que lo solicitan, quedando bajo su responsabilidad todo el protocolo de protección de datos. Los datos que se conceden no tienen modificaciones y se entregan con la misma estructura respecto a los registros informáticos de la Seguridad Social. La información que aporta la MCVL se estructura en seis tablas que corresponden a sendas áreas de información. Para cada tabla, la primera columna de cada fila se describe el código identificador de cada afiliado o pensionista al que pertenecen los datos que se muestran en cada columna de esa fila, el llamado IPF (Identificador de la Persona Física). En primer lugar, la tabla de las PERSONAS contiene información de índole personal para cada individuo de la muestra; variables como la fecha de nacimiento, 50 el género, la provincia de afiliación, el domicilio residencial habitual y nivel de estudios, entre otras. Por otro lado, la tabla de AFILIACIÓN aporta datos sobre los episodios de afiliación a la Seguridad Social del individuo a lo largo de toda su vida laboral. La tabla contiene tantas filas como episodios de afiliación haya tenido para cada IPF (Identificador de la Persona Física). En el caso de tener varios empleos a la vez, se recoge cada alta a la Seguridad Social con su fecha, aunque sea con distintos empleadores. Los datos requeridos para este proyecto que se obtienen a partir de esta tabla son el tipo de contrato de trabajo, las fechas tanto de alta como de baja en la afiliación, el domicilio de la actividad de la cuenta de cotización y la Actividad Económica de la cuenta de cotización (CNAE 2009) de cada episodio por individuo. La tercera tabla que muestra la MCVL es sobre las BASES DE COTIZACIÓN, que no se usará para este trabajo. En esta tabla se registran los datos de IPF, año y Código de Cuenta de Cotización (CCC). El dato de la base de cotización mensual por contingencias comunes se refiere a la suma de todas las bases de cotización añadidas para un mismo IPF y CCC en cada mes. Las siguientes dos tablas, sobre PENSIONES y CONVIVIENTES tampoco son utilizadas para la elaboración de este TFM. La tabla de pensiones muestra si el individuo tiene algún tipo de incapacidad, está jubilado o se encuentra en situación de viudedad u orfandad, y si por alguno de esos motivos recibe o lo ha recibido alguna retribución económica en forma de pensión. Por otro lado, la tabla de convivientes contienes tantas filas como registros del Padrón Municipal Continuo tenga cada persona física. Toda esta información no es necesaria para el análisis de las movilidades de nuestra muestra, por este motivo de estas tablas no se recogen datos para este trabajo. Por último, la tabla 6 de la Muestra, incluye los DATOS FISCALES de los IPF perceptores de rentas. Esta información es de cada individuo y pagador, y muestra las retribuciones brutas producidas y las retenciones producidas por el IRPF en el año fiscal de referencia (2020 en nuestro caso). Esta última tabla sólo aparece en la versión de la MCVL con datos fiscales; los datos son obtenidos por la Agencia Estatal de la Administración Tributaria. La tabla del módulo fiscal muestra para cada individuo los rendimientos obtenidos (dinerarios o en especie) de cada pagador y las retenciones practicadas por cada pagador que haya tenido a lo largo del año fiscal. Para la investigación de este trabajo se considerará la variable clave de percepción que es una clave alfabética de un dígito la cuál indica el tipo de percepción ya sean rendimientos del trabajo por cuenta ajena, pensiones, prestaciones, etc. Estas claves se pueden consultar en las disposiciones que regulan el modelo 190 vigente para cada momento. Concretamente, la clave que consideramos para obtener los rendimientos del trabajo diarios es la clave A que corresponde a más del 90% de episodios fiscales. Nótese que para este análisis no se considerarán las claves B, C y D. Para relacionar estos datos fiscales con las anteriores tablas, en concreto con las tablas de datos personales y de datos de afiliación, se puede utilizar tanto el IPF como la letra del NIF del pagador y su identificador (llamado en la encuesta ‘identificador anonimado de la entidad pagadora’). Con esta información, en el trabajo se estudiarán si las movilidades geográficas, ocupacionales o por actividades de los trabajadores son más o menos beneficiosas en términos económicos. 51 Como en el presente trabajo se hablará de esta variable retributiva, se ha realizado un histograma con los datos medios que los individuos de retribuciones diarias, obtenidos de la MCVL. Estas retribuciones diarias en el eje de abscisas del gráfico es el valor de la variable de los rendimientos diarios de trabajo en logaritmo en base 10. En la Figura 7 se diferencian los datos entre el género masculino y femenino. Se puede apreciar que el histograma de las mujeres esta levemente peor situado que el de los hombres ya que se mueve hacia cifras menores diarias, es decir, más cercano del origen que el histograma de los hombres. La parte derecha de la que podría ser una campana de Gauss es donde se encuentran los mayores rendimientos, más de 200 €/día. Como se ve reflejado en el histograma, la frecuencia con la que esos salarios medios diarios entre los hombres son considerablemente mayores a las colocaciones entre mujeres que lleven a esas retribuciones económicas. Figura 7. Histograma de rendimientos de trabajo Fuente: Elaboración propia a partir de los datos. 52 53 6 APLICACIÓN En este capítulo se desarrollará el análisis empírico objetivo de este trabajo, la observación de las secuencias de empleo durante el año 2020 de los individuos de la muestra. En este año 2020, el mundo entero sufrió un parón económico (y vital) debido a la COVID-19; la pandemia ha afectado a las trayectorias de empleo de la población activa en el mercado de trabajo, por lo que, en nuestro estudio analizaremos también los datos de 2019 para tener una referencia pre-COVID. Este análisis se llevará a cabo mediante la elaboración de mapas de calor (basados en tablas de contingencia; ver sesión de metodología) que representan el factor de asociación entre cada fila y cada columna de la tabla o mapa analizada. Las filas vienen dadas por las categorías de una determinada variable descriptiva del puesto ocupado por el trabajador (como, por ejemplo, el sector de actividad o el grupo de ocupación del puesto), mientras que las columnas contienen las categorías de dicha variable descriptiva, pero en el siguiente episodio de empleo del individuo; obsérvese por tanto que analizamos trabajadores que necesariamente han cambiado de empleo en 2020 (o 2019). Las secuencias laborales serán observadas gracias a cambios de empleo de los individuos de la muestra dentro del año 2020 (el año 2019 también se valora, pero solo se usa a modo de referencia). La muestra empleada es una muestra de entrada (inflow sample), o lo que es lo mismo, se consideran todas las colocaciones que se producen dentro del año. Analizando los cambios de contrato de los trabajadores, podremos valorar tres tipos de movilidades: de sector de actividad, de grupos de ocupación y de provincia; movilidades que serán estudiadas por separado (no se analizarán dobles o triples movilidades). En el caso de una movilidad de sector de actividad, el trabajador cambia de actividad entre dos empleos consecutivos. Estas actividades vienen determinadas por la clasificación CNAE (Clasificación Nacional de Actividades Económicas, 2009). Cada empresa en el momento que se constituye como sociedad debe definir la actividad económica que va a desarrollar. La CNAE consta de un código numérico seguido de su definición; su función es la de clasificar a las empresas según sectores y grupos de actividades homogéneos. Las movilidades de grupos de ocupación implican un cambio de ocupación entre dos empleos consecutivos. Dicha variable de ocupación viene codificada de acuerdo con la CNO (Código Nacional de Ocupaciones, 2011). Este código clasifica el tipo de puesto que ejerce el individuo dentro de la compañía. Finalmente, las movilidades de provincia son producidas por aquellas personas de la muestra que por un motivo u otro se han trasladado de provincia al cambiar de trabajo. Estos tres tipos de movilidades se consideran de forma separada en nuestro estudio, esto es, no analizaremos cambios simultáneos en dos o más variables (aunque se hayan producido). Asimismo, resulta importante aclarar que aquellos cambios de contrato que no implican cambio de la variable analizada (actividad, ocupación o provincia) no son considerados en nuestro análisis de movilidad laboral. Nuestro análisis permite observar cómo ha ido evolucionando la movilidad laboral del individuo a lo 54 largo del año 2020 –a efectos comparativos, se han replicado los cálculos para el año 2019, como se muestra en los Anexos de este Trabajo. El análisis de la movilidad laboral lo vamos a llevar a cabo usando la herramienta del heatmap o mapa de calor, que muestra el factor de asociación entre cada categoría fila y cada categoría columna de dicha tabla o mapa –dichas categorías pueden ser los sectores de actividad, los grupos de ocupación o las provincias de dos contratos consecutivos–. Además, el orden de las filas y columnas de los heatmaps de este capítulo no es exógeno o arbitrario, sino que viene dado por el proceso de clusterización descrito en el capítulo metodológico. De acuerdo con dicha metodología, dos categorías de una variable cualitativa (por ejemplo, dos filas de la tabla de contingencia) se agrupan formando un cluster porque se parecen bastante en la forma en que se emparejan con las categorías de otra variable cualitativa (categorías que se encontrarían en las columnas de la tabla de contingencia). Asimismo, la distancia entre dos clusters de categorías ya formados se calcula por el sistema de la vinculación promedio (average linkage) entre ellos, esto es a través de la media de las distancias entre los elementos de un clúster y los elementos del otro. A la representación visual de un clúster jerárquico como el descrito (ya sea de las filas de la tabla de contingencia o de las columnas) se le denomina dendrograma. Como hemos comentado anteriormente, las filas y las columnas de nuestros mapas de calor están ordenadas igual que la base del dendrograma que clusteriza las categorías representadas en dichas filas y columnas. Por construcción matemática, dos elementos contiguos (o vecinos) en la base de un dendrograma se parecen más entre sí que dos elementos lejanos, por lo que se acabarán uniendo antes en el proceso de formación de clusters de elementos o categorías. Además, como nuestras tablas de contingencia y sus mapas de asociaciones (heatmaps) tienen las mismas categorías en las filas y las columnas, ya que analizamos movimientos entre actividades, ocupaciones o provincias por separado, hemos usado una matriz de distancias entre categorías común a filas y a columnas con el fin de generar un único dendrograma. En esta matriz de distancias promedio, cada celda viene dada por la media de la distancia entre las dos categorías-fila y las dos categorías-columna correspondientes. De esta forma, conseguimos que la diagonal del mapa de calor esté formada por una categoría fila y su simétrica por el lado de las columnas. Como veremos, dichas celdas implicarían colocaciones donde no se observa movilidad del trabajador (por ejemplo, dos contratos de un mismo trabajador ambos en la agricultura), colocaciones que no son tenidas en cuenta en nuestro estudio de movilidad. 6.1 Secuencias de Actividades Los trabajadores que han tenido algún cambio de contrato en 2020 acumulan un total de 794.911 contrataciones en la MCVL –incluyendo aquellas colocaciones que empezaron antes de 2020 pero que no habían concluido en 2020–. De todos estos contratos, 106.210 han implicado movilidad de sector de actividad económica. Comparando con el año anterior a la pandemia, se observa que se han producido menos movilidades de sector de actividad en 2020 (106.210 vs. 139.120); nótese que también ha habido 55 un descenso de más de 200.000 colocaciones entre 2019 y 2020 dentro de nuestra muestra (esta muestra viene dada por los trabajadores que han tenido más de una colocación durante el año analizado). Tabla 3. Tabla total colocaciones de secuencias de actividades Fuente: Elaboración propia a partir de los datos. Para una mejor visualización de nuestros resultados, hemos agrupado los 99 grupos de la CNAE 2009 a d dos dígitos en 12 grupos de sectores homogéneos, tal y como se puede ver en el Anexo 1 para generar el dendrograma de la Figura 8. Figura 8. Dendrograma de actividades Fuente: Elaboración propia a partir de los datos. PERIODO CASO COLOCACIONES Individuos con más de una colocación en 2020 794.911 Colocaciones de las que conocemos origen y destino 584.659 Sin movilidad de sector de actividad 478.449 Con movilidad de sector de actividad 106.210 Individuos con más de una colocación en 2019 1.006.961 Colocaciones de las que conocemos origen y destino 782.361 Sin movilidad de sector de actividad 643.241 Con movilidad de sector de actividad 139.120 Año 2020 Año 2019 56 Analizando el dendograma, podemos identificar tres clusters y un sector poco próximo a los demás. En primer lugar, la pareja agricultura, industria manufacturera junto con suministros forman un primer cluster de actividades –esto significaría, aproximadamente, que estos sectores de actividad se parecen entre sí actuando en los dos sentidos: como sectores de origen (actividades del empleo anterior) y como sectores de destino (actividades del empleo actual)–. Seguido de servicios financieros junto con organismos extraterritoriales, educación y sanidad, que forman así un segundo cluster. El tercer grupo está compuesto por los tres sectores de industrias extractivas con construcción y administración pública. Y, por último, queda comercio, hostelería, transportes y comunicaciones como sector menos homogéneo al resto. La Tabla 4 contiene el mapa de calor que refleja la propensión al emparejamiento o factor de asociación entre cada actividad-fila y cada actividad-columna. La diagonal de la tabla implica no movilidad entre actividades cuando se produce un nuevo contrato de un trabajador, y esas colocaciones (que son la mayoría) no las consideramos porque el trabajo implica movilidad –nótese que esas celdas no contienen factores de asociación–. Los mapas de calor propuestos en este trabajo se pueden ver como matrices origen-destino, ya sea, de provincias, ocupaciones o actividades. Vamos a optar por interpretar el heatmap desde el origen hacia el destino, es decir, interpretando cómo las filas se reparten en las diferentes columnas –aunque también la interpretación de columnas a filas podría tener su interés–. Tabla 4. Mapa de calor de actividades económicas Fuente: Elaboración propia a partir de los datos. Agricultura IndManufacturera Suministros ServFros&Emp OrganExtraterr Educación Sanidad ComHostTte&Comunic IndExtractivas Construcción AAPP OtrosServicios Agricultura 0,98 0,81 0,17 0,35 0,09 0,24 0,94 1,91 2,57 2,65 1,21 IndManufacturera 1,02 0,81 0,66 0,37 0,44 1,37 2,55 1,60 0,46 1,30 Suministros 1,01 0,83 0,31 0,48 0,47 1,15 3,03 1,81 0,78 1,11 ServFros&Emp 0,19 0,59 0,45 1,04 1,45 1,41 1,06 0,57 0,79 1,48 OrganExtraterr 0,17 0,26 2,17 1,45 1,17 1,59 0,28 1,36 Educación 0,12 0,33 0,37 1,34 2,46 2,15 1,04 0,13 1,68 1,62 Sanidad 0,24 0,34 0,50 1,30 1,32 3,01 1,01 0,22 1,99 1,26 ComHostTte&Comunic 0,89 1,19 1,18 0,93 0,91 0,97 1,23 0,71 1,02 0,62 1,78 IndExtractivas 1,74 2,98 1,21 0,60 0,16 0,16 0,93 1,53 0,56 0,54 Construcción 2,57 1,56 2,02 0,54 0,30 0,20 0,24 1,06 2,78 0,75 0,81 AAPP 2,78 0,37 0,74 0,49 0,39 1,73 1,86 0,56 0,44 0,77 0,63 OtrosServicios 1,21 1,43 1,08 1,69 1,58 1,40 1,27 1,89 0,56 0,81 0,70 57 - Justificación de la formación de clusters de actividades Como se ha comentado anteriormente, en el dendrograma, dos o más categorías (actividades en este caso) forman un clúster porque tienden a asociarse de forma similar con las actividades del otro lado de la tabla de contingencia. Por ejemplo, servicios financieros y a empresas, organismos extraterritoriales, educación y sanidad se encuentran cercanos en el dendrograma porque tienden a asociarse con las actividades del otro lado de la tabla de forma parecida, y eso sucede tanto cuando actúan como filas (actividades del empleo anterior) que se asocian con ciertas columnas como cuando lo hacen como columnas (actividades del empleo actual) que se asocian con ciertas filas; aunque nosotros atenderemos al emparejamiento de filas hacia columnas. Así, los cuatro sectores mencionados tienden a asociarse entre ellos y con sectores como el de otros servicios; es decir, que trabajadores que se colocan en el sector de actividad de otros servicios tienen una probabilidad elevada de proceder de las actividades de este cluster. por ejemplo, el de industria manufacturera y suministros, que se parecen porque se asocian, fundamentalmente, con industrias extractivas y construcción - Análisis descriptivo de las celdas con mayor factor de asociación (FA) Observando cada celda de la Tabla 4, se identifican cuáles son las categorías-fila con mayor propensión a asociarse con una determinada categoría-columna, cuyas celdas son de un color azul más oscuro. Este es el caso, por ejemplo, de los factores de asociación 3,03 y 3,01. El primero correspondiente a los individuos que trabajando en la actividad económica de suministros se mueven hacía la actividad de industrias extractivas; sin embargo, a pesar de tener un factor de asociación elevado, la frecuencia de colocaciones de este caso es muy escasa, por lo que no es un caso particularmente relevante. Es por ello por lo que los criterios para describir celdas de interés del mapa de calor serán que las frecuencias de colocaciones sean mayores a 100 y que el factor de asociación sea mayor a 2. Existen siete celdas que cumplen los criterios anteriormente descritos. A continuación, las describimos en términos de una serie de variables de interés laboral. El primer caso más relevante, correspondiente al FA = 3,01 en la Tabla 5, representa la propensión de asociarse entre los grupos de sanidad y educación, concretamente, muestra las movilidades de trabajadores en el sector sanitario que han cambiado su trabajo yéndose al sector de la educación. Esta fuerte asociación, que también se observa (aunque en menor medida) a la inversa (FA = 2,15), se observa también en el año 2019, por lo que no puede ser atribuible a la pandemia; más bien se debe a que son sectores afines que experimentan trasvases importantes de trabajadores en materia de dirección, gestión, conserjería, mantenimiento o incluso en materia de docencia e investigación. La movilidad de sanidad a educación se ha observado en 1444 casos. Nuestros microdatos permiten describir los contratos de origen y de destino de estos trabajadores. En concreto, las variables de interés van a ser la provincia y ocupación del puesto, y el nivel educativo, la renta bruta diaria, el género, la edad y la duración del empleo del trabajador. Dicha descripción se muestra en la Tabla 5. 64 Figura 9. Dendrograma de ocupaciones Fuente: Elaboración propia a partir de los datos. Dos ocupaciones se emparejan entre sí relativamente pronto en el dendrograma de ocupaciones porque la forma en la que se asocian con el resto de las ocupaciones lo hacen de una forma parecida. Las relaciones entre las ocupaciones de la Figura 9 se clasifican en tres grandes grupos. Los titulados y de alta categoría como los ingenieros o licenciados, los ingenieros técnicos y los jefes administrativos; Seguido de la categoría media como ayudantes no titulados, oficiales administrativos, subalternos y auxiliares administrativos; Y por último las ocupaciones con menos cualificación, los Oficiales de 1ª y 2ª, menores de 18, oficiales de 3ª y especialistas y los mayores de 18 no cualificados. Observando el dendrograma es necesario resaltar que la ocupación de menores de 18 se asocia de manera más similar a los oficiales de 1ª y 2ª que a los mayores de 18 no cualificados. Esto puede ser debido a que por lo general cada vez las nuevas generaciones tienen más nivel educativo y por ello se emparejan con las demás ocupaciones de forma parecida a los oficiales de 1ª y 2ª. Este orden de posiciones se aprovechará también para la construcción del mapa de calor de ocupaciones de la Tabla 10. 65 Tabla 10. Mapa de calor de ocupaciones Fuente: Elaboración propia a partir de los datos. - Justificación de la formación de clusters de actividades Un mapa de calor es una matriz origen destino, en este caso de ocupaciones, que refleja cómo las ocupaciones origen situadas en las filas se emparejan con las ocupaciones destino de las columnas. Para trabajar con la similitud promedio hay que moverse en dos direcciones, tanto en cómo se emparejan las filas, ocupaciones del empleo anterior, como las columnas, ocupaciones del empleo actual. Si en ambas direcciones se parecen entres sí, la proximidad promedio es alta, en estos casos, se puede hablar de que forman un cluster. Las asociaciones más fuertes han creado un cluster entre las posiciones más altas, con más nivel de estudios. Por otro lado, también se han creado clúster entre las posiciones bajas con gran número de colocaciones, aunque el factor de asociación no es tan elevado como en las ocupaciones altas. - Análisis descriptivo de las celdas con mayor factor de asociación (FA) Analizando cada celda del mapa de calor, se identifican cuáles son las categorías-fila con mayor propensión a asociarse con una determinada categoría-columna. De todas estas celdas se pasarán a analizar las más destacables (FA= 7,9 7,3 4,5 3,9 3,1 y 2,8). Estos seis casos están conectados dos a dos ya que, en este mapa de calor, las asociaciones fuertes entre dos ocupaciones se presentan tanto en un sentido como en otro. Aunque no es lo mismo moverse de un titulado medio a titulado superior, en el que el empleado asciende de forma natural su posición que moverse de titulado superior a medio, ya que este caso, sería un escenario de sobre-educación o sobre-cualificación. Si analizamos la categoría superior de ingenieros, licenciados, alta dirección, siendo el puesto de origen (como fila), estos individuos se reparten en su mayoría a ingenieros técnicos, ayudantes titulados Ingenieros, licenciados, alta dirección Ingenieros técnicos, ayudantes titulados Jefes administrativos y de taller Ayudantes no titulados Oficiales administrativos Subalternos Auxiliares administrativos Oficiales 1ª y 2ª Menores18 Oficiales 3ª y especialistas Mayores18 no cualif Ingenieros, licenciados, alta dirección 7,3 4,5 1,4 1,9 0,4 0,8 0,4 0,2 0,2 Ingenieros técnicos, ayudantes titulados 7,9 3,1 1,8 1,7 0,8 1,0 0,4 0,2 0,3 Jefes administrativos y de taller 4,0 2,8 1,7 2,3 0,6 1,3 0,6 0,6 0,4 0,4 Ayudantes no titulados 1,4 2,0 1,7 1,5 1,3 1,3 0,7 0,5 0,7 0,8 Oficiales administrativos 2,0 1,9 2,3 1,6 1,1 2,0 0,7 0,3 0,5 0,6 Subalternos 0,6 1,0 0,7 1,3 1,2 1,9 0,9 0,8 0,8 1,0 Auxiliares administrativos 1,0 1,2 1,4 1,3 2,3 1,8 0,8 0,4 0,8 1,0 Oficiales 1ª y 2ª 0,4 0,5 0,7 0,8 0,8 0,9 0,9 0,5 1,5 1,9 Menores18 0,2 0,8 0,3 0,5 0,6 0,5 0,8 2,7 Oficiales 3ª y especialistas 0,2 0,3 0,4 0,7 0,6 0,8 0,9 1,5 1,0 2,0 Mayores18 no cualif 0,2 0,3 0,3 0,7 0,6 1,1 1,1 1,9 2,6 2,2 66 y seguidos de jefes administrativos y de taller. En ambas movilidades se produce una reducción a nivel jerárquico en la que se infravalora la ocupación de los individuos altamente cualificados. Sin embargo, si observamos la posición más elevada como destino (su columna), es el destino más propenso tanto de ingenieros técnicos, ayudantes titulados como de jefes administrativos y de taller. Aquí se consigue una visión más optimista en el ámbito laboral, donde si un individuo esta en los dos estratos más alto por debajo del de ingenieros, licenciados, alta dirección; puede pensar que tiene bastante opciones de que su próxima posición sea la más alta, obteniendo un ascenso en su carrera profesional. El clúster con las relaciones de asociación más fuertes corresponde a la pareja de ingenieros, licenciados, alta dirección con los ingenieros técnicos, ayudantes titulados. El mayor factor de asociación es de 7,9 y representa la movilidad de los ingenieros técnicos, ayudantes titulados hacía los ingenieros, licenciados, alta dirección, con 1695 colocaciones, este movimiento es el natural de un trabajador que asciende. Sin embargo, en el sentido contrario con 1367 colocaciones y un factor de asociación de 7,3 representa la propensión de asociarse siendo la ocupación origen la categoría más alta, ingenieros, licenciados, alta dirección. Tabla 11. Análisis celdas ingenieros, licenciados, alta dirección y ingenieros técnicos, ayudantes titulados Fuente: Elaboración propia a partir de los datos. OCUPACIÓN ORIGEN OCUPACIÓN DESTINO COLOCACIONES FA CARACTERÍSTICA SUBAPARTADO TOTAL PORCENTAJE Madrid 362 21,36% Barcelona 333 19,65% Valencia 133 7,85% Sevilla 73 4,31% Murcia 59 3,48% Educación 849 50,09% OtrosServicios 258 15,22% Sanidad 195 11,50% AAPP 169 9,97% Licenciado o Grado Universitario 621 36,64% Máster Universitario, Doctorado y postgrado 551 32,51% Diplomados en Escuelas Universitarias 153 9,03% Bachiller o más 96 5,66% RENTA AL DÍA (€/día) 102,8 GÉNERO (Hombre:0 - Mujer:1) 0,5 EDAD MEDIA (años) 38,7 DURACIÓN (días) 88,9 Madrid 292 21,36% Barcelona 230 16,83% Valencia 106 7,75% Sevilla 54 3,95% Alicante 53 3,88% Educación 499 36,50% OtrosServicios 272 19,90% Sanidad 266 19,46% AAPP 153 11,19% Licenciado o Grado Universitario 565 41,33% Máster Universitario, Doctorado y postgrado 422 30,87% Diplomados en Escuelas Universitarias 103 7,53% Bachiller o más 71 5,19% RENTA AL DÍA (€/día) 148,3 GÉNERO (Hombre:0 - Mujer:1) 0,4 EDAD MEDIA (años) 37,7 DURACIÓN (días) 92,3 PROVINCIA ACTIVIDAD N. ESTUDIO OTROS PROVINCIA ACTIVIDAD N. ESTUDIO OTROS Ingenieros, licenciados, alta dirección Ingenieros técnicos, ayudantes titulados 1367 7,30 Ingenieros técnicos, ayudantes titulados Ingenieros, licenciados, alta dirección 1695 7,90 67 Estas colocaciones en ambos sentidos se han producido en las cuatro principales provincias españolas a nivel industrial como son Madrid y Barcelona, seguidas de Valencia y Sevilla como se representa en la Tabla 11. Lo característico de este movimiento es que en ambas direcciones la mayor parte se producen hacia el sector de la educación, entendemos que siendo licenciados estos individuos pueden impartir clase tanto en institutos como en la Universidad además de otros contratos intrínsecamente ligados con la educación. El perfil de estos individuos en su mayoría titulados con incluso una parte importante con titulación de postgrado, jóvenes y con una paridad entre hombres y mujeres casi exacta. Gracias a los datos reflejados en la MCVL los individuos que hacen estas dos movilidades en promedio han declarado entre 102,8 y 148,3€/día en todo el 2020. Es destacable que, el que posee mayor remuneración sea el escenario de sobrecualificación en el que la categoría destino sea más baja que la de origen, por esto se puede deducir que, aunque estas personas hayan bajado de categoría el sueldo posiblemente haya permanecido estable. Por último, hay que señalar que, por lo general, los contratos en este escenario también son de media más duraderos que los de ascenso. Otro clúster de pareja de ocupaciones relacionadas entre sí es la de ingenieros, licenciados, alta dirección con jefes administrativos y de taller, representado en la Tabla 12. Estas celdas poseen una propensión a emparejarse mayor el escenario de sobreeducación, por el cuál un ingeniero o licenciado de alta dirección se convierte en jefe descendiendo así su categoría profesional independientemente del nivel de estudios que tengan, que en el escenario de ascenso. Ambas movilidades se vuelven a producir hacia las mismas provincias lideradas por Madrid y Barcelona, aunque Sevilla sigue estando presente entre las cuatro principales provincias donde se produce el escenario de ascenso cuando la movilidad es hacia ingeniero o licenciado de alta dirección es sustituida por Girona. En cuanto a la actividad económica, más de la mitad de los casos de sobrecualificación se producen en otros servicios, donde se encuentra toda la parte industrial mientras que en el escenario de ascenso esta más repartido los casos entre las actividades de educación y otros servicios. En este clúster sí se confirma que en la movilidad hacía la categoría más alta los individuos declaran un salario mayor que en el sentido contrario, además las condiciones de contrato, en cuanto a duración son bastante superiores en promedio. Es muy característico que el perfil de individuos de alta dirección que bajen a jefes administrativos y de taller sean de edad media de casi 70 años, ya entrados en la jubilación. Como podría ser predecible, existe mayoría de hombres respecto a mujeres en ambas movilidades. 68 Tabla 12. Análisis celdas ingenieros, licenciados, alta dirección y jefes administrativos y de taller Fuente: Elaboración propia a partir de los datos. Por último, hay que destacar las celdas correspondientes a los factores de asociación 3,1 y 2,8, como la relación de ingenieros técnicos, ayudantes titulados hacia jefes administrativos y de taller y viceversa, respectivamente (Tabla 13). En ambos casos de movilidad se producen con menos frecuencia y menos propensión a emparejarse que los anteriores. Por lo que afecta a la actividad económica, en el escenario de sobrecualificación (de ingenieros técnicos, ayudantes titulados hacia jefes administrativos y de taller), sucede en más de la mitad de los casos en el sector otros servicios, sin embargo, en el escenario de ascenso, sobresale el sector educativo por encima del de otros servicios. En otro orden de cosas, los individuos que sufren la movilidad de ascenso suelen tener un contrato promedio más largo, aunque en la situación de sobreeducación, estas personas han declarado un salario bruto medio superior durante todo el 2020. Respecto a la igualdad de género, destaca que en la movilidad hacia los jefes administrativos y de taller la mayoría en hombres, mientras que, en el sentido contrario sí que existe paridad. OCUPACIÓN ORIGEN OCUPACIÓN DESTINO COLOCACIONES FA CARACTERÍSTICA SUBAPARTADO TOTAL PORCENTAJE Madrid 227 31,31% Barcelona 171 23,59% Valencia 40 5,52% Girona 23 3,17% Pontevedra 21 2,90% OtrosServicios 479 66,07% Educación 78 10,76% ComHostTte&Comunic 59 8,14% IndManufacturera 35 4,83% Licenciado o Grado Universitario 256 35,31% Máster Universitario, Doctorado y postgrado 164 22,62% Bachiller 79 10,90% Bachiller o más 60 8,28% RENTA AL DÍA (€/día) 174,6 GÉNERO (Hombre:0 - Mujer:1) 0,6 EDAD MEDIA (años) 39,3 DURACIÓN (días) 68,1 Madrid 207 27,71% Barcelona 158 21,15% Valencia 50 6,69% Sevilla 25 3,35% Pontevedra 23 3,08% Educación 249 33,33% OtrosServicios 235 31,46% ComHostTte&Comunic 90 12,05% AAPP 46 6,16% Licenciado o Grado Universitario 256 34,27% Máster Universitario, Doctorado y postgrado 176 23,56% Bachiller 84 11,24% Bachiller o más 58 7,76% RENTA AL DÍA (€/día) 286,7 GÉNERO (Hombre:0 - Mujer:1) 0,6 EDAD MEDIA (años) 39 DURACIÓN (días) 101 PROVINCIA ACTIVIDAD N. ESTUDIO OTROS PROVINCIA ACTIVIDAD N. ESTUDIO OTROS Ingenieros, licenciados, alta dirección Jefes administrativos y de taller 747 3,90 Ingenieros, licenciados, alta dirección Jefes administrativos y de taller 725 4,50 69 Tabla 13. Análisis celdas ingenieros licenciados, ingenieros técnicos y jefes administrativos y de taller Fuente: Elaboración propia a partir de los datos. A modo de conclusión, es necesario afirmar que, con respecto a la secuencia de ocupaciones mostrada anteriormente, la mayoría de las movilidades se desarrollan en las tres categorías más altas (ingenieros licenciados, ingenieros técnicos y jefes administrativos). Si se observa cada tabla, los casos de ascenso se producen mayoritariamente en la actividad económica de la educación, sector donde a simple vista hay bastante movilidad entre las altas ocupaciones. No obstante, en algunas ocasiones se producen movilidades hacia una categoría inferior o incluso hacia dos categorías por debajo. Este hecho permite atisbar que en estos casos se produce una sobre-cualificación en el individuo de su formación académica con respecto al rango laboral que ocupa. En definitiva, la carga salarial que perciben los trabajadores es mayor cuanto mayor es el grado de desempeño de la persona, o lo que es lo mismo, cuanto mayor nivel de estudio posean, con independencia en muchos casos del cargo. - Comparativa temporal: 2019 vs. 2020 Además de que en el 2020 hay al menos 50.000 movilidades menos que en el año anterior, además las asociaciones que se han creado entre las ocupaciones no son tan fuertes como en el 2019 donde llegaban a FA de 9,2 (mapa de calor en anexo 3). Posiblemente no se han podido producir tantas movilidades entre estos dos grupos durante el año 2020 como si pasó en el año pre-COVID. OCUPACIÓN ORIGEN OCUPACIÓN DESTINO COLOCACIONES FA CARACTERÍSTICA SUBAPARTADO TOTAL PORCENTAJE Madrid 152 22,93% Barcelona 141 21,27% Valencia 32 4,83% Zaragoza 24 3,62% Sevilla 23 3,47% OtrosServicios 375 56,56% Educación 107 16,14% Sanidad 79 11,92% ComHostTte&Comunic 38 5,73% Licenciado o Grado Universitario 222 33,48% Máster Universitario, Doctorado y postgrado 89 13,42% Diplomados en Escuelas Universitarias 75 11,31% Bachiller 74 11,16% RENTA AL DÍA (€/día) 140,4 GÉNERO (Hombre:0 - Mujer:1) 0,6 EDAD MEDIA (años) 37,3 DURACIÓN (días) 58,7 Madrid 159 25,56% Barcelona 109 17,52% Sevilla 24 3,86% Granada 23 3,70% Valencia 22 3,54% Educación 192 30,87% OtrosServicios 186 29,90% AAPP 94 15,11% Sanidad 73 11,74% Licenciado o Grado Universitario 218 35,05% Máster Universitario, Doctorado y postgrado 87 13,99% Diplomados en Escuelas Universitarias 81 13,02% Bachiller 68 10,93% RENTA AL DÍA (€/día) 117,8 GÉNERO (Hombre:0 - Mujer:1) 0,5 EDAD MEDIA (años) 37,6 DURACIÓN (días) 77,6 PROVINCIA ACTIVIDAD N. ESTUDIO OTROS PROVINCIA ACTIVIDAD N. ESTUDIO OTROS Jefes administrativos y de taller Ingenieros técnicos, ayudantes titulados 622 2,80 Ingenieros técnicos, ayudantes titulados Jefes administrativos y de taller 663 3,10 70 6.3 Secuencias de Provincias En este apartado se analizarán las movilidades de provincias, los cambios de trabajo de los individuos de la muestra que han necesitado trasladarse a una provincia distinta con independencia de si ha cambiado o no de empresa. Los trabajadores que han tenido algún cambio de contrato en 2020 acumulan un total de 794.821 contrataciones en la MCVL. De todos estos contratos, 55.832 han implicado movilidad de provincia. Comparando con el año anterior a la pandemia, se observa que se han producido menos movilidades de provincias en 2020 (55.832 vs. 73.764); nótese que también ha habido un descenso de más de 200.000 colocaciones entre 2019 y 2020 dentro de nuestra muestra (esta muestra viene dada por los trabajadores que han tenido más de una colocación durante el año analizado). Tabla 14. Tabla total colocaciones de secuencias de provincias Fuente: Elaboración propia a partir de los datos. A continuación, se puede visualizar el dendrograma (Figura 10) de provincias como resultado de la tabla de contingencias. PERIODO CASO COLOCACIONES Individuos con más de una colocación en 2020 794.821 Colocaciones de las que conocemos origen y destino 584.584 Sin movilidad de provincias 528.752 Con movilidad de provincias 55.832 Individuos con más de una colocación en 2019 1.006.855 Colocaciones de las que conocemos origen y destino 782.272 Sin movilidad de provincias 708.508 Con movilidad de provincias 73.764 Año 2020 Año 2019 71 Figura 10. Dendrograma de provincias Fuente: Elaboración propia a partir de los datos. Analizando el dendograma, podemos identificar tres grandes clusters. En primer lugar, desde si se observa el orden vertical jerárquico del gráfico lo formarían desde Álava hasta Zaragoza; el segundo de Ávila a Pontevedra y por último las provincias desde Albacete hasta Ceuta. Estos tres grupos de provincias se relacionan con el resto de las provincias con un tipo de semejanza teniendo en cuenta los dos sentidos: como filas, provincia del empleo anterior y como las columnas, provincia del empleo actual. 72 Tabla 15. Mapa de calor de provincias Fuente: Elaboración propia a partir de los datos. - Justificación de la formación de clusters de actividades El mapa de calor de la Tabla 15 que refleja la propensión al emparejamiento o factor de asociación entre cada provincia origen-fila y cada provincia destino-columna. Estamos ante un heatmap con clusters de filas y columnas, bicluster, en el que se describe cómo las filas se reparten en las diferentes columnas –aunque también la interpretación de columnas a filas podría tener su interés–. Los clusters se agrupan entre sí porque se asocian de la misma forma en las columnas destino incluso con sus simétrica y sus no simétricas. En este caso, el mapa de calor puede darnos muchísima información de movimientos entre provincias por motivos laborales, tanto entre comunidades autónomas como entre provincias más o menos alejadas entre sí. En este trabajo se comentará a grandes rasgos las asociaciones de dos direcciones, se centrará en una de las dos movilidades dejando la asociación inversa a título informativo. Dentro de los clusters, observando el mapa de calor se pueden sacar dos ideas principales en cuanto a las movilidades entre provincias. Este movimiento se suele producir en primer lugar en función de su cercanía física, por regiones; y la otra opción es que la movilidad se produzca hacia o desde la capital de España, Madrid. La movilidad regional se aprecia en la Tabla 15 porque forman cuadrados de color azul más oscuro y los suelen formar provincias cercanas entre ellas. Entre estas comunidades autónomas resaltan por su movilidad entre sus provincias, Castilla y León, Andalucía y Galicia. Por otro lado, es bastante destacable el caso de Madrid ya que como se aprecia en el heatmap forma una cruz, es decir es Álava Navarra La Rioja Castellón Girona Tarragona Huesca Teruel Lleida Zaragoza Ávila Zamora Salamanca Segovia Palencia Burgos León Valladolid Soria Illes Balears Madrid Barcelona Gipuzkoa Cantabria Asturias Bizkaia Las Palmas Santa Cruz de Tenerife Guadalajara Toledo Melilla A Coruña Ourense Lugo Pontevedra Albacete Almería Alicante Murcia Valencia Badajoz Ciudad Real Cuenca Cáceres Cádiz Córdoba Huelva Granada Jaén Málaga Sevilla Ceuta Álava 2,0 30,5 0,7 0,6 0,5 1,2 1,2 1,4 0,7 0,9 1,2 0,6 1,8 10,6 1,1 0,9 0,5 0,2 2,0 0,6 14,8 0,1 0,5 0,2 0,1 0,3 0,5 0,5 0,4 0,2 0,2 0,6 0,2 0,2 0,3 1,9 0,5 0,3 Navarra 7,9 27,3 0,4 0,4 0,1 0,4 2,4 0,4 5,4 1,2 0,4 0,8 1,9 0,7 0,4 8,1 0,8 0,8 0,5 3,5 0,4 0,6 5,1 0,2 0,8 0,2 0,1 0,6 0,1 0,3 0,3 0,5 0,4 0,4 0,2 0,1 0,1 0,3 2,3 0,4 0,3 La Rioja 34,9 29,9 0,8 0,3 0,3 0,3 0,4 1,2 1,5 0,4 0,9 0,3 0,9 6,2 1,0 1,0 0,6 0,3 0,9 0,2 4,5 1,6 0,4 1,4 0,2 0,2 0,6 0,3 0,3 0,4 0,5 0,4 0,2 0,2 0,5 0,2 0,5 0,3 0,1 0,1 0,7 0,6 0,3 1,4 0,0 0,2 Castellón 0,4 0,5 0,2 4,3 0,7 3,3 1,5 1,8 0,5 0,9 0,3 0,3 0,6 1,7 0,7 0,2 0,3 0,1 0,4 0,1 0,1 0,2 0,1 0,4 0,2 1,2 0,6 10,6 0,4 0,2 0,2 0,0 0,1 0,1 0,2 0,4 0,1 0,3 Girona 0,6 0,1 0,2 0,1 1,8 0,6 0,6 2,6 0,2 0,3 0,2 0,2 0,4 0,2 0,4 1,0 0,4 10,2 1,4 1,1 0,2 0,5 0,1 0,1 1,8 0,2 0,2 0,2 0,2 0,3 0,3 0,4 0,1 0,1 0,2 0,2 0,1 0,3 0,2 0,7 0,2 0,1 Tarragona 0,2 4,9 1,9 0,4 1,4 3,1 1,0 0,3 0,1 0,4 0,8 0,5 7,7 1,0 0,4 0,6 0,5 0,6 0,2 0,2 1,7 0,1 0,2 0,5 0,1 0,0 0,2 0,3 1,1 0,2 0,3 0,3 0,1 0,2 0,1 0,1 0,3 0,4 0,1 0,1 Huesca 1,7 0,6 0,7 0,8 0,6 1,0 8,4 11,0 15,9 1,8 1,4 1,3 0,4 1,3 0,4 0,3 0,9 1,3 1,0 0,9 0,2 0,3 0,5 0,1 0,3 0,1 0,4 0,7 0,2 0,4 1,0 0,5 0,3 0,4 0,1 0,3 0,4 0,3 0,7 0,1 0,1 Teruel 2,3 1,1 1,9 0,3 1,3 9,0 0,2 16,8 0,9 0,8 0,7 2,3 0,4 3,7 0,8 0,8 0,8 1,4 1,8 0,8 0,4 0,8 0,6 0,2 0,4 0,2 0,4 1,1 0,2 0,6 1,6 0,4 0,1 0,2 0,8 0,3 0,2 13,6 Lleida 2,7 0,8 2,3 2,4 2,7 4,2 11,0 1,0 3,1 1,2 1,0 1,1 0,1 0,8 1,0 0,2 3,3 0,6 0,2 0,7 0,3 0,1 0,2 0,1 0,1 0,2 0,4 0,2 0,5 0,8 0,3 0,4 1,3 0,1 0,3 0,5 0,4 0,1 0,2 1,5 0,4 1,9 0,1 0,1 Zaragoza 0,7 6,4 2,3 1,7 0,3 1,5 15,3 18,9 3,3 0,2 0,2 0,7 0,5 0,2 0,5 0,4 0,2 8,1 0,6 1,3 1,1 1,4 0,4 1,2 0,8 0,5 0,7 0,2 0,3 0,5 0,5 0,5 0,2 0,2 0,3 1,4 0,6 0,3 0,3 0,2 0,1 0,1 0,5 0,3 0,6 0,3 0,4 Ávila 0,6 0,7 1,1 0,2 5,4 33,0 21,2 3,2 1,7 1,9 12,0 1,6 2,3 0,2 1,0 2,1 1,4 1,3 0,4 0,8 0,5 0,1 0,2 0,3 2,7 0,1 0,3 0,3 0,5 0,1 0,1 Zamora 1,8 2,3 34,9 5,8 3,0 2,3 18,4 21,1 2,2 1,6 0,2 1,0 2,0 0,5 0,2 0,9 3,0 2,0 0,3 0,2 0,2 1,1 0,3 0,5 0,5 0,2 0,2 0,2 Salamanca 0,3 0,4 0,4 0,3 31,9 31,6 1,2 1,8 4,2 7,0 11,2 5,3 0,3 1,8 0,2 2,1 0,3 2,4 0,6 0,5 1,0 0,1 0,4 0,6 0,2 0,3 0,3 0,3 0,1 0,9 7,1 0,2 0,1 0,4 0,4 0,2 0,1 0,3 Segovia 0,7 0,5 0,4 1,1 0,9 25,7 3,4 1,6 2,3 4,7 2,7 16,5 3,3 1,1 2,5 0,1 1,3 0,4 0,5 0,6 1,5 0,5 0,2 0,8 0,8 0,5 0,6 0,3 0,2 0,3 0,5 0,4 0,4 1,0 0,2 0,9 0,4 Palencia 2,5 1,2 0,3 0,3 4,1 1,9 3,6 12,8 12,3 29,3 4,0 1,3 0,2 4,7 6,8 2,5 0,9 0,8 0,3 0,2 0,2 0,3 0,3 0,8 1,3 0,2 0,4 0,1 0,3 0,1 Burgos 10,7 0,6 3,9 0,1 0,2 0,7 1,1 1,0 0,9 2,7 3,3 4,0 12,3 6,9 11,4 11,9 0,2 1,3 0,5 3,1 1,9 1,5 3,5 1,4 0,4 0,9 0,1 1,0 0,9 0,5 0,1 0,4 0,3 0,4 0,4 0,2 0,5 0,5 0,6 0,4 0,6 0,4 0,3 1,2 0,2 0,3 3,7 León 0,5 0,7 1,8 0,7 0,2 0,7 1,5 0,3 0,3 1,8 15,8 3,7 2,5 13,6 7,0 8,4 0,2 1,5 0,3 0,9 0,8 14,2 2,4 0,8 1,2 0,7 0,4 1,5 10,8 1,5 1,8 0,3 0,3 0,1 0,1 0,2 0,2 0,3 0,2 3,3 0,2 0,2 0,2 0,5 0,2 Valladolid 0,5 0,6 0,7 0,1 0,2 0,1 0,4 0,2 0,4 9,4 17,7 12,5 16,9 30,8 11,9 6,1 4,2 0,4 1,6 0,3 2,0 2,6 1,3 0,4 0,2 0,3 0,7 0,6 0,3 0,3 0,4 0,4 0,1 0,3 0,2 0,9 0,3 0,4 0,6 0,1 0,5 0,2 0,1 0,3 0,4 0,3 Soria 1,3 9,4 2,5 0,5 2,0 6,1 1,2 6,0 1,7 2,1 2,1 16,3 3,7 8,0 1,9 0,3 2,4 0,7 0,9 0,7 0,4 1,1 0,4 0,1 0,9 0,5 0,4 0,5 0,3 0,2 0,2 Illes Balears 0,7 0,2 0,6 0,9 1,2 0,8 0,4 1,0 0,8 0,3 0,4 0,8 0,4 0,5 1,7 2,6 0,9 0,8 1,6 0,8 2,4 2,6 0,4 2,4 1,3 0,3 0,5 0,7 0,3 0,3 1,0 0,7 1,3 0,9 0,5 0,2 0,8 1,3 0,4 0,5 0,7 1,0 1,2 0,8 2,2 Madrid 0,5 0,9 1,0 0,3 0,3 0,5 0,4 0,4 0,3 1,2 1,9 1,9 1,7 2,0 1,3 1,2 1,5 1,5 1,9 1,9 2,6 2,7 2,2 1,9 1,5 1,3 1,4 6,0 4,7 1,9 1,3 1,0 0,7 1,2 0,4 0,6 0,7 0,5 1,0 1,2 1,3 0,8 1,1 0,8 0,3 0,4 0,5 0,4 1,1 0,8 0,4 Barcelona 0,2 0,6 0,4 0,6 9,5 7,0 0,8 0,7 3,6 1,0 0,1 0,3 0,3 0,2 0,2 0,5 0,5 0,3 0,2 3,3 2,7 1,2 0,9 0,7 0,6 1,1 0,6 0,1 0,1 1,2 0,7 0,2 0,4 0,3 0,1 0,2 0,4 0,2 0,9 0,1 0,2 0,1 0,2 0,3 0,1 0,2 0,3 0,2 0,5 0,4 0,7 Gipuzkoa 5,9 6,0 4,0 1,6 1,3 1,5 0,7 1,5 5,8 3,4 0,6 2,8 0,6 2,3 1,1 4,8 1,7 12,3 1,9 0,6 2,3 1,3 0,5 0,3 0,7 0,3 0,5 0,4 0,4 1,2 0,7 0,2 0,2 0,4 0,1 Cantabria 0,8 1,6 1,4 0,5 1,0 0,6 0,7 0,1 0,7 1,0 5,5 1,2 0,5 1,0 0,3 2,2 0,9 3,2 7,4 16,2 1,9 0,7 0,5 0,2 2,8 2,1 0,3 2,3 0,2 0,2 0,5 1,7 1,4 0,3 0,1 0,1 0,1 0,2 0,4 0,2 0,4 0,2 Asturias 1,8 0,6 0,5 0,2 0,7 0,3 0,8 1,4 0,9 0,9 1,4 2,1 11,8 2,0 4,0 0,9 2,3 1,0 2,3 6,5 3,9 1,7 0,4 0,4 8,2 3,2 0,9 12,6 3,2 0,2 0,1 0,3 0,2 0,5 0,5 0,9 0,6 0,2 0,2 0,5 0,2 0,1 0,3 Bizkaia 6,7 2,5 3,3 0,3 0,2 0,8 0,4 0,5 0,7 0,9 1,3 0,9 5,2 1,6 1,8 0,3 1,6 0,6 13,7 17,2 3,3 0,9 2,5 0,3 0,4 1,9 0,6 2,8 0,2 0,9 0,1 0,3 0,3 0,6 0,8 0,1 0,8 0,3 0,2 0,9 0,2 Las Palmas 0,4 0,3 0,1 0,1 0,1 0,2 0,6 0,2 0,4 0,6 1,3 0,7 0,2 2,2 1,3 1,0 0,7 2,0 3,0 0,8 61,2 0,2 0,2 7,4 0,7 1,7 0,9 0,1 0,2 0,2 0,1 0,4 0,7 0,4 0,4 1,4 0,2 0,9 0,3 0,1 0,8 0,5 Santa Cruz de Tenerife 0,6 0,2 0,4 0,4 0,4 0,2 2,1 0,5 0,8 1,0 4,5 1,7 0,6 0,7 0,2 0,9 0,8 59,0 0,2 2,0 0,4 0,4 0,6 0,1 0,1 0,4 0,1 0,4 0,5 0,4 0,2 0,6 0,5 0,2 0,2 0,6 0,3 3,5 Guadalajara 0,5 0,9 0,1 0,3 0,1 0,4 0,2 0,6 1,0 0,8 0,9 0,5 0,3 1,9 0,1 6,0 0,3 0,9 0,4 2,8 0,2 0,3 0,1 0,5 0,4 0,1 0,1 0,1 0,1 0,7 1,6 0,4 0,1 0,1 0,1 0,4 0,0 0,2 Toledo 0,1 0,2 0,2 0,2 0,2 0,2 0,2 0,1 0,4 2,2 0,6 0,2 0,2 0,3 0,3 0,7 0,2 4,6 0,1 0,5 0,2 0,6 0,1 0,2 0,2 2,5 0,1 0,1 1,1 0,4 0,2 0,2 0,2 0,5 6,0 3,0 1,7 0,2 0,3 0,4 0,3 1,4 0,2 0,2 Melilla 3,6 1,8 3,2 0,9 1,4 0,8 0,6 1,5 3,3 6,6 86,4 A Coruña 0,3 0,4 0,7 0,2 0,4 0,2 0,5 0,5 0,6 0,3 0,2 1,4 0,7 1,5 0,4 0,7 1,2 0,6 1,3 2,3 4,8 1,9 0,7 1,9 0,2 0,0 10,5 20,8 25,2 0,2 0,4 0,2 0,1 0,1 0,1 0,2 0,1 0,3 0,5 0,3 0,2 0,2 0,1 0,1 0,1 Ourense 0,3 0,4 0,4 0,6 0,9 2,6 0,6 0,9 0,5 11,5 0,3 1,3 0,6 1,1 0,1 0,6 2,0 1,1 0,4 0,1 11,5 18,0 20,2 0,2 0,1 0,1 0,1 0,3 0,4 0,8 0,2 0,1 0,3 0,3 0,1 0,1 Lugo 0,4 0,1 0,4 0,2 0,3 0,8 0,5 0,5 0,7 0,6 1,3 4,6 1,3 0,9 0,6 0,3 10,0 0,6 1,3 0,9 0,1 16,4 24,7 10,5 0,3 0,1 0,1 0,2 0,2 0,2 0,2 0,1 0,4 0,4 0,2 0,1 Pontevedra 0,4 0,2 0,2 0,1 0,3 0,7 0,3 0,4 0,7 0,2 0,2 0,3 0,2 1,0 0,7 0,5 1,2 0,4 0,4 1,9 1,7 2,9 0,5 0,6 0,3 26,0 22,1 12,0 0,1 0,1 0,2 0,1 0,1 0,1 0,2 0,1 0,2 0,1 0,4 0,1 1,9 Albacete 0,1 0,3 0,3 0,7 0,2 0,1 0,1 0,2 0,2 0,6 0,3 0,1 0,1 0,4 1,0 0,5 0,3 0,3 0,3 0,4 0,2 0,2 0,1 0,1 1,4 1,2 0,0 0,0 0,4 1,9 5,0 1,5 1,7 4,0 10,7 0,8 0,0 0,4 0,7 0,4 1,3 0,3 0,4 Almería 0,4 0,2 0,2 0,4 0,3 0,2 0,9 0,5 1,1 0,4 0,2 0,2 0,4 0,1 0,2 0,3 0,5 0,5 0,2 0,3 0,2 0,1 0,1 0,1 0,1 0,2 0,2 0,4 0,3 0,2 0,7 0,8 6,7 0,5 0,4 0,5 0,4 0,5 0,7 0,4 1,3 6,0 2,2 1,3 0,4 Alicante 0,5 0,3 0,1 1,2 0,4 0,4 0,0 0,5 0,3 0,4 0,2 0,1 0,3 0,1 0,3 0,1 0,3 0,5 0,4 0,6 0,5 0,4 0,3 0,9 0,4 0,3 0,1 0,1 0,7 0,2 0,3 0,1 1,8 1,0 8,1 4,3 0,2 0,4 0,5 0,2 0,1 0,1 0,1 0,2 0,3 0,3 0,2 Murcia 0,8 0,2 0,4 0,7 0,2 0,3 0,7 0,5 0,6 0,3 0,1 0,2 0,3 0,2 0,3 0,3 0,2 0,4 0,4 0,6 0,4 0,2 0,5 1,4 0,1 0,1 0,2 0,2 0,2 0,1 0,3 0,1 0,1 5,4 6,4 8,5 1,8 0,2 1,0 0,5 0,2 0,2 0,2 0,3 1,1 0,9 0,3 0,2 Valencia 0,5 0,2 0,5 10,0 0,2 1,1 1,1 1,3 1,2 1,6 0,2 0,1 0,2 0,1 0,5 0,4 0,3 0,3 1,4 1,1 0,9 0,2 1,1 0,5 0,4 0,2 0,4 0,1 0,3 0,1 0,1 0,1 0,2 1,5 0,6 4,1 2,1 0,1 0,4 0,9 0,0 0,1 0,1 0,5 0,2 0,4 0,1 0,5 Badajoz 0,6 0,2 0,1 0,1 0,1 0,3 0,1 0,5 0,5 0,6 1,3 1,0 0,2 0,2 0,4 0,5 0,7 0,9 0,1 0,7 0,6 0,1 0,6 0,2 0,2 0,4 0,2 1,7 0,2 0,1 0,3 0,1 2,4 2,5 30,1 0,5 1,6 1,7 0,4 0,8 0,5 1,9 Ciudad Real 0,3 0,5 0,2 0,5 0,1 0,2 0,3 0,3 1,1 0,5 0,5 0,3 0,6 0,3 0,8 0,4 1,3 0,1 0,3 0,9 0,5 0,1 0,8 5,1 0,2 0,4 0,1 3,4 0,6 0,4 0,7 0,9 2,3 9,5 0,4 0,3 1,3 1,3 0,8 2,5 0,3 0,5 Cuenca 0,6 0,3 0,7 0,1 0,2 0,2 0,3 0,2 0,4 1,6 0,2 0,7 0,9 0,5 0,1 0,8 0,1 0,7 0,2 0,1 0,2 1,7 3,0 0,1 0,2 0,1 9,5 0,3 0,5 0,4 1,1 3,9 9,4 0,7 0,1 1,2 0,5 0,2 0,9 0,1 0,7 Cáceres 0,6 0,2 0,4 0,2 0,1 0,1 0,4 0,2 3,9 1,4 5,0 0,5 0,5 3,8 1,3 0,1 1,2 0,1 0,3 0,2 1,2 0,2 2,3 0,1 0,6 0,1 1,0 0,1 0,1 0,2 0,2 31,2 0,8 0,5 0,3 0,5 0,4 0,2 0,9 0,3 0,4 Cádiz 0,3 0,1 0,0 0,1 0,0 0,2 0,1 0,2 0,2 0,5 0,2 0,5 0,2 1,4 0,8 0,3 0,3 0,3 0,3 0,3 1,0 1,3 0,1 0,1 0,7 0,2 0,2 0,1 0,2 0,8 0,0 0,2 0,2 0,2 0,2 0,1 0,3 0,8 2,0 1,4 0,6 5,4 6,2 16,5 Córdoba 0,1 0,8 0,0 0,1 0,2 0,1 0,3 0,1 0,1 0,4 0,1 0,4 0,1 0,2 0,2 0,4 0,2 0,2 0,2 0,1 0,1 0,1 0,1 0,1 0,0 0,3 0,3 0,1 0,2 0,7 0,7 0,1 0,2 0,2 1,1 1,0 1,3 0,3 0,7 1,5 1,9 4,6 3,7 6,0 Huelva 0,4 0,4 0,6 0,2 0,2 0,2 1,5 0,8 3,0 1,1 2,5 0,3 5,6 0,2 0,5 0,2 0,3 0,7 0,2 0,3 0,1 0,2 0,2 0,2 0,6 0,4 0,2 0,2 0,2 0,2 0,1 1,2 0,1 1,1 1,1 0,1 0,4 0,3 1,2 0,9 1,3 0,7 1,8 1,3 1,6 1,8 0,9 5,7 Granada 0,1 0,1 0,2 0,1 0,2 0,2 0,4 0,2 0,5 0,4 0,3 0,2 0,3 0,5 0,1 0,3 0,2 0,3 1,2 0,5 0,2 0,1 0,5 0,2 0,5 0,3 0,2 0,3 2,2 0,1 0,3 0,1 0,0 0,6 6,4 0,2 1,1 0,2 0,4 0,8 0,4 0,4 1,5 1,8 1,5 5,7 5,5 0,8 1,0 Jaén 0,7 3,0 1,4 0,2 0,6 0,2 0,9 0,5 1,5 0,6 0,4 0,1 0,4 0,8 0,1 0,1 0,5 0,6 0,4 0,1 0,5 0,2 0,2 0,1 0,3 0,3 1,2 0,2 0,2 0,1 1,2 1,9 0,2 1,2 0,3 0,5 2,7 1,0 0,6 0,6 4,6 3,7 5,8 1,2 0,9 1,7 Málaga 0,6 0,4 0,2 0,1 0,2 0,1 0,1 0,4 0,2 0,3 0,1 0,2 0,3 0,3 0,1 0,9 1,1 0,5 0,2 0,5 0,2 0,4 0,3 0,8 0,0 0,2 7,2 0,3 0,1 0,1 0,4 0,2 1,3 0,2 0,3 0,2 0,4 0,3 0,3 0,2 5,4 3,6 0,8 5,7 1,3 3,1 5,0 Sevilla 0,1 0,3 0,2 0,4 0,2 0,2 0,2 0,2 0,1 0,3 0,1 0,1 0,4 0,1 0,2 0,3 0,1 0,5 0,2 0,7 0,8 0,4 0,1 0,2 0,4 0,1 0,7 0,6 0,1 0,1 0,5 0,1 0,1 0,1 0,1 0,3 0,6 0,2 0,2 0,5 1,9 0,5 0,3 0,5 6,2 6,3 6,2 1,0 1,1 3,3 1,3 Ceuta 2,6 0,7 0,4 96,6 14,1 1,6 1,1 1,7 5,8 2,2 73 una capital que sobresale tanto como provincia de origen, del empleo anterior, como de destino, del empleo actual. Madrid cuenta con la mayor actividad económica del país, además es la sede de la mayoría de las empresas españolas, es por ello por lo que al ser la provincia con mayor generación de empleo es previsible que este relacionada con la mayoría de las provincias ya sea de origen o de destino. En un primer momento se podía pensar que Barcelona también cumpliera un gran desempeño entre la movilidad laboral de España en el 2020, pero, aunque existe una relación con muchas provincias no se puede comparar con las de Madrid. - Análisis descriptivo de las celdas con mayor factor de asociación (FA) Las celdas de las que vamos a entrar más en detalle serán entre las restricciones anteriormente comentadas, las movilidades que se produzcan entre provincias de distintas comunidades autónomas y entre las regionales una a destacar. Aunque en un primer momento puede parecer importante los factores de asociación entre Ceuta y Melilla, el número de colocaciones que existen en el año 2020 son sólo dos para cada dirección. El valor tan elevado es provocado porque ambas provincias se emparejan casi de la misma forma con el resto de las provincias. El primer caso más relevante son las movilidades entre Barcelona y Madrid, correspondiente a los factores de asociación, FA = 2,58 y 2,66 y con un número de colocaciones entorno a las 1200 en cada sentido, como se puede apreciar en la Tabla 16. La actividad económica principal es la de otros servicios y en menor medida el sector de comercio, hostelería, transportes y comunicaciones. Por otro lado, la ocupación que en mayor medida tienen los individuos que realizan esta movilidad es la de auxiliares administrativos con un nivel de estudios repartido entre bachiller o titulados universitarios. Por último, la media de la renta declarada por estas personas es bastante elevada, entre 170 €/día, seguramente debido a que gran parte de estos individuos tienen la ocupación de jefes administrativos y de taller. 80 con un factor de asociación no despreciable. En este escenario, la ocupación a desempeñar por el trabajador baja de nivel, por eso hablamos de sobre-educación. En el análisis de este Trabajo se han observado algunas asociaciones fuertes en cuanto a la movilidad provincial, que en un primer momento podrían ser esperadas, como por ejemplo la propensión a la asociación entre los individuos que tienen el empleo de origen en Cáceres y el de destino en Badajoz (su factor de asociación es de 31,21) o la tendencia a relacionarse de los ingenieros técnicos, ayudantes titulados que pasan a ser ingenieros, licenciados, alta dirección en su nuevo empleo (su factor de asociación es de 7,9). Lo importante de nuestra metodología no es tanto que identifique asociaciones que puedan resultar esperables, sino que cuantifica con una medida estadística el grado o fortaleza de dicha asociación. Las políticas activas de empleo deben tener en cuenta la existencia de movilidad a nivel ocupacional, a nivel de sectores de actividad y a nivel geográfico en el mercado de trabajo español. Dichas políticas deben favorecer estas movilidades. Las medidas de fomento de la movilidad geográfica (como mejorar el acceso a la vivienda y a los alquileres o mejorar las infraestructuras y los costes del transporte) deben ser compatibles con los fenómenos migratorios y demográficos del territorio español. Pensamos que resulta necesario incentivar el establecimiento de empresas en zonas deprimidas o que tienden a la despoblación. A nivel ocupacional, se debe favorecer el reciclaje de ciertos trabajadores para mejorar sus opciones de movilidad (por ejemplo, mediante la Formación Profesional Dual o el emprendimiento). Finalmente, a nivel de sectores de actividad, resulta necesario facilitar la transición del empleo desde sectores en declive hacia sectores emergentes. El campo de estudio abierto en este Trabajo permite plantear nuevas líneas de investigación futuras. Por ejemplo, se pueden agregar al análisis nuevas dimensiones de la movilidad laboral, como las que hacen referencia al tipo de contrato (fijo/temporal, jornada completa/parcial, etc.), a la duración de cada colocación o a la existencia de episodios de cobro de prestaciones por desempleo que haya podido tener el trabajador entre empleo y empleo. Asimismo, se podrían analizar varias movilidades al mismo tiempo, es decir, en cuántos episodios de empleo el individuo ha cambiado simultáneamente de ocupación y provincia o de provincia y actividad, etc. 81 REFERENCIAS Álvarez de Toledo, P., Núñez, F. y Usabiaga, C. (2013). Análisis “Cluster” de los Flujos Laborales Andaluces”. Revista de Estudios Regionales, 97, 195-221. Álvarez de Toledo, P., Núñez, F. y Usabiaga, C. (2014): “An Empirical Approach on Labour Segmentation. Applications with Individual Duration Data”. Economic Modelling, 36, 252-267. Álvarez de Toledo, P., Núñez, F. y Usabiaga, C. (2017). ¿Quién se Empareja con Quién en el Mercado Laboral Español? Un Análisis Cluster basado en la Muestra Continua de Vidas Laborales. Investigación Económica, 76 (299), 87-124. Álvarez de Toledo, P., Núñez, F. y Usabiaga, C. (2018). Matching and Clustering in Square Contingency Tables. Who Matches with Whom in the Spanish Labour Market. Computational Statistics and Data Analysis, 127, 135-159. Álvarez de Toledo, P., Núñez, F. y Usabiaga, C. (2020). Matching in Segmented Labor Markets: An Analytical Proposal based on High-Dimensional Contingency Tables. Economic Modelling, 93, 175-186. Arrazola, M., Galán, S., y de Hevia, J. (2018). Desempleo juvenil en España: situación, consecuencias e impacto sobre la vida laboral de los adultos. Papeles de economía española, 3 (156), 62-75. Arranz, J. M., Carrasco, C., y Massó, M. (2017). La movilidad laboral de las mujeres inmigrantes en España (2007-2013). Revista Española de Sociología, 26 (3), 329-344. Arranz, J. M., García-Serrano, C., y Hernanz, V. (2018). Calidad del empleo: una propuesta de índice y su medición para el periodo 2005-2013. Hacienda Pública Española, 1 (225), 133-164. Arranz, J. M., García-Serrano, C., y Hernanz, V. (2013). How do we pursue “labormetrics”? An application using the MCVL. Estadística Española, 55 (181), 231-254. Arranz, J. M., y Serrano, C. G. (2011). Los datos fiscales de la Muestra Continua de Vidas Laborales: Algunas ideas para su explotación. Instituto de estudios fiscales, 5 (2011), 1-80. Arranz, J.M., García-Serrano, C. y Hernanz, V. (2013). Active Labour Market Policies in Spain: A Macroeconomic Evaluation. International Labour Review, 152 (2), 327-348. Bande, R., Karanassou, M. y Sala, H. (2019). Employment in Spanish Regions: Cost-Control or Growth- Enhancing Policies?. The Annals of Regional Science, 62 (3), 601-635. Bentolila, S., Dolado, J.J. y Jimeno, J.F. (2012). Reforming an Insider-Outsider Labor Market: The Spanish Experience. IZA Journal of European Labor Studies, 1, n. 4. Cebrián, I., y Toharia, L. (2008). La entrada en el mercado de trabajo. Un análisis basado en la MCVL. Revista de economía aplicada, 16 (1), 137-172. Cahuc P. y Zylberberg A. (2014). Labor Economics, The MIT Press, Cambridge-Massachusetts y Londres-Inglaterra. 82 Cunha, F., Heckman, J. J., Lochner, L., y Masterov, D. V. (2006). Interpreting the evidence on life cycle skill formation. Handbook of the Economics of Education, 1, 697-812. Davia, M.A. y Hernanz, V. (2004). Temporary Employment and Segmentation in the Spanish Labour Market: An Empirical Analysis through the Study of Wage Differentials. Spanish Economic Review, 6 (4), 291-318. Fienberg, S. y Rinaldo, A. (2007). Three Centuries of Categorical Data Analysis: Log-Linear Models and Maximum Likelihood Estimation. Journal of Statistical Planning and Inference, 137 (11), 3430- 3445. García-Cintado, A., Romero-Ávila, D. y Usabiaga, C. (2014). Spanish Regional Unemployment. Disentangling the Sources of Hysteresis, Springer, Berlin. Haedo, C. y Mouchart, M. (2018). A Stochastic Independence Approach for Measuring Regional Specialization and Concentration. Papers in Regional Science, 97 (4), 1151-1168. Jimeno, J.F. y Bentolila, S. (1998). Regional Unemployment Persistence (Spain, 1976-1994). Labour Economics, 5 (1), 25-51. Lapuerta, I. (2010). Claves para el trabajo con la Muestra Continua de Vidas Laborales. DemoSoc Working Paper, 37 (2010), 1-32. Liu, L. (2018). Regional Labor Mobility in Spain. IMF (International Monetary Fund), Working Paper. IMF Working Paper, 18 (282), 1-28. Long, J. y Ferrie, J. (2013). Intergenerational Occupational Mobility in Great Britain and the United States since 1850. American Economic Review, 103 (4), 1109-1137. López-Bazo, E. y Motellón, E. (2013). The Regional Distribution of Unemployment: What Do Micro- Data Tell Us?. Papers in Regional Science, 92 (2), 383-406. Moreno-Colom, S., & López-Roldán, P. (2018). El impacto de la crisis en las trayectorias laborales de las mujeres inmigrantes en España. Cuadernos de Relaciones Laborales, 36 (1), 65. Nieto, S. y Ramos, R. (2017). Overeducation, Skills and Wage Penalty: Evidence for Spain using PIAAC Data. Social Indicators Research, 134 (1), 219-236. Núñez, F. y Usabiaga, C. (2007). La Curva de Beveridge y la Función de Emparejamiento: Revisión de sus Fundamentos Teóricos y de la Literatura Empírica, con Especial Énfasis en el Caso Español, Factoría de Ideas, Centro de Estudios Andaluces, Sevilla. Padilla, I. y Planelles, J. (2021). Estudios monográficos del mercado de trabajo con la MCVL. Salarios y autónomos. Petitjean, F., Webb, G. y Nicholson, A. (7-10 de Diciembre de 2013). Scaling Log-Linear Analysis to High-Dimensional Data. Proceedings of the 13th IEEE International Conference on Data Mining, Dallas, Estados Unidos. Petrongolo, B. y Pissarides, C. A. (2001). Looking into the Black Box: A Survey of the Matching Function. Journal of Economic Literature, 39 (2), 390-431. 83 Pissarides, C. (2000). Equilibrium Unemployment Theory, 2nd Ed., The MIT Press, Cambridge, Mass., US. Pissarides, C. (2011). Equilibrium in the Labor Market with Search Frictions. American Economic Review, 101 (4), 1092-1105. Prieto, M. (2017). La movilidad geográfica laboral interior: un mecanismo para combatir el desempleo. Revista de Economía Mundial, 47, 179-202. Rey, C., Rey, S. y Viala, J. (2014). Detection of High and Low States in Stock Market Returns with MCMC Method in a Markov Switching Model. Economic Modelling, 41 (C), 145-155. Sanchez, S., & Arellano, A. Aproximación a la economía del conocimiento en las ciudades españolas a través de la Muestra Continua de Vidas Laborales: aspectos metodológicos y avance de resultados1. Fundación de estudios de Economía Aplicada. Colección de Estudios Económicos, 18-2010. Shimer, R. (2007). Mismatch. American Economic Review, 97 (4), 1074-1101. Suárez, P., Mayor, M., Cueto, B. y Salas‐Olmedo, M.H. (2019). The Spatial Structure of the Labour Market Across Public Jobcentres. Does their Accessibility Matter?. Papers in Regional Science, 98 (3), 1359-1372. Usabiaga, C. (2004). El Diferencial de Desempleo Andaluz. Análisis Macroeconómico del Mercado de Trabajo Andaluz en Comparación con el del Resto de España (1980-2000), Aconcagua, Sevilla. Usabiaga, C. y Hernández-Salmerón, M. (2021). Reflections on Idiosyncratic Labour Markets: The Spanish and Andalusian Cases. Progress in Economics Research, Nova Science Publishers, New York, 1-96. Viñuela, A., Rubiera-Morollón, F. y Fernández-Vázquez, E. (2014). Applying Economic-Based Analytical Regions: A Study of the Spatial Distribution of Employment in Spain. The Annals of Regional Science, 52 (1), 87-102. 84 85 ANEXOS A continuación, se adjuntan para la secuencia de actividades se muestra una tabla con las agrupaciones de las actividades económicas según la CNAE-09 de dos dígitos. Además, se muestran las tablas relacionadas con los datos del 2019 a uso comparativo con las del 2020. Anexo 1. Lista de agrupaciones de actividades económicas (CNAE-09) Fuente: Elaboración propia a partir de la CNAE 2009. CNAE-09 Grupos de sectores 01.- Agricultura, ganadería, caza y servicios relacionados con las mismas. 02.- Silvicultura y explotación forestal 03.- Pesca y acuicultura 05.- Extracción de antracita, hulla y lignito 06.- Extracción de crudo de petróleo y gas natural 07.- Extracción de minerales metálicos 08.- Otras industrias extractivas 09.- Actividades de apoyo a las industrias extractivas 10.- Industria de la alimentación y 11.- Fabricación de bebidas 12.- Industria del tabaco 13.- Industria textil 14.- Confección de prendas de vestir 15.- Industria del cuero y del calzado 16.- Industria de la madera y del corcho, excepto muebles; cestería y espartería 17.- Industria del papel 18.- Artes gráficas y reproducción de soportes grabados y 58.- Edición 19.- Coquerías y refino del petróleo 20.- Industria química y 21.- Fabricación de productos farmacéuticos 22.- Fabricación de productos de caucho y plásticos 23.- Fabricación de otros productos minerales no metálicos 24.- Metalurgia; fabricación de productos de hierro, acero y ferroaleaciones 25.- Fabricación de productos metálicos excepto maquinaria y equipo 26.- Fabricación de productos informáticos, electrónicos y ópticos y 32.- Otras industrias manufactureras 27.- Fabricación de material y equipo eléctrico 28.- Fabricación de maquinaria y equipo n.c.o.p. (No clasificado en otra parte) y 33.- Reparación e instalación de maquinaria y equipo 29.- Fabricación de vehículos de motor, remolques y semirremolques 30.- Fabricación de otro material de transporte 31.- Fabricación de muebles 35.- Suministro de energía eléctrica, gas, vapor y aire acondicionado 36.- Captación, depuración y distribución de agua 37.- Recogida y tratamiento de aguas residuales, 38.- Recogida, tratamiento y eliminación de residuos; valorización y 39.- Actividades de descontaminación y otros 41.- Construcción de edificios, 42.- Ingeniería civil y 43.- Actividades de construcción especializada Construcción 45.- Venta y reparación de vehículos de motor y motocicletas 46.- Comercio al por mayor e intermediarios del comercio, excepto de vehículos de motor y motocicletas 47.- Comercio al por menor, excepto de vehículos de motor y motocicletas, 95.- Reparación de ordenadores, efectos personales y artículos de uso doméstico 55.- Servicios de alojamiento y 56.- Servicios de comidas y bebidas 49.- Transporte terrestre y por tubería 50.- Transporte marítimo y por vías navegables interiores 51.- Transporte aéreo 52.- Almacenamiento y actividades anexas al transporte y 79.- Actividades de agencias de viajes, operadores turísticos, servicios de reservas y actividades relacionadas 61.- Telecomunicaciones y 53.- Actividades postales y de correos 64.- Servicios financieros, excepto seguros y fondos de pensiones 65.- Seguros, reaseguros y fondos de pensiones, excepto Seguridad Social obligatoria 66.- Actividades auxiliares a los servicios financieros y a los seguros 77.- Actividades de alquiler 72.- Investigación y desarrollo 84.- Administración Pública y defensa; Seguridad Social obligatoria AAPP 85.- Educación Educación 86.- Actividades sanitarias, 87.- Asistencia en establecimientos residenciales, 88.- Actividades de servicios sociales sin alojamiento y 75.- Actividades veterinarias Sanidad 59.- Actividades cinematográficas, de vídeo y de programas de televisión, grabación de sonido y edición musical, 60.- Actividades de programación y emisión de radio y televisión, 90.- Actividades de creación, artísticas y espectáculos, 91.- Actividades de bibliotecas, archivos, museos y otras actividades culturales, 92.- Actividades de juegos de azar y apuestas, 93.- Actividades deportivas, recreativas y de entretenimiento, 96.- Otros servicios personales. 68.- Actividades inmobiliarias 62.- Programación, consultoría y otras actividades relacionadas con la informática, 63.- Servicios de información 69.- Actividades jurídicas y de contabilidad, 70.- Actividades de las sedes centrales; actividades de consultoría de gestión empresarial, 71.- Servicios técnicos de arquitectura e ingeniería; ensayos y análisis técnicos, 73.- Publicidad y estudios de mercado, 74.- Otras actividades profesionales, científicas y técnicas, 78.- Actividades relacionadas con el empleo, 80.- Actividades de seguridad e investigación, 81.- Servicios a edificios y actividades de jardinería, 82.- Actividades administrativas de oficina y otras actividades auxiliares a las empresas. 94.- Actividades asociativas 97.- Actividades de los hogares como empleadores de personal doméstico 98.- Actividades de los hogares como productores de bienes y servicios para uso propio 99.- Actividades de organizaciones y organismos extraterritoriales (OrganExtraterr) Agricultura Comercio, hostelería, transporte y comunicaciones (ComHostTte&Comunic) Servicios financieros y a empresas (ServFros&Emp) Otros servicios (OtrosServicios) Industrias Extractivas (IndExtractivas) Industrias Manufactureras (IndManufacturera) Suministros 86 Anexo 2. Mapa de calor de actividades económicas 2019 Fuente: Elaboración propia a partir de los datos. Anexo 3. Mapa de calor de ocupaciones 2019 Fuente: Elaboración propia a partir de los datos. Agricultura IndManufacturera Suministros ServFros&Emp OrganExtraterr Educación Sanidad ComHostTte&Comunic IndExtractivas Construcción AAPP OtrosServicios Agricultura 0,98 1,18 0,20 0,17 0,07 0,25 0,91 1,05 2,85 2,95 1,05 IndManufacturera 1,01 0,80 0,62 0,24 0,36 0,36 1,33 3,63 1,76 0,51 1,17 Suministros 1,31 0,87 0,35 0,41 0,44 1,04 1,53 0,77 1,13 ServFros&Emp 0,23 0,50 0,29 1,33 1,08 1,02 0,49 0,46 1,59 OrganExtraterr 0,31 0,37 0,64 0,68 0,76 1,16 0,21 2,62 1,32 Educación 0,09 0,26 0,34 0,95 2,24 0,92 0,13 1,67 1,64 Sanidad 0,25 0,30 0,32 0,84 0,92 3,06 1,04 0,20 2,03 1,18 ComHostTte&Comunic 0,85 1,21 1,05 0,96 1,34 0,92 1,20 0,88 0,99 0,62 1,92 IndExtractivas 1,01 2,93 1,21 0,84 0,15 0,91 2,40 1,15 0,61 Construcción 2,77 1,66 1,82 0,53 0,52 0,17 0,21 1,02 3,55 0,80 0,84 AAPP 3,25 0,41 1,09 0,35 2,44 1,60 1,99 0,62 0,19 0,83 0,71 OtrosServicios 1,06 1,34 1,09 1,75 1,36 1,43 1,20 1,90 0,49 0,80 0,72 Ingenieros, licenciados, alta dirección Ingenieros técnicos, ayudantes titulados Jefes administrativos y de taller Ayudantes no titulados Oficiales administrativos Subalternos Auxiliares administrativos Oficiales 1ª y 2ª Menores18 Oficiales 3ª y especialistas Mayores18 no cualif Ingenieros, licenciados, alta dirección 8,4 4,3 1,3 1,8 0,5 1,0 0,4 0,2 0,2 Ingenieros técnicos, ayudantes titulados 9,2 3,2 1,8 1,8 0,8 1,0 0,4 0,3 0,3 Jefes administrativos y de taller 4,3 3,3 1,8 2,3 0,7 1,2 0,8 0,4 0,4 Ayudantes no titulados 1,2 1,9 2,0 1,4 1,2 1,2 0,8 1,8 0,8 0,8 Oficiales administrativos 2,0 2,1 2,3 1,5 1,1 2,0 0,8 0,5 0,6 0,6 Subalternos 0,5 0,9 0,7 1,2 1,1 1,6 1,0 0,3 0,9 1,1 Auxiliares administrativos 1,1 1,1 1,3 1,2 2,2 1,6 1,0 0,3 0,9 1,0 Oficiales 1ª y 2ª 0,4 0,5 0,8 0,9 0,8 1,0 1,0 0,3 1,5 1,8 Menores18 0,4 0,9 0,6 0,1 0,8 0,4 1,0 2,7 Oficiales 3ª y especialistas 0,2 0,3 0,5 0,8 0,6 0,9 0,9 1,6 1,3 2,0 Mayores18 no cualif 0,2 0,3 0,3 0,8 0,6 1,1 1,0 1,7 2,5 2,0 87 Anexo 4. Mapa de calor de provincias 2019 Fuente: Elaboración propia a partir de los datos. Álava Navarra La Rioja Castellón Girona Tarragona Huesca Teruel Lleida Zaragoza Ávila Zamora Salamanca Segovia Palencia Burgos León Valladolid Soria Illes Balears Madrid Barcelona Gipuzkoa Cantabria Asturias Bizkaia Las Palmas Santa Cruz de Tenerife Guadalajara Toledo Melilla A Coruña Ourense Lugo Pontevedra Albacete Almería Alicante Murcia Valencia Badajoz Ciudad Real Cuenca Cáceres Cádiz Córdoba Huelva Granada Jaén Málaga Sevilla Ceuta Álava 5,2 36,4 1,1 0,3 0,3 0,8 0,3 0,7 1,4 0,6 0,5 1,6 13,9 0,7 0,3 0,6 0,3 4,8 1,1 0,6 7,1 0,6 0,6 0,1 0,1 0,2 0,2 0,1 0,7 0,4 0,2 0,2 0,5 0,1 0,2 0,3 0,2 2,3 0,1 Navarra 6,2 30,0 0,1 0,1 0,2 0,5 1,0 0,3 7,6 1,3 1,6 0,5 0,3 5,5 0,4 1,0 0,5 2,3 0,7 0,6 2,8 0,4 0,2 0,8 0,2 0,7 0,4 0,3 0,3 0,1 0,2 0,3 0,5 0,5 0,1 0,6 0,1 0,3 2,1 0,3 0,1 La Rioja 38,3 31,1 0,9 0,1 0,5 0,8 2,2 1,4 2,6 0,3 0,8 4,4 1,5 0,3 2,9 0,1 0,6 0,4 1,0 1,5 0,7 1,7 0,1 0,1 0,3 0,1 0,2 0,1 0,4 0,2 0,3 0,4 0,4 0,2 0,1 0,5 0,2 1,1 0,6 0,5 2,0 0,1 0,3 Castellón 0,8 0,3 0,4 0,3 3,7 1,3 3,3 1,4 1,4 0,3 0,2 0,3 0,4 0,2 0,3 0,7 0,4 0,6 2,0 0,6 0,1 0,3 0,1 0,1 0,1 0,1 1,2 0,2 0,0 0,4 0,3 1,4 0,7 10,8 0,2 0,3 0,4 0,2 0,2 0,0 0,4 0,2 0,2 0,1 0,2 Girona 0,1 0,2 0,1 0,2 2,1 0,5 0,6 2,2 0,2 0,1 0,2 0,1 0,1 0,6 0,3 8,5 0,2 0,2 0,1 0,1 0,3 0,1 0,1 0,1 0,1 0,1 0,3 0,1 0,2 0,2 0,6 0,5 0,1 0,1 0,2 0,1 0,1 0,2 0,1 0,7 0,2 0,2 2,3 Tarragona 0,3 0,1 0,4 4,0 2,2 0,8 1,8 3,6 1,2 0,7 0,2 0,6 0,1 0,4 0,3 0,3 0,5 0,5 0,5 6,0 0,2 0,5 0,8 0,8 0,1 0,2 0,1 0,3 0,2 0,1 0,2 0,2 0,4 0,5 0,3 1,1 0,1 0,2 0,1 0,6 0,2 0,1 0,3 0,2 0,3 0,1 0,1 Huesca 2,2 1,1 2,0 1,0 0,5 1,2 6,8 15,0 17,6 0,3 0,4 0,4 0,9 0,7 0,1 0,7 0,2 0,7 0,8 0,4 0,1 0,2 0,3 0,2 0,5 0,2 0,1 0,2 0,6 0,2 0,3 0,6 0,2 0,7 0,5 0,1 0,2 0,1 0,4 0,3 0,5 0,0 0,1 Teruel 2,3 1,9 2,7 1,1 1,9 5,6 0,4 19,3 0,9 1,0 1,1 0,6 1,4 0,4 0,5 0,6 2,7 0,9 0,4 1,1 0,3 0,2 0,7 0,6 0,5 0,2 0,4 2,0 0,2 0,3 0,3 0,3 0,1 0,5 0,5 0,1 0,1 Lleida 1,7 0,7 3,0 1,7 2,7 4,6 14,0 1,2 2,3 1,4 0,7 1,4 0,7 0,1 0,1 2,8 0,9 0,3 2,8 0,2 0,5 0,7 0,1 0,3 0,4 0,1 0,2 0,1 0,3 0,4 0,5 0,2 1,0 0,1 0,2 1,0 0,4 0,3 0,1 0,4 0,1 0,1 1,2 0,2 2,0 0,2 0,1 Zaragoza 1,3 6,1 3,0 0,9 0,3 0,9 17,8 21,8 2,9 0,3 0,2 0,6 0,6 0,4 0,6 0,5 0,8 8,1 0,7 1,2 1,1 1,5 0,5 0,6 1,7 0,3 0,1 0,5 0,4 0,3 0,1 0,1 0,2 0,4 0,2 0,2 0,3 1,1 0,4 0,2 0,4 0,3 0,2 0,1 0,4 0,3 0,7 0,4 0,3 1,1 Ávila 0,7 0,3 0,2 0,2 0,2 0,4 2,4 22,1 10,1 4,2 3,1 1,6 7,8 1,4 0,7 2,9 0,2 0,5 0,8 0,5 2,7 0,2 1,4 0,2 0,2 0,2 0,3 0,1 0,2 0,5 0,6 5,4 0,1 1,0 0,4 Zamora 0,8 1,0 0,7 0,2 0,2 0,2 3,0 32,3 2,1 5,9 3,5 14,7 19,0 6,1 1,1 0,1 1,6 2,3 3,0 1,2 0,4 0,6 2,4 2,7 1,8 0,4 0,2 0,2 0,3 0,8 0,7 0,3 0,3 0,4 0,1 0,1 0,2 Salamanca 0,9 0,9 0,4 0,4 0,1 0,1 0,2 0,3 0,7 21,9 32,3 3,3 4,9 3,1 5,2 9,8 1,8 0,8 1,4 0,2 0,6 1,8 4,1 1,4 1,0 0,2 0,3 1,0 0,2 0,3 0,3 0,2 0,3 1,4 0,5 9,9 0,4 0,1 0,1 0,1 0,3 0,4 0,2 Segovia 0,7 0,2 0,3 0,3 0,1 0,5 0,3 0,7 11,8 3,6 1,1 5,4 6,1 1,2 21,7 4,0 2,6 0,3 0,3 0,3 0,8 0,2 0,1 0,4 0,2 0,3 0,2 0,4 0,2 0,7 0,8 0,1 1,5 0,4 0,6 0,2 0,3 Palencia 0,8 0,4 0,2 3,1 12,7 3,4 3,6 16,1 12,7 31,7 1,6 0,2 0,9 0,1 3,1 10,2 1,9 1,3 0,4 0,4 0,2 0,8 0,3 0,3 0,3 0,3 0,3 0,1 Burgos 9,4 0,2 5,2 0,4 0,1 0,4 0,9 0,5 0,5 0,8 4,3 1,3 4,7 2,7 15,0 7,2 10,3 14,4 0,5 1,1 0,5 0,5 5,4 1,3 5,2 0,6 0,4 0,4 0,6 1,5 0,6 0,6 0,2 0,2 0,9 0,2 0,4 0,5 0,2 0,5 0,3 0,4 0,4 0,2 1,1 0,3 0,1 3,0 León 1,1 1,1 0,3 0,1 0,1 0,2 0,5 0,1 0,5 2,2 16,4 7,3 0,9 12,0 6,9 6,0 4,0 0,5 1,6 0,4 0,4 1,2 11,0 2,7 0,8 0,5 0,4 3,0 2,6 12,8 3,9 0,7 0,2 0,2 0,1 0,2 0,3 0,5 0,1 0,4 2,4 0,2 0,4 0,2 0,3 0,1 0,3 2,8 Valladolid 1,3 0,4 0,2 0,1 0,1 0,3 0,1 0,3 0,2 0,4 7,8 18,6 8,7 20,6 29,3 10,4 6,8 7,2 0,6 1,7 0,3 1,7 2,3 1,7 1,5 0,5 0,2 0,6 0,3 0,7 0,9 0,2 0,8 0,4 0,3 0,3 0,4 0,4 0,5 0,4 0,8 0,0 0,1 0,3 0,1 0,2 0,1 0,2 Soria 7,2 4,2 0,5 0,2 0,9 2,7 0,9 7,8 3,6 6,5 2,0 3,3 1,4 8,2 4,2 6,4 1,6 0,8 1,2 1,2 2,7 0,5 1,4 0,9 0,2 0,3 0,2 0,6 0,6 0,2 0,3 0,2 0,2 0,7 0,1 Illes Balears 0,3 0,2 0,2 0,8 0,8 0,7 0,6 0,2 1,0 0,6 0,5 0,6 0,1 0,3 0,2 0,6 1,7 2,1 0,7 0,2 0,5 0,4 2,0 2,2 0,3 0,2 1,2 0,6 0,4 0,5 0,4 0,3 0,7 0,9 0,5 1,4 0,5 0,4 0,2 0,3 1,3 0,6 0,7 1,7 0,6 1,1 1,3 Madrid 0,5 0,9 0,7 0,5 0,4 0,4 0,3 0,4 0,3 1,1 1,8 1,2 1,3 2,4 0,9 1,2 1,5 1,6 1,1 1,5 2,4 3,0 2,0 1,6 1,5 1,5 1,6 5,5 4,5 1,5 1,0 0,5 0,3 0,8 0,5 0,4 0,8 0,5 1,1 0,7 1,3 0,9 0,8 0,8 0,3 0,3 0,6 0,4 1,3 0,9 1,3 Barcelona 0,4 0,5 0,3 0,6 8,3 5,9 0,7 0,6 2,8 1,0 0,2 0,3 0,2 0,1 0,1 0,4 0,5 0,2 0,4 2,5 2,4 0,7 0,7 1,0 1,1 1,0 0,9 0,2 0,2 1,6 0,5 0,3 0,3 0,4 0,2 0,2 0,4 0,3 1,1 0,2 0,1 0,1 0,2 0,3 0,2 0,2 0,3 0,2 0,4 0,6 0,3 Gipuzkoa 3,8 3,0 1,7 1,3 0,6 1,8 1,1 0,5 1,4 1,3 1,6 1,2 2,3 1,7 1,0 1,5 1,0 3,1 0,4 2,0 1,8 10,1 0,2 0,8 1,0 0,2 0,5 0,1 0,5 0,2 1,3 0,3 0,6 0,7 0,3 0,3 0,2 0,3 1,0 0,2 Cantabria 1,0 1,1 0,9 1,0 0,4 0,5 1,0 0,8 0,4 0,4 1,8 0,3 13,7 5,5 0,8 2,3 0,7 0,5 1,8 0,6 3,5 10,3 17,8 1,6 0,2 0,3 0,5 2,2 0,3 0,6 1,2 0,2 0,4 0,2 0,7 1,2 0,8 0,2 0,2 0,2 0,2 0,2 0,1 0,1 0,1 0,1 Asturias 0,3 1,4 0,3 0,4 0,1 1,0 0,6 0,7 0,6 2,1 4,8 0,3 1,8 1,6 11,9 2,0 2,4 0,6 1,6 1,0 2,3 7,9 2,6 0,5 0,5 0,1 0,5 3,8 1,9 9,0 2,6 0,5 0,1 0,2 0,3 0,8 0,5 0,4 0,3 1,0 0,7 0,1 0,3 0,1 0,1 0,5 0,3 Bizkaia 7,1 3,1 2,1 0,5 0,1 1,0 0,4 1,2 1,2 0,5 2,2 1,4 0,4 1,9 6,0 2,9 1,3 1,0 1,2 1,0 11,5 15,4 4,5 1,1 0,5 0,2 0,1 3,8 0,4 0,7 0,6 0,1 0,3 0,7 0,5 0,2 0,3 1,4 0,4 0,6 0,3 1,1 0,1 0,2 0,3 0,2 Las Palmas 0,2 0,5 0,1 0,1 0,1 0,1 0,1 0,4 0,2 0,1 0,4 0,3 0,2 0,4 0,6 0,2 1,4 2,6 1,5 0,9 0,6 1,0 0,9 0,8 45,4 0,4 0,1 6,3 0,8 0,4 1,3 0,1 0,3 0,2 0,1 0,4 0,1 0,1 0,1 0,4 0,1 0,5 0,3 0,1 0,7 0,4 2,0 Santa Cruz de Tenerife 0,5 0,5 0,1 0,2 0,1 0,4 0,1 0,3 0,3 0,9 0,4 0,4 0,4 1,1 2,4 1,5 0,8 0,4 0,7 1,0 1,7 45,5 0,1 2,3 0,5 0,7 1,0 0,2 0,3 0,2 0,2 0,4 0,1 0,1 0,4 0,1 0,3 0,1 0,2 0,6 0,4 Guadalajara 0,7 0,1 0,1 0,1 0,1 0,7 0,2 0,6 0,6 0,4 0,7 0,4 0,5 1,9 0,3 5,6 0,1 0,3 0,3 0,1 0,2 0,1 0,1 2,0 0,1 0,7 0,1 0,2 0,4 0,0 0,1 0,2 0,1 1,4 3,3 0,4 0,1 0,2 0,1 0,0 0,2 0,1 0,2 Toledo 0,1 0,7 0,4 0,1 0,0 0,2 0,2 0,2 0,2 0,2 3,1 0,2 0,7 0,2 0,2 0,3 0,2 0,3 1,0 0,2 4,3 0,2 0,2 0,7 0,6 0,4 0,3 0,2 1,2 1,1 0,1 0,2 0,2 1,5 0,4 0,3 0,3 0,2 0,6 5,9 3,8 1,9 0,2 0,3 0,4 0,1 1,2 0,1 0,2 Melilla 3,8 1,1 1,0 1,0 1,0 4,1 5,8 1,8 3,1 2,1 1,2 1,7 1,6 1,4 3,7 0,6 A Coruña 0,4 0,5 0,2 0,2 0,2 0,5 0,1 0,8 0,1 0,3 0,2 0,5 0,7 0,1 0,2 0,6 2,0 0,9 0,5 1,1 0,5 1,4 2,1 4,1 2,5 0,6 0,8 0,1 10,3 20,8 24,6 0,1 0,4 0,2 0,2 0,1 0,1 0,2 0,1 0,2 0,0 0,2 0,2 0,1 0,2 0,2 Ourense 0,5 0,3 0,1 0,5 0,2 0,2 0,1 0,7 1,8 0,8 1,5 11,8 0,2 1,0 0,5 0,2 0,7 0,6 0,8 0,5 0,6 0,2 0,1 9,5 25,3 22,9 0,2 0,2 0,2 0,2 0,1 0,1 0,4 0,1 0,2 0,1 Lugo 0,3 0,2 0,1 0,2 1,2 0,3 0,7 0,4 1,1 0,6 4,7 0,8 0,1 0,4 0,2 0,5 0,3 8,7 2,0 0,2 0,3 21,3 22,0 10,4 0,2 0,3 0,1 0,1 0,1 0,1 0,3 0,2 0,2 0,1 0,1 0,1 0,1 Pontevedra 0,2 0,2 0,2 0,1 0,2 0,2 0,3 0,2 0,5 0,3 0,7 0,3 0,2 0,2 0,6 0,9 0,7 0,7 0,8 0,3 0,9 2,2 2,8 0,9 1,4 0,6 0,3 0,2 25,1 21,0 10,0 0,0 0,1 0,2 0,1 0,1 0,2 0,1 0,4 0,4 0,1 0,2 0,1 0,1 0,2 Albacete 0,1 0,1 0,6 0,1 0,1 0,2 0,2 0,4 0,2 0,3 0,2 0,2 0,5 0,2 0,4 0,5 0,4 0,5 0,1 0,2 0,2 0,1 0,1 0,2 0,8 0,9 0,0 0,3 0,4 0,0 0,6 1,6 6,3 2,0 3,0 5,2 12,3 0,2 0,1 0,5 0,5 0,2 1,7 0,2 0,3 Almería 0,1 0,1 0,3 0,4 0,3 0,3 1,1 0,4 1,0 0,3 0,4 0,3 0,4 0,1 0,2 0,7 0,5 0,3 0,4 0,7 0,1 0,1 0,6 0,1 0,8 0,1 1,2 0,4 0,1 0,1 0,5 0,7 7,5 0,4 0,3 0,7 0,4 0,1 0,8 0,4 1,3 6,2 2,4 1,4 0,7 1,2 Alicante 0,2 0,1 0,3 1,1 0,2 0,5 0,1 0,3 0,3 0,4 0,3 0,1 0,6 0,2 0,2 0,3 0,7 0,7 0,5 0,3 0,5 0,2 0,8 0,4 0,2 0,2 0,3 0,6 0,2 0,1 0,3 0,2 1,6 0,8 8,9 4,7 0,2 0,6 0,3 0,2 0,2 0,1 0,1 0,3 0,3 0,4 0,3 Murcia 1,0 0,6 0,6 0,8 0,4 0,4 0,3 0,2 0,4 0,3 0,2 0,1 0,2 0,4 0,2 0,2 0,0 0,2 0,2 0,7 0,5 0,2 0,2 0,6 0,4 0,3 0,1 0,1 0,1 0,2 0,2 0,1 0,1 0,1 6,2 7,2 9,0 1,9 0,2 1,2 0,5 0,3 0,2 0,1 0,4 1,2 1,1 0,3 0,2 Valencia 0,5 0,3 0,5 11,2 0,4 0,9 0,6 1,5 0,8 1,2 0,1 0,4 0,2 0,1 0,1 0,2 0,2 0,3 0,5 1,2 1,1 1,1 0,3 0,8 0,6 0,3 0,2 0,4 0,2 0,1 0,2 0,1 0,1 0,2 1,7 0,5 4,6 1,9 0,1 0,5 1,6 0,2 0,3 0,2 0,3 0,2 0,4 0,3 0,4 Badajoz 0,5 0,3 0,3 0,1 0,1 0,2 0,1 0,3 0,5 0,4 0,3 1,2 0,1 0,2 0,1 0,5 0,6 0,3 0,5 0,7 0,2 0,6 1,0 0,8 0,4 0,2 0,1 0,2 0,6 0,0 0,2 0,1 0,3 1,7 0,4 0,1 0,2 0,1 2,2 2,8 30,1 0,4 2,4 2,0 0,4 0,8 0,6 1,8 Ciudad Real 0,5 0,2 0,1 0,6 0,3 0,2 1,0 0,2 0,5 0,2 0,7 0,5 0,3 0,7 0,5 0,4 0,3 0,5 1,3 0,1 0,2 0,4 0,3 1,0 1,4 6,5 0,4 0,3 0,1 5,6 0,7 0,4 1,1 0,5 2,8 6,5 0,8 0,2 1,3 1,2 0,8 2,9 0,4 0,4 Cuenca 0,3 0,4 0,5 0,3 0,4 0,3 0,3 0,3 0,7 0,4 0,2 0,6 0,2 0,4 0,4 0,2 0,9 0,1 0,4 0,2 0,3 3,3 2,8 0,1 0,2 0,2 13,3 0,5 0,3 0,4 1,6 4,2 9,4 0,1 0,7 0,3 0,2 1,0 0,3 0,3 1,7 Cáceres 0,5 0,2 0,4 0,3 0,1 0,6 0,2 0,1 0,6 6,9 1,6 9,7 0,2 0,3 2,6 0,9 0,5 0,4 0,9 0,1 0,6 0,2 0,6 0,4 0,2 0,1 0,3 1,8 0,2 0,2 0,3 0,2 0,4 0,2 0,2 0,2 29,7 1,1 0,1 0,3 0,4 1,0 0,1 1,0 0,5 0,4 Cádiz 0,3 0,3 0,1 0,1 0,2 0,1 0,8 0,1 0,2 0,3 0,6 0,3 0,2 0,2 0,5 0,2 0,0 0,2 0,8 0,7 0,4 0,7 0,3 0,4 0,1 0,8 0,6 0,1 0,2 0,9 0,4 0,1 0,4 0,1 1,1 0,2 0,1 0,2 0,6 0,2 0,0 0,3 1,0 1,7 1,4 0,7 5,2 6,1 7,9 Córdoba 0,2 0,2 1,0 0,1 0,0 0,1 0,3 0,2 0,2 0,1 0,4 0,3 0,1 0,2 0,3 0,2 0,6 0,3 0,2 0,2 0,2 0,1 0,1 0,1 0,1 0,2 0,2 0,7 0,2 0,1 0,0 0,7 0,7 0,1 0,2 0,2 2,1 1,2 1,9 0,4 1,1 2,2 2,1 5,5 3,0 5,5 0,6 Huelva 0,4 0,1 0,8 0,2 0,1 0,2 1,4 0,3 3,2 0,8 2,9 0,4 0,6 5,5 0,2 0,8 0,2 0,4 0,4 0,7 0,3 0,2 0,1 0,5 0,3 1,3 0,5 0,2 0,2 0,2 0,3 0,1 0,5 0,1 0,8 1,4 0,1 0,6 0,4 1,5 1,1 1,3 0,9 1,7 1,4 1,7 1,9 0,6 5,6 0,8 Granada 0,3 0,5 0,4 0,1 0,2 0,2 0,3 0,1 0,3 0,3 0,6 0,2 0,3 0,1 0,2 1,7 0,6 0,3 0,4 0,2 0,2 0,1 0,2 0,3 0,1 0,1 1,8 0,3 0,2 0,1 0,4 6,0 0,4 1,2 0,2 0,2 0,7 0,7 0,2 1,6 2,0 1,6 6,4 5,3 1,0 2,5 Jaén 1,0 2,2 1,2 0,1 0,7 0,4 1,0 0,4 2,0 0,7 0,4 0,1 0,1 0,6 0,3 0,6 0,1 0,1 1,1 0,7 0,4 0,2 0,4 0,4 0,1 0,1 0,0 0,1 0,2 0,9 0,1 0,2 0,1 1,4 2,1 0,5 1,2 0,3 0,7 2,6 1,2 0,8 0,9 5,3 3,7 6,1 1,2 0,9 0,7 Málaga 0,1 0,3 0,1 0,2 0,2 0,1 0,2 0,1 0,2 0,5 0,1 0,1 0,2 0,2 0,2 0,3 1,0 1,3 0,5 0,8 0,1 0,5 0,5 0,6 0,5 0,1 0,2 7,2 0,3 0,1 0,1 0,1 0,2 1,4 0,4 0,3 0,2 0,5 0,5 0,3 0,3 5,3 3,3 0,8 5,2 1,1 3,1 5,7 Sevilla 0,1 0,2 0,4 0,3 0,1 0,2 0,1 0,1 0,2 0,3 0,1 0,1 0,4 0,0 0,2 0,2 0,3 0,3 0,1 1,2 1,0 0,6 0,3 0,3 0,2 0,1 0,5 0,2 0,2 0,2 1,4 0,2 0,1 0,1 0,1 0,2 0,7 0,3 0,2 0,4 1,8 0,4 0,4 0,4 6,1 6,1 6,3 1,2 0,8 3,0 1,7 Ceuta 1,0 1,1 2,7 2,8 1,0 0,9 0,7 1,9 1,1 0,6 0,4 1,5 10,6 1,9 1,5 3,5 2,4